ETL과 ELT – 차이점
데이비드 카터
ETL과 ELT의 주요 차이점
- ETL은 추출, 변환 및 로드를 나타내고 ELT는 추출, 로드, 변환을 나타냅니다.
- ETL은 먼저 데이터를 스테이징 서버에 로드한 다음 대상 시스템에 로드하는 반면, ELT는 데이터를 대상 시스템에 직접 로드합니다.
- ETL 모델은 온프레미스, 관계형 및 구조화된 데이터에 사용되는 반면, ELT는 확장 가능한 클라우드 구조화 및 비구조화 데이터 소스에 사용됩니다.
- ELT와 ETL을 비교하면 ETL은 주로 소량의 데이터에 사용되는 반면 ELT는 대용량 데이터에 사용됩니다.
- ETL과 ELT를 비교할 때 ETL은 데이터 레이크 지원을 제공하지 않는 반면 ELT는 데이터 레이크 지원을 제공합니다.
- ELT와 ETL을 비교하면 ETL은 구현하기 쉬운 반면, ELT는 구현 및 유지 관리를 위한 틈새 기술이 필요합니다.
ETL(추출, 변환, 로드)이란 무엇입니까?
ETL은 Extract, Transform, Load의 약자입니다. 이 프로세스에서 ETL 도구는 다양한 위치에서 데이터를 추출합니다. RDBMS 그런 다음 소스 시스템은 계산, 연결 등을 적용하는 등 데이터를 변환한 다음 데이터를 데이터 웨어하우스 시스템에 로드합니다.
In ETL 데이터는 소스에서 타겟으로 흐릅니다. ETL 프로세스 변환 엔진에서는 모든 데이터 변경 사항을 처리합니다.
ELT(추출, 로드, 변환)란 무엇입니까?
ELT는 데이터 이동에 대한 도구 접근 방식을 살펴보는 다른 방법입니다. 데이터가 작성되기 전에 데이터를 변환하는 대신 ELT는 대상 시스템이 변환을 수행하도록 합니다. 데이터는 먼저 대상에 복사된 다음 제자리에서 변환됩니다.
ELT는 일반적으로 Hadoop 클러스터, 데이터 어플라이언스 또는 클라우드 설치와 같은 SQL이 아닌 데이터베이스와 함께 사용됩니다. 다음은 일부의 포괄적인 목록입니다. 최고의 ETL 도구 데이터 관리 요구 사항에 따라 고려할 수 있습니다.
ETL과 ELT: 나란히 비교
ETL과 ELT의 주요 차이점은 다음과 같습니다.
| 파라미터 | ETL | ELT |
|---|---|---|
| 방법 | 데이터는 Staging Server에서 변환된 후 Datawarehouse DB로 전송됩니다. | 데이터는 DB에 남아있습니다. 데이터웨어 하우스.. |
| 코드 사용법 | 에 사용
|
대용량 데이터에 사용 |
| 변환 | 변환은 ETL 서버/스테이징 영역에서 수행됩니다. | 변환은 대상 시스템에서 수행됩니다. |
| 시간 부하 | 데이터는 먼저 스테이징에 로드되고 나중에 타겟 시스템에 로드됩니다. 시간이 많이 걸립니다. | 데이터는 대상 시스템에 한 번만 로드됩니다. 더 빠르게. |
| 시간 변환 | ETL 프로세스는 변환이 완료될 때까지 기다려야 합니다. 데이터 크기가 커지면 변환 시간도 늘어납니다. | ELT 프로세스에서 속도는 데이터 크기에 따라 달라지지 않습니다. |
| 시간-유지보수 | 로드하고 변환할 데이터를 선택해야 하므로 높은 유지 관리가 필요합니다. | 데이터를 항상 사용할 수 있으므로 유지 관리가 적습니다. |
| 구현 복잡성 | 초기 단계에서는 구현이 더 쉽습니다. | ELT 프로세스를 구현하려면 조직은 도구에 대한 깊은 지식과 전문 기술을 보유해야 합니다. |
| 데이터 웨어하우스 지원 | 온프레미스, 관계형 및 구조화된 데이터에 사용되는 ETL 모델입니다. | 구조화된 데이터 소스와 구조화되지 않은 데이터 소스를 지원하는 확장 가능한 클라우드 인프라에 사용됩니다. |
| 데이터 레이크 지원 | 지원하지 않습니다. | 구조화되지 않은 데이터로 데이터 레이크를 사용할 수 있습니다. |
| 복잡성 | ETL 프로세스는 디자인 타임에 식별된 중요한 데이터만 로드합니다. | 이 프로세스에는 출력에서 역방향으로 개발하고 관련 데이터만 로드하는 과정이 포함됩니다. |
| 비용 | 중소기업에게는 높은 비용이 듭니다. | 서비스 플랫폼으로서의 온라인 소프트웨어를 사용하면 진입 비용이 저렴합니다. |
| 조회 | ETL 프로세스에서는 스테이징 영역에서 팩트와 차원을 모두 사용할 수 있어야 합니다. | 추출과 로드가 단일 작업으로 발생하므로 모든 데이터를 사용할 수 있습니다. |
| 집계 | 데이터 세트에 데이터 양이 추가되면 복잡성도 증가합니다. | 대상 플랫폼의 힘으로 상당한 양의 데이터를 신속하게 처리할 수 있습니다. |
| 계산 | 기존 열을 덮어쓰거나 데이터 세트를 추가하고 대상 플랫폼에 푸시해야 합니다. | 계산된 열을 기존 테이블에 쉽게 추가합니다. |
| 성숙 | 이 프로세스는 XNUMX년 이상 동안 사용되었습니다. 잘 문서화되어 있으며 모범 사례를 쉽게 사용할 수 있습니다. | 비교적 새로운 개념이고 구현하기가 복잡합니다. |
| 하드웨어 | 대부분의 도구에는 비용이 많이 드는 고유한 하드웨어 요구 사항이 있습니다. | SaaS 하드웨어 비용이 되는 것은 문제가 되지 않습니다. |
| 구조화되지 않은 데이터 지원 | 주로 관계형 데이터를 지원합니다. | 구조화되지 않은 데이터를 쉽게 지원합니다. |
