ETL'de (extract, transform, load) veri kaynaktan çekilir, ayrı bir ortamda temizlenip dönüştürülür ve hedefe yalnızca bitmiş tablolar yüklenir. ELT'de (extract, load, transform) ise veri ham hâliyle veri ambarına kopyalanır; dönüşüm ambarın içinde, çoğunlukla dbt gibi bir aracın çalıştırdığı SQL modelleriyle yapılır. Veriyi BigQuery, Snowflake ya da Redshift gibi bir bulut veri ambarında analiz ediyorsanız varsayılan tercih ELT olmalı. Hedef bir veri ambarı değilse ya da bazı alanların ambara hiçbir zaman ham hâliyle girmemesi gerekiyorsa ETL ya da ikisini birleştiren bir yaklaşım daha doğru olur.
Pratikteki farkların neredeyse hepsi tek bir sorudan çıkıyor: dönüşüm kodu nerede çalışıyor? İşlem gücünün faturasını kimin ödediği, ham geçmişin saklanıp saklanmadığı ve bir iş kuralı değiştiğinde ne kadar uğraşacağınız bu sorunun cevabına bağlı. Türkiye'de buna bir soru daha eklenir: ham veri ambara girdiğinde hangi ülkede duruyor?
İki yaklaşım yan yana
| ETL | ELT |
|---|---|---|
Dönüşüm nerede çalışır | Ayrı bir motorda: Python işleri, Spark, bir entegrasyon aracı | Hedef veri ambarının içinde, SQL olarak |
Hedefe ne yüklenir | Temizlenmiş, bitmiş tablolar | Önce ham kopyalar, sonra bunlardan üretilen modeller |
Ham geçmiş | Ayrıca arşivlenmezse kaybolur | Varsayılan olarak ambarda kalır |
İş kuralı değişince | ETL işi güncellenir, veri kaynaktan ya da arşivden yeniden işlenir | Model düzenlenir, ham tablolardan yeniden üretilir |
Dönüşümü kim yazar | Veri mühendisleri; Python, Java ya da görsel bir araçla | SQL bilen herkes, analistler dahil |
İşlem gücü maliyeti nerede oluşur | Kendi sunucularınızda ya da entegrasyon aracının lisansında | Veri ambarında (taranan veri, kredi, slot) |
Kişisel veri | Hedefe ulaşmadan ayıklanabilir | Yolda maskelenmezse ambara ham hâliyle girer |
Tipik araçlar | Informatica (artık Salesforce'un), Talend (artık Qlik'in), SSIS, özel Python işleri | Yükleme için Fivetran ya da Airbyte, dönüşüm için dbt |
Karşılaştırma tablolarında sık gördüğünüz iki satır pek tutmuyor. "ELT daha hızlıdır" iddiası tamamen ambara ve işin kendisine bağlı; ETL motorları da paralel çalışır. "ETL yalnızca yapılandırılmış veri içindir" de doğru değil, hatta durum bunun tersi: Python'la yazılmış bir ETL işi PDF, HTML ya da görsel ayrıştırabilir, ambarın içinde SQL'le bunu yapmak ise zahmetlidir.
Bir ELT hattı nasıl kurulur
Araçlar ne olursa olsun, çoğu ELT kurulumunda üç katman bulunur:
- Ham katman: kaynakları birebir yansıtan, bir bağlayıcının (connector) yazdığı tablolar. Bunlara kimse elle dokunmaz.
- Ara katman (staging): her kaynak tablo için bir temizlik modeli. Kolon adları düzeltilir, tipler dönüştürülür, tekrar eden kayıtlar ayıklanır.
- Raporlama katmanı (mart): ekiplerin sorguladığı, dashboard'ların okuduğu, belirli bir iş amacı için birleştirilmiş ve özetlenmiş tablolar.
