ELT란 무엇인가 — 클라우드 웨어하우스가 바꾼 변환의 위치
ETL vs ELT vs Zero ETL: What's Actually Different (2026) — DataVidhya (blog) What Is ELT and Why It Became Popular? / Benefits / Challenges (pp.4-5); ETL vs ELT: The Real Difference — What is ELT? (pp.3-5)
이 모듈을 다 읽으면
- ELT가 저비용 클라우드 스토리지와 강력한 웨어하우스 컴퓨트라는 두 조건 위에서 성립함을 설명할 수 있다
- ELT가 주는 유연성과 그 유연성이 요구하는 규율(모델·네이밍·소유권)의 관계를 설명할 수 있다
ELT는 원본 데이터를 먼저 웨어하우스에 적재한 뒤, 클라우드 웨어하우스 자체의 컴퓨트 파워를 이용해 SQL/dbt로 변환하는 방식이다. 클라우드 스토리지가 저렴해지고 Snowflake·BigQuery·Redshift 같은 웨어하우스가 강력해지면서 실용적인 선택이 되었지만, 원본 데이터를 그대로 적재하는 만큼 명확한 모델·네이밍 표준·소유권 없이는 금세 관리 불가능해질 수 있다.
Extract, Load, Transform — 변환이 웨어하우스 안으로 들어오다
ELT는 Extract, Load, Transform의 약자이며 핵심 차이는 원본 데이터를 먼저 적재한다는 점이다. 데이터를 추출한 뒤 맞고 틀리고를 가리지 않고 원본 그대로 즉시 웨어하우스에 전부 옮긴다. 그리고 필요한 순간에 Snowflake·BigQuery·Redshift 같은 현대 클라우드 웨어하우스의 컴퓨트 파워를 활용해 SQL과 dbt 같은 도구로 나중에 정제·조직화한다.
이 전환이 일어난 이유는 두 가지다. 첫째, 클라우드 스토리지가 저렴해져 대량의 데이터를 저장하는 비용이 몇 센트 수준으로 떨어졌다 — 이제는 '껍질'까지 보관해도 괜찮다. 둘째, Snowflake 같은 현대 웨어하우스는 그 자체로 강력한 컴퓨트 엔진이다 — 목적지 웨어하우스가 이미 충분히 강력한데 굳이 느린 별도 처리 서버에 비용을 지불할 이유가 없어졌다.
핵심 포인트
- ELT는 원본 데이터를 그대로 먼저 적재한 뒤, 웨어하우스 자체의 컴퓨트로 SQL/dbt를 이용해 변환을 나중에 수행한다.
- ELT가 실용화된 배경은 (1) 클라우드 스토리지 비용 급락 (2) Snowflake/BigQuery/Redshift 같은 웨어하우스 자체의 강력한 컴퓨트라는 두 조건이다.
ELT가 주는 것과 요구하는 것
ELT는 팀에게 미래 재처리를 위해 원본 데이터를 보관하고, 재추출 없이 변환 로직을 바꾸고, 분석가가 변환 작업에 직접 참여하며, 웨어하우스 컴퓨트를 이용해 처리를 확장할 수 있는 능력을 준다. 원본이 이미 웨어하우스 안에 있으므로 재처리는 재추출이 아니라 변환 재실행만으로 끝나, 새로운 정의를 반영하거나 과거 실수를 고치는 작업이 훨씬 안전해진다.
하지만 이 유연성에는 규율이 필요하다. 명확한 모델, 네이밍 표준, 데이터 소유권이 없으면 원본 데이터는 금세 관리 불가능한 상태가 될 수 있다. ELT의 유연성은 구조가 의도적으로 더해질 때에만 도움이 되지, 구조 없이 원본만 쌓아 둔다고 저절로 가치가 생기는 것은 아니다.
핵심 포인트
- ELT는 원본 보관을 통한 안전한 재처리, 재추출 없는 로직 변경, 분석가의 직접 참여, 웨어하우스 컴퓨트를 이용한 확장이라는 이점을 준다.
- ELT의 유연성은 명확한 모델/네이밍/소유권이라는 규율이 의도적으로 더해질 때만 가치를 내며, 그렇지 않으면 원본 데이터가 관리 불가능해진다.