ELT是数据仓库中的非常重要的一环，它是承前启后的必要的一步。

在搭建数据仓库的过程中，ETL设计和实施的工作量一般要占总工作量的60%以上，而且业务部门会不断提出新的业务需求，任何前端业务模型的改变都会涉及到ETL设计，数据仓库日常运维效率的好坏也依赖ETL设计，因此ETL工具的选择对于整个数据仓库项目的成功是非常重要的。

ELT是利用数据库的处理能力，E=从源数据库抽取数据，L=把数据加载到目标库的临时表中，T=对临时表中的数据进行转换，然后加载到目标库目标表中。

在ELT架构中，ELT只负责提供图形化的界面来设计业务规则，数据的整个加工过程都在目标和源的数据库之间流动，ELT协调相关的数据库系统来执行相关的应用，数据加工过程既可以在源数据库端执行，也可以在目标数据仓库端执行（主要取决于系统的架构设计和数据属性）。当ETL过程需要提高效率，则可以通过对相关数据库进行调优，或者改变执行加工的服务器就可以达到。一般数据库厂商会力推该中架构，像Oracle和Teradata都极力宣传ELT架构。

1. ELT主要通过数据库引擎来实现系统的可扩展性（尤其是当数据加工过程在晚上时，可以充分利用数据库引擎的资源）

2. ELT可以保持所有的数据始终在数据库当中，避免数据的加载和导出，从而保证效率，提高系统的可监控性。

3. ELT可以根据数据的分布情况进行并行处理优化，并可以利用数据库的固有功能优化磁盘I/O。

4. ELT的可扩展性取决于数据库引擎和其硬件服务器的可扩展性。

5. 通过对相关数据库进行性能调优，ETL过程获得3到4倍的效率提升一般不是特别困难。

和基于ETL架构的工具（Kettle、Talend、Datastage、Informatica）相比，基于ELT架构的工具目前并不多（OWB、HaoheDI）。