Data Lake là gì · Data Lakehouse là gì · FPT Ingestion CDC · Apache Kafka là gì
ETL (Extract, Transform, Load) trích xuất dữ liệu từ nguồn, biến đổi trên hệ thống trung gian rồi mới nạp vào kho đích; ELT (Extract, Load, Transform) đảo thứ tự, nạp dữ liệu thô vào kho đích trước rồi biến đổi ngay trên chính nền tảng đó, tận dụng sức mạnh tính toán của hạ tầng Cloud.
Dữ liệu doanh nghiệp nằm rải rác ở phần mềm bán hàng, kế toán, tổng đài, website, bảng tính. Muốn phân tích chung thì phải đưa về một nơi, làm sạch và chuẩn hóa. Đó là việc của pipeline dữ liệu, và ETL hay ELT là hai cách sắp xếp thứ tự các bước chính.
Bài này giải thích hai khái niệm, lý do ELT phổ biến hơn trên Cloud, khi nào ETL vẫn là lựa chọn đúng, cách so sánh chi phí và tốc độ, bốn bước xây pipeline, công cụ thường gặp và những lưu ý về chất lượng, bảo mật dữ liệu. Nơi chứa dữ liệu xem data lake là gì và data lakehouse là gì.
Điểm khác biệt cốt lõi
| Tiêu chí | ETL | ELT |
|---|---|---|
| Thứ tự | Trích xuất, biến đổi, nạp | Trích xuất, nạp, biến đổi |
| Nơi biến đổi | Hệ thống trung gian | Ngay trong kho hoặc data lake đích |
| Dữ liệu thô | Thường không lưu lại trong kho | Lưu lại để dùng nhiều mục đích |
| Hạ tầng | Cần hệ thống trung gian cho bước biến đổi | Tận dụng sức tính toán của kho đích |
| Kiểm soát dữ liệu nhạy cảm | Che hoặc loại ngay ở bước biến đổi | Cần kiểm soát truy cập và che dữ liệu trong kho |
Vì sao ELT ngày càng phổ biến trên Cloud
Các nền tảng dữ liệu Cloud hiện đại có sức tính toán lớn và co giãn linh hoạt, cho phép chạy khối lượng biến đổi lớn ngay trong kho đích mà không cần dựng hệ thống trung gian riêng. Dữ liệu thô được giữ lại nên khi có câu hỏi phân tích mới, doanh nghiệp không phải trích xuất lại từ nguồn. Trong nhiều trường hợp, điều này giúp giảm chi phí hạ tầng và tăng tốc độ phát triển.
Tuy vậy ELT đòi hỏi kho đích đủ mạnh và có kiểm soát truy cập tốt, vì dữ liệu thô, kể cả dữ liệu nhạy cảm, nằm trong kho. Các công cụ phân tích tốc độ cao như ClickHouse hay kiến trúc lakehouse thường đi cùng cách làm này.
Khi nào dùng ETL, khi nào dùng ELT
ETL phù hợp khi
Cần kiểm soát chặt dữ liệu trước khi vào hệ thống đích, ví dụ che hoặc loại thông tin nhạy cảm ngay ở bước biến đổi; kho đích hạn chế sức tính toán; hoặc yêu cầu chuẩn hóa nghiêm ngặt trước khi lưu.
ELT phù hợp khi
Cần nạp khối lượng lớn nhanh; muốn giữ dữ liệu thô cho nhiều mục đích phân tích về sau; hoặc kho đích là nền tảng Cloud có sức tính toán mạnh và co giãn.
Nhiều tổ chức kết hợp cả hai: ETL nhẹ để che dữ liệu nhạy cảm khi nạp, rồi ELT để biến đổi sâu trong kho.
So sánh chi phí và tốc độ
ETL thường đòi hỏi đầu tư thêm hạ tầng trung gian và công sức bảo trì cho bước biến đổi. ELT tận dụng trực tiếp sức tính toán của kho đích, giảm chi phí hạ tầng nhưng phát sinh chi phí tính toán trong kho mỗi lần biến đổi, nên cần giám sát để các truy vấn biến đổi không chạy lãng phí. Chi phí thực tế phụ thuộc khối lượng, tần suất và cách thiết kế; nên đo thử với một nguồn dữ liệu thật trước khi quyết định. Cách theo dõi chi phí tổng thể xem FinOps là gì.
Bốn bước xây dựng pipeline
- Xác định các nguồn dữ liệu và tần suất đồng bộ: theo thời gian thực, theo giờ hoặc theo ngày tùy yêu cầu nghiệp vụ.
- Chọn công cụ và nền tảng xử lý phù hợp với năng lực đội ngũ và khối lượng dữ liệu.
- Dựng quy tắc biến đổi, kiểm tra chất lượng dữ liệu và đối chiếu kết quả với nguồn.
- Vận hành: giám sát lỗi, ghi log chi tiết, chạy lại khi dữ liệu nguồn thay đổi bất thường.
Đồng bộ gần thời gian thực
Không phải dữ liệu nào cũng chờ tới đêm mới đồng bộ. Với báo cáo vận hành hoặc cảnh báo, có thể dùng cơ chế bắt thay đổi dữ liệu (CDC) và truyền sự kiện qua nền tảng streaming; xem FPT Ingestion CDC và Apache NiFi, Apache Kafka là gì và FPT Kafka. Với dữ liệu lớn cần phân tích nhanh, xem ClickHouse là gì.
Lưu ý về chất lượng và bảo mật dữ liệu
- Kiểm tra chất lượng dữ liệu tại mỗi bước: trùng lặp, thiếu, định dạng sai.
- Ghi lại nguồn gốc dữ liệu (lineage) để truy vết khi báo cáo sai.
- Phân quyền truy cập theo mức nhạy cảm; che dữ liệu cá nhân khi không cần thiết; xem luật bảo vệ dữ liệu cá nhân 2026.
- Mã hóa dữ liệu khi lưu và khi truyền; xem quản lý khóa mã hóa trên Cloud.
- Thiết kế pipeline chạy lại được (idempotent) để lỗi giữa chừng không làm trùng dữ liệu.
- Giám sát độ trễ, số dòng xử lý và chi phí tính toán; xem observability là gì.
Ví dụ giả định: Dữ liệu bán hàng
Ví dụ giả định: doanh nghiệp bán lẻ có dữ liệu đơn hàng từ phần mềm bán hàng, dữ liệu khách hàng từ CRM và dữ liệu thanh toán từ cổng thanh toán. Với ELT, cả ba nguồn được nạp thô vào kho dữ liệu hằng đêm. Bộ phận phân tích viết các phép biến đổi trong kho để tạo bảng doanh thu theo ngày và cửa hàng. Khi cần câu hỏi mới, như tỷ lệ hoàn đơn theo kênh, họ dùng lại dữ liệu thô thay vì yêu cầu kỹ sư trích xuất lại. Riêng số điện thoại khách hàng được băm hoặc che ngay khi nạp (một bước ETL nhẹ) để hạn chế lộ dữ liệu cá nhân. Tên bảng, số liệu và quy trình trong ví dụ chỉ mang tính minh họa.
Hạ tầng dữ liệu trên FPT Cloud
Theo thông tin FPT công bố, FPT Cloud cung cấp các thành phần thường dùng trong pipeline dữ liệu như lưu trữ đối tượng, dịch vụ cơ sở dữ liệu, Kafka quản lý và đồng bộ dữ liệu CDC.
Kiến trúc dữ liệu, lựa chọn công cụ, cấu hình và chi phí cần được FPT tư vấn theo khối lượng và yêu cầu của từng doanh nghiệp.
Kết luận
ETL và ELT khác nhau ở vị trí biến đổi dữ liệu, kéo theo khác biệt về chi phí, tốc độ và cách kiểm soát dữ liệu nhạy cảm. ELT hợp với kho Cloud mạnh và nhu cầu giữ dữ liệu thô; ETL vẫn đúng khi cần che hoặc chuẩn hóa chặt trước khi lưu.
Dù chọn cách nào, giá trị lớn nhất nằm ở chất lượng dữ liệu, khả năng chạy lại và giám sát. Hãy thử với một nguồn dữ liệu thật rồi mở rộng dần.
Tư vấn nền tảng dữ liệu trên Cloud
Gửi danh sách nguồn dữ liệu và nhu cầu phân tích để nhận đề xuất kiến trúc phù hợp. Xem thêm đăng ký nhận tư vấn.
Đăng ký tư vấnCâu hỏi thường gặp
ETL và ELT khác nhau ở điểm nào
ETL biến đổi dữ liệu trên hệ thống trung gian trước khi nạp vào kho đích. ELT nạp dữ liệu thô vào kho trước rồi biến đổi ngay trong kho, tận dụng sức tính toán của nền tảng Cloud và giữ lại dữ liệu thô cho các phân tích sau.
Vì sao ELT phổ biến trên Cloud
Vì kho dữ liệu Cloud có sức tính toán lớn và co giãn linh hoạt, không cần hệ thống trung gian riêng. Dữ liệu thô được giữ lại nên có thể phân tích lại theo câu hỏi mới mà không phải trích xuất lại từ nguồn.
Khi nào vẫn nên dùng ETL
Khi cần che hoặc loại thông tin nhạy cảm ngay từ bước biến đổi, khi kho đích hạn chế sức tính toán, hoặc khi yêu cầu chuẩn hóa nghiêm ngặt trước lưu trữ. Nhiều tổ chức kết hợp ETL nhẹ và ELT.
Dữ liệu nhạy cảm nên xử lý thế nào trong pipeline
Hạn chế đưa dữ liệu cá nhân không cần thiết vào kho, che hoặc băm sớm, phân quyền truy cập theo mức nhạy cảm, mã hóa khi lưu và truyền, và ghi nhật ký truy cập để kiểm tra.
Pipeline dữ liệu cần giám sát những gì
Lỗi từng bước, độ trễ, số dòng xử lý, chất lượng dữ liệu và chi phí tính toán. Pipeline cũng nên chạy lại được khi dữ liệu nguồn đổi bất thường mà không làm trùng hay mất dữ liệu.
Doanh nghiệp nhỏ nên bắt đầu từ đâu
Bắt đầu từ một hai nguồn dữ liệu quan trọng và một câu hỏi kinh doanh cụ thể, dùng công cụ vừa tầm đội ngũ, kiểm tra chất lượng dữ liệu rồi mở rộng. Không cần dựng kiến trúc lớn ngay từ đầu.

