L'app che nessuno voleva toccare
- Onboarding: da 12 a 3 min
- Riscrittura completa approvata nello stesso trimestre
- Niente cicli di regressione di 3 settimane
- da 12 a 3 min Tempo di onboarding dei pazienti
- 90% Riduzione degli errori di fatturazione legati all'onboarding
- 4 settimane Tempo dall'incarico al modulo di prova funzionante
La situazione
Un'azienda australiana di amministrazione sanitaria con 120 dipendenti gestiva le proprie operazioni centrali su uno strumento interno costruito cinque anni prima da uno sviluppatore ormai andato via. L'applicazione gestiva l'onboarding dei pazienti, la pianificazione degli appuntamenti, la fatturazione e l'elaborazione delle richieste assicurative per una rete di 14 cliniche. Nessuno comprendeva del tutto il codice. Aggiungere una qualsiasi funzione richiedeva settimane di test accurati perché le modifiche in un modulo ne rompevano spesso altri, e non c'era alcun test a intercettare quelle rotture prima che arrivassero in produzione. Il team aveva smesso di provare a migliorare l'applicazione e aveva imparato ad aggirarla, e ogni aggiramento allargava in silenzio il divario tra ciò che il sistema registrava e ciò che accadeva davvero in clinica. Foglietti adesivi e fogli di calcolo condivisi colmavano quel divario, e il personale che li teneva aggiornati era diventato, senza che nessuno lo decidesse, la vera fonte di verità.
Con le loro parole
Ho smesso di provare a spiegare perché ci serviva un nuovo sistema. L'ho semplicemente mostrato loro. Quattro settimane di software funzionante hanno fatto ciò che due anni di proposte non erano riusciti a fare.
Cosa era davvero rotto
L'applicazione era un monolite PHP senza test automatizzati, senza documentazione e con uno schema di database modificato così tante volte che diverse tabelle portavano nomi di colonna contraddittori per lo stesso campo. Lo sviluppatore originale aveva scritto tutto su un framework personalizzato e non documentato, che non somigliava a Laravel, Symfony né ad alcuna convenzione che un nuovo arrivato potesse riconoscere, così che nessuno dei modelli mentali consueti funzionava. I nuovi sviluppatori passavano i primi tre mesi solo a imparare come funzionava l'applicazione prima di poter modificare in sicurezza una sola riga, e inserire un ingegnere senior in un sistema tanto su misura richiede di norma mesi anziché settimane. Due sviluppatori si erano dimessi entro il primo anno, indicando il codice come motivo principale. La conoscenza esistente viveva nelle persone, non nel repository, e usciva dalla porta ogni volta che qualcuno si dimetteva.
La CTO sosteneva da due anni una riscrittura completa. Aveva prodotto tre proposte distinte, ciascuna con stime di costo, tempistiche e valutazioni di rischio. La direzione le respinse tutte e tre. La prima fu respinta perché il costo stimato era troppo alto. La seconda perché la tempistica stimata era troppo lunga. La terza perché due precedenti tentativi di riscrittura, entrambi prima dell'arrivo della CTO, erano già falliti. Questa storia non è insolita: le riscritture big bang sono uno dei modi più comuni in cui falliscono gli sforzi di modernizzazione, perché richiedono di ricostruire l'intero sistema prima che l'azienda veda alcun valore, e sforano frequentemente le stime. La parola "riscrittura" era diventata politicamente tossica. La direzione la sentiva e pensava a budget bruciato, scadenze mancate e promesse infrante, e nessun foglio di calcolo avrebbe cambiato quell'associazione.
