ELT 處理流程充分運用現代資料儲存和處理平台的強大功能與擴充性。接下來，我們將詳細介紹各個要素：

• 擷取：這個初步步驟會從原始來源收集原始資料。這些來源可能非常多元，包括資料庫 (SQL 和 NoSQL)、企業應用程式 (例如客戶關係管理和企業資源規劃)、軟體即服務平台、API 和記錄檔。擷取程序的目標是從這些系統中，有效率地擷取資料。
• 載入：在第二個步驟中，系統會直接將擷取的原始資料載入高容量儲存系統，通常會以原始格式載入，或只經過最少的處理。這些原始資料的常見目標是雲端資料湖泊或現代化雲端資料倉儲，可處理大量結構化、半結構化和非結構化資料。
• 轉換：資料安全地存放在目標系統後，就會執行這項最後步驟。資料倉儲或資料湖泊會運用運算能力，清理、結構化、充實原始資料，並轉換成適合用於數據分析、報表和機器學習的格式。轉換作業可能包括篩選、彙整、匯總、格式標準化、衍生新資料點等。

ELT 程序具有彈性，因為轉換作業並非在載入前就固定。舉例來說，數據資料學家可以存取原始資料，探索未曾預料的模式或進行臨時分析，而商業智慧團隊則能建立已收錄和轉換後的資料集，來製作報表。

ELT 方法具備多項潛在優勢，特別是在處理大量資料和多種資料類型的環境中：

• 資料擷取速度更快：將原始資料載入目標系統，通常比在暫存區等待轉換作業完成更快。這表示資料能更快用於初步探索或特定用途。
• 彈性與靈活性：由於原始資料會保留在目標系統中，因此您可以根據業務需求的變化，反覆開發、修改或新增轉換。如果轉換邏輯變更，您不必重新擷取來源系統的資料，只要對已載入的原始資料重新執行轉換即可。
• 擴充性：現代化的雲端資料倉儲和資料湖泊專為大規模擴充性而設計。ELT 會運用這些目標系統的強大處理引擎，來執行轉換作業，善用這項固有能力。讓組織能有效率地處理日益增加的資料量和複雜的轉換作業。
• 保留原始資料：儲存原始資料可提供更完整的歷史記錄。這項功能對於資料稽核、重新處理先前轉換作業中發現錯誤的資料，或滿足預期之外的未來分析需求，都非常有幫助。對數據資料學家而言，可以取得最精細、未轉換的資料，通常很有幫助。
• 某些工作負載的成本效益：有時，使用雲端資料倉儲的運算能力進行轉換，比起維護獨立基礎架構或授權專用 ETL 工具來轉換資料，更具成本效益，尤其是當資料倉儲提供最佳化處理功能時。
• 支援多種資料類型：ELT 可用於處理結構化、半結構化 (例如 JSON 或 XML) 和非結構化資料 (例如文字或圖片)。資料可以原生格式載入，並視需要轉換，這在大數據情境中是一大優勢。這種「讀取時建立結構定義」做法是 ELT 的一大特色，也就是在處理期間 (而非載入前) 套用結構。

雖然 ELT 有許多優點，但組織在採用時也應考量以下幾點：

• 資料治理和安全性：將可能含有機密資料或個人識別資訊 (PII) 的原始資料載入資料湖泊或資料倉儲，需要完善的資料治理、安全性和法規遵循措施。如要保護目標環境中的這類資料，存取控管、加密和資料遮蓋技術至關重要。
• 目標系統中的轉換作業複雜度：雖然資料倉儲 (例如使用 SQL) 或資料湖泊的轉換作業功能強大，但直接在這些系統中管理複雜的轉換邏輯可能會變得相當困難。這需要熟練使用這些工具的專業人員，以及嚴謹的程式碼管理和最佳化方法。
• 工具和自動化調度管理：如要有效實作 ELT，必須使用適當的工具來自動化調度管理擷取和載入步驟，並在目標系統中管理及執行轉換作業。雖然許多雲端平台都提供工具，但整合這些工具並管理整體工作流程，需要仔細規劃。
• 可能會形成雜亂無章的「資料沼澤」：如果載入資料湖泊的原始資料未經妥善分類、管理和控管，資料湖泊就可能會變成「資料沼澤」，難以找到、信任或有效使用資料。因此，制定完善的資料管理策略至關重要。
• 資料品質責任：由於轉換作業會在程序較後面的階段進行，因此可能需要在資料載入後採取專門步驟，確保資料品質。監控及驗證目標系統中的資料變得至關重要。

主動解決這些難題，有助於組織充分發揮 ELT 模式的優勢。

瞭解 ELT 與較傳統的 ETL (擷取、轉換、載入) 程序的差異，有助於選擇合適的資料整合策略。主要差異在於轉換步驟發生的時間和地點。

ELT 是 Google Cloud 建議採用的資料整合模式。ELT 會先從來源系統擷取資料，然後將資料載入 BigQuery，再將資料轉換成適合分析的格式。ELT 方法可讓您透過 BigQuery 的完整功能執行資料轉換，並讓任何 SQL 使用者都能有效地開發資料整合管道。而與此不同的是，ETL (擷取、轉換、載入) 則是在資料載入資料倉儲之前，就轉換資料。

該選擇 ELT 或 ETL 通常取決於特定用途、現有基礎架構、資料量和組織的分析需求。在許多現代資料架構中，混合做法也很常見，也就是在管道的不同部分使用 ELT 和 ETL。