ETL (que significa extraer, transformar, cargar) es un proceso de integración de datos que combina, limpia y organiza datos de múltiples fuentes en un único conjunto de datos coherente. Luego carga esos datos en un data warehouse, data lake u otro sistema de destino.
Los pipelines de datos ETL proporcionan la base para los flujos de trabajo de analytics de datos y machine learning. A través de una serie de reglas de negocio, ETL limpia y organiza los datos para hacer frente a las necesidades específicas de inteligencia de negocios, tales como informes mensuales, pero también puede abordar análisis más avanzados, que pueden mejorar los procesos de backend y las experiencias de los usuarios finales. Las organizaciones suelen usar pipelines ETL para:
Extraer datos de sistemas heredados
Depurar los datos para mejorar su calidad y establecer una coherencia
Cargar datos en una base de datos de destino
Manténgase al día sobre las tendencias más importantes e intrigantes de la industria sobre IA, automatización, datos y más con el boletín Think. Consulte la Declaración de privacidad de IBM.
Las empresas han estado generando datos desde la era del ábaco, pero los analytics modernos solo fueron posibles con la llegada de la computadora digital y el almacenamiento de datos.
Un gran paso adelante llegó en la década de 1970, con el paso a bases de datos centralizadas más grandes. Luego, ETL se introdujo como un proceso para integrar y cargar datos para su cálculo y análisis, convertir finalmente en el método principal para procesar datos para proyectos de almacenamiento de datos.
A fines de la década de 1980, los data warehouses y la transición de bases de datos transaccionales a bases de datos relacionales que almacenaban la información en formatos de datos relacionales crecieron en popularidad. Las bases de datos transaccionales más antiguas almacenaban información transacción por transacción, y con cada transacción se almacenaba información duplicada del cliente, por lo que no había una manera sencilla de acceder a los datos del cliente de forma unificada a lo largo del tiempo. Con las bases de datos relacionales, el análisis se convirtió en la base de la business intelligence (BI) y en una herramienta importante en la toma de decisiones.
Hasta la llegada del software ETL más sofisticado, los primeros intentos fueron en gran medida manuales por parte del equipo de TI para extraer datos de varios sistemas y conectores. Luego transformaron los datos en un formato común y los cargaron en tablas interconectadas. Aun así, los primeros pasos de ETL valieron la pena, ya que los algoritmos avanzados, además del auge de las redes neuronales, produjeron oportunidades cada vez más profundas para obtener insights analíticos.
La era del big data llegó en la década de 1990 a medida que las velocidades informáticas y la capacidad de almacenamiento continuaron creciendo rápidamente. Luego se extrajeron grandes volúmenes de datos de nuevas fuentes, como las redes sociales y el Internet de las cosas (IoT). Seguía existiendo un factor limitante, ya que los datos a menudo se almacenaban en data warehouses on premises.
El siguiente gran paso tanto en computación como en ETL fue la computación en nube, que se popularizó a finales de los noventa. Gracias al uso de almacenes de datos como Amazon Web Services (AWS), Microsoft Azure y Snowflake, ahora se puede acceder a los datos desde cualquier parte del mundo. Estas plataformas también pueden escalar rápidamente para permitir que las soluciones ETL ofrezcan insights notablemente detallados y una nueva ventaja competitiva.
La última evolución son las soluciones ETL a través de la transmisión de datos para ofrecer insights actualizados al segundo a partir de grandes cantidades de datos.
La diferencia más obvia entre ETL y ELT (extraer, cargar, transformar) es en el orden de las operaciones. ELT copia o exporta los datos desde las ubicaciones de origen, pero en lugar de cargarlos en un área de preparación para su transformación, carga los datos sin procesar directamente en el almacén de datos de destino para transformarlos según sea necesario.
Si bien ambos procesos utilizan varios repositorios de datos, como bases de datos, data warehouses y data lakes, cada proceso tiene sus ventajas y desventajas. ELT es útil para procesar conjuntos de datos no estructurados de gran volumen, ya que la carga puede ocurrir directamente desde la fuente. ELT puede ser más ideal para la gestión de big data porque no necesita mucha planificación inicial para la extracción y el almacenamiento de datos.
El proceso ETL requiere una definición más clara desde el principio. Es necesario identificar puntos de datos específicos para la extracción junto con cualquier “clave” potencial para integrar en sistemas de fuentes dispares. La fuente de datos de entrada a menudo se rastrea mediante el uso de metadatos. Incluso después de completar ese trabajo, es necesario construir las reglas de negocio para las transformaciones de datos.