Yükleme ya hazır bir bağlayıcıyla (Fivetran, Airbyte ya da bulut sağlayıcının kendi servisi) ya da değişiklik verisi yakalamayla (CDC) yapılır. Log tabanlı CDC, örneğin PostgreSQL'in WAL kaydını okuyan Debezium, her ekleme, güncelleme ve silmeyi commit edildiği anda görür. Tabloyu updated_at kolonuna bakarak düzenli aralıklarla sorgulamak daha basittir ama fiziksel olarak silinen satırları hiç görmez; bu satırlar biri fark edip mutabakat yapana kadar ambarda kalır. SQL Server üzerinde çalışan bir ERP'den satış ve cari hesap hareketlerini çekiyorsanız aynı soru karşınıza çıkar: veritabanında SQL Server'ın CDC özelliği açılabiliyorsa Debezium onu okuyabilir, açılamıyorsa tarihe göre sorgulamanın yanına silinen kayıtlar için ayrı bir kontrol eklemeniz gerekir. Her katmanda hangi araçların kullanıldığını modern veri yığını yazımızda ayrıntılı anlattık.
Dönüşümler, aracın bağımlılık sırasına göre çalıştırdığı SQL dosyalarıdır. dbt'de artımlı (incremental) bir ara katman modeli şöyle görünür:
-- models/staging/stg_siparisler.sql
{{ config(materialized='incremental', unique_key='siparis_id') }}
select
siparis_id,
musteri_id,
lower(durum) as durum,
cast(toplam_tutar as numeric) as toplam_tutar,
guncelleme_zamani
from {{ source('magaza', 'siparisler') }}
{% if is_incremental() %}
-- yalnızca artımlı çalıştırmada: ambardaki en yeni kayıt ve sonrası
-- (coalesce, hedef tablo boşken bütün satırların elenmesini önler)
where guncelleme_zamani >= (select coalesce(max(guncelleme_zamani), '1900-01-01') from {{ this }})
{% endif %}İlk çalıştırmada dbt tablonun tamamını üretir. Sonraki çalıştırmalarda is_incremental() bloğu sorguyu yeni satırlarla sınırlar; unique_key ise dbt'nin, değişen bir sipariş için tabloya yeni satır eklemek yerine mevcut satırı güncellemesini sağlar. Filtrede >= kullanmak da bu sayede güvenli (dbt'nin artımlı model dokümantasyonu). coalesce olmazsa, var olan ama boş bir hedef tabloda en büyük değer null döner; karşılaştırma hiçbir satır için doğru olmaz ve çalıştırma hiçbir şey yüklemeden başarılı görünerek biter.
Testlerin yeri de değişir. ELT'de unique ve not_null gibi kontroller veri yüklendikten sonra, ara katman modelleri üzerinde çalışır. dbt build komutunda bir modelin testi başarısız olursa ona bağlı modeller atlanır; böylece bozuk bir kaynak tablo dashboard'lara kadar ulaşmaz. Yüklemeden önce yapılması gereken kontroller, örneğin "çekilen satır sayısı her zamanki aralıkta mı?", veri çekme işinin içinde yapılmalı.
ELT'nin en büyük pratik faydası iş kuralı değiştiğinde ortaya çıkar. Tribute Technology için geliştirdiğimiz veri taşıma platformunda her cenaze evinin eski sisteminden gelen ham veri önce MongoDB'ye düşüyordu. Ardından ekip, alanları bir web arayüzünde eşliyordu; eşlemeler sürümlendiği için kopyalanıp yeniden çalıştırılabiliyor, sonuçlar da Tribute'un formatına ancak onaylandıktan sonra aktarılıyordu (vaka çalışması). Bu, veri ambarı dışında kurulmuş bir ELT düzeni: ham kopya yerinde durduğu için değiştirilen bir eşleme aynı veriye yeniden uygulanabiliyor.
ETL'nin hâlâ daha doğru olduğu durumlar
ELT, hedefin ağır SQL çalıştırabilen ve ham kopyaları saklayabilen bir veritabanı olduğunu varsayar. Bu varsayım tutmuyorsa önce dönüştürmek gerekir.
Hedef bir uygulama
Hedef başka bir ürünün API'si ya da sıkı doğrulama yapan bir uygulama veritabanıysa, veriyi ham yükleyip sonra düzeltme şansınız yoktur. Hedef sistem şemasına uymayan kayıtları ya reddeder ya da kabul edip kullanıcılara gösterir. FrontRunner için yürüttüğümüz taşımalar böyle çalışıyor: vefat ilanları, görseller, videolar ve taziye mesajları cenaze evinin eski web sitesinden çekilip FrontRunner'ın API'si üzerinden aktarılıyor; her iş kontrol ediliyor, gerekirse müşterinin yayına geçişi sırasında yeniden çalıştırılıyor ya da düzeltiliyor (vaka çalışması). Her kayıt gönderilmeden önce FrontRunner'ın beklediği biçime getirilmiş olmalı.
