De meeste teams hebben veel gegevens nodig – het soort dat je kunt vertrouwen, queryen en gebruiken zonder een wirwar van exports, niet-overeenkomende velden of half-werkende dashboards te hoeven ontwarren. Naast het verplaatsen van gegevens, zet een ETL-pipeline (Extract, Transform, Load) deze om in iets bruikbaars – zonder verrassingen. In 2025 werd wereldwijd naar schatting 181 zettabyte aan gegevens gecreëerd, vastgelegd, gekopieerd en geconsumeerd, dus het is belangrijk om een pipeline te hebben die gegevensverwerking kan vereenvoudigen.

Hieronder vind je een handleiding over hoe ETL-pijplijnen werken, waarom ze nuttig zijn en hoe je er een kunt ontwerpen die meegroeit met je bedrijf.

Wat staat er in dit artikel?

• Wat is een ETL-pipeline?
  
• Hoe werkt een ETL-pipeline?
  
• Verschillen tussen ETL- en datapipelines
  
• Waarom gebruiken ondernemingen ETL-pipelines?
  
• Wat zijn veelvoorkomende uitdagingen bij ETL en hoe los je deze op?
  
• Voorbeelden en use cases van ETL-pipelines
  
• Hoe ontwerp je een ETL-pipeline die meegroeit?
  
• Hoe Stripe Data Pipeline kan helpen
  
• Veelgestelde vragen over ETL-pipelines
  

Wat is een ETL-pijplijn?

Een ETL-pipeline is het systeem dat onbewerkte gegevens bruikbaar maakt en deze van de ene naar de andere plek verplaatst. Dit is waar de afkorting voor staat:

• Extract: Haal gegevens uit bronsystemen.

• Transform: Schoon die gegevens op en formatteer ze opnieuw.

• Load: Lever deze af op een gecentraliseerde bestemming (bijv. een datawarehouse).

In de praktijk verzamelt een ETL-pipeline gegevens uit bronnen zoals betaalplatformen, productdatabases en tools voor webanalyse. Het systeem verwerkt die gegevens – door ze op te schonen, formaten te standaardiseren en systemen te combineren – en pusht het eindproduct vervolgens naar een plek waar het kan worden gebruikt, zoals voor rapportage, dashboards of modellering.

Wat zijn de kenmerken van een ETL-pipeline?

Een goed gebouwde ETL-pipeline heeft over het algemeen een paar kernkenmerken:

• Bron-agnostisch: kan gegevens ophalen uit een breed scala aan systemen – databases, application programming interfaces (API), platte bestanden, software-as-a-service (SaaS)-tools – ongeacht de indeling of structuur

• Herhaalbaar en geautomatiseerd: draait op een schema (of trigger) zonder handmatige interventie, zodat gegevens actueel blijven

• Consistente transformatielogica: past bij elke uitvoering dezelfde regels toe voor opschoning, deduplicatie en formattering, zodat de uitvoer voorspelbaar is

• Controleerbaar: registreert wat er is uitgevoerd, wanneer en wat er is gewijzigd, waardoor fouten gemakkelijker te traceren zijn

• Schaalbaar: verwerkt groeiende gegevensvolumes en nieuwe bronnen zonder een volledige herbouw

• Veerkrachtig: bevat foutafhandeling en logica voor nieuwe pogingen, zodat een enkele mislukte extractie niet de volledige pipeline verstoort

Voordelen van ETL-pipelines

ETL-pipelines bieden veel voordelen:

• Gecentraliseerde gegevens: brengt informatie uit uiteenlopende systemen samen op één vertrouwde bestemming

• Verbeterde gegevenskwaliteit: standaardiseert formaten, verwijdert duplicaten en spoort fouten op voordat deze in rapporten terechtkomen

• Tijdsbesparing: automatiseert werk dat anders handmatige exports en gerommel met spreadsheets zou betekenen

• Betere besluitvorming: geeft teams één enkele, consistente bron van waarheid om mee te werken

• Ondersteuning bij compliance: creëert duidelijke, controleerbare registraties van hoe gegevens worden verplaatst en gewijzigd

• Schaalbaarheid: biedt ruimte aan nieuwe gegevensbronnen en groeiende volumes zonder vanaf nul opnieuw te hoeven ontwerpen

Wat zijn de verschillende soorten ETL-pipelines

ETL-pipelines worden over het algemeen gegroepeerd op basis van hoe snel ze gegevens verplaatsen. Ze vallen over het algemeen in een van de twee categorieën:

• Batch-pipelines: Verzamelen gegevens gedurende een vast interval en verwerken en verplaatsen deze vervolgens in één keer. Deze aanpak is geschikt voor traditionele analyses en business intelligence-werkzaamheden, waarbij gegevens uit verschillende bronnen worden verzameld, volgens een schema transformatiestappen doorlopen en in een datawarehouse in de cloud worden geladen, waarbij weinig doorlopend toezicht nodig is.
  

