Die App, die niemand anfassen wollte

  • Onboarding: 12 auf 3 Min
  • Vollständiger Neuschrieb im selben Quartal genehmigt
  • Keine 3-wöchigen Regressionszyklen
  • 12 auf 3 Min Dauer des Patienten-Onboardings
  • 90% Rückgang der onboarding-bedingten Abrechnungsfehler
  • 4 Wochen Zeit vom Auftrag bis zum lauffähigen Nachweismodul

Die Ausgangslage

Ein australisches Unternehmen für die Verwaltung im Gesundheitswesen mit 120 Mitarbeitenden führte seine Kernabläufe über ein internes Werkzeug, das fünf Jahre zuvor von einem inzwischen ausgeschiedenen Entwickler gebaut worden war. Die Anwendung steuerte Patienten-Onboarding, Terminplanung, Abrechnung und die Bearbeitung von Versicherungsansprüchen für ein Netz aus 14 Kliniken. Niemand verstand den Code vollständig. Jede neue Funktion kostete Wochen sorgfältiger Tests, weil Änderungen in einem Modul häufig andere zerstörten, und es gab keine Tests, die diese Fehler abfingen, bevor sie in Produktion gelangten. Das Team hatte aufgehört, die Anwendung zu verbessern, und lernte stattdessen, sie zu umgehen, und jede Behelfslösung vergrößerte still die Lücke zwischen dem, was das System erfasste, und dem, was tatsächlich in der Klinik geschah. Haftnotizen und gemeinsame Tabellen füllten diese Lücke, und das Personal, das sie pflegte, war stillschweigend zur eigentlichen Quelle der Wahrheit geworden.

In ihren Worten

Ich hörte auf zu erklären, warum wir ein neues System brauchten. Ich zeigte es ihnen einfach. Vier Wochen lauffähige Software schafften, was zwei Jahre an Vorschlägen nicht konnten.
FatimaCTO, australische Verwaltung im Gesundheitswesen

Was wirklich kaputt war

Die Anwendung war ein monolithischer PHP-Code ohne automatisierte Tests, ohne Dokumentation und mit einem Datenbankschema, das so oft geändert worden war, dass mehrere Tabellen widersprüchliche Spaltennamen für dasselbe Feld trugen. Der ursprüngliche Entwickler hatte alles auf einem eigenen, undokumentierten Framework geschrieben, das weder Laravel noch Symfony noch irgendeiner Konvention ähnelte, die ein Neuzugang erkennen würde, sodass keines der üblichen mentalen Modelle griff. Neue Entwickler verbrachten ihre ersten drei Monate allein damit, zu lernen, wie die Anwendung funktionierte, bevor sie auch nur eine Zeile sicher ändern konnten, und einen erfahrenen Ingenieur in ein derart maßgeschneidertes System einzuarbeiten dauert routinemäßig eher Monate als Wochen. Zwei Entwickler hatten innerhalb ihres ersten Jahres gekündigt und nannten den Code als Hauptgrund. Das vorhandene Wissen lebte in Menschen, nicht im Repository, und verließ jedes Mal das Haus, wenn jemand kündigte.

Die CTO warb seit zwei Jahren für einen vollständigen Neuschrieb. Sie hatte drei getrennte Vorschläge erstellt, jeder mit Kostenschätzungen, Zeitplänen und Risikobewertungen. Die Geschäftsführung lehnte alle drei ab. Der erste wurde abgelehnt, weil die geschätzten Kosten zu hoch waren. Der zweite, weil der geschätzte Zeitplan zu lang war. Der dritte, weil zwei frühere Neuschrieb-Versuche, beide vor dem Eintritt der CTO, bereits gescheitert waren. Diese Geschichte ist nicht ungewöhnlich: Big-Bang-Neuschriebe sind eine der häufigsten Arten, wie Modernisierungsvorhaben scheitern, weil sie verlangen, das gesamte System neu aufzubauen, bevor das Unternehmen irgendeinen Nutzen sieht, und weil sie ihre Schätzungen häufig sprengen. Das Wort "Neuschrieb" war politisch toxisch geworden. Die Geschäftsführung hörte es und dachte an versenktes Budget, verfehlte Termine und gebrochene Versprechen, und keine Tabelle würde diese Verknüpfung ändern.

