ETL (Extract, Transform, Load)

Was ist ETL?

ETL bezeichnet einen dreistufigen Prozess, bei dem Daten aus verschiedenen Quellen extrahiert, nach festgelegten Regeln bereinigt und vereinheitlicht sowie anschließend in ein Zielsystem geladen werden. Das Verfahren schafft eine konsistente Datenbasis für Analytics, Reporting, Data Warehouses und datenbasierte Entscheidungen.

Wie funktioniert ETL?

ETL steht für die drei englischen Schritte Extract, Transform und Load. Der Prozess verbindet Quellsysteme wie Webanalyse, CRM, Shop, Google Ads oder Google Search Console mit einem zentralen Zielsystem. Dort lassen sich die vereinheitlichten Daten gemeinsam auswerten, obwohl sie ursprünglich unterschiedliche Formate, Feldnamen und Aktualisierungsrhythmen hatten.

Ein ETL-Prozess läuft häufig regelmäßig nach einem Zeitplan, etwa stündlich oder einmal täglich. Bei einer vollständigen Ladung werden alle Datensätze erneut übertragen. Eine inkrementelle Ladung übernimmt dagegen nur neue oder geänderte Datensätze. Welche Variante passt, hängt von Datenmenge, Aktualitätsbedarf und Belastbarkeit der Quellsysteme ab.

Phase	Aufgabe	Beispiel aus dem Marketing
Extract	Daten aus den Quellsystemen abrufen	Klicks aus der Google Search Console und Kosten aus Google Ads importieren
Transform	Formate, Werte und Strukturen vereinheitlichen	Datumsformate angleichen und URLs auf eine gemeinsame Schreibweise bringen
Load	Aufbereitete Daten im Zielsystem speichern	SEO- und SEA-Daten in ein Data Warehouse oder Reporting-Dashboard laden

Die drei ETL-Phasen im Detail

Extract: Daten vollständig erfassen

Die Extraktion liest Daten aus Datenbanken, Dateien, APIs oder Softwareplattformen aus. Ein sauberer Abruf verändert die Quelldaten nicht und dokumentiert, wann welche Datensätze übernommen wurden. Bei großen Datenmengen werden häufig Zeitstempel, Änderungskennzeichen oder fortlaufende IDs verwendet, damit spätere Durchläufe nur neue Einträge abrufen müssen.

Transform: Daten nutzbar machen

Die Transformation ist mehr als eine optische Bereinigung. Sie legt fest, wie Rohdaten fachlich interpretiert werden. Typische Regeln entfernen Dubletten, vereinheitlichen Währungen, ordnen Kampagnennamen einer festen Taxonomie zu oder führen mehrere URL-Varianten zu einer kanonischen Adresse zusammen. Eine falsche Regel verändert Kennzahlen systematisch und kann deshalb gefährlicher sein als ein vollständig fehlender Datensatz.

Datentypen und Datumsformate werden vereinheitlicht.
Leere, ungültige oder doppelte Werte werden behandelt.
Feldnamen aus mehreren Quellen werden einem gemeinsamen Datenmodell zugeordnet.
Berechnete Kennzahlen wie Kosten pro Klick oder Conversion-Rate werden nach festen Regeln erzeugt.

Load: Daten kontrolliert speichern

Die Ladephase schreibt die transformierten Datensätze in ein Data Warehouse, einen Data Lake, eine Datenbank oder ein Analysewerkzeug. Der Prozess muss festlegen, ob bestehende Daten ergänzt, aktualisiert oder vollständig ersetzt werden. Eindeutige Schlüssel verhindern, dass derselbe Klick, Auftrag oder Kontakt durch wiederholte Läufe mehrfach gezählt wird.

Die Vollständigkeit einer Ladung lässt sich mit einer einfachen Kontrollrechnung prüfen: geladene Datensätze geteilt durch extrahierte Datensätze, multipliziert mit 100. Werden in einem Beispiel 98.000 von 100.000 extrahierten Zeilen geladen, beträgt die technische Ladequote 98 Prozent. Die fehlenden 2.000 Zeilen müssen über Fehlerprotokolle erklärbar sein.

