Aller au contenu
Cabinet d'expertise en transformation technologique · ARDIANE Group Innover, sécuriser, réussir

Data

Le choix ETL ou ELT se joue d'abord là où se trouve la puissance de calcul

L'essentiel

ETL ou ELT : les deux enchaînent extraction, transformation et chargement, et diffèrent par l'endroit où la transformation s'exécute, avant la cible ou dans la cible. Management Square propose de trancher flux par flux, sur quatre critères : l'endroit où se trouve le calcul, la sensibilité des données, les compétences de l'équipe et le coût à l'usage.

Sommaire de la page

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.

Insights

À lire sur le sujet

Tous les insights
Provenance des données vs lignage des données, deux traces pour deux demandes

Provenance des données vs lignage des données : la provenance décrit l'origine et l'historique d'une donnée (source, conditions de collecte, versions, responsable), le lignage décrit son parcours dans le système d'information et les transformations qu'elle subit. Management Square compare ici les deux notions, dont la séparation relève d'une convention, et indique à quelles demandes chacune répond.

Lire l'analyse
Trancher la question « data warehouse ou data lake » à partir des usages à servir

La question « data warehouse ou data lake » oppose l'entrepôt de données, où la structure est imposée avant le chargement pour des questions connues, au lac de données, où les fichiers sont déposés bruts et structurés à la lecture. Management Square compare les deux sur la structure, les usages, la gouvernance et le coût, puis situe le lakehouse et la coexistence des deux systèmes.

Lire l'analyse
Anonymisation des données : techniques, limites et choix selon l'usage

L'anonymisation des données rend impossible, par des moyens raisonnables, l'identification des personnes dans un jeu de données, qui sort alors du champ du RGPD ; un jeu pseudonymisé reste une donnée personnelle pour quiconque peut revenir à la personne. Cet article de Management Square compare les techniques, indique laquelle retenir selon l'usage et décrit comment vérifier le résultat.

Lire l'analyse

FAQ

Questions fréquentes

Une autre question ? Posez-la-nous

Quelle est la différence entre ETL et ELT ?

L'ETL (extract, transform, load) transforme les données dans un moteur séparé avant de les charger dans le système cible. L'ELT (extract, load, transform) charge d'abord les données brutes, puis les transforme avec la capacité de calcul de la cible, entrepôt de données ou lakehouse. Les opérations sont les mêmes. Ce qui change est l'endroit où la transformation s'exécute, donc les personnes qui l'écrivent, ce que la cible contient et la manière dont le calcul est facturé.

L'ELT a-t-il rendu l'ETL obsolète ?

Non. L'ELT convient lorsque la cible dispose d'un calcul qui s'ajuste à la charge et peut recevoir la donnée brute. L'ETL garde sa place lorsque la cible est contrainte, lorsque des données sensibles doivent être écartées ou masquées avant le chargement, ou lorsqu'une chaîne existante fonctionne et qu'une équipe la maîtrise. Une même plateforme peut employer les deux ordres, flux par flux.

Peut-on charger des données personnelles brutes dans un entrepôt en ELT ?

Le RGPD, règlement (UE) 2016/679, ne mentionne ni l'ETL ni l'ELT. Son article 5, paragraphe 1, point c), pose un principe de minimisation : des données limitées à ce qui est nécessaire au regard des finalités. Nous en déduisons qu'une copie brute et intégrale de la source demande à être justifiée, avec une durée de conservation et des droits d'accès ; cette qualification revient au délégué à la protection des données et aux juristes de l'organisation. Un filtre ou un masquage à l'extraction permet d'écarter les champs sans usage avant le chargement.

Un projet à faire aboutir ?

Un premier échange suffit pour situer votre enjeu, identifier les bons interlocuteurs et vous dire franchement ce que nous pouvons apporter.