Lead Analytics Engineer - Data Modeling & Quality

Warum diese Rolle für Arcadia wichtig ist

Die Datenplattform von Arcadia unterstützt die Analyse der Bevölkerungsgesundheit für Gesundheitspläne, ACOs und Anbietergruppen im ganzen Land. Als Lead Analytics Engineer – Datenmodellierung & Qualität 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 erzeugen. Dies ist eine hybride Rolle – tiefere SQL- und DBT-Expertise als ein traditioneller Data Health Professional, mit einem analytischeren und modellfokussierten Umfang als eine Data Engineering-Rolle. Sie konzentrieren sich weniger auf die Pipeline-Infrastruktur und mehr auf die Logik, Form und Vertrauenswürdigkeit der Daten selbst.

Was Erfolg aussieht

• In 3 Monaten: Unabhängig Pipeline-Datenqualitätsprobleme triagieren und lösen; mindestens ein neues DBT-Modell erstellen oder ein bestehendes überarbeiten, um den aktuellen Modellierungsstandards zu entsprechen; ein DBT-Test-Suite für eine Reihe von Modellen ohne Abdeckung entwerfen; den End-to-End-Pipeline vom Eingang bis zum Silber- und Goldstatus verstehen und in der Lage sein, ein Datenqualitätsproblem bis zur Wurzel zurückzuverfolgen.
• In 6 Monaten: Starke Arbeitsbeziehungen zu Kunden und funktionsübergreifenden Partnern (Data Engineering, Customer Success) aufbauen; tief vertraut mit Arcadias gesamtem Datenstapel – vom Eingang über Silber, Gold und nachgelagerte Verbraucher; mindestens ein Verbesserungsprojekt vorantreiben, sei es technisch (z.B. Modellüberarbeitung, neues DQ-Framework) oder prozessfokussiert (z.B. Promotionshandbuch, Triage-Workflow).
• In 12 Monaten: Als Führungskraft innerhalb der Abteilung anerkannt werden – Kollegen und Stakeholder suchen Ihre Expertise in Datenmodellierung und Qualität; unabhängig über den gesamten Umfang der Rolle mit minimaler Anleitung arbeiten; zwei oder mehr Verbesserungsprojekte abgeschlossen und in Produktion, mit messbarem Einfluss auf die Datenqualität oder betriebliche Effizienz.

Was Sie tun werden

• Datenmodellierung & DBT-Entwicklung: DBT-Modelle mit Spark/Hudi vom Eingang bis Bronze und Silber erstellen, überprüfen und pflegen; Kunden helfen, ihr Datenmodell, Annahmen und Einschränkungen durch gezielte Validierung zu verstehen; Probleme beheben und DBT-Tests schreiben, um Probleme proaktiv zu erfassen; SQL-Leistung für langsam laufende Jobs optimieren; mit Data Engineering bei Hudi-Tabellendesign, Partitionierungsstrategie und inkrementellen Mustern zusammenarbeiten.
• Datenqualitätsverantwortung: 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 hinweg erstellen und anwenden; Qualitätsprüfungen für Connector-Promotionen durchführen – Bewertung der Abdeckung silberner Entitäten, Erfolgsquoten der Validierungsregeln und Richtigkeit der Bronze-zu-Silber-Transformation; das Ticket-Queue für DQ, Attribution, Hierarchie und kundenspezifische Datenqualitätsprobleme verwalten, klare kundenorientierte Ergebnisse schreiben.
• Funktionsübergreifende Qualitätszusammenarbeit: Datenqualitätsprüfungen während der Connector-Installation und -Promotion (UAT PRD) leiten, einschließlich Anspruchsvalidierungs-Handbücher und Nullanalysen; mit Data Engineering bei der Ursachenanalyse für Fehler, Eingangsanomalien und Probleme mit Silbertabellen, die durch Datenqualitätsüberwachung aufgedeckt werden, zusammenarbeiten; mit dem Measure Implementation Team (MIT) koordinieren, wenn Datenqualitätsprobleme die Qualitätsmaßzahlen betreffen; zu und Durchsetzung von Datenmodellierungsstandards über Teams hinweg beitragen.

Technologien

• Datenmodellierung: DBT-Spark, SQL, Claude
• Datenspeicherung: Amazon Redshift, Apache Hudi, AWS Athena
• Datenqualität: Volumen/DQ-Monitore, DBT-Tests
• Orchestrierung: Argo Workflows, Airflow
• Versionskontrolle: Git / GitHub, PR-basierte Überprüfungsworkflows
• Beobachtbarkeit: Grafana, Loki, Jira
• Gesundheitsdaten: Ansprüche (Plan/Professionell/Apotheke), EHR (klinische Entitäten), MPI

Was Sie mitbringen werden

• Bildung: Bachelor- oder Masterabschluss in Informatik, Statistik, Wirtschaft, Volkswirtschaftslehre oder einem verwandten Bereich.
• Erfahrung: Fortgeschrittene SQL: 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; Gesundheitsdatenkompetenz: praktisches Wissen über Anspruchsdaten (professionell, institutionell, Apotheke), klinische Daten (EHR-Entitäten) und gängige Qualitätsdimensionen (Mitglieder-Monate, Abdeckungsraten, Nullmuster); Datenqualitätsdenken: Fähigkeit, Quellendatenprobleme von Transformationsproblemen zu unterscheiden, systematische Validierungsprüfungen zu entwerfen und Datenqualitätsbefunde klar zu kommunizieren.
• Fähigkeiten: Klare Kommunikation – in der Lage, technische Befunde für Kunden und nicht-technische Stakeholder zu übersetzen; Starker analytischer Urteilsvermögen – Sie können sich eine Verteilung ansehen und wissen, wann etwas nicht stimmt; Fähigkeit, mehrere Projekte gleichzeitig zu verwalten, wobei KI-Tools genutzt werden, um organisiert und effizient zu bleiben; Echtes Interesse daran, AI-Tools für betriebliche Effizienz zu lernen und anzuwenden.

Wäre schön, wenn Sie Folgendes hätten

• Erfahrung mit Spark SQL und Hudi-Tabellenformat; Vertrautheit mit Tools zur Überwachung der Datenqualität; Komfortable Arbeit in einer KI-ersten Umgebung mit Claude zur Erstellung/Überprüfung verschiedener täglicher Arbeitsabläufe; Einblick in Konzepte der Bevölkerungsgesundheitsanalyse: HEDIS-Maßnahmen, Risikoadjustierung, wertbasierte Pflegekennzahlen; Python-Skripting für Datenuntersuchung und Automatisierung; Erfahrung mit Argo Workflows oder ähnlichen Orchestrierungsplattformen; Gesundheitsdatenstandards: ICD-10, CPT, NDC, LOINC, NPI.

Was Sie erhalten werden

• 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 KI-ersten Umgebung arbeitet.
• Leisten Sie einen bedeutenden Beitrag zu den Betriebsabläufen im Gesundheitswesen, indem Sie die Qualität, Zuverlässigkeit und Vertrauenswürdigkeit der Daten verbessern, die Entscheidungen zur Patientenversorgung beeinflussen.
• Teil eines missionarisch orientierten Unternehmens zu sein, das die Gesundheitsbranche transformiert.
• Ein Mitglied der talentierten, energiegeladenen, vielfältigen und zielgerichteten Arcadian-Community zu werden.

$160.000 - $185.000 pro Jahr