在传统的批计算中，ETL（Extract, Transform, Load）计算是按照一定的时间周期来进行的，这个时间周期通常是基于小时、天或更长的时间窗口。这种处理方式适用于较大规模的数据集和非实时的数据分析需求。具体来说，批处理ETL会在指定的时间窗口内，从源系统中抽取数据，进行必要的转换和加工，然后加载到目标系统中。
关于新鲜度，在传统的批处理ETL模式下，数据的新鲜度是相对于处理周期而言的。由于数据需要等待一个完整的处理周期才能被加载到目标系统中，因此在这个周期内，数据对于分析师和决策者来说是不够“新鲜”的。换句话说，数据的新鲜度受限于批处理的执行频率和周期。例如，如果批处理是每天执行一次，那么数据的新鲜度就只能达到“日级”，即数据反映的是前一天的情况。
在阿里云等云计算平台中，为了提升数据的新鲜度和实时性，通常会采用流式数据处理（Streaming Data Processing）技术。流式数据处理能够实时或接近实时地处理数据，确保数据在分析时尽可能接近其产生的时刻。这种处理方式可以显著提高数据的新鲜度，使分析师和决策者能够基于最新的数据做出更及时、更准确的决策。
综上所述，传统的批计算ETL是按照时间周期来进行数据处理的，这导致了数据新鲜度的相对滞后。而在阿里云等现代云计算平台中，通过采用流式数据处理技术，可以显著提升数据的新鲜度和实时性。