Het is zeer geschikt om grote volumes efficiënt te verwerken, omdat taken worden gegroepeerd in plaats van continu te worden uitgevoerd.

• Realtime pipelines: Halen continu gegevens op naarmate ze worden gegenereerd, vaak uit bronnen zoals Internet of Things (IoT)-apparaten, verbonden sensoren, sociale platforms of mobiele apps. Een berichtenlaag met hoge doorvoer houdt deze constante stroom accuraat naarmate deze binnenkomt, en tools zoals Spark-streaming kunnen de gegevens direct transformeren.
  

Deze set-up ondersteunt usecases die afhankelijk zijn van direct inzicht, zoals Live-analyses, locatietracking, fraudedetectie en realtime gepersonaliseerde marketing.

Hoe werkt een ETL-pijplijn?

ETL-pipelines werken in drie hoofdfasen (extraheren, transformeren en laden), maar dit is zelden een netjes, lineair proces. Een goed gebouwde pipeline is constant in beweging, beheert verschillende gegevensbatches, coördineert afhankelijkheden en biedt inzicht voordat de laatste batch is voltooid.

Dit is wat er in elke fase gebeurt:

Uittreksel

Extractiemethoden variëren afhankelijk van het systeem. Snelheidslimieten en latentie bepalen het tempo voor API's. Bij productiedatabases gebruiken teams vaak incrementele extracties, waarbij ze alleen de gegevens ophalen die sinds de laatste run zijn gewijzigd, om de belasting te minimaliseren. De pipeline begint met het ophalen van gegevens van de locatie waar deze zich bevinden.

Bronnen kunnen zijn onder meer:

• relationele databases (bijv. PostgreSQL, MySQL)

• SaaS-platformen, via API's van tools zoals CRM-systemen (Customer Relationship Management), supportsoftware en betaalproviders

• platte bestanden, logboeken, cloudbuckets of FTP-servers (File Transfer Protocol)

Transformeren

Dit is de kern van de pipeline en meestal het meest complexe deel. Na de extractie belanden de gegevens in een staging-omgeving om te worden verwerkt. De transformatiefase kan het volgende inhouden:

• Gegevens opschonen: Verwijder corrupte rijen, verwijder dubbele records en vul ontbrekende waarden in.

• Gegevens standaardiseren: Harmoniseer indelingen en eenheden (bijv. tijdstempels converteren, valutacodes matchen).

• Gegevens samenvoegen: Combineer informatie uit verschillende bronnen (bijv. gebruikersrecords uit een CRM-systeem matchen met de transactiegeschiedenis uit een betaalsysteem).

• Velden afleiden: Bereken nieuwe statistieken of pas bedrijfslogica toe (bijv. klanten met een 'opzeggingsrisico' taggen op basis van gedragspatronen).

Je kunt deze stappen uitvoeren in programmeertalen zoals Structured Query Language (SQL) en Python, of via een transformatie-engine zoals Apache Spark, afhankelijk van wat past bij de omvang en reikwijdte van de gegevens. Het resultaat zijn overzichtelijke, gestructureerde datasets die passen bij het gegevensmodel en de analysedoelen van de onderneming.

Laden

Zodra de gegevens zijn getransformeerd, zijn ze klaar om naar de eindbestemming te worden verplaatst, wat een kan zijn:

• clouddatawarehouse (bijv. Amazon, BigQuery)

• datalake

• rapportagedatabase

Hoe gegevens worden geladen, hangt af van je doelen. Sommige teams voegen continu nieuwe records toe, terwijl andere rijen invoegen of bijwerken om tabellen actueel te houden. Volledige tabelwissels of het overschrijven van partities komen vaak voor bij een gegevenscontrole.