Unterdessen wuchsen die betrieblichen Kosten weiter. Das Patienten-Onboarding, der meistgenutzte Workflow, zwang das Personal, Daten in sieben verschiedene Bildschirme einzugeben, auf drei getrennte Validierungsprüfungen zu warten und manuell zwei API-Aufrufe an externe Dienste zur Versicherungsprüfung auszulösen. Der Vorgang dauerte im Schnitt 12 Minuten pro Patient, gegenüber einem Branchenwert, bei dem manuelle Erfassung und Übertragung typischerweise 10 bis 20 Minuten brauchen und bei jedem Tastendruck eine reale Fehlerquote mit sich führen. In Stoßzeiten saßen Patienten im Wartezimmer, ohne dass es im System einen Platz für sie gab. Das Personal improvisierte: Es übersprang optionale Felder, bündelte Versicherungsprüfungen ans Tagesende und führte alle, die im Schwebezustand blieben, in einer gemeinsamen Tabelle der "teilweise eingebuchten" Patienten. Jede Abkürzung tauschte ein paar Sekunden am Tresen gegen ein Datenqualitätsproblem weiter unten ein, und diese Probleme schlugen direkt in die Abrechnung durch. Demografische und technische Erfassungsfehler sind branchenweit eine Hauptursache für abgelehnte Ansprüche, und hier zeigten sie sich als Nacharbeit: Das Abrechnungsteam verbrachte 15 Stunden pro Woche damit, Fehler zu korrigieren, die im Onboarding entstanden waren.

Schritt für Schritt

Workflow-Audit und Modulauswahl

Wir verbrachten vier Tage damit, jeden Workflow der Anwendung abzubilden: Onboarding, Terminplanung, Abrechnung, Ansprüche und Reporting. Für jeden maßen wir Nutzungshäufigkeit, Zeit pro Aufgabe und Fehlerquote, damit die Entscheidung, wo zu beginnen sei, eine Zahl wäre und keine Meinung. Das richtige erste Teilstück einer Modernisierung ist das mit hohem Volumen, hohem Schmerz und klarer Abgrenzbarkeit, und das Onboarding lag in allen dreien vorn: die höchste Häufigkeit (über 200 pro Tag in 14 Kliniken), die höchste Zeit pro Aufgabe (12 Minuten) und die höchste Fehlerquote (18% der Datensätze erforderten manuelle Korrektur). Es war außerdem eine saubere Naht, hinreichend entkoppelt von Terminplanung und Ansprüchen, um eigenständig neu gebaut zu werden. Wir wählten das Onboarding als Nachweismodul gerade deshalb, weil seine Behebung am sichtbarsten und am wenigsten riskant sein würde.

Paralleles Nachweismodul

Statt die bestehende Anwendung anzufassen, bauten wir ein eigenständiges Onboarding-Modul in React und Supabase, das neben dem Altsystem lief, eine bewusst kleine Variante des Strangler-Fig-Ansatzes: das neue System neben dem alten wachsen lassen und es einen Workflow nach dem anderen übernehmen lassen, statt alles auf einen Schlag zu ersetzen. Das neue Modul las und schrieb in dieselbe Datenbank, blieb also voll kompatibel mit dem Rest der Anwendung und spaltete die Daten nie auf. Das Personal wechselte zwischen alter und neuer Oberfläche mit einem einzigen Schalter, was uns ein eingebautes Rollback gab: Verhielt sich der neue Ablauf falsch, konnte jeder sofort auf den Altbildschirm zurückfallen, ohne Deployment und ohne Datenverlust. Das bedeutete, dass wir echte Software vor echte Kliniken stellen konnten, ohne den Betrieb aufs Spiel zu setzen. Falls es nicht funktionierte, würde das Personal es einfach nicht mehr nutzen, und nichts würde zerbrechen.

Neugestaltung des Workflows

Der Ablauf über sieben Bildschirme schrumpfte zu einem einseitigen Formular mit progressiver Offenlegung, sodass das Personal in jedem Schritt nur die relevanten Felder sah, statt durch Bildschirme zu blättern auf der Suche nach dem nächsten Pflichtfeld. Die Versicherungsprüfung startete automatisch in dem Moment, in dem eine Versicherungs-ID eingegeben wurde, und ersetzte den manuellen API-Aufruf, den das Personal sonst ans Tagesende verschob. Die Validierung wanderte direkt an den Eingabepunkt und fing fehlende Felder und falsche Versicherungsnummern dort ab, statt in drei getrennten Stapelprüfungen im Nachhinein, also genau dort, wo Branchendaten sagen, dass Fehler am günstigsten zu beheben sind. Die Tabelle der "teilweise eingebuchten" Patienten wurde durch ein echtes Statusfeld am Datensatz selbst ersetzt, sodass die Behelfslösung aufhörte, ein paralleles System zu sein. Der neu gestaltete Ablauf dauerte im Schnitt 2 Minuten und 40 Sekunden statt 12 Minuten.

