Auf einen Blick
- Aufgaben: Entwickle und optimiere Datenmodelle, während du die Datenqualität sicherstellst.
- Unternehmen: Arcadia, ein innovatives Unternehmen im Gesundheitswesen mit einer mission-driven Kultur.
- Vorteile: Flexibles, vollständig remote Arbeitsumfeld und Zugang zu fortschrittlichen AI-Tools.
- Weitere Informationen: Werde Teil eines dynamischen Teams mit großartigen Karrierechancen und einem positiven Einfluss auf die Gesellschaft.
- Warum dieser Job: Gestalte die Zukunft des Gesundheitswesens durch datengestützte Entscheidungen und verbessere die Patientenversorgung.
- Qualifikationen: Erfahrung in SQL, dbt und ein gutes Verständnis für Gesundheitsdaten.
Das prognostizierte Gehalt liegt zwischen 60000 - 80000 € pro Jahr.
Arcadia ist bestrebt, glücklichere und gesündere Tage für alle zu schaffen. Wir glauben, dass es eine bessere Gesundheitswelt gibt - eine, die von Daten angetrieben wird. Unsere Plattform verwandelt komplexe, vielfältige Daten in eine einheitliche Grundlage für Gesundheit, die Organisationen hilft, eine bessere Versorgung zu bieten, den Umsatz zu steigern und Kosten zu senken.
Warum diese Rolle wichtig für Arcadia ist:
Die Datenplattform von Arcadia unterstützt die Analyse der Bevölkerungsgesundheit für Gesundheitspläne, ACOs und Anbietergruppen im ganzen Land. Als Lead Analytics Engineer - Data Modeling & Quality sind Sie an der Schnittstelle zwischen Datenqualitätsverantwortung und analytischer Datenmodellierung tätig. Sie sind verantwortlich für die SQL- und dbt-Ebene, die rohe klinische und Anspruchsdaten in vertrauenswürdige, produktionsreife Datensätze umwandelt, und fungieren gleichzeitig als Qualitätsautorität für die Daten, die diese Modelle produzieren.
Was Erfolg in 3 Monaten aussieht:
- Unabhängige Bearbeitung und Lösung von Pipeline-Datenqualitätsproblemen
- Erstellung mindestens eines neuen dbt-Modells oder Refactoring eines bestehenden Modells, um den aktuellen Modellierungsstandards zu entsprechen
- Entwicklung einer dbt-Test-Suite für eine Reihe von Modellen ohne Abdeckung
- Verständnis der End-to-End-Pipeline vom Eingang über Silber und Gold und Fähigkeit, ein Datenqualitätsproblem bis zur Wurzel zurückzuverfolgen
In 6 Monaten:
- Aufbau starker Arbeitsbeziehungen zu Kunden und funktionsübergreifenden Partnern (Data Engineering, Customer Success)
- Tiefes Verständnis des gesamten Datenstacks von Arcadia - vom Eingang über Silber, Gold und nachgelagerte Verbraucher
- Vorantreiben mindestens eines Verbesserungsprojekts, sei es technisch (z.B. Modellrefactoring, neues DQ-Framework) oder prozessorientiert (z.B. Promotionshandbuch, Triage-Workflow)
In 12 Monaten:
- Anerkennung als Führungskraft innerhalb der Abteilung - Kollegen und Stakeholder suchen Ihre Expertise in Datenmodellierung und Qualität
- Unabhängiges Arbeiten über den gesamten Umfang der Rolle mit minimaler Anleitung
- Zwei oder mehr Verbesserungsprojekte abgeschlossen und in Produktion, mit messbarem Einfluss auf die Datenqualität oder betriebliche Effizienz
Was Sie tun werden:
DATENMODELLIERUNG & DBT-ENTWICKLUNG- Erstellen, Überprüfen und Pflegen von dbt-Modellen mit Spark/Hudi vom Eingang über Bronze und Silber
- Kunden helfen, ihr Datenmodell, Annahmen und Einschränkungen durch gezielte Validierung zu verstehen