Efficiënte pipelines verwerken de lading in batches of bulksgewijs, vooral op schaal. Dit helpt schrijfconflicten te verminderen, knelpunten in prestaties te voorkomen en downstream-systemen te voorzien van bruikbare gegevens in een voorspelbare indeling.

Parallellisme

In een volwassen pipeline vinden deze fasen niet synchroon plaats. In plaats daarvan zijn ze gespreid en lopen ze parallel: terwijl de geëxtraheerde gegevens van maandag bijvoorbeeld worden getransformeerd, kan de extractie van dinsdag beginnen.

Deze pipeline houdt de doorvoer hoog. Maar het introduceert ook mogelijke complicaties: als er halverwege iets misgaat, moet je inzicht hebben in welke fase is vastgelopen en hoe je kunt hervatten zonder je gegevensstroom te corrumperen.

Orkestratie

Orkestratieprogramma's zoals Apache Airflow, Prefect en cloud-native services (bijv. AWS Glue) beheren deze fasen. Ze coördineren het volgende:

• Taakafhankelijkheden: Deze bepalen wat er als eerste en als volgende wordt uitgevoerd.

• Planning: Dit is wanneer elke fase begint (bijv. elk uur, dagelijks, op basis van getriggerde gebeurtenissen).

• Foutafhandeling: Foutafhandeling biedt volgende stappen wanneer een taak vastloopt of mislukt.

• Resourcebeheer: Dit bepaalt welke rekentaken waar worden uitgevoerd en hoeveel tegelijkertijd.

Zonder orkestratie wordt ETL fragiel en is er handmatige inspanning vereist. Met orkestratie wordt je gegevensinfrastructuur voorspelbaarder en betrouwbaarder.

Verschillen tussen ETL- en datapijplijnen

Mensen gebruiken deze termen vaak door elkaar, maar ze zijn niet helemaal hetzelfde. Een ETL-pijplijn is een specifiek type datapijplijn. 'Datapijplijn' is de bredere overkoepelende term die elk systeem dekt dat gegevens van punt A naar punt B verplaatst.

• Transformatiefasen: ETL bevat altijd een transformatiefase als vereist onderdeel van het proces. Een datapijplijn kan gegevens onderweg wel of niet transformeren.

• Primaire doel: ETL bestaat om gegevens te herstructureren naar een specifieke structuur voordat deze ergens landen (zoals een warehouse). Een algemene datapijplijn is meer gericht op het verplaatsen van gegevens van de bron naar de bestemming, los van transformatie.

• Verwerkingsstijlen: ETL is traditioneel gebouwd rond batchtaken die gestructureerde gegevens verwerken. Datapijplijnen zijn veelzijdiger, kunnen in batches worden uitgevoerd of continu streamen, en werken met zowel gestructureerde als ongestructureerde gegevens.

• Complexiteit: Vanwege de ingebouwde transformatielogica zijn ETL-opstellingen over het algemeen complexer om te bouwen en te onderhouden. Datapijplijnen kunnen veel eenvoudiger zijn als er geen transformatie nodig is.

• Aanpasbaarheid: ETL is enigszins rigide, omdat de transformatieregels zijn afgestemd op een specifieke indeling. Datapijplijnen passen zich gemakkelijker aan verschillende gegevenstypen en leveringsbehoeften aan.

• Veelvoorkomende toepassingen: ETL is de standaard voor warehousing en gestructureerde rapportage. Datapijplijnen komen voor in meer contexten, waaronder migraties, livestreams en algemene systeemintegratie.

Waarom gebruiken bedrijven ETL-pijplijnen?

Veel ondernemingen zeggen dat ze datagedreven zijn. Maar de echte uitdaging is om de juiste gegevens op één plek te krijgen, in een staat die ondernemingen kunnen gebruiken. ETL-pipelines bieden teams een betrouwbare manier om gegevens uit de hele onderneming te verzamelen, op te schonen en te combineren, zodat deze bruikbaar zijn voor analyse, rapportage, prognoses, AI, audits of updates voor investeerders.

Dit is waarom bedrijven investeren in ETL-pijpleidingen:

Om een uniforme weergave van alle systemen te creëren

Gegevens zijn standaard gefragmenteerd. Salesgegevens staan misschien in het CRM-systeem (Customer Relationship Management). Transacties lopen via je betalingsplatform. Productgebruik is te vinden in een logbestand. Elk van deze systemen vertelt een deel van het verhaal.