EdgeHunters için 2026 başına kadar geliştirip işlettiğimiz gerçek zamanlı oran platformu da aynı mantıkla, çok daha sık çalışıyordu. 44 bahis sitesinin her biri için ayrı bir scraper oranları topluyor, takım ve lig adları normalize edilip doğrulanıyor, güncel oranlar her beş dakikada bir ürünün okuduğu S3 ve PostgreSQL'e aktarılıyordu. Yanlış eşleşmiş tek bir takım adı öneriyi değersiz hâle getirir; bu yüzden temizliğin, veri ürünün okuduğu depoya ulaşmadan yapılması gerekiyordu.
Dönüşüm SQL'e uygun değil
PDF ayrıştırmak, HTML'den veri kazımak, adresleri koordinata çevirmek (geocoding) ya da bir belgeden alanları LLM ile çıkarmak gibi işler kodla yapılır; veri bir tabloya girmeden önce çalışırlar. Bir otomasyon ajansıyla birlikte, petrol sahası hizmetleri veren bir şirket için kurduğumuz saha fişi iş akışı küçük bir örnek: her PDF fişi önce bir LLM ile yapılandırılmış JSON'a çevriliyor, arşivleme ve raporlama bundan sonra geliyor.
Hacim küçük, hedef tek
Bir sistemden gecede birkaç bin satırı tek bir rapora taşıyacaksanız veri ambarı, bağlayıcı ve dbt kurmanıza gerek yok. Veriyi temizleyip yazan, birkaç testi olan zamanlanmış bir Python işi hem daha ucuza çalışır hem de sizden sonra gelen geliştiricinin anlaması daha kolaydır.
KVKK: kişisel veriyi ambara ham göndermeyin
Her şeyi ham yüklemek, kişisel veri söz konusu olduğunda ELT'nin zayıf noktası. Müşteri tablosunu olduğu gibi kopyaladığınızda ad, telefon, e-posta ve TC kimlik numarası da gelir; ambara erişimi olan herkes bunları okuyabilir ve veri, ambar hangi bölgede çalışıyorsa orada saklanır.
Türkiye'de bölge seçimi doğrudan hukuki bir mesele. Ekim 2026 itibarıyla BigQuery'nin ve Snowflake'in bölge listelerinde Türkiye yok; altyapısını Turkcell'in sağlayacağı Google Cloud Türkiye bölgesinin 2028-2029 döneminde faaliyete geçmesi bekleniyor (Turkcell'in KAP açıklaması). Yani bugün bu ambarlardan birini kullanan Türkiye'deki bir şirket veriyi Frankfurt, Hollanda ya da başka bir yurt dışı bölgesine yüklüyor. Yurt dışına aktarım yönetmeliği, aktarımı kişisel verinin yurt dışındaki bir veri sorumlusuna ya da veri işleyene iletilmesi veya başka bir yolla erişilebilir hâle getirilmesi olarak tanımlıyor. Ham müşteri tablosunu yurt dışındaki bir ambara yüklemek bu tanıma giriyor.
KVKK'nın 9. maddesi, 2024'teki değişiklikten sonra yurt dışı aktarımı yeterlilik kararına ya da uygun güvencelere bağlıyor. Uygun güvencelerden biri Kurul'un ilan ettiği standart sözleşme; imzadan sonra beş iş günü içinde Kurum'a bildirilmesi gerekiyor. Açık rıza gibi istisnalar yalnızca arızi aktarımlar için geçerli. Her gece çalışan bir veri hattı tanımı gereği arızi olmadığından bu istisnalara dayanamaz.