Este trabajo generalmente puede tener dependencias en los requisitos de datos para un tipo específico de análisis de datos, lo que determinará el nivel de resumen que deben tener los datos.
Si bien los pipelines de ELT se han vuelto cada vez más populares con la adopción de bases de datos en la nube, la tecnología ELT sigue siendo un proceso en desarrollo, lo que significa que aún se están estableciendo las mejores prácticas.
La forma más sencilla de entender cómo funciona ETL es comprender qué ocurre en cada paso del proceso.
Durante la extracción de datos, los datos sin procesar se copian o exportan de las ubicaciones de origen a un área de preparación. Los equipos de gestión de datos pueden extraer datos de una variedad de fuentes diferentes, que pueden ser estructurados o no estructurados. Esos tipos de datos incluyen, pero no se limitan a:
En el área de preparación, los datos sin procesar se someten a procesamiento de datos. Aquí, los datos se transforman y consolidan para su caso de uso analítico previsto. Esta fase del proceso de transformación puede incluir:
En este último paso, los datos transformados se mueven del área de almacenamiento en etapas a un data warehouse de destino. Por lo general, esto implica una carga inicial de todos los datos, seguida de la carga periódica de cambios incrementales en los datos y, con menos frecuencia, actualizaciones completas para borrar y reemplazar los datos en el almacén.
Para la mayoría de las organizaciones que utilizan ETL, el proceso es automatizado, bien definido, continuo y basado en lotes. Por lo general, el proceso de carga ETL se lleva a cabo durante las horas fuera de horario cuando el tráfico en los sistemas de origen y el almacén de datos está en su punto más bajo.
ETL y ELT son solo dos métodos de integración de datos y existen otros enfoques que también se utilizan para facilitar los flujos de trabajo de integración de datos. Algunos de estos métodos incluyen:
Las soluciones ETL mejoran la calidad al realizar la limpieza de datos antes de cargarlos en un repositorio diferente. Una operación por lotes que consume mucho tiempo, ETL se recomienda con mayor frecuencia para crear repositorios de datos de destino más pequeños que requieren actualizaciones menos frecuentes, mientras que otros métodos de integración de datos, incluidos ELT (extracción, carga, transformación), captura de datos modificados (CDC) y virtualización de datos, se utilizan para integrar volúmenes cada vez más grandes de datos que cambian o flujos de datos en tiempo real.
En el pasado, las organizaciones escribían su propio código ETL. Ahora hay muchas herramientas ETL comerciales y de código abierto y servicios basados en la nube para elegir. Las capacidades típicas de estos productos incluyen:
Además, muchas herramientas ETL han evolucionado para incluir la capacidad ELT y admitir la integración de datos en tiempo real y streaming para aplicaciones de inteligencia artificial (IA).
Un área de preparación es una ubicación temporal de almacenamiento entre las fuentes de datos y un destino objetivo (como un almacén de datos) que se utiliza para almacenar temporalmente datos sin procesar. Actúa como un muelle de carga donde los datos sin procesar se limpian, inspeccionan y transforman antes de trasladarlos a un destino.
La carga inicial es la extracción y carga por primera vez de datos históricos de una fuente de datos hacia un destino objetivo. Incluye todo el conjunto de datos y se realiza una vez, al comienzo de un proyecto. La carga incremental es el proceso de cargar solo datos nuevos, modificados o eliminados desde la última carga. Estos procesos se ejecutan de manera programada.
Este término es un poco ambiguo y se utiliza de dos maneras diferentes. Las dimensiones que cambian lentamente se refieren a las tablas de dimensiones en un data warehouse que cambian esporádicamente con el tiempo, en lugar de seguir un cronograma fijo. Un ejemplo que se suele citar es la dirección de un cliente. El término también se utiliza para referirse a los métodos y técnicas utilizados para gestionar y realizar un seguimiento de los cambios en los datos dimensionales a lo largo del tiempo.
Para tratar los datos duplicados, las organizaciones deben crear un proceso para identificar sistemáticamente los datos duplicados y su tipo, reglas claras para eliminar o fusionar datos duplicados y medidas de seguridad para evitar futuras entradas.
Transforme los datos sin procesar en datos listos para la IA con una experiencia de usuario optimizada para integrar cualquier dato usando cualquier estilo.
Cree canalizaciones de datos resilientes, de alto rendimiento y con costos optimizados para sus iniciativas de IA generativa, análisis en tiempo real, modernización de almacenes y necesidades operativas con las soluciones de integración de datos de IBM.
Escale con éxito la IA con la estrategia, los datos, la seguridad y la gobernanza adecuados.