Einführung und Business Case

Wir führten das Nachweismodul zuerst in zwei Kliniken ein und weiteten es dann über zwei Wochen auf alle 14 aus. Die Annahme brauchte keine Anordnung: Die neue Oberfläche war sichtbar schneller, also wechselte das Personal von selbst dazu. In der ersten Woche meldeten die beiden Pilotkliniken null Onboarding-Staus und eine Reduktion der im Onboarding entstandenen Abrechnungsfehler um 90%. Weil wir die Ausgangsbasis vor dem Start erfasst hatten, war die Verbesserung eine gemessene Entwicklung und keine Behauptung. Die CTO führte die Geschäftsführung mit einer Live-Demo der laufenden Software durch diese Zahlen, das Eine, was zwei Jahre schriftlicher Vorschläge nie hatten zeigen können. Der vollständige Neuschrieb wurde im selben Quartal genehmigt, budgetiert nach den tatsächlichen Kosten des Nachweismoduls statt nach einer theoretischen Schätzung, weshalb das Budget der Prüfung schließlich standhielt.

Was sich geändert hat

Dauer des Patienten-Onboardings
12 auf 3 Min
Rückgang der onboarding-bedingten Abrechnungsfehler
90%
Zeit vom Auftrag bis zum lauffähigen Nachweismodul
4 Wochen
Onboarding-Staus in den Pilotkliniken
0
Vollständiger Neuschrieb genehmigt
Selbes Quartal
Eingesparte Zeit für Abrechnungskorrekturen
15 Std/Woche

12 auf 3 Min Dauer des Patienten-Onboardings

Kontakt aufnehmen

Erzählen Sie uns, was Sie bauen möchten. Wir sagen Ihnen, womit man anfängt und was es braucht.

Häufige Fragen, einfache Antworten

Warum ein paralleles Modul bauen statt von Anfang an einen vollständigen Neuschrieb?

Ein paralleles Modul beweist die Machbarkeit mit minimalem Risiko. Scheitert es, läuft das bestehende System unverändert weiter, und man hat ein paar Wochen verloren, kein Quartal. Gelingt es, liefert es etwas, das ein Vorschlag nie kann: echte Vorher-Nachher-Zahlen aus der Produktion, sodass sich der Business Case für den vollständigen Neuschrieb von selbst schreibt. Dieser Ansatz funktioniert besonders gut, wenn die Geschäftsführung von früheren Neuschrieb-Versuchen gebrannt ist, weil er ihr erlaubt, ein einziges kleines, umkehrbares Teilstück zu finanzieren und das Ergebnis zu beurteilen, bevor sie sich auf den Rest festlegt. Es ist die Strangler-Fig-Idee, angewandt auf die Budgetfreigabe, nicht nur auf den Code.

Wie stellen Sie sicher, dass das neue Modul mit der Legacy-Datenbank kompatibel bleibt?

Das neue Modul liest und schreibt in dieselbe Datenbank und nutzt dasselbe Schema wie die Alt-App. Wir fügen neue Spalten hinzu, wo wir sie brauchen, benennen oder ändern aber nie bestehende, sodass der alte Code seine Daten genau dort findet, wo er sie erwartet. Die Kompatibilität wird als Teil jedes Deployments geprüft, und weil beide Systeme eine einzige Quelle der Wahrheit teilen, gibt es keinen Synchronisationsjob, der abdriften kann, und keine zweite Datenkopie, die abzugleichen wäre. Die Legacy-Anwendung läuft genau wie zuvor weiter, was den Schalter und das sofortige Rollback erst sicher macht.

Was, wenn das Legacy-Datenbankschema zu unordentlich ist, um damit zu arbeiten?

In diesem Fall war das Schema unordentlich, aber funktionsfähig, also arbeiteten wir direkt damit. Wenn ein Schema wirklich unbrauchbar ist, bauen wir eine Adapterschicht, eine Anti-Corruption-Schicht, die zwischen der Legacy-Struktur und einem sauberen internen Datenmodell übersetzt, sodass der neue Code mit gut benannten, konsistenten Entitäten arbeitet, während er darunter weiterhin die Legacy-Tabellen liest und schreibt. Das fügt eine zu pflegende Übersetzungsnaht hinzu, bewahrt aber die volle Kompatibilität und verhindert, dass das unordentliche Schema in das neue System durchsickert.

Wie lange dauerte der vollständige Neuschrieb nach dem Nachweismodul?

Der vollständige Neuschrieb war als Folge aufeinanderfolgender Sprints angelegt, von denen jeder ein einzelnes Legacy-Modul ablöste, genauso wie es beim Onboarding geschah. Als Nächstes kam die Terminplanung, dann die Abrechnung, dann die Ansprüche, wobei jedes Modul parallel nachgewiesen und erst umgeschaltet wurde, sobald seine Zahlen standhielten. Der Gesamtzeitraum betrug rund sechs Monate, geliefert in 30-Tage-Schritten, die jeweils mit laufender, ausgerollter Software endeten statt mit einem Statusbericht. Diese Reihenfolge bedeutete, dass das Altsystem stets voll betriebsfähig blieb, jeden Monat Wert ankam und es nie eine einzelne, riskante Umstellung zu fürchten gab.

VonGründer und Imaginator

Veröffentlicht