Was ist ETL (Extract, Transform, Load)?

ETL beschreibt drei Schritte bei der Datenverarbeitung zwischen Systemen: Extract (Daten aus einem System holen), Transform (Daten in das richtige Format bringen), Load (Daten in ein anderes System schreiben). Es ist das grundlegende Muster hinter fast jeder Systemintegration.

Klingt trocken? Das Prinzip macht einen riesigen Unterschied bei der Frage wie sauber und zuverlässig Daten zwischen Systemen fließen.

Die drei Schritte im Detail

Extract: Du holst Daten aus der Quelle ab. Das kann über eine API sein, ein Datenbankzugriff, ein Datei-Export (CSV, XML) oder ein Webhook. Entscheidend: Du nimmst die Daten so wie das Quellsystem sie liefert.

Transform: Hier passiert die eigentliche Arbeit. Felder umbenennen, Formate konvertieren, Werte normalisieren, fehlende Daten ergänzen oder weglassen, Validierungen durchführen. Aus “Preis: 12.50” in System A wird “unit_price: 1250” (Cent) in System B.

Load: Die transformierten Daten werden ins Zielsystem geschrieben. Insert, Update oder Upsert (wenn vorhanden aktualisieren, sonst neu anlegen). Mit Fehlerbehandlung wenn das Laden fehlschlägt.

Wann ETL relevant wird

ETL ist immer relevant wenn zwei Systeme Daten austauschen, die nicht dasselbe Datenmodell verwenden. Das ist fast immer der Fall. Shop und ERP haben unterschiedliche Felder. ERP und Buchhaltungssystem haben unterschiedliche Strukturen.

Bei Datenmigrationsprojekten (zum Beispiel Shop-Wechsel) ist ETL das Herzstück. Bei laufenden Automation-Integrationen sind ETL-Prinzipien immer Teil des Prozess-Designs.

ETL vs. ELT

In den letzten Jahren hat sich neben ETL der Begriff ELT etabliert. Der Unterschied ist die Reihenfolge: Bei ELT werden die Rohdaten erst geladen, die Transformation passiert dann im Zielsystem (typisch in modernen Data Warehouses wie BigQuery, Snowflake oder Redshift). ELT lohnt sich, wenn Zielsystem-Rechenleistung günstiger ist als die Transformation außerhalb. Für KMU mit Shopware-, ERP- und CRM-Integrationen bleibt aber meistens klassisches ETL der bessere Weg, weil die Datenmengen überschaubar sind und die Logik im Integrations-Tool transparenter bleibt.

Werkzeuge in der Praxis

Für KMU sind keine schweren Data-Warehouse-Tools nötig. Make oder n8n übernehmen ETL-Aufgaben elegant über visuelle Workflows. Bei komplexeren Datenflüssen mit Validierung und Versionierung greift man zu spezialisierten Tools wie Airbyte oder Fivetran. Wer hingegen Datenflüsse zwischen Shopware und Xentral braucht, fährt mit fertigen Connectoren plus minimaler Custom-Logik am besten.

Was sollen deine Systeme miteinander teilen? Lass uns die Integration planen.