Mühendislik tarafında yapabileceğiniz üç şey var:
- Analitikte kullanmayacağınız kişisel alanları hiç çekmeyin. Telefon numarası bir satış dashboard'unda işe yaramıyorsa kaynaktan çıkmasın. Bu, Kanun'un 4. maddesindeki "işlendikleri amaçla bağlantılı, sınırlı ve ölçülü olma" ilkesinin veri hattındaki karşılığı.
- Gereken kimlik alanlarını yolda, anahtarlı bir özet fonksiyonuyla (HMAC) takma adlandırın. Anahtar veri çekme işinin yanında kalır, ambara hiç girmez.
- Ambarı Türkiye'de tutun. ELT için bulut ambarı şart değil; dbt kendi sunucunuzda çalışan PostgreSQL ya da ClickHouse ile de çalışıyor.
TC kimlik numarasını düz SHA-256 ile özetlemek koruma sağlamaz. Numara 11 hanelidir ama ilk hanesi 0 olamaz ve son iki hanesi ilk dokuz haneden hesaplanır, yani olası numara sayısı 900 milyonla sınırlı. Özetleri ele geçiren biri bütün adayları özetleyip karşılaştırarak numaraları geri bulabilir. Anahtarlı özet bunu engeller:
import hashlib
import hmac
import os
from typing import Optional
PII_KEY = os.environ["PII_HMAC_KEY"].encode() # veri çekme işinin yanında durur, ambara girmez
def takma_ad(deger: Optional[str]) -> Optional[str]:
if deger is None or not deger.strip():
return None # boş değerlerin hepsi aynı özeti almasın
normal = deger.strip()
return hmac.new(PII_KEY, normal.encode("utf-8"), hashlib.sha256).hexdigest()
def musteri_maskele(satir: dict) -> dict:
satir = dict(satir)
satir["musteri_anahtari"] = takma_ad(satir.pop("tckn", None))
satir.pop("telefon", None) # analitikte gerekmiyor, ambara hiç ulaşmasın
return satirAynı numara her seferinde aynı anahtarı ürettiği için tabloları birleştirmeye ve tekil müşteri saymaya devam edebilirsiniz. Boş ya da eksik değerler None döner (ambarda null); bunlar da özetlenseydi, kimlik numarası girilmemiş bütün müşteriler aynı anahtarı alıp tek bir kişi gibi görünürdü. Yine de bu yöntem veriyi anonim hâle getirmez. Kanun anonim hâle getirmeyi, verinin başka verilerle eşleştirilse bile hiçbir şekilde bir kişiyle ilişkilendirilemeyecek hâle getirilmesi olarak tanımlıyor (madde 3); anahtar sizde durduğu sürece HMAC çıktısı bu tanıma uymaz ve kişisel veri olmaya devam eder. Maskeleme, kimlikleri kimin görebileceğini ve bir sızıntıda dışarı ne çıkacağını sınırlar; yurt dışı aktarım sorusunu ortadan kaldırmaz. Hangi alanın nerede, hangi biçimde duracağına hukuk ekibinizle birlikte karar verin.
Maliyet nerede oluşuyor
Tek bir rakam vermek dürüst olmaz, çünkü iki yaklaşımda faturayı farklı kalemler oluşturuyor.
ETL'de dönüşümleri çalıştıran makineler ya da servis için ödeme yaparsınız; bir entegrasyon aracı kullanıyorsanız lisansı da eklenir. Ambar çoğunlukla bitmiş tabloları saklar ve sunar. Maliyet düzenli ve görünürdür; genellikle en büyük kalem mühendislik emeğidir.