- Probleme beheben und beheben, dann dbt-Tests schreiben, um Probleme proaktiv zu erkennen
- SQL-Leistung für langsam laufende Jobs optimieren
- Mit Data Engineering bei der Hudi-Tabellengestaltung, Partitionierungsstrategie und inkrementellen Mustern zusammenarbeiten
- Datenqualitätswarnungen triagieren und klassifizieren, Quellprobleme von Transformationsfehlern unterscheiden
- Volumenmonitore und DQ-Monitore (Nullrate, Verteilung, zukünftige Datumsprüfungen) entwerfen und pflegen
- Klinische DQ-Regeln (Entitätsvolumen, Feldabdeckung, LOINC-Abdeckung, referentielle Integrität) und Anspruchsvalidierungsregeln über Silber- und Goldschichten erstellen und anwenden
- Qualitätsprüfungen für Connector-Promotionen durchführen - Bewertung der Abdeckung silberner Entitäten, Erfolgsquoten der Validierungsregeln und Richtigkeit der Bronze-zu-Silber-Transformation
- Die Ticketwarteschlange für DQ, Attribution, Hierarchie und kundenspezifische Datenqualitätsprobleme verwalten und klare kundenorientierte Ergebnisse schreiben
- Leitung von Datenqualitätsprüfungen während der Installation und Promotion von Connectors (UAT zu PRD), einschließlich Anspruchsvalidierungs-Handbücher und Nullanalysen
- Zusammenarbeit mit Data Engineering bei der Ursachenanalyse für Fehler, Eingangsanomalien und Probleme mit Silbertabellen, die durch Datenqualitätsüberwachung aufgedeckt werden
- Koordination mit dem Measure Implementation Team (MIT), wenn Datenqualitätsprobleme die Qualitätsmaßzahlen beeinflussen
- Beitrag zu und Durchsetzung von Datenmodellierungsstandards über Teams hinweg
- Warehousing: Amazon Redshift, Apache Hudi, AWS Athena
- Versionskontrolle: Git / GitHub, PR-basierte Überprüfungsworkflows
- Beobachtbarkeit: Grafana, Loki, Jira
- Abschluss in Informatik, Statistik, Wirtschaft, Volkswirtschaftslehre oder einem verwandten Bereich
- Fortgeschrittene SQL-Kenntnisse: Fensterfunktionen, komplexe CTEs, Aggregationsmuster, Leistungsoptimierung auf spaltenbasierten Datenbanken
- dbt: praktische Erfahrung in der Erstellung von Modellen, Tests, Makros und yml-Dokumentation; Vertrautheit mit inkrementellen Strategien
- Kenntnisse im Gesundheitsdatenbereich: praktisches Wissen über Anspruchsdaten (professionell, institutionell, Apotheke), klinische Daten (EHR-Entitäten) und gängige Qualitätsdimensionen (Mitgliederzahlen, Abdeckungsraten, Nullmuster)
- Datenqualitätsdenken: Fähigkeit, Quellprobleme von Transformationsproblemen zu unterscheiden, systematische Validierungsprüfungen zu entwerfen und Ergebnisse zur Datenqualität klar zu kommunizieren
- Klare Kommunikation - in der Lage, technische Ergebnisse für Kunden und nicht-technische Stakeholder zu übersetzen
- Starkes analytisches Urteilsvermögen - Sie können eine Verteilung betrachten und wissen, wann etwas nicht stimmt
- Fähigkeit, mehrere Projekte gleichzeitig zu verwalten und KI-Tools zu nutzen, um organisiert und effizient zu bleiben
- Ehrliches Interesse daran, AI-Tools für betriebliche Effizienz zu lernen und anzuwenden
- Erfahrung mit Spark SQL und Hudi-Tabellenformat
- Vertrautheit mit Tools zur Überwachung der Datenqualität
- Komfortable Arbeit in einer AI-first-Umgebung unter Verwendung von Claude zur Erstellung/Überprüfung verschiedener alltäglicher Arbeitsabläufe
- Einblicke in Konzepte der Bevölkerungsanalytik: HEDIS-Maßnahmen, Risikoadjustierung, wertbasierte Pflegekennzahlen
- Python-Skripting für Datenuntersuchung und Automatisierung
- Erfahrung mit Argo Workflows oder ähnlichen Orchestrierungsplattformen
Was Sie erhalten:
- Arbeiten Sie mit einem talentierten Team an einigen der komplexesten und lohnendsten Herausforderungen im Gesundheitsdatenbereich
- Flexibles, vollständig remote Arbeitsumfeld mit den Ressourcen und der Unterstützung, um Ihre beste Arbeit zu leisten
- Einblick in die Führungsebene
- Seien Sie an vorderster Front der KI-Adoption - nutzen Sie modernste Tools, um Ihre Arbeit zu beschleunigen und zu gestalten, wie das Team in einer AI-first-Umgebung arbeitet
- Eine bedeutende Auswirkung auf die Betriebsabläufe im Gesundheitswesen haben, indem Sie die Qualität, Zuverlässigkeit und Vertrauenswürdigkeit der Daten verbessern, die Entscheidungen über die Patientenversorgung vorantreiben
- Teil eines missionarisch orientierten Unternehmens zu sein, das die Gesundheitsbranche transformiert
- Mitglied der talentierten, energiegeladenen, vielfältigen und zielgerichteten Arcadian-Community zu werden
Diese Position ist verantwortlich für die Einhaltung aller Sicherheitsrichtlinien und -verfahren, um alle PHI unter der Obhut von Arcadia sowie Arcadia-Intellectual-Properties zu schützen. Für sicherheitsspezifische Rollen würden die Verantwortlichkeiten weiter vom Einstellungsmanager definiert.
Lead Analytics Engineer - Data Modeling & Quality Arbeitgeber: Foreman & Associates
Arcadia ist ein hervorragender Arbeitgeber, der eine flexible, vollständig remote Arbeitsumgebung bietet und gleichzeitig die Möglichkeit, an bedeutenden Herausforderungen im Gesundheitsdatenbereich zu arbeiten. Unsere Unternehmenskultur fördert Zusammenarbeit und Innovation, während wir unseren Mitarbeitern Zugang zu Ressourcen und Unterstützung bieten, um ihre besten Leistungen zu erbringen. Bei Arcadia haben Sie die Chance, Teil eines engagierten Teams zu werden, das sich leidenschaftlich für die Verbesserung der Gesundheitsversorgung einsetzt und dabei modernste Technologien nutzt, um einen echten Unterschied zu machen.
StudySmarter Expertenrat🤫
Wir sind der Meinung, dass Sie so Lead Analytics Engineer - Data Modeling & Quality erhalten könnten
✨Wende dich an die richtigen Communities
Schau dir Online-Communities und Foren an, die sich um Data Science drehen, wie Kaggle oder GitHub. Engagiere dich dort aktiv, teile deine Projekte und lerne von anderen – das wird dir helfen, nicht nur einen Fuß in die Tür zu bekommen, sondern auch wertvolle Kontakte zu knüpfen.
✨Präsentiere deine Daten-Projekte
Baue ein Portfolio auf, das deine besten Projekte zeigt. Nutze Plattformen wie GitHub oder eine persönliche Webseite, um deine Arbeiten zu veröffentlichen. Arbeitgeber im Data Science-Bereich schauen oft direkt auf praktische Erfahrungen, also zeig, was du drauf hast!
✨Nimm an Meetups und Hackathons teil
Besuche lokale Data Science-Meetups oder nehme an Hackathons teil. Diese Veranstaltungen sind nicht nur super, um dein Wissen zu erweitern, sondern auch Gold wert für Networking. Du lernst Fachkollegen kennen und kannst auf Lockere Art und Weise Eventualjobs ergattern.
✨Direkte Bewerbungen über unsere Seite
Vergiss nicht, direkt auf unserer Website nach Stellenangeboten bei Foreman & Associates zu schauen. Hier kannst du dich auf offene Datenwissenschaftsstellen bewerben und zeigst damit direktes Interesse, das viele Arbeitgeber schätzen!
Wir glauben, dass du diese Fähigkeiten brauchst, um Lead Analytics Engineer - Data Modeling & Quality mit Bravour zu bestehen
Einige Tipps für deine Bewerbung 🫡
Lass deine Daten sprechen!:In einem Bereich wie Data Science ist es entscheidend, dass du deine praktischen Fähigkeiten präsentierst. Wenn du an Projekten gearbeitet hast, die deine Analysefähigkeiten oder dein Wissen über Machine Learning demonstrieren, teile sie in deinem Lebenslauf oder füge einen Link zu deinem GitHub-Portfolio bei. Die Daten, die du analysiert hast, und die Tools, die du verwendest, sollten klar hervorgehoben werden.
Ergebnisse quantifizieren!:Unterstütze deine Erfahrung mit quantifizierbaren Ergebnissen. Zeige, wie du durch deine Analysen oder Modelle zur Entscheidungsfindung beigetragen hast oder wie deine Berechnungen den Rohdaten neue Erkenntnisse entlockt haben. Arbeitgeber in der Data Science sind oft an konkreten Verbesserungen und Effizienzsteigerungen interessiert!
Erläutere deine Lernbereitschaft!:Da es sich um eine Vollzeitstelle handelt, zeige in deinem Anschreiben, dass du bereit bist, zu lernen und dich weiterzuentwickeln. Sprich über deine Neugier für neue Technologien oder Methoden im Data Science Bereich. Vielleicht hast du auch Kurse besucht oder Zertifikate erworben, die deine Begeisterung zeigen!
Die richtige technische Sprache!:Achte darauf, dass deine Bewerbung alle relevanten technischen Begriffe enthält, die in der Data Science gebräuchlich sind. Nenne spezifische Programmier- und Analysetools wie Python, R oder SQL, die du beherrschst. Dies macht es für die Rekrutierer einfacher, schnell zu erkennen, dass du für die Rolle als Lead Analytics Engineer - Data Modeling & Quality bei Foreman & Associates gut geeignet bist.
Wie man sich auf ein Vorstellungsgespräch bei Foreman & Associates vorbereitet
✨Bereite deine technischen Skills vor
In einem Vorstellungsgespräch für eine Data-Science-Position wird oft dein Wissen über Tools wie Python, R oder SQL getestet. Mach dich mit gängigen Algorithmen und deren Einsatzmöglichkeiten vertraut, denn technische Fragen können schnell kommen. Lass uns sicherstellen, dass du in diesen Bereichen glänzt!
✨Verschaffe dir einen Überblick über Projekte
Da es sich um eine Vollzeitstelle handelt, ist es wichtig, dass du konkrete Erfahrungen und Projekte vorweisen kannst. Wenn du bereits an Data-Science-Projekten gearbeitet hast, sei bereit, diese in der Tiefe zu erläutern und zu diskutieren, wie du die Probleme gelöst hast. Dein Portfolio kann hier einen echten Unterschied machen!
✨Vorbereitung auf case studies
In Data-Science-Interviews sind case studies und praktische Probleme häufig Teil des Gesprächs. Übe, wie du strukturiert und logisch an solche Aufgaben herangehst. Arbeitgeber möchten sehen, wie du Daten analysierst und Lösungen entwickelst – bring also deine analytischen Fähigkeiten mit!
✨Zeige deine Leidenschaft für Daten
Mehr denn je geht es bei einer Vollzeitstelle darum, dass du nicht nur die Skills hast, sondern auch wirklich für das Feld brennst. Teile Anekdoten oder Erfahrungen, die zeigen, wie du zur Datenwissenschaft gekommen bist und was dich fasziniert. Diese Begeisterung kann für Foreman & Associates entscheidend sein!