Nel frattempo, il costo operativo continuava ad accumularsi. L'onboarding dei pazienti, il flusso più usato, costringeva il personale a inserire dati in sette schermate diverse, ad attendere tre controlli di validazione separati e ad avviare manualmente due chiamate API verso servizi esterni di verifica assicurativa. Il processo richiedeva in media 12 minuti per paziente, a fronte di uno standard di settore in cui l'inserimento e la trascrizione manuali richiedono di norma da 10 a 20 minuti e portano un tasso di errore reale a ogni battitura. Nelle ore di punta, le cliniche avevano pazienti in sala d'attesa senza un posto nel sistema dove registrarli. Il personale improvvisava: saltava i campi facoltativi, raggruppava le verifiche assicurative a fine giornata e annotava chi restava in sospeso su un foglio di calcolo condiviso di pazienti "parzialmente registrati". Ogni scorciatoia scambiava pochi secondi al banco con un problema di qualità dei dati a valle, e quei problemi si ripercuotevano direttamente sulla fatturazione. Gli errori di inserimento anagrafici e tecnici sono, in tutto il settore, una causa primaria di richieste respinte, e qui comparivano come rilavorazione: il team di fatturazione passava 15 ore a settimana a correggere errori nati nell'onboarding.
Passo dopo passo
Audit dei flussi e selezione del modulo
Abbiamo dedicato quattro giorni a mappare ogni flusso dell'applicazione: onboarding, pianificazione, fatturazione, richieste assicurative e reporting. Per ciascuno abbiamo misurato frequenza d'uso, tempo per attività e tasso di errore, così che la scelta di dove iniziare fosse un numero, non un'opinione. La prima porzione giusta in una modernizzazione è quella ad alto volume, alta sofferenza e chiaramente isolabile, e l'onboarding era in testa su tutte e tre: la frequenza più alta (oltre 200 al giorno su 14 cliniche), il tempo per attività più alto (12 minuti) e il tasso di errore più alto (il 18% dei record richiedeva correzione manuale). Era anche una cucitura pulita, sufficientemente disaccoppiata da pianificazione e richieste assicurative da poter essere ricostruita da sola. Abbiamo scelto l'onboarding come modulo di prova proprio perché correggerlo sarebbe stato il più visibile e il meno rischioso.
Modulo di prova in parallelo
Invece di toccare l'applicazione esistente, abbiamo costruito un modulo di onboarding autonomo in React e Supabase che girava accanto al sistema legacy, una versione deliberatamente ridotta dell'approccio strangler fig: far crescere il nuovo sistema accanto al vecchio e lasciargli rilevare un flusso alla volta anziché sostituire tutto in un colpo. Il nuovo modulo leggeva e scriveva sullo stesso database, restando così pienamente compatibile con il resto dell'applicazione e senza mai duplicare i dati. Il personale passava dalla vecchia alla nuova interfaccia con un solo interruttore, il che ci dava un rollback integrato: se il nuovo flusso si comportava male, chiunque poteva tornare alla schermata legacy all'istante, senza deploy e senza perdita di dati. Questo significava che potevamo mettere software reale davanti a cliniche reali senza scommettere le operazioni. Se non avesse funzionato, il personale avrebbe semplicemente smesso di usarlo, e nulla si sarebbe rotto.
Riprogettazione del flusso di lavoro
Il flusso da sette schermate si è ridotto a un modulo a pagina singola con divulgazione progressiva, così che il personale vedeva solo i campi rilevanti a ogni passo invece di scorrere schermate alla ricerca della successiva casella obbligatoria. La verifica assicurativa scattava automaticamente nel momento in cui veniva inserito un ID assicurativo, sostituendo la chiamata API manuale che il personale tendeva a rinviare a fine giornata. La validazione è passata in linea, intercettando campi mancanti e numeri assicurativi errati al punto di inserimento anziché in tre controlli a lotti successivi, cioè esattamente dove i dati di settore dicono che gli errori sono più economici da correggere. Il foglio di calcolo dei "parzialmente registrati" è stato sostituito da un vero campo di stato sul record stesso, così che l'aggiramento ha smesso di essere un sistema parallelo. Il flusso riprogettato richiedeva in media 2 minuti e 40 secondi, contro i 12 minuti.