ELT'de başlangıç ucuzdur. Hazır bağlayıcılar hacme göre fiyatlanır (Fivetran, örneğin, her bağlantı için aylık aktif satırları sayıyor) ve dönüşümler ambarın işlem gücüyle çalıştığı için her model düzenli tekrarlanan bir sorguya dönüşür. BigQuery'nin isteğe bağlı (on-demand) fiyatı, her ay ilk TiB ücretsiz olmak üzere taranan TiB başına 6,25 dolar; ücret, sorguda LIMIT olsa bile okunan kolonlar üzerinden hesaplanıyor (BigQuery fiyatlandırması). 2 TiB'lık bir tabloyu her saat sıfırdan üreten bir model 30 günlük bir ayda yaklaşık 1.440 TiB tarar; liste fiyatıyla bu 9.000 dolar civarı demek. Model artımlı kurulursa her çalıştırma yalnızca yeni dilimi okuyabilir, ama bunun için ham tablonun filtre kolonuna göre bölümlenmiş (partitioned) olması ve BigQuery'nin filtreye bakarak bölümleri eleyebilmesi (partition pruning) gerekir. Yukarıdaki modeldeki alt sorgu bu işi görmez: BigQuery bölümleri yalnızca sabit bir ifadeye göre eler, başka bir tablodan okunan değer ise sabit sayılmaz (BigQuery'nin bölüm eleme dokümantasyonu). Alt sorgunun yanına and guncelleme_zamani >= timestamp_sub(current_timestamp(), interval 3 day) gibi sabit bir sınır ekleyin ve bu aralığı, başarısız olan birkaç çalıştırmayı telafi edecek genişlikte tutun. Modeli zamanlamadan önce de dry run ile tahmini taranacak veri miktarına bakın. Snowflake ise çalışan bir sanal ambarı (virtual warehouse) saniye bazında ücretlendiriyor, ama sanal ambar her başladığında en az 60 saniye faturalanıyor. Birkaç dakikada bir küçük işler için ambarı uyandıran bir zamanlama, o bir dakikayı her seferinde öder.
Bu yüzden ELT'de ambar harcamasının bir sahibi olmalı. Her ay en pahalı sorgulara bakın ve işe tabloyu baştan üreten modellerden başlayın.
Karşınıza çıkacak yeni terimler
Reverse ETL, modellenmiş veriyi ambardan çıkarıp ekiplerin kullandığı araçlara, örneğin bir CRM'e ya da reklam platformuna geri gönderir. Hangi yaklaşımı seçtiğinizden bağımsız olarak hattın sonuna eklenir, ETL ile ELT arasındaki seçimi değiştirmez.
Zero-ETL, çekme ve yükleme kısmını bulut sağlayıcının sizin yerinize yürütmesi demek. AWS'de bir zero-ETL entegrasyonu Aurora, RDS ya da DynamoDB tablolarını, bakımını sizin yaptığınız bir veri hattı olmadan Redshift'e kopyalıyor. Dönüşümleri yine siz yazıyorsunuz; yani pratikte çekme ve yükleme kısmını bulut sağlayıcının yönettiği bir ELT.
Akış tabanlı (streaming) ELT, CDC olaylarını Kafka gibi bir kuyruktan geçirip toplu yükleme yerine sürekli yükler. Dakikaların önemli olduğu yerde eklediği karmaşıklığa değer. Her sabah bir kez okunan bir rapor için değmez.
Araç tarafında da birleşmeler oldu. Fivetran ile dbt Labs'in birleşmesi 1 Haziran 2026'da tamamlandı; artık pek çok ELT kurulumunda bağlayıcı tarafı da dönüşüm tarafı da aynı şirketten geliyor. dbt Core açık kaynak olmaya devam ediyor.
Nasıl karar verilir
Şu soruları sırayla sorun:
- Hedef, dönüşümlerinizi SQL ile çalıştırabilecek bir veri ambarı ya da lakehouse mu? Değilse ETL.
- Ambara hiç girmemesi ya da Türkiye dışına çıkmaması gereken bir alan var mı? Onu yolda atın ya da maskeleyin, sonra devam edin.
- Belge, HTML ya da LLM ile alan çıkarma gibi SQL'in zorlandığı dönüşümler var mı? Bu adımları yüklemeden önce çalıştırın ya da ham dosyaları yükleyip ambarın yanında Python ile işleyin.
- İş kuralları sık değişiyor mu, eski sorulara yeni mantıkla cevap vermek gerekiyor mu? ELT'nin en güçlü gerekçesi bu, çünkü ham geçmiş elinizde duruyor.
- Bakımını kim yapacak? SQL yazan analistlerden oluşan bir ekip dbt ile ELT'yi rahatça yürütür. İki sistem arasında veri taşıyan tek bir backend geliştiricisi için iyi test edilmiş bir Python işi çoğu zaman daha uygundur.