ETL im Analytics-Alltag

ETL schafft im Analytics-Umfeld eine gemeinsame Grundlage für Kennzahlen, die in getrennten Systemen entstehen. Ein Marketingbericht kann beispielsweise Impressionen und Klicks aus der Google Search Console, Anzeigenkosten aus Google Ads sowie Bestellungen aus einem Shopsystem verbinden. Erst gemeinsame Schlüssel wie Datum, Kampagne, Keyword oder Landingpage ermöglichen eine belastbare kanalübergreifende Analyse.

Ein typischer Denkfehler besteht darin, das Zusammenführen von Tabellen bereits als vollständigen ETL-Prozess zu betrachten. Zwei Tabellen können technisch verbunden sein und trotzdem fachlich verschiedene Definitionen verwenden. Wenn ein System Conversions nach Klickdatum und ein anderes nach Kaufdatum gruppiert, entstehen trotz korrekter Übertragung unterschiedliche Tageswerte. Prüfe deshalb vor jeder Zusammenführung Definition, Zeitzone, Attributionsmodell und Aggregationsebene.

ETL für SEO, SEA und GEO

Für SEO verbindet ETL unter anderem Rankings, Klicks, Impressionen, Crawling-Ergebnisse und Backlink-Daten. Die gemeinsame Auswertung zeigt beispielsweise, ob eine URL technisch fehlerfrei ist, organisch Impressionen gewinnt und zugleich eine niedrige CTR aufweist. Ein strukturiertes SEO-Reporting benötigt deshalb neben Datenzugriffen auch dokumentierte Transformationsregeln.

Für SEA kann ETL Kosten, Klicks, Suchbegriffe und Conversion-Daten mit organischen Rankings verbinden. Dadurch werden SEO- und SEA-Synergien sichtbar: Ein Unternehmen erkennt etwa, für welche Suchbegriffe gleichzeitig Anzeigenbudget eingesetzt wird und eine starke organische Position besteht. Die Bewertung muss trotzdem Suchintention, Conversion-Beitrag und Markenwirkung berücksichtigen.

Für GEO, also Generative Engine Optimization, kann ETL Daten über Markennennungen, verwendete Quellen und Wettbewerber in KI-Antworten zusammenführen. Solche Daten ergänzen klassische SEO-Kennzahlen, weil gute Rankings nicht automatisch bedeuten, dass ChatGPT, Perplexity, Gemini oder Grok eine Marke nennen. Eine GEO-Analyse braucht daher ein eigenes Datenmodell für Fragen, Plattformen, Antworten, Quellen und Messzeitpunkte.

ETL messen und überwachen

Messbar ist das zum Beispiel so: Vergleiche pro Durchlauf die Zahl extrahierter, transformierter, verworfener und geladener Datensätze. Ergänze Laufzeit, Fehlerquote und Zeit seit der letzten erfolgreichen Aktualisierung. Die von der OSG entwickelte Performance Suite bündelt Daten aus eigenen Erhebungen und angebundenen Plattformen in einem zentralen Data Warehouse.

Für KI-Auswertungen lassen sich aufbereitete Daten über kuratierte Exporte aus dem KI-Datenlayer bereitstellen. Dieser Schritt entspricht fachlich dem Ergebnis einer ETL-Strecke: Die Daten wurden bereits ausgewählt, strukturiert und in ein Format gebracht, das sich in ChatGPT, Claude, Perplexity oder Gemini weiterverarbeiten lässt.

ETL und ELT unterscheiden

Der Unterschied zwischen ETL und ELT liegt in der Reihenfolge von Transformation und Speicherung. ETL bereitet Daten vor dem Laden in das Zielsystem auf. ELT lädt die Rohdaten zuerst und transformiert sie anschließend innerhalb der Zielplattform. ETL liefert damit früh kontrollierte Strukturen, während ELT mehr Rohdaten für spätere Analysen erhält.

Kriterium	ETL	ELT
Reihenfolge	Extrahieren, transformieren, laden	Extrahieren, laden, transformieren
Rohdaten im Zielsystem	Nur bei zusätzlicher Speicherung	In der Regel vorhanden
Regeländerungen	Können eine erneute Verarbeitung aus der Quelle erfordern	Lassen sich häufig auf gespeicherte Rohdaten anwenden
Geeignet für	Stabile Berichte und klar definierte Datenmodelle	Flexible Analysen großer oder wechselnder Datenbestände

Typische Fehler bei ETL

ETL-Fehler entstehen häufig durch unklare Zuständigkeiten für Felddefinitionen und Geschäftsregeln. Technisch erfolgreiche Datenübertragungen können fachlich falsche Ergebnisse liefern, wenn beispielsweise Brutto- und Nettoumsatz, Sitzungen und Nutzer oder Klick- und Conversion-Datum vermischt werden. Jede zentrale Kennzahl benötigt daher eine dokumentierte Definition mit Quelle, Berechnung und Aktualisierungsintervall.

Überschreibe Rohdaten nicht dauerhaft mit bereinigten Werten. Wenn Transformationsregeln später geändert werden, muss der ursprüngliche Datenbestand erneut verarbeitet werden können. Speichere deshalb Rohdaten oder nachvollziehbare Zwischenstände und versioniere geschäftskritische Regeln.

Weitere Risiken sind abgelaufene API-Zugänge, geänderte Feldnamen, doppelte Datensätze und unbemerkte Teilladungen. Ein belastbarer Prozess protokolliert jeden Lauf, sendet bei Abweichungen eine Meldung und ermöglicht eine Wiederholung, ohne bereits geladene Datensätze doppelt anzulegen. Prüfe nach Änderungen an Quellen oder Tracking-Systemen immer einen vollständigen Beispieldatensatz vom Ursprung bis zum Bericht.

Häufige Fragen zu ETL

Wofür braucht man ETL?

ETL wird benötigt, wenn Daten aus mehreren Quellen gemeinsam ausgewertet oder in ein zentrales Zielsystem übertragen werden sollen. Der Prozess vereinheitlicht Strukturen und Definitionen, damit Berichte vergleichbare Werte verwenden.

Wie oft sollte ein ETL-Prozess laufen?

Das Intervall richtet sich nach dem Aktualitätsbedarf. Operative Dashboards können Daten mehrmals täglich benötigen, während ein monatlicher Managementbericht oft mit einer täglichen Aktualisierung auskommt.

Ist ETL dasselbe wie eine Datenpipeline?

Eine Datenpipeline beschreibt allgemein den automatisierten Transport und die Verarbeitung von Daten. ETL ist eine konkrete Form der Datenpipeline mit der festgelegten Reihenfolge Extraktion, Transformation und Laden.

Kann ETL auch mit CSV-Dateien arbeiten?

Ja, CSV-Dateien können sowohl Quelle als auch Ziel eines ETL-Prozesses sein. Vor der Verarbeitung müssen Trennzeichen, Zeichencodierung, Spaltentypen und Datumsformate eindeutig festgelegt werden.

Was ist ein ETL-Tool?

Ein ETL-Tool automatisiert Verbindungen zu Datenquellen, Transformationsregeln, Zeitpläne und Ladevorgänge. Gute Werkzeuge protokollieren Fehler und ermöglichen die kontrollierte Wiederholung fehlgeschlagener Prozessschritte.

Wer ist für die Datenqualität verantwortlich?

Die technische Verantwortung liegt häufig bei IT oder Data Engineering, die fachliche Definition bei Marketing, Vertrieb oder Controlling. Verlässliche Daten entstehen, wenn beide Seiten Quellen, Regeln und Prüfwerte gemeinsam dokumentieren.