ETL-pipelines extraheren ruwe gegevens uit die bronnen, reconciliëren overlappende velden (bijv. klant-ID's) en laden een schone, gebundelde versie in een centraal warehouse. Een SaaS-onderneming kan bijvoorbeeld een ETL-pipeline gebruiken om productgebruik, supporttickets en facturatiegegevens te combineren, zodat de gezondheid van het account op één plek kan worden gemonitord.

Deze geconsolideerde visie maakt betere besluitvorming mogelijk en is vaak de enige manier om multibronvragen te beantwoorden, zoals: „Welke marketingcampagnes hebben onze meest waardevolle klanten binnengehaald?”

Om de gegevenskwaliteit te verbeteren

Ruwe gegevens kunnen rommelig zijn. Verschillende systemen gebruiken verschillende indelingen, passen inconsistente labels toe, of bevatten duplicaten en hiaten.

ETL-pipelines bepalen een minimale kwaliteitsstandaard. Ze schonen vervuilde records op, normaliseren categorieën en indelingen en passen bedrijfsregels toe voordat ze de gegevens naar software sturen die wordt gebruikt door analisten of leidinggevenden. Dat kan leiden tot minder ad-hocoplossingen, minder vragen over niet-overeenkomende velden en meer vertrouwen in wat de gegevens vertellen.

Om handmatige workflows te automatiseren

Zonder ETL vertrouwen teams vaak op exports, spreadsheets en scripts die kunnen vastlopen wanneer iemand een veldnaam bijwerkt. Deze aanpak is traag en groeit niet mee.

ETL-pipelines automatiseren deze workflows. Ze worden uitgevoerd op basis van planningen of gebeurtenissen, verplaatsen gegevens op een herhaalbare manier en nemen de noodzaak weg voor mensen om toezicht te houden op het hele proces.

Groei en complexiteit ondersteunen

Naarmate je onderneming groeit, groeien je gegevens ook. Dat betekent meer klanten, gebeurtenissen en systemen. Het handmatig combineren van die gegevens wordt onhoudbaar.

ETL-pipelines zijn gebouwd om te groeien. Ze kunnen grote hoeveelheden gegevens verwerken, parallel worden uitgevoerd en zich aanpassen naarmate er nieuwe bronnen en use cases ontstaan.

Om betere analyses en beslissingen mogelijk te maken

Dashboards en AI-modellen zijn slechts zo goed als de gegevens die ze voeden. Als de pipeline kapot is, is de analyse dat ook.

ETL-pipelines zorgen ervoor dat besluitvormers over tijdige, betrouwbare gegevens beschikken. Dit omvat:

• wekelijkse inkomsten

• trends in klantverloop

• productprestaties in verschillende segmenten

• realtime fraudesignalen

Met Stripe Data Pipeline kunnen ondernemingen automatisch betalings- en financiële gegevens naar platforms pushen, zonder dat ze de pipeline zelf hoeven te bouwen en onderhouden.

Om risico's te beheren en aan de regels te blijven voldoen

Wanneer gegevens, met name gevoelige gegevens, tussen systemen worden verplaatst, zijn er risico's: inbreuken op de beveiliging, overtredingen van de regelgeving en inconsistente toegangscontroles.

Met ETL-pipelines hebben ondernemingen meer controle. Ze kunnen:

• gevoelige velden maskeren of versleutelen tijdens de verwerking;

• toegang en transformaties loggen voor audits;

• gegevens centraliseren in omgevingen met strengere beveiligingscontroles.

Deze taken maken het gemakkelijker om te voldoen aan regels voor gegevensbescherming, zoals de Algemene verordening gegevensbescherming (AVG) en de Health Insurance Portability and Accountability Act (HIPAA), en maken het moeilijker om gevoelige gegevens kwijt te raken.

Wat zijn veelvoorkomende uitdagingen bij ETL en hoe los je ze op?

ETL-pipelines zijn belangrijk, maar ze zijn zelden eenvoudig. Hun complexiteit komt voort uit de echte gegevens, systemen en bedrijfslogica die erbij komen kijken. Je kunt de meeste problemen echter oplossen met de juiste architectuur en gewoonten.

Dit zijn de meest voorkomende problemen met ETL en hoe je ze kunt oplossen:

De juiste werkwijzen kunnen deze uitdagingen verminderen en voorkomen dat ze terugkerende noodgevallen worden. En ze helpen je bij het bouwen van pipelines die transparant, onderhoudbaar en veerkrachtig genoeg zijn om mee te groeien met je onderneming.

Voorbeelden en use cases van ETL-pipelines

ETL komt voor in situaties waarin organisaties gegevens uit meerdere systemen moeten combineren tot één betrouwbare bron. Een paar veelvoorkomende voorbeelden:

• Datawarehouses aansturen: ETL is de motor achter de meeste datawarehouses en haalt gegevens uit verspreide systemen naar één gestructureerde opslagplaats die is gebouwd voor analyse en rapportage.
  
• Data-integratieplatforms ondersteunen: ETL is de fundamentele logica achter de meeste software voor data-integratie die momenteel op de markt is.
  
• Bestandsindelingen converteren: Teams vertrouwen vaak op ETL-processen om ruwe CSV-exports om te zetten in een structuur die een relationele database kan inlezen, waarvoor vaak minimale aangepaste code nodig is.
  
• Snel bulkladen van gegevens: Zowel studenten als professionals gebruiken vaak ETL-gebaseerde tools om grote datasets snel in een werkbare omgeving te brengen, zonder de opnamelogica vanaf nul op te bouwen.
  
• klantervaring: gegevens uit een CRM, supporttickets en facturatiesysteem samenvoegen om sales- en supportteams een compleet profiel van elke klant te geven
  
• marketinganalyses: gegevens van advertentieplatforms, webanalyses en CRM-gegevens combineren om campagneprestaties en attributie via verschillende kanalen te meten
  
• voorraad en toeleveringsketen: gegevens synchroniseren uit POS-systemen, magazijntools en leveranciersfeeds om de voorraad bij te houden en de vraag te voorspellen
  
• fraudedetectie: transactie-, inlog- en apparaatgegevens vrijwel in realtime aggregeren zodat risicomodellen verdachte activiteiten snel kunnen markeren
  

Hoe kun je een ETL-pijplijn ontwerpen die schaalbaar is?

De echte test van een ETL-pijplijn is hoe goed deze blijft werken wanneer je gegevens met een factor 10 toenemen, je businessmodel verandert, of er drie nieuwe systemen online komen. Een flexibele pijplijn kan die verandering opvangen zonder kapot te gaan, te vertragen of te complex te worden.

Zo zorg je ervoor dat je pijplijn met je onderneming meegroeit:

Begin met groei in gedachten

Schaalbaarheid betekent dat je klaar bent voor meer:

• bronnen

• volume

• teams die toegang nodig hebben

• regelgevende overhead

Bedenk wat er als eerste kapot zou kunnen gaan als deze pijplijn tien keer zoveel gegevens moet ondersteunen of vijf nieuwe dashboards moet vullen. Bouw met voldoende capaciteit zodat je over zes maanden niet gedwongen wordt om een dure herbouw uit te voeren.

Gebruik een architectuur die de schaal verwerkt

Sommige pijplijnen zijn vanaf het begin gedoemd omdat ze afhankelijk zijn van systemen of processen die niet horizontaal kunnen groeien. Om dit te voorkomen:

• Kies verwerkingsengines die taken parallel op meerdere machines kunnen uitvoeren.

• Gebruik databases of warehouses die opslag en rekenkracht kunnen scheiden, en laat ze elk onafhankelijk groeien.

• Voer batchladingen of gepartitioneerde schrijfacties uit in plaats van bewerkingen per rij.

Als een deel van je pijplijn maximaal één machine gebruikt, is dat je knelpunt.

Ontwerp voor parallellisme

Met parallellisme minimaliseer je de looptijd en verhoog je de capaciteit. Seriële pijplijnen voelen misschien veilig, maar ze zijn traag. Als je één bestand, klant of regio tegelijk verwerkt, is de doorvoer beperkt – ongeacht hoe krachtig je infrastructuur is. In plaats daarvan moet je het volgende doen:

• Partitioneer gegevens op logische eenheden (bijv. datum, regio, klant-ID).

• Voer extractie-, transformatie- en laadstappen gelijktijdig uit als afhankelijkheden dit toelaten.