Hangisini seçerseniz seçin, çıktıyı kaynak sistemin kendi ürettiği bir rakamla (örneğin bir ödeme toplamı ya da dosya sayısı) karşılaştırıp mutabakat yapın. Satır sayılarının tutması yalnızca satırların taşındığını kanıtlar. Savings United'ın BI ekibinde bunu, satış ortaklığı ağlarından gelen ödeme verisini veri ambarıyla karşılaştıran otomatik kontrollerle yapıyorduk (vaka çalışması). Tribute platformunda ise Tribute'un ürün sahibi taşınan veriyi alacak raporları, dosya sayıları ve örneklem kontrolleriyle karşılaştırdı.
ELT'nin hedefi bir veri ambarı yerine nesne depolama olacaksa veri gölü ve veri ambarı yazımız bu seçimi ele alıyor.
Sık sorulan sorular
dbt bir ETL aracı mı, ELT aracı mı?
ELT. dbt yalnızca dönüşüm adımını üstlenir: SQL modellerini derler ve ambarın içinde çalıştırır. Çekme ve yüklemeyi Fivetran, Airbyte ya da kendi betikleriniz gibi başka bir araç yapar.
dbt'yi çalıştırmak için Airflow gerekir mi?
Başlangıçta gerekmez. Modellerin hangi sırayla çalışacağını dbt zaten kendisi çözüyor; ihtiyaç duyduğu şey, yüklemeler bittikten sonra dbt build komutunu başlatacak bir zamanlayıcı. Günde bir iki çalıştırma için bir cron işi, zamanlanmış bir CI iş akışı ya da dbt Labs'in bulutta sunduğu dbt platformundaki zamanlayıcı yeter. Airflow ya da Dagster gibi bir orkestrasyon aracı şu durumlarda kurulmaya değer: veri çekme, dbt çalıştırması ve sonraki adımlar birbirini beklemesi gereken birkaç sisteme yayılmışsa ya da başarısız bir yükleme, dönüşümlerin eski veriyle çalışmasını durdurmalıysa.
ETL artık eskidi mi?
Hayır, ama eski bir biçimi büyük ölçüde ortadan kalktı: kendi dönüşümlerini çalıştıracak gücü olmayan bir ambarı besleyen büyük, şirket içi ETL sunucuları. Yaklaşımın kendisi, veriyi API'lere ve uygulama veritabanlarına taşırken hâlâ standart; kişisel veri taşıyan bir ELT hattının önündeki maskeleme adımı da aslında küçük bir ETL işi.
Mevcut ETL'den ELT'ye büyük bir yeniden yazım olmadan nasıl geçilir?
Mevcut hattın yanında kaynakların ham kopyalarını yüklemeye başlayın. Tek bir raporun mantığını dbt modelleri olarak yeniden kurun ve rakamlar tutana kadar eski raporla karşılaştırın. Sonra ETL işinin o kısmını kapatıp bir sonraki rapora geçin.
Veri hattı tasarımınıza bir de dışarıdan bakılmasını isterseniz, veri ve yapay zeka hizmetlerimiz sayfasında nasıl çalıştığımızı anlattık.
İlgili Makaleler
MLOps Nedir? ML Modelini Canlıya Almanın Pratik Yolu
MLOps, bir modeli canlıya taşıyan ve orada işe yarar tutan pratiklerin toplamı. Hangi sırayla kurulacağını güncel MLflow ve DVC örnekleriyle anlattık, LLM tarafını da ekledik.
Devamını Oku: MLOps Nedir? ML Modelini Canlıya Almanın Pratik YoluBilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?
Fabrikadaki kalite kontrolden faturaya, tomografiden plaka tanımaya: bilgisayarlı görü nerede iş görüyor, nerede zorlanıyor, hazır modeller neyi değiştirdi?
Devamını Oku: Bilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?AI Agent Geliştirme: Ne Zaman Gerekir, Nasıl Kurulur?
AI agent, araçlarla döngü içinde çalışan bir dil modeli. Ne zaman gerektiğini, Python'da çalışan bir döngüyü, framework seçimini, güvenliği, KVKK'yı ve maliyeti anlattık.
Devamını Oku: AI Agent Geliştirme: Ne Zaman Gerekir, Nasıl Kurulur?
