Qué es ETL: proceso, ejemplo y diferencia con ELT

«¿Podemos automatizar esto?» Es la pregunta que casi siempre llega después de meses copiando datos de un ERP a Excel, cruzándolos a mano con un CRM y maquillando cifras antes de la reunión semanal. La respuesta técnica a esa pregunta suele empezar por la misma palabra: ETL.

El término aparece en casi cualquier conversación sobre arquitectura de datos, pero pocas veces se explica de forma sencilla. Este artículo aclara qué es un proceso ETL, cómo funciona paso a paso, en qué se diferencia de ELT y —lo más importante para una pyme— cuándo merece la pena montarlo y cuándo es una solución desproporcionada.

¿Qué es ETL y qué significan sus siglas?

ETL son las siglas de Extract, Transform, Load (extraer, transformar, cargar). Según la definición de AWS, es el proceso que combina datos de múltiples fuentes en un repositorio central —normalmente un data warehouse— para que puedan analizarse de forma conjunta. Es la tubería que conecta los sistemas donde se generan los datos (ERP, CRM, facturación, hojas de cálculo) con el sistema donde se analizan (warehouse, dashboards, modelos de IA).

• Extract (extracción): se copian los datos en bruto desde cada sistema de origen —tablas de una base de datos, respuestas de una API, ficheros CSV o Excel— sin modificarlos todavía.
• Transform (transformación): los datos se limpian, se estandarizan y se enriquecen. Aquí se corrigen formatos de fecha inconsistentes, se eliminan duplicados, se convierten divisas o unidades y se aplican las reglas de negocio (por ejemplo, cómo se calcula el margen).
• Load (carga): los datos ya transformados se cargan en el destino final, listos para que una herramienta de BI como Power BI los consuma sin necesidad de limpieza adicional.

¿Cómo funciona un proceso ETL paso a paso?

En la práctica, un proceso ETL no ejecuta las tres fases una detrás de otra de forma estrictamente secuencial para todo el volumen de datos. Según explica el Azure Architecture Center de Microsoft, las tres fases suelen ejecutarse en paralelo por lotes: mientras se extrae un lote de datos, otro ya se está transformando, y un tercero ya cargado. Esto reduce el tiempo total del proceso frente a esperar a que termine cada fase por completo.

1. 1Se conecta a cada fuente de datos (ERP, CRM, ficheros) y se extrae la información necesaria, normalmente a una zona intermedia llamada staging.
2. 2Se aplican las transformaciones definidas: limpieza de valores nulos o erróneos, deduplicación, normalización de formatos, cruces entre tablas y cálculo de métricas de negocio.
3. 3Se valida que los datos transformados cumplen las reglas esperadas (tipos de dato correctos, rangos válidos, claves sin duplicar).
4. 4Se cargan los datos ya limpios en el destino: un data warehouse, un data mart o una base de datos analítica.
5. 5El proceso se repite de forma programada —cada hora, cada noche, cada semana— según la frecuencia con la que el negocio necesita datos actualizados.

¿En qué se diferencia ETL de ELT?

La diferencia está en el orden de las fases, no en el objetivo. Como resume Fivetran, ELT (Extract, Load, Transform) invierte el proceso tradicional: los datos se cargan en bruto en el destino y se transforman después, usando la propia capacidad de cómputo del warehouse. Esta forma de trabajar se ha vuelto habitual porque warehouses cloud como BigQuery, Snowflake o Azure Synapse escalan el procesamiento sin necesidad de un motor de transformación intermedio.

Ejemplo práctico: un proceso ETL real en una empresa mediana

Una distribuidora con ERP, CRM y un fichero de objetivos comerciales en Excel quiere un dashboard de ventas por comercial, cliente y zona, actualizado cada noche. Así se vería su proceso:

1. 1Extract: cada noche, un pipeline se conecta al ERP y extrae las líneas de pedido del día; a la API del CRM y extrae oportunidades y actividades comerciales; y lee el fichero Excel de objetivos desde una carpeta compartida.
2. 2Transform: se homogeneizan los códigos de cliente (el ERP usa un ID interno, el CRM usa el CIF), se convierten importes a euros si algún pedido llegó en otra divisa, se descartan pedidos anulados y se calcula el margen por línea aplicando el coste del producto.
3. 3Load: los datos ya limpios se cargan en tres tablas del warehouse: hechos de ventas, hechos de pipeline y objetivos por comercial, todas conectadas a las mismas dimensiones de cliente, producto y tiempo.
4. 4El dashboard de Power BI se conecta a esas tablas ya preparadas, no a los sistemas de origen, por lo que un pico de tráfico en el CRM o el ERP no afecta a la velocidad del informe.

Este esquema de hechos y dimensiones no aparece por casualidad: es el resultado de un modelo de datos para reporting bien diseñado. El proceso ETL solo mueve y limpia los datos; el modelo define cómo se organizan una vez dentro.

¿Cuándo necesita tu empresa un proceso ETL (y cuándo es prematuro)?

Montar un ETL formal tiene sentido cuando el coste de no tenerlo —horas dedicadas a copiar y cuadrar datos a mano, informes que llegan tarde, cifras que no coinciden entre departamentos— supera claramente el esfuerzo de automatizarlo. Las señales más claras:

• Cruzas datos de tres o más sistemas de forma recurrente (ERP, CRM, facturación, marketing) para construir un mismo informe.
• Alguien dedica horas cada semana a copiar, pegar y cuadrar datos manualmente antes de que el informe esté listo.
• Los mismos datos se transforman de forma distinta en cada informe, y las cifras de ventas o margen no coinciden entre departamentos.
• El volumen o la frecuencia de actualización ya no es razonable de mantener a mano (datos diarios, varias fuentes con miles de filas).

Y es prematuro cuando la necesidad real es mucho más pequeña: una sola fuente de datos, un informe mensual sin urgencia y un volumen que cabe cómodamente en una hoja de cálculo. En ese escenario, Power Query dentro de Power BI o Excel —bien estructurado, sin fórmulas frágiles— resuelve el problema sin añadir una pieza de infraestructura que alguien tendrá que mantener.

¿Qué herramientas se usan para construir un proceso ETL o ELT?

Si ya tienes datos cargados pero los controles de calidad fallan o las cifras no cuadran, la calidad de datos en pipelines ETL y ELT explica qué validaciones añadir antes de que el problema llegue al dashboard.

Si tu empresa ya tiene claro que necesita centralizar datos de varias fuentes y automatizar este proceso, nuestro equipo de plataforma de datos diseña el pipeline ETL/ELT y el modelo de datos adaptados a tu volumen real, empezando por las fuentes que más valor aportan. Y si el destino final son cuadros de mando, la consultoría de Power BI conecta ese proceso con informes que el equipo realmente usa.