• Maak elke fase stateless zodat meerdere instanties parallel kunnen draaien.

Vertrouw op de elasticiteit van de wolken

Cloud-infrastructuur maakt het eenvoudiger om ETL te laten groeien zonder overprovisioning. Je kunt:

• rekenkracht automatisch laten groeien wanneer de vraag piekt;

• services voor objectopslag gebruiken voor staging zonder je zorgen te hoeven maken over capaciteit;

• beheerde ETL-services het zware werk van de toewijzing van resources laten afhandelen.

Verbeter kleine problemen voordat ze urgent worden

Wat betreft groeien, maken kleine keuzes een grote impact. Enkele acties die helpen zijn:

• het gebruik van kolomvormige bestandsindelingen (bijv. Parquet) voor staging om lezen en schrijven te versnellen;

• het comprimeren van grote bestanden om de I/O-tijd te verkorten;

• het schrijven van efficiënte SQL-query's en het vermijden van onnodige transformaties;

• het profilen van je taken om knelpunten vroegtijdig te vinden.

Houd de pijplijn modulair

Modulaire pijplijnen zijn gemakkelijker te laten groeien, te testen en problemen in op te lossen. Ze groeien zowel organisatorisch als technisch. Wanneer je een nieuwe gegevensbron moet toevoegen of een transformatieregel moet wijzigen, wil je geen monoliet van 2000 regels ontrafelen. In plaats daarvan moet je het volgende doen:

• Breek je pijplijn op in logische fasen (bijv. ingestie, verwerking, laden).

• Kapsel transformaties in zodat ze onafhankelijk kunnen worden bijgewerkt of hergebruikt.

• Documenteer invoer, uitvoer en afhankelijkheden duidelijk.

Gebouwd voor zichtbaarheid

Naarmate de pijplijn groeit, groeit ook de behoefte om te begrijpen wat er zich in afspeelt. Je kunt niets repareren of laten groeien als je het niet kunt zien. Zorg ervoor dat je:

• de looptijden van taken, het aantal rijen, foutpercentages en versheid bewaakt;

• meldingen instelt voor storingen en drempelwaarden;

• de afkomst van gegevens bijhoudt, zodat teams weten waar gegevens vandaan komen en hoe deze zijn gewijzigd;

• gebeurtenissen bij elke stap logt met voldoende context om problemen snel te debuggen.

Goed zicht zorgt ervoor dat je met vertrouwen kunt schalen.

Hoe Stripe Data Pipeline kan helpen

Stripe Data Pipeline stelt ondernemingen in staat om hun Stripe-accountgegevens moeiteloos direct te synchroniseren met datawarehouses of cloudopslagproviders. Data Pipeline maakt het makkelijk om Stripe-gegevens te bekijken in combinatie met andere datasets. 

Data Pipeline kan je helpen met het volgende:

• Gegevenslevering op schaal automatiseren: Configureer Data Pipeline binnen enkele minuten zonder code en ontvang doorlopend al je Stripe-gegevens en -rapportages automatisch in Snowflake, Amazon Redshift, Google BigQuery, Databricks en populaire cloudopslagoplossingen.

• Gegevensvertragingen en storingen voorkomen: Besteed doorlopend onderhoud uit met een pipeline die in Stripe is ingebouwd. Data Pipeline heeft bovendien geen API-snelheidslimieten. Hoeveel gegevens je ook hebt, ze zijn dus altijd compleet en accuraat.

• Boeken sluiten en sneller inzicht krijgen: Centraliseer je Stripe-gegevens met andere product-, klant- en marketinggegevens om inkomsten sneller te reconciliëren en je meest waardevolle segmenten, fraude en betalingskosten op één plek te analyseren. Krijg daarnaast toegang tot kant-en-klare, verrijkte datasets die exclusief zijn voor Data Pipeline om het analyseren van MRR, aangepaste frauderegels, de prestaties van omzetherstel en meer te starten, zonder ingewikkelde financiële modellering.

Lees meer over hoe Stripe Data Pipeline je kan helpen je bedrijfsgegevens te ontsluiten of ga vandaag nog aan de slag.

Veelgestelde vragen over ETL-pipelines

Hier vind je antwoorden op een aantal veelgestelde vragen over ETL-pipelines: