Grégory Pierquin est Chief Data Officer aux Mutualités Libres, un organisme assureur belge dont la mission est de garantir l’accès aux soins pour tous les citoyens. Il porte une conviction très concrète : la donnée n’a de valeur que si elle est utilisée, et elle n’est utilisée que si elle parle à ceux qui en ont besoin.
Pour y arriver, il a fait un choix structurant dès le départ. Ne pas créer une équipe data de plus, mais une équipe Insight. Un mot, une posture et une façon totalement différente d’aborder la relation avec les métiers.
Quand tu es arrivé aux Mutualités Libres, quelle était la situation de la data ?
La data était très présente. C’est un monde où l’on a beaucoup de données, mais très orienté BI traditionnelle, assez old school, centré sur le rapport. Un visuel proche d’Excel : des lignes, des colonnes et quelques tableaux croisés dynamiques.
Ces rapports servaient à suivre les opérations du quotidien, mais aussi à confirmer que tout était conforme sur le plan réglementaire. Nous agissons par délégation du gouvernement, donc il faut être certain d’être en règle. Résultat : ce n’était pas très actionnable.
La BI était vue comme en bout de chaîne. Il y avait le monde opérationnel, puis la BI à l’arrière, qui servait à constater et à s’assurer que tout allait bien, mais pas vraiment à décider. On regardait dans le rétroviseur. Et en cas d’erreur, rétropédaler était compliqué, justement parce qu’on arrivait à la fin.
Avant mon arrivée, de grands cabinets de conseil étaient venus voir le management pour lui dire : vous avez énormément de données. C’est normal, nous disposons de toutes les données de santé de nos affiliés belges. Ces informations peuvent être exploitées non pas seulement en fin de course, mais au service de notre mission.
Notre mission, c’est de garantir à tous les citoyens belges l’accès à des soins de santé de qualité. Si l’on veut travailler sur la prévention et sur les politiques de santé, il faut utiliser les données dès le début : les connaître, faire de la recommandation, repérer les tendances, pouvoir décider en avance. C’est ce côté sociétal qui m’a attiré. Je me suis dit qu’avec autant de données, on pouvait faire de grandes choses au service de cette mission.
Tu as choisi d’appeler ton équipe non pas « équipe data » mais « équipe Insight ». Était-ce une décision assumée, et qu’est-ce que ça a changé dans la relation avec les métiers ?
C’était complètement assumé. Auparavant, le département s’appelait BDI, pour Business Data Intelligence. Le nom disait bien qu’on était dans la BI. J’avais envie de changer ça. Nous sommes là pour prendre soin de la donnée, et nous sommes dans le monde de la santé. Nous l’avons donc appelé Data Health, et pas Health Data. Cela nous a permis de nous différencier et de dire aux métiers : nous vous accompagnons sur autre chose.
J’ai structuré le département en deux parties. La première, Data Insight, formalise une équipe qui n’existait pas encore. Nous avions des data managers, qui aidaient à gérer la donnée et à garantir la gouvernance, mais pas à en tirer de l’insight. On restait sur la connaissance de nos données. Data Insight s’occupe des solutions data. On ne va pas arrêter de faire des rapports, mais on couvