[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"general-list":3,"footer-feature-tags":4,"slate-glossary-term-etl-elt":66},true,[5,14,20,29,34,40,46,52,56,62],{"id":6,"name":7,"hex":8,"translations":9,"count_pages":13},8,"Компания","#f40925",{"ru":10,"en":11},{"name":7},{"name":12},"Company",9,{"id":15,"name":16,"hex":17,"translations":18,"count_pages":6},26,"Главная страница",null,{"ru":19},{"name":16},{"id":21,"name":22,"hex":23,"translations":24,"count_pages":28},2,"Проекты","#3027ff",{"ru":25,"en":26},{"name":22},{"name":27},"Project",15,{"id":30,"name":31,"hex":17,"translations":32,"count_pages":21},33,"ИИ",{"ru":33},{"name":31},{"id":35,"name":36,"hex":17,"translations":37,"count_pages":39},34,"Комментарии",{"ru":38},{"name":36},4,{"id":41,"name":42,"hex":17,"translations":43,"count_pages":45},25,"Задачи",{"ru":44},{"name":42},24,{"id":47,"name":48,"hex":17,"translations":49,"count_pages":51},27,"Рабочие пространства",{"ru":50},{"name":48},3,{"id":45,"name":53,"hex":17,"translations":54,"count_pages":6},"Kanban-доска",{"ru":55},{"name":53},{"id":57,"name":58,"hex":17,"translations":59,"count_pages":61},23,"Диаграмма Ганта",{"ru":60},{"name":58},1,{"id":28,"name":63,"hex":17,"translations":64,"count_pages":61},"Календарь",{"ru":65},{"name":63},{"detail":67,"more":143},{"id":68,"slug":69,"translations":70,"category":84,"tags":92,"letter":102,"og_image":17,"cover":17,"author_name":17,"author_position":17,"author_avatar":17,"faqs":103,"related":117,"views_count":140,"helpful_yes_count":106,"helpful_no_count":106,"created_at":141,"updated_at":142,"published_at":17},305,"etl-elt",{"ru":71},{"title":72,"short_definition":73,"tldr":74,"full_explanation":75,"when_to_apply":76,"when_not_to_apply":77,"examples":78,"tips":79,"synonyms":80,"translation_en":81,"seo_title":82,"seo_description":83},"ETL и ELT (загрузка и преобразование данных)","Два подхода к переносу и подготовке данных: ETL — извлечение, преобразование, загрузка; ELT — извлечение, загрузка, преобразование.","ETL и ELT — это две схемы обработки данных. В ETL данные извлекают из источников, преобразуют и только потом загружают в хранилище: так делали, пока хранилища были дорогими. В ELT данные сначала загружают как есть, а преобразования выполняют уже внутри хранилища — это удобно при дешёвых облачных вычислениях. В новых проектах чаще выбирают ELT, ETL остаётся в крупных корпоративных системах.","\u003Cp>ETL и ELT — не противоположные технологии, а разные точки в устройстве конвейера данных. Выбор обычно зависит от того, где у вас узкое место — в источниках или в хранилище.\u003C\u002Fp>\u003Ch3>ETL\u003C\u002Fh3>\u003Cul>\u003Cli>Логика преобразований — на отдельном слое или сервере.\u003C\u002Fli>\u003Cli>Хранилище получает уже готовые, приведённые в порядок таблицы.\u003C\u002Fli>\u003Cli>Хорошо подходит, когда нельзя или дорого считать в хранилище.\u003C\u002Fli>\u003Cli>Обычно дольше внедряется и сложнее меняется.\u003C\u002Fli>\u003C\u002Ful>\u003Ch3>ELT\u003C\u002Fh3>\u003Cul>\u003Cli>Сырые данные сначала попадают в хранилище.\u003C\u002Fli>\u003Cli>Все преобразования — внутри хранилища (например, через dbt).\u003C\u002Fli>\u003Cli>Гибче: можно пересчитать модель данных без переподключения источников.\u003C\u002Fli>\u003Cli>Требует мощного и относительно дешёвого хранилища: BigQuery, Snowflake, Redshift, ClickHouse.\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Новый проект и современное облачное хранилище — обычно подходит ELT\u003C\u002Fli>\u003Cli>Большой корпоративный набор систем с уже работающим ETL — менять подход редко имеет смысл\u003C\u002Fli>\u003Cli>Очень тяжёлые преобразования с особыми требованиями — иногда ETL до сих пор удобнее\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Маленький проект без аналитики — не нужен ни один из подходов: хватит прямого SQL-запроса к рабочей базе\u003C\u002Fli>\u003C\u002Ful>","\u003Cp>Молодая SaaS-компания строит аналитику с нуля. Источники — база продукта на Postgres, Stripe, Amplitude, рекламные кабинеты. Команда выбирает ELT: Fivetran выкачивает сырые данные в BigQuery, dbt описывает все преобразования SQL-моделями, а Metabase строит отчёты поверх готовых витрин. На каждый новый источник нужен день, на новую модель данных — час. С классическим ETL это заняло бы заметно больше времени и потребовало бы отдельной команды инженеров данных.\u003C\u002Fp>","\u003Cp>В небольшой команде проще начать с ELT: готовые коннекторы (Fivetran, Airbyte) забирают данные из источников, а преобразования описываются моделями в dbt. Это снимает с команды большую часть инженерной работы и позволяет сосредоточиться на самих моделях данных и метриках.\u003C\u002Fp>","ETL, ELT, извлечение преобразование загрузка, конвейер данных, пайплайн данных, подготовка данных","ETL and ELT","ETL и ELT: в чём разница и что выбрать | Глоссарий Shtab","ETL и ELT — два подхода к подготовке данных. Чем отличаются, какие инструменты используют и что выбрать для своего нового аналитического контура.",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":88},11,"analytics-data","#06b6d4",{"ru":89},{"title":90,"description":91},"Аналитика и данные","Понятия и инструменты работы с данными: виды аналитики, статистические основы, A\u002FB-тестирование, продуктовые метрики, дашборды и BI, инфраструктура данных, качество и управление данными.",[93],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":99},44,"data-engineering","tool","#0F9488",102,{"ru":100},{"title":101},"Инфраструктура данных","E",[104,111],{"id":105,"order":106,"translations":107},1558,0,{"ru":108},{"question":109,"answer":110},"Что лучше — ETL или ELT?","\u003Cp>Сегодня для новых проектов чаще удобнее ELT — за счёт дешёвых облачных хранилищ и удобных инструментов вроде dbt. Но это не универсальный ответ: при особых требованиях к безопасности, частоте загрузок или нагрузке ETL до сих пор остаётся правильным выбором.\u003C\u002Fp>",{"id":112,"order":61,"translations":113},1559,{"ru":114},{"question":115,"answer":116},"Что такое dbt?","\u003Cp>dbt (data build tool) — популярный инструмент для преобразований внутри хранилища. Он позволяет описывать модели данных в виде SQL-файлов, выстраивать их зависимости в виде графа и автоматически проверять качество. Сегодня это фактический стандарт для шага преобразования в схеме ELT.\u003C\u002Fp>",{"related":118},[119,126,133],{"id":120,"slug":121,"translations":122},306,"data-warehouse",{"ru":123},{"title":124,"short_definition":125},"Хранилище данных (Data Warehouse)","Специализированная база данных, в которой собраны и согласованы данные из разных источников для аналитики.",{"id":127,"slug":128,"translations":129},308,"data-pipeline",{"ru":130},{"title":131,"short_definition":132},"Пайплайн данных","Последовательность шагов, по которой данные двигаются от источника до конечного потребителя — отчёта, модели или системы.",{"id":134,"slug":135,"translations":136},307,"data-lake",{"ru":137},{"title":138,"short_definition":139},"Озеро данных (Data Lake)","Хранилище сырых данных в исходных форматах: логов, файлов, выгрузок — без жёсткой схемы.",99,"2026-05-11T20:16:06.556607+03:00","2026-05-11T20:16:06.556623+03:00",[144,167,187],{"id":145,"slug":146,"translations":147,"category":152,"tags":155,"letter":165,"cover":17,"updated_at":166,"published_at":17},313,"arpu",{"ru":148},{"title":149,"short_definition":150,"translation_en":151},"ARPU и ARPPU (средняя выручка на пользователя)","ARPU — средняя выручка на пользователя. ARPPU — средняя выручка на платящего пользователя.","ARPU and ARPPU",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":153},{"ru":154},{"title":90,"description":91},[156],{"id":157,"slug":158,"kind":159,"hex":160,"order":161,"translations":162},45,"product-analytics","metric","#5e79ec",103,{"ru":163},{"title":164},"Продуктовая аналитика","A","2026-05-11T20:16:09.534333+03:00",{"id":168,"slug":169,"translations":170,"category":175,"tags":178,"letter":185,"cover":17,"updated_at":186,"published_at":17},304,"bi",{"ru":171},{"title":172,"short_definition":173,"translation_en":174},"Business Intelligence (бизнес-аналитика)","Совокупность процессов и инструментов сбора, хранения и визуализации данных для принятия деловых решений.","Business Intelligence (BI)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":176},{"ru":177},{"title":90,"description":91},[179,182],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":180},{"ru":181},{"title":101},{"id":157,"slug":158,"kind":159,"hex":160,"order":161,"translations":183},{"ru":184},{"title":164},"B","2026-05-11T20:16:06.204990+03:00",{"id":188,"slug":189,"translations":190,"category":195,"tags":198,"letter":202,"cover":17,"updated_at":203,"published_at":17},312,"dau-wau-mau",{"ru":191},{"title":192,"short_definition":193,"translation_en":194},"DAU, WAU, MAU (активная аудитория за день, неделю и месяц)","Количество уникальных активных пользователей за день, неделю и месяц соответственно.","DAU \u002F WAU \u002F MAU",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":196},{"ru":197},{"title":90,"description":91},[199],{"id":157,"slug":158,"kind":159,"hex":160,"order":161,"translations":200},{"ru":201},{"title":164},"D","2026-05-11T20:16:09.166914+03:00"]