Cómo funciona
ETL es un patrón de pipeline de datos compuesto por tres etapas: extraer datos de fuentes, transformar los datos a un formato apropiado y cargarlos en un destino. El proceso comienza con la extracción de datos de fuentes como bases de datos preexistentes, APIs abiertas o archivos de log generados durante el tráfico del sitio. Luego, la transformación estandariza formatos, aplica reglas de negocio, elimina duplicados y enriquece los registros. Por último, la carga escribe los datos procesados en el destino, normalmente un data warehouse o una base analítica. Cada etapa puede reejecutarse, y el pipeline debe registrar lo que se movió, para que quien analiza los datos sepa si una métrica salió mal por los datos o por el código. La extracción puede hacerse desde fuentes diversas; la transformación convierte los datos a un formato común, lo que es necesario para unir información proveniente de fuentes diferentes.
Ejemplo práctico
Un comerciante extrae ventas de varios canales, convierte monedas, elimina duplicados, suma por día y carga los resultados en un data warehouse. El dashboard consulta el data warehouse y muestra la evolución de los ingresos por canal. Si uno de los canales envía un archivo con el nombre de columna distinto al esperado, el pipeline puede alertar antes de cargar, evitando que el reporte mezcle tablas de formatos diferentes.
Para qué sirve
ETL estandariza los datos antes de que entren al ambiente de análisis, lo que ayuda a tener reportes consistentes y modelos que consumen datos estructurados. Permite controlar la calidad de los datos en la frontera del destino, aplicando reglas de negocio antes de que algo sea consumido. La estandarización evita que un cambio de formato en una fuente rompa dashboards de producción y facilita la comparación entre periodos. En un ambiente de marketing, el pipeline une eventos de navegación, compras e información de cliente, y entrega una visión consolidada para el equipo de análisis.
Diferencia entre X y Y
ELT es el hermano más nuevo: los datos se cargan primero y se transforman en el destino. El ETL transforma antes de cargar. La elección depende de la capacidad de procesamiento, de la calidad de los datos y del tipo de consumo.