Cambio de paradigma en ingeniería de datos donde los datos crudos se cargan primero en el Data Warehouse y se transforman después mediante SQL en la nube.
Explicación y Contexto Conceptual
La transición de ETL (Extract, Transform, Load) a ELT (Extract, Load, Transform) representa uno de los mayores hitos de eficiencia en la historia del software analítico. En el esquema antiguo de ETL (décadas de 1990 y 2000), los datos debían extraerse de la fuente, transformarse y limpiarse en un servidor intermedio rígido y finalmente cargarse en la base de datos; cualquier cambio en una fórmula exigía rediseñar todo el pipeline desde cero.
En el paradigma moderno de ELT, habilitado por la infinita capacidad de cómputo elástico de los Cloud Data Warehouses:
1. **Extract**: Los datos de Meta, Google Ads y Shopify se extraen de forma automatizada mediante APIs.
2. **Load**: Se cargan en bruto e inalterados (Raw Data) directamente en el Data Warehouse.
3. **Transform**: Los analistas de marketing escriben modelos SQL (utilizando herramientas como dbt) para limpiar, agregar y desduplicar los datos directamente dentro del almacén.
Si un KPI cambia o una definición de atribución evoluciona, el analista simplemente modifica la consulta SQL sin necesidad de volver a extraer los datos de las fuentes originales.
Ejemplo en la Práctica
Una agencia pasa de esperar 3 semanas a un ingeniero de datos para un reporte ETL a modificar una línea de código dbt en su pipeline ELT en 5 minutos.