ETL et ELT enchaînent les trois mêmes opérations, extraire, transformer, charger, et seul l’ordre des deux dernières les sépare. La question « ETL ou ELT » porte donc sur un lieu d’exécution : la transformation des données tourne soit dans un moteur placé avant la cible, soit dans la cible elle-même, une fois la donnée brute chargée.
Nous retenons quatre critères, qui font pencher d’un côté ou de l’autre : l’endroit où se trouve la puissance de calcul, la sensibilité des données, les compétences de l’équipe et la manière dont le calcul est facturé. Lorsque la cible est un entrepôt ou un lakehouse dont le calcul s’ajuste à la charge, et que rien n’interdit d’y déposer la donnée brute, l’ELT est le point de départ. Lorsque la cible est contrainte, ou que certaines données ne doivent pas y entrer telles quelles, la transformation reste en amont. Une même plateforme peut combiner les deux ordres, flux par flux.
ETL ou ELT, une affaire de lieu d’exécution
Les documentations de Microsoft et de BigQuery, lues le 12 novembre 2026, posent le choix dans ces termes. La première (Azure Architecture Center, page « Extract, transform, and load (ETL) ») écrit que l’ELT ne diffère de l’ETL que par l’endroit où la transformation a lieu, et qu’il ne fonctionne bien que si le système cible est assez puissant pour transformer les données efficacement. La seconde (page « Introduction to loading, transforming, and exporting data ») recommande en général l’ELT à la plupart de ses clients et juge l’ETL utile lorsqu’un processus de transformation existe déjà, ou pour réduire la consommation de ressources dans l’entrepôt. Chacune parle pour ses produits : nous n’en reprenons pas la préférence, seulement deux variables, la capacité de la cible pour la première, ce que l’on accepte d’y consommer pour la seconde.
Le premier critère en découle : la transformation se place là où le calcul est disponible sans gêner les lecteurs. Un entrepôt ou un lakehouse dont le calcul se dimensionne indépendamment du stockage absorbe les transformations à côté des requêtes d’analyse. L’ELT y est praticable, et la donnée brute conservée permet de rejouer une règle corrigée sans solliciter à nouveau la source. L’assemblage d’outils qui s’est formé autour de l’ELT est décrit dans notre fiche modern data stack.
La situation s’inverse lorsque la cible est une base dimensionnée pour la restitution, une application opérationnelle ou un système à capacité fixe, déjà chargé aux heures ouvrées. Y exécuter des jointures lourdes dégrade le service rendu aux lecteurs, et la transformation se fait dans un moteur séparé. Elle se fait aussi en amont lorsque le calcul utile se trouve près de la source, par exemple pour filtrer ou agréger des relevés sur un site distant avant de les transmettre par une liaison à faible débit.
Un test complète ce critère : ce que la cible sait exprimer. Les règles qui s’écrivent en SQL s’y exécutent bien. Le décodage d’un format binaire ou le traitement d’images peuvent demander un autre moteur, quel que soit l’ordre retenu pour le reste.
Les données qui ne doivent pas entrer brutes dans la cible
Charger d’abord, c’est déposer dans la cible ce que la source contient, y compris, si rien n’est filtré, des champs dont aucun usage n’a besoin. Pour les données personnelles, le RGPD, règlement (UE) 2016/679, pose à son article 5, paragraphe 1, point c), le principe de minimisation : des données adéquates, pertinentes et limitées à ce qui est nécessaire au regard des finalités. Son article 25, paragraphe 2, demande au responsable du traitement des mesures garantissant que, par défaut, seules les données nécessaires au regard de chaque finalité spécifique sont traitées ; cela s’applique à la quantité de données collectées, à l’étendue de leur traitement, à leur durée de conservation et à leur accessibilité.
Le texte ne mentionne ni l’ETL ni l’ELT. Nous en tirons une prudence de conception : une copie brute et intégrale, conservée pour pouvoir rejouer les traitements, demande à être justifiée, avec une durée et des droits d’accès. Qualifier chaque cas revient au délégué à la protection des données et aux juristes de l’organisation.
La réponse technique est un filtre à l’extraction. Prenons une entreprise de travail temporaire qui alimente son entrepôt depuis son logiciel de paie. Le fichier source porte le numéro de sécurité sociale et les coordonnées bancaires des intérimaires, que les analyses d’activité n’emploient pas. Ces colonnes sont écartées, ou remplacées par un identifiant sans signification, avant le chargement ; le reste est transformé dans la cible, et l’ordre devient mixte.
La classification qui désigne les champs à écarter relève de la gouvernance des données, et les techniques de pseudonymisation et d’anonymisation sont comparées dans notre article sur l’anonymisation des données. Le même raisonnement vaut hors des données personnelles, pour un secret de fabrication ou un champ confié par un tiers.
Qui écrira les règles, et comment le calcul sera facturé
Le troisième critère tient aux personnes. En ELT, les règles de gestion sont des requêtes SQL que la cible exécute, tenues dans un projet de code et couvertes par des tests : c’est l’usage que leurs documentations, lues le même jour, assignent à des outils tels que dbt ou SQLMesh. Des analystes qui connaissent le métier et le SQL peuvent alors porter eux-mêmes les transformations. En ETL, le moteur a son langage ou son atelier graphique, et une équipe d’intégration en détient la pratique.
Une chaîne existante, tenue par une équipe qui la maîtrise, est un actif : l’ordre des lettres ne suffit pas à motiver sa réécriture.
Le quatrième critère est la facture. En ELT, chaque transformation consomme le calcul de la cible, que l’offre le facture à la requête, au temps d’exécution ou à la capacité réservée. Une table entièrement recalculée à chaque passage, alors que seules les lignes du jour ont changé, pèse sur cette dépense sans que personne l’ait décidé.
En ETL, la dépense porte sur le moteur de transformation et sur l’infrastructure qui l’héberge. Lequel des deux ordres coûte le moins dépend des volumes, de la fréquence des traitements et du mode de facturation. Nous proposons de rattacher le calcul consommé à chaque chaîne de transformation avant de comparer, selon les pratiques du FinOps.
Les chaînes mixtes, et les cas où le débat n’a pas lieu
Le premier montage mixte est le filtre à l’extraction décrit plus haut. Le deuxième sépare les destinations : l’ELT alimente l’entrepôt d’analyse, tandis qu’un moteur en amont prépare les flux destinés à des applications qui n’acceptent qu’un format précis.
Le troisième tient au stockage. Lorsque les fichiers bruts sont déposés dans un lac de données et transformés par un moteur qui lit ce stockage, la frontière entre « avant » et « après » le chargement s’estompe. Le choix de la cible, que traite notre comparatif data warehouse ou data lake, compte alors davantage que le sigle.
Le débat n’a pas lieu dans deux cas. Lorsque la donnée doit éclairer une décision dans un délai que le chargement par lots ne tient pas, la transformation se fait dans le flux, au fil de l’arrivée des événements, et les questions changent : elles sont traitées dans notre article sur l’architecture data temps réel. Lorsque les sources sont peu nombreuses, les volumes modestes et la cible unique, les deux ordres conviennent, et le temps passé à les départager serait mieux employé aux tests et à la documentation des règles.
L’ordre des opérations fait partie des décisions d’architecture que notre offre plateforme data consigne par écrit, options écartées comprises. Nous proposons d’y noter, pour chaque flux, le lieu retenu pour la transformation, la raison du choix et l’événement qui le ferait revoir : changement de cible, nouvelle catégorie de données, dérive du calcul consommé.