Rilascio e business case
Abbiamo rilasciato il modulo di prova prima in due cliniche, poi lo abbiamo esteso a tutte e 14 nell'arco di due settimane. L'adozione non ha richiesto imposizioni: la nuova interfaccia era visibilmente più veloce, quindi il personale ci è passato da solo. Già nella prima settimana le due cliniche pilota hanno segnalato zero ingorghi di onboarding e una riduzione del 90% degli errori di fatturazione nati dall'onboarding. Poiché avevamo rilevato la linea di base prima del lancio, il miglioramento era una tendenza misurata e non un'affermazione. La CTO ha illustrato quei numeri alla direzione con una demo dal vivo del software in funzione, l'unica cosa che due anni di proposte scritte non erano mai riusciti a mostrare. La riscrittura completa è stata approvata in quello stesso trimestre, con un budget basato sul costo reale del modulo di prova anziché su una stima teorica, ed è proprio per questo che il budget ha retto all'esame.
Cosa è cambiato
- Tempo di onboarding dei pazienti
- da 12 a 3 min
- Riduzione degli errori di fatturazione legati all'onboarding
- 90%
- Tempo dall'incarico al modulo di prova funzionante
- 4 settimane
- Ingorghi di onboarding nelle cliniche pilota
- 0
- Riscrittura completa approvata
- Stesso trimestre
- Tempo di correzione fatturazione eliminato
- 15 ore/settimana
da 12 a 3 min Tempo di onboarding dei pazienti
Contattaci
Raccontaci cosa vuoi costruire. Ti diciamo da dove partire e cosa serve.
Domande comuni, risposte semplici
Perché costruire un modulo in parallelo invece di una riscrittura completa fin dall'inizio?
Un modulo in parallelo dimostra la fattibilità con un rischio minimo. Se fallisce, il sistema esistente continua invariato e hai perso qualche settimana, non un trimestre. Se riesce, produce qualcosa che una proposta non può mai dare: numeri reali di prima e dopo dalla produzione, così che il business case per la riscrittura completa si scrive da solo. Questo approccio funziona particolarmente bene quando la direzione è stata scottata da precedenti tentativi di riscrittura, perché le consente di finanziare una sola porzione ridotta e reversibile e di giudicare il risultato prima di impegnarsi sul resto. È l'idea dello strangler fig applicata all'approvazione del budget, non solo al codice.
Come garantite che il nuovo modulo resti compatibile con il database legacy?
Il nuovo modulo legge e scrive sullo stesso database usando lo stesso schema dell'app legacy. Aggiungiamo nuove colonne dove servono, ma non rinominiamo né modifichiamo mai quelle esistenti, così che il vecchio codice ritrovi i suoi dati esattamente dove se li aspetta. La compatibilità viene verificata come parte di ogni deploy, e poiché entrambi i sistemi condividono un'unica fonte di verità non c'è alcun lavoro di sincronizzazione che possa andare alla deriva né una seconda copia dei dati da riconciliare. L'applicazione legacy continua a funzionare esattamente come prima, ed è ciò che rende sicuri l'interruttore e il rollback istantaneo.
E se lo schema del database legacy è troppo disordinato per lavorarci?
In questo caso lo schema era disordinato ma funzionale, quindi ci abbiamo lavorato direttamente. Quando uno schema è davvero inutilizzabile, costruiamo uno strato adattatore, uno strato anticorruzione, che traduce tra la struttura legacy e un modello di dati interno pulito, così che il nuovo codice ragioni su entità ben nominate e coerenti pur continuando a leggere e scrivere sotto sulle tabelle legacy. Aggiunge una cucitura di traduzione da mantenere, ma preserva la piena compatibilità e impedisce allo schema disordinato di filtrare nel nuovo sistema.
Quanto è durata la riscrittura completa dopo il modulo di prova?
La riscrittura completa è stata impostata come una serie di sprint sequenziali, ciascuno dei quali ritirava un singolo modulo legacy esattamente come fatto con l'onboarding. La pianificazione è venuta dopo, poi la fatturazione, poi le richieste assicurative, con ogni modulo provato in parallelo e commutato solo una volta confermati i suoi numeri. La tempistica totale è stata di circa sei mesi, consegnata in incrementi di 30 giorni che terminavano ciascuno con software funzionante e in produzione anziché con un rapporto di stato. Sequenziarla così significava che il sistema legacy restava sempre pienamente operativo, che ogni mese arrivava valore e che non c'è mai stato un singolo passaggio ad alto rischio da temere.
DiKostadin StambolievFondatore e Imaginator
Pubblicato