¿Qué es ETL (extraer, transformar y cargar) y para qué sirve?

¿Qué pasa en cada paso del ETL?

IBM lo resume como un proceso de integración que combina, limpia y organiza datos de múltiples fuentes para cargarlos en un destino, típicamente un data warehouse. Cada letra es una etapa:

• Extraer. Se copian los datos desde los sistemas de origen hacia un área intermedia. En una empresa ecuatoriana, las fuentes típicas son el ERP, el CRM, los extractos bancarios y los archivos XML de los comprobantes electrónicos.
• Transformar. Se limpian y validan: se eliminan duplicados, se unifican códigos de producto y formatos de fecha, se corrigen RUC mal digitados y se calculan campos como el margen. Aquí también se pueden enmascarar los datos regulados que el análisis no necesita.
• Cargar. Los datos ya listos pasan al destino. Lo habitual es una carga inicial completa y, después, cargas incrementales con lo nuevo de cada día.

¿ETL o ELT?

La diferencia está en el orden. Según IBM, en ETL la transformación ocurre en tránsito, antes de cargar; en ELT los datos crudos se cargan en el destino y se transforman allí.

Un ejemplo en una empresa ecuatoriana

Supón una cadena de ferreterías con locales en Quito, Ambato y Cuenca. Cada noche, un ETL extrae las ventas del ERP, los pagos de los extractos bancarios y las facturas de proveedores desde los XML del SRI. En la transformación unifica los códigos de producto de cada local, cruza cada factura con su proveedor por RUC y reemplaza la cédula de los clientes finales por un código interno, porque para medir ventas por zona no hace falta saber quién compró. A las siete de la mañana, el tablero de la gerencia ya muestra las ventas, el margen y las compras del día anterior.

Para entender qué trae cada archivo del SRI y cómo se lee, revisa la guía sobre el XML de la factura electrónica.

Errores comunes y límites

• Nadie es dueño del proceso. Si una fuente cambia de formato y el ETL falla, el tablero sigue mostrando datos viejos sin avisar a nadie.
• Transformaciones sin documentar. Si no está escrito cómo se calcula el «margen», dos áreas obtendrán dos números distintos.
• Copiar más datos personales de los necesarios. La LOPDP exige que los datos sean pertinentes y limitados a lo estrictamente necesario para la finalidad (artículo 10, principio de minimización). Llevar cédulas, teléfonos y correos a un almacén de análisis «por si acaso» es un riesgo sin beneficio.
• Cargas completas todos los días. Recargar todo cuando solo cambió una parte encarece el proceso y lo vuelve lento.

Relación con otros términos

El ETL es una forma concreta de integración de datos y el paso previo para que existan un data warehouse, un tablero de business intelligence o un copiloto que responda preguntas con datos reales. Cuando el destino es un modelo de inteligencia artificial, la transformación es también el lugar natural para aplicar la seudonimización.