Insights · 23 de julho de 2026
O que é ETL: como o dado sai do sistema e chega no dashboard
ETL é o processo que decide se o seu painel mostra a verdade ou mostra o que sobrou depois de três exportações manuais. A maioria das empresas monta o painel antes de resolver essa parte.
ETL significa extração, transformação e carga: um processo que puxa dado de sistemas diferentes (loja, ERP, planilha, CRM), limpa e organiza esse dado segundo regras de negócio, e carrega o resultado num destino único, geralmente um data warehouse (IBM). É o que existe entre "o pedido foi criado na loja" e "esse pedido aparece certo no dashboard de vendas".
A maior parte das empresas pula direto para o dashboard. Contrata uma ferramenta de BI, conecta em algumas fontes, e descobre meses depois que dois relatórios mostram números diferentes para a mesma pergunta. O problema quase nunca é o dashboard. É que ninguém cuidou do que acontece antes dele.
As três etapas, sem enrolação
Extração: o processo busca o dado na origem, seja um banco de dados, uma API de ERP, uma planilha, ou um evento de webhook da loja. Cada fonte tem seu formato, sua frequência de atualização, seus limites de acesso.
Transformação: o dado bruto raramente serve como está. Nomes de campo diferentes entre sistemas precisam virar um padrão único, valores duplicados precisam ser removidos, regra de negócio precisa ser aplicada (por exemplo, o que conta como "pedido cancelado" pode significar coisas diferentes na loja e no ERP).
Carga: o dado tratado é escrito no destino final, geralmente um data warehouse. A primeira carga costuma trazer o histórico inteiro; as seguintes são incrementais, só o que mudou.
ETL ou ELT: a ordem das letras importa
Existe uma variação chamada ELT, extração, carga e transformação, que inverte a ordem das duas últimas etapas. Em vez de transformar o dado antes de carregar, o processo carrega o dado bruto direto no warehouse e transforma depois, usando o poder de processamento do próprio warehouse.
Segundo a AWS, "extração, carga e transformação (ELT) é a escolha padrão para analytics moderno" (AWS). A vantagem prática: warehouses modernos como BigQuery processam volume grande em paralelo, então transformar depois de carregar costuma ser mais rápido do que transformar antes. O dbt, uma das ferramentas mais usadas para essa etapa de transformação dentro do warehouse, descreve a mesma tendência (dbt Labs).
Não existe um número de mercado fechado (tipo "68% das empresas usam ELT") que sustente essa afirmação com precisão, mas a direção do mercado é clara nas duas fontes: ELT virou o padrão em operações que já têm um data warehouse moderno. ETL tradicional continua fazendo sentido para sistemas legados ou quando a transformação precisa acontecer antes por regra de segurança ou compliance.
O mercado de ferramentas está se consolidando ao redor de IA
Um dado recente que mostra para onde o mercado está indo: em junho de 2026, a Fivetran (ferramenta paga de extração e carga) e a dbt Labs (ferramenta de transformação) completaram uma fusão, formando uma empresa combinada que atende mais de 100 mil times de dados globalmente, incluindo OpenAI, Siemens e Roche (comunicado oficial Fivetran/dbt Labs). A tese por trás da fusão é direta: agente de IA sem dado limpo e confiável não vale nada, então infraestrutura de dados virou pré-requisito de infraestrutura de IA, não um projeto separado.
No lado open-source, o Airbyte segue como alternativa gratuita relevante, com mais de 21 mil estrelas no GitHub e uma rodada de Série B de US$150 milhões em 2021 (Airbyte no GitHub; Businesswire).
Por que a maioria dos projetos de dados falha (e não é a ferramenta)
Uma pesquisa acadêmica do Fraunhofer FOKUS e da TU Berlin, com 112 especialistas de 11 setores diferentes, mapeou as causas reais de falha em projetos data-driven (Ermakova et al., HICSS). O resultado incomoda quem vende ferramenta: tecnologia é apontada como a razão menos crítica de insucesso.
As três causas mais citadas foram falta de entendimento do contexto de negócio e da necessidade do usuário, baixa qualidade de dado, e problemas de acesso ao dado. 54% dos respondentes concordam que existe uma distância grande entre a estratégia de negócio e a implementação técnica da solução analítica. Qualidade de dado tem impacto crítico ou significativo para 34% e 29% dos respondentes, respectivamente.
O padrão se confirma numa fonte diferente: a Gartner projeta que 80% das iniciativas de governança de dados vão fracassar até 2027 por falta de uma crise real (ou fabricada) que force a organização a priorizar o assunto (Gartner, fevereiro de 2024). Sem prioridade de negócio clara, o projeto de dados vira um centro de custo que ninguém defende quando o orçamento aperta.
No Brasil, o quadro geral de adoção de tecnologia dá pistas do tamanho do gargalo: 36% das empresas brasileiras usavam ERP em 2025, contra apenas 19% em 2019 (Cetic.br/NIC.br, TIC Empresas 2025). Mais empresas com ERP significa mais fonte de dado gerada todo dia, mas gerar dado não é o mesmo que conseguir usá-lo. Um estudo da ABES com dados IDC lista qualidade de dado e governança entre os principais fatores que limitam a adoção mais ampla de tecnologia no país (ABES, Panorama e Tendências 2026).
Os sinais de que sua empresa precisa de um pipeline
Nem toda empresa precisa de ETL no dia um. Alguns sinais práticos de que chegou a hora:
Dois relatórios mostram números diferentes para a mesma pergunta
Se marketing e financeiro têm versões diferentes de "quanto vendemos esse mês", o problema não é comunicação. É que cada área está puxando dado de um lugar diferente, sem uma fonte única de verdade.
Alguém exporta planilha toda semana para juntar dado de dois sistemas
Isso é um pipeline manual, só que feito por uma pessoa em vez de um processo automatizado. Funciona até a pessoa sair de férias, esquecer um passo, ou o volume crescer além do que uma planilha aguenta.
A decisão de negócio espera o fechamento do mês
Se a empresa só sabe como foi o mês depois que ele fechou, a decisão sempre chega atrasada. Um pipeline bem desenhado atualiza o painel em tempo quase real, e a decisão acontece enquanto ainda dá para agir.
O histórico de dado se perde quando o sistema muda
Trocar de ERP ou de plataforma de e-commerce sem ter os dados históricos consolidados num warehouse próprio significa perder anos de histórico de operação no dia da migração.
O erro de montar o pipeline antes de saber a pergunta
Um erro comum, e caro, é contratar ferramenta de ETL ou de BI antes de decidir qual pergunta de negócio o painel precisa responder. O time monta uma arquitetura de dados completa e só depois descobre que ninguém definiu o que "sucesso" significa para aquele painel. O resultado é um dashboard bonito que ninguém usa para decidir nada.
A ordem certa é inversa: primeiro a pergunta de negócio, depois a modelagem que sustenta a resposta, e só então a ferramenta de extração e carga que alimenta esse modelo. É a mesma lógica que aplicamos no pilar de dados da Uncode: arquitetura antes do painel, sempre.
O que fazer com isso
Se você reconheceu algum dos sinais acima, o próximo passo não é comprar uma ferramenta de BI. É mapear de onde vêm os dados que sua empresa já gera, decidir qual pergunta de negócio precisa de resposta primeiro, e só então desenhar o pipeline que sustenta essa resposta.
É esse o método que aplicamos desde 2019 no pilar de AI & Analytics: arquitetura de dados, pipelines de ETL e ELT, e dashboards construídos depois que a pergunta de negócio está clara, não antes. Se sua empresa já sente esse gargalo, a conversa é de 30 minutos, sem pitch: você mostra como o dado circula hoje, a gente diz honestamente por onde começar.
Fontes
IBM, What is ETL; AWS, ETL vs ELT; dbt Labs, ETL vs ELT; Airbyte no GitHub; Businesswire, rodada Série B do Airbyte; Fivetran/dbt Labs, fusão 2026; Ermakova et al., Beyond the Hype: Why Do Data-Driven Projects Fail (Fraunhofer FOKUS/TU Berlin, HICSS); Gartner, previsão de falha em governança de dados; Cetic.br/NIC.br, TIC Empresas 2025; ABES, Panorama e Tendências 2026.
Gostou do que leu?
Conversamos sobre como isso se aplica à sua operação.
Mais de Insights
VTEX ou Shopify: qual escolher para cada porte de operação
Não existe "melhor plataforma". Existe a plataforma certa para o GMV que sua operação tem hoje, não para o GMV que ela quer ter em dois anos. Aqui está o critério com número, não opinião de vendedor.
Ler agora →Agente de IA: onde funciona de verdade e onde ainda não dá para confiar
Todo fornecedor de IA promete autonomia total. O Gartner projeta que mais de 40% dos projetos de IA agêntica serão cancelados até 2027. As duas coisas são verdadeiras ao mesmo tempo, e a diferença está em saber onde cada uma se aplica.
Ler agora →Business Intelligence: o que é e por onde começar sem errar a ordem
A empresa média gasta em ferramenta de BI e usa 20% da capacidade. O problema quase nunca é a ferramenta. É a ordem em que ela chegou.
Ler agora →