Vida Health nutzt Fivetran und dbt für eine personalisierte Gesundheitsversorgung

Datengetriebene, digitale Gesundheitsversorgung

Vida Health ist ein Unternehmen für digitale Gesundheit, das über arbeitgeberfinanzierte Programme personalisierte virtuelle Versorgung für Menschen mit chronischen Erkrankungen wie Diabetes, Adipositas und Depressionen bereitstellt.

Um Unterstützung und Ressourcen an individuelle Bedürfnisse anzupassen, erfasst Vida Health Daten zur Krankengeschichte der Kundinnen und Kunden, zu früheren Versicherungsansprüchen, zu Laborergebnissen sowie Protokolldaten von Health-Tech-Geräten wie Fitness-Trackern und digitalen Waagen.

„Mit Daten erhält man ein wirklich gutes (Gesundheits-)Profil eines Mitglieds, noch bevor es sich überhaupt anmeldet“, sagt Trenton Huey, Senior Director of Data bei Vida Health. „Das hilft uns, das Onboarding zu personalisieren und die richtigen Programme für die Betreffenden zu identifizieren.“

Die Daten ermöglichen es Vida Health, den Fortschritt der Nutzerinnen und Nutzer zu verfolgen, Behandlungspläne bei Bedarf anzupassen und den Nutzern über die Vida Health Mobile App Einblick in ihre Ergebnisse zu geben.

„Die Daten werden nicht nur für Reporting und Analysen genutzt, sondern um das Endnutzererlebnis in unserer Anwendung direkt zu steuern“, sagt Trenton.

Abkehr von einer ineffizienten, selbst gebauten Pipeline 

Bevor das Team von Vida Health zu Fivetran und dbt wechselte, verließ es sich auf eine selbst entwickelte Lösung, die Python-Skripte und Cron-Jobs nutzte, um Daten in BigQuery zu laden und zu transformieren. Dieser Ansatz brachte mehrere Probleme mit sich:

• Die Lösung war nicht skalierbar: Die selbst gebaute Pipeline kam bei plötzlichen Datenspitzen an ihre Grenzen und fiel häufig aus.
• Die Pipeline war intransparent und fehleranfällig: Die Komponenten waren schlecht dokumentiert und nur wenigen Personen im Datenteam verständlich. Wenn Probleme auftraten, dauerte es manchmal Wochen, die Ursache zu finden und zu beheben. 

Diese Probleme führten mitunter zu Reporting-Ausfällen von 2 bis 3 Tagen. Die Daten waren für die Teams, die sie benötigten, um ihre Kundinnen und Kunden bestmöglich zu betreuen, nicht zuverlässig verfügbar.

„Teams außerhalb des Engineerings hatten Mühe, überhaupt etwas zu erledigen“, berichtet Trenton. „Am Ende bauten sie ihre eigenen individuellen Pipelines lokal auf. Aber wir konnten diese Arbeit nicht wiederverwenden oder in andere Systeme einspeisen.“

[CTA_MODULE]

Ein Neuanfang: Anforderungen und Ziele für einen neuen Data-Stack

Mehr Zusammenarbeit in einem neu vereinten Datenteam

Vida Health hatte seine Funktionen Data Engineering, Data Science und Data Analytics kürzlich in einem Team zusammengeführt – mit dem Ziel, Silos aufzubrechen und die Zusammenarbeit über diese Rollen hinweg zu verbessern. 

„Es ging um mehr als nur die technischen Komponenten. Wir fragten uns: ‚Wie können all diese Teams besser zusammenarbeiten?‘“, sagt Trenton. 

Dank einer zugänglichen Benutzeroberfläche in Fivetran und leistungsstarken Transformationsfunktionen in dbt konnten die Datenanalystinnen und -analysten von Vida Health mehr Verantwortung für den Prozess des Ladens und Transformierens von Daten übernehmen und ihre Arbeit eigenständiger vorantreiben. Sie konnten Data Engineers um Rat fragen, anstatt sich bei jeder Änderung an der Pipeline auf deren Erstellung und Pflege durch diese verlassen zu müssen. 

„Mit dbt und Fivetran haben wir neue Wege der Zusammenarbeit eröffnet“, sagt Trenton. „So kann beispielsweise die Arbeit klinischer Forschender nun schneller und granularer im Produkt [abgebildet] werden.“

Und diese neue Zusammenarbeit half dem Team, sein Ziel zu erreichen: Es hatte weniger als sechs Monate Zeit, um mehr als zehn neue Kunden zu onboarden. Das bedeutete, dass es eine Pipeline benötigte, die Anspruchsberechtigungs-, Antrags- und Labordaten erfassen, transformieren und bereitstellen konnte – und das in großem Maßstab. Sie wussten, dass sie dies mit Fivetran + dbt bewältigen konnten.

Datenbewegung in großem Maßstab mit Fivetran 

Der erste Schritt beim Onboarding dieser neuen Kunden bestand darin, ihre Daten aus SaaS- und proprietären Datenquellen in einem zentralen Source-of-Truth-Warehouse zusammenzuführen. Sie benötigten eine Möglichkeit, dies in großem Maßstab und mit integrierter Automatisierung und Sicherheit zu tun – insbesondere im Umgang mit Gesundheitsdaten. Deshalb entschieden sie sich für Fivetran.

„Der Ruf von Fivetran sprach für sich. Wir wussten, dass es unsere großen – und wachsenden – Datenmengen aus all unseren Quellen sicher bewegen konnte. Wir haben nicht einmal andere Lösungen evaluiert.“ Für Trenton war jedoch entscheidend: „Ausschlaggebend war die Tatsache, dass sich Antragsdaten, die als Flat Files in GCS gespeichert waren, bewegen ließen. Alle, von Data Engineers bis zu Analysten, standen hinter Fivetran.“

Mit vollständig verwalteten Fivetran-Konnektoren bewegt Vida Health Daten aus all seinen SaaS-Anwendungen – etwa Salesforce, Stripe, Zendesk und Google Analytics. Diese SaaS-Daten aus den Bereichen Vertrieb, Marketing und Produkt speisen das Business-Reporting und tragen zum Wachstum des Unternehmens bei.

Außerdem bewegen sie proprietäre Protected Health Information (PHI) – darunter Labordaten, frühere medizinische Anträge und Apothekenbestellungen – aus mehreren Quellen wie PostgreSQL, MySQL und Google Cloud Storage. Sie können dies in unterschiedlichen Formaten in dieselbe BigQuery-Instanz tun. Mit dem Enterprise-Plan von Fivetran erhalten sie zudem maximale Sicherheit und stellen sicher, dass diese Daten geschützt und HIPAA-konform sind. Diese sicheren, zentralisierten Daten dienen als zuverlässige Grundlage dafür, dass Vida Health seinen Kundinnen und Kunden personalisierte Versorgung bieten kann.

Heute nutzt Vida Health Fivetran, um Daten aus 148 verschiedenen Verbindungen in einem BigQuery zu zentralisieren.

„Fivetran hat dazu beigetragen, die Infrastruktur zu modernisieren und zu demokratisieren, wer Daten erfasst. Früher war die Zentralisierung von Daten ein langsamer Prozess, weil sie individuelle Python-Jobs erforderte. Doch heute richten viele Teams Pipelines ein, und die Wartung ist einfacher. Wenn wir neue Projekte mit neuen Systemen oder Datenquellen starten, sagen wir oft: ‚Alles beginnt mit Fivetran.‘“
— Trenton Huey, Senior Director of Data bei Vida Health

[CTA_MODULE]

Beschleunigte Produktentwicklung mit dbt

Sobald die Daten mit Fivetran in BigQuery geladen waren, nutzte das Team dbt, um alten, unhandlichen Pipeline-Code in modulare SQL-Abfragen umzuwandeln, die sich leichter lesen, wiederverwenden und pflegen ließen. 

„Wir konnten Tausende Zeilen Code einsparen“, sagt Trenton. „In meinem letzten Unternehmen benötigten wir mehrere Spark-Jobs, um Daten zu transformieren. Mit dbt brauchen wir für dieselbe Arbeit weit weniger Ressourcen.“

Vor der Migration zu dbt hatten die Forschungs- und Produktteams von Vida Health separate Pipelines zur Datenverarbeitung genutzt und sich dabei häufig auf lokale Notebooks verlassen. Dadurch blieb das Wissen der Teams in Silos, und es erschwerte mitunter ihre Fähigkeit, klinische Daten in ihrem Produkt mit der nötigen Differenziertheit abzubilden. 

Mit seiner sich automatisch aktualisierenden Data Lineage machte dbt den Prozess der Datentransformation für die Mitarbeitenden von Vida Health in den Bereichen klinische Forschung, Produkt und Daten zugänglich. Es ermöglichte den Teams, Wissen zu teilen, ihre Datenerkenntnisse und ihr Produkt präziser zu gestalten – und schneller voranzukommen. 

dbt hat „Dinge ermöglicht, die vorher überhaupt nicht stattfanden. Bei bestimmten Dingen ist es wie von null auf eins“, sagt Trenton. 

„Die Analyse der Behandlung einer bestimmten Erkrankung dauerte früher Monate, teils sogar Quartale. Und wenn sie fertig war, mussten wir noch Monate warten, bis diese Erkenntnisse ins Produkt eingeflossen waren“, sagt Trenton. „Jetzt erhalten wir mit Fivetran schneller Zugriff auf die Daten und bauen die Logik direkt in dbt auf, sodass wir diese Zeit von Quartalen auf Wochen oder manchmal sogar Tage reduziert haben.“

Eine widerstandsfähigere und wartungsfreundlichere Pipeline mit Fivetran und dbt 

Vida Health nutzt heute integrierte Funktionen von dbt und Fivetran, um Probleme zu vermeiden, die zu Pipeline-Ausfällen führen könnten, und um eine schnelle Wiederherstellung sicherzustellen, falls (selten) Vorfälle auftreten. 

Am Anfang der Pipeline sei es hilfreich, „mit Fivetran den Aufbau und das Monitoring der Pipeline (samt Benachrichtigungen) an einem Ort zu haben. Wir können Probleme bei der Datenaufnahme leicht identifizieren, sobald sie auftreten“, sagt Trenton. Sie „schätzen es außerdem, vollständig verwaltete Konnektoren mit integrierter Schema-Migration und Automatisierung für alle Datenquellen zu haben, die unsere Technologie antreiben“. Das stellt sicher, dass Daten immer verfügbar sind.

Das Team nutzt die Data Lineage von dbt, um Fehler zurückzuverfolgen, und Snapshots, um Datenänderungen im Zeitverlauf zu erkennen.

„Jetzt haben wir viel mehr Präzision bei dem, was wir erstellen“, sagt Trenton. „Wir können Probleme zurückverfolgen. Früher hatten wir Probleme, bei denen es zwei Wochen dauerte, herauszufinden, was nicht stimmte, und heute haben wir innerhalb eines Tages eine Antwort.“

Trenton berichtete, wie „dies auch unsere Geschwindigkeit erhöht hat, weil wir weniger Zeit für die Wartung aufwenden“. 

Mit einem modernen Data-Stack verfügt Vida Health über die Grundlage, um seinen Kundinnen und Kunden eine erstklassige Versorgung zu bieten – datengetrieben.