ELT
Aussi : Extract, Load, Transform
L'ELT (Extract, Load, Transform) est un pattern d'intégration de données où les données brutes sont d'abord chargées dans le système cible, puis transformées à l'intérieur de celui-ci en s'appuyant sur sa puissance de calcul.
Définition
ELT signifie Extract, Load, Transform. C'est une approche d'intégration de données où les données sont extraites des systèmes sources, chargées sous leur forme brute dans une plateforme cible (généralement un cloud data warehouse ou un lakehouse), et seulement ensuite transformées en jeux de données propres et modélisés. Cela inverse l'ordre du pattern ETL, plus ancien, où la transformation précède le chargement.
Le passage à l'ELT a été porté par l'essor du stockage cloud scalable et peu coûteux et par des moteurs de calcul puissants intégrés au warehouse (moteurs de requêtes en colonnes, par exemple). Dès lors que la transformation peut s'exécuter rapidement et à faible coût dans la destination, il y a peu de raisons de la faire en amont dans une couche de traitement séparée.
Pourquoi c'est important
- Vitesse d'ingestion : les données brutes arrivent vite car le chargement est découplé de la logique de transformation.
- Flexibilité : conserver les données brutes permet de les remodéliser plus tard sans réextraire depuis les sources.
- Scalabilité : la transformation exploite le compute élastique des warehouses modernes au lieu d'un serveur ETL dimensionné une fois pour toutes.
- Auditabilité : les données brutes d'origine sont préservées, ce qui aide au debugging, au retraitement et à la conformité.
- Séparation des rôles : les engineers gèrent l'ingestion ; les analysts et analytics engineers portent les transformations avec des outils basés sur SQL.
Pour un Chief Data Officer, l'ELT soutient une single source of truth gouvernée tout en laissant les équipes itérer sur la logique métier sans dépendre d'une équipe pipeline centrale.
Comment cela s'utilise en pratique
Une stack ELT type combine :
1. Des outils d'Extract et Load qui se connectent aux API, bases de données et fichiers, et répliquent les données dans le warehouse.
2. Un cloud warehouse ou un lakehouse comme stockage central.
3. Un framework de transformation (le plus souvent basé sur SQL) qui construit des modèles en couches, testés et documentés.
Les transformations sont généralement organisées en couches : raw, staging (nettoyée) et marts (tables prêtes pour le métier, le reporting et les features d'IA).
Exemple concret
Une équipe marketing veut une vue unifiée de la performance des campagnes :
- Extract : récupérer les lignes brutes depuis l'API d'une plateforme publicitaire, un CRM et le web analytics.
- Load : déposer les trois jeux de données bruts, non modifiés, dans le warehouse.
- Transform : exécuter des modèles SQL qui standardisent les formats de dates, dédupliquent les leads, rapprochent le spend du revenue et produisent une table `campaign_roi`.
Si une nouvelle métrique est nécessaire au trimestre suivant, les analysts ajoutent simplement un modèle par-dessus les données brutes déjà chargées, sans nouvelle extraction.
Questions fréquentes
Que signifie ELT ?
ELT signifie Extract, Load, Transform. Les données sont extraites des systèmes sources, chargées telles quelles dans une plateforme cible (data warehouse cloud ou lakehouse), puis transformées sur place en jeux de données propres et modélisés.
Quelle différence entre ELT et ETL ?
La différence tient à l'ordre des deux dernières étapes. En ETL, la transformation a lieu dans une couche de traitement séparée avant le chargement ; en ELT, les données brutes arrivent d'abord et la transformation s'exécute dans la plateforme cible, avec son moteur de calcul.
Pourquoi l'ELT a-t-il supplanté l'ETL dans la plupart des stacks modernes ?
Parce que le stockage cloud est devenu peu coûteux et la puissance de calcul des warehouses considérable, notamment avec les moteurs de requête en colonnes. Dès lors que la transformation s'exécute vite et à faible coût dans la cible, maintenir un serveur ETL séparé en amont perd son intérêt.
De quoi se compose une stack ELT ?
De trois briques : des outils d'extraction et de chargement connectés aux API, bases de données et fichiers pour répliquer les données ; un warehouse cloud ou un lakehouse comme socle central ; un framework de transformation, généralement en SQL, qui construit des modèles en couches, testés et documentés.
Comment structure-t-on les transformations ELT dans le warehouse ?
En couches : le raw tel qu'il a été chargé, le staging où les données sont nettoyées, et les marts qui contiennent les tables exploitables pour le reporting et les usages IA. Sur un cas marketing, le staging normalise les formats de date et dédoublonne les leads, le mart rapproche dépenses et revenus pour produire une table campaign_roi.