que.nom.es

ELT (Extract, Load, Transform): qué es y por qué sustituye al ETL

Integración de datos basico También llamado: Extract Load Transform
ELT: los datos se extraen y se cargan en bruto en el warehouse o lakehouse, y se transforman dentro del propio destino con SQL o dbt.
ELT: los datos se extraen y se cargan en bruto en el warehouse o lakehouse, y se transforman dentro del propio destino con SQL o dbt.

ELT (Extract, Load, Transform)

¿Qué es?

ELT son las siglas de Extract, Load, Transform. Es el patrón moderno de integración de datos: se extraen los datos de las fuentes, se cargan tal cual en el destino analítico, y la transformación ocurre dentro del propio destino mediante SQL u otros lenguajes nativos del motor.

¿Por qué surge?

Hasta finales de los 2010s, los data warehouses tenían capacidad de cómputo limitada y cara. Tenía sentido pre-procesar los datos en una herramienta ETL externa antes de cargarlos. Con la llegada de data warehouses cloud altamente paralelos (Snowflake, BigQuery, Redshift, Databricks SQL), el cómputo del destino pasó a ser barato y elástico. Cargar datos crudos y transformarlos allí dejó de ser un problema y empezó a tener ventajas claras.

Ventajas frente al ETL clásico

  • Velocidad de ingesta: cargar datos sin transformar es más rápido y simple.
  • Auditoría completa: los datos crudos quedan disponibles, puedes re-procesarlos cuantas veces quieras sin volver a tocar las fuentes.
  • Transformaciones en SQL versionadas en git: con dbt como capa de transformación, las definiciones son código revisable, testable y reutilizable.
  • Separación de responsabilidades: ingeniería se ocupa de la carga; analistas se ocupan de las transformaciones de negocio.
  • Escalabilidad elástica: el cómputo lo absorbe el data warehouse cloud, no un servidor ETL dedicado.

Cuándo NO conviene ELT

  • Datos sensibles que no deben tocar el destino sin filtrar (PII, salud): a veces es obligatorio enmascarar antes de cargar (ETL).
  • Volúmenes enormes de datos crudos donde solo necesitas un agregado: cargar todo en el DW puede ser caro.
  • Stacks legacy con DW on-prem (Teradata, Oracle Exadata) donde el cómputo del destino sigue siendo limitado.

Ejemplo

Un SaaS B2B usa Fivetran para extraer y cargar (E + L) datos de Salesforce, Stripe y HubSpot directamente en Snowflake sin tocarlos. dbt ejecuta diariamente las transformaciones en Snowflake: limpieza, joins, modelado dimensional, métricas de negocio. Los analistas trabajan sobre las tablas resultantes en Looker.

Si mañana cambia la regla de “qué cuenta como cliente activo”, se modifica un modelo dbt (un fichero .sql), se hace dbt run y todo el histórico se recalcula. Sin volver a extraer nada.

Stack típico ELT moderno (2026)

Fuentes  →  E+L (Fivetran/Airbyte)  →  Snowflake/BigQuery  →  T (dbt)  →  BI (Looker/Power BI)

Más información

Contenido elaborado con asistencia de inteligencia artificial — Equipo Editorial Dataprix. Verifica la información antes de tomar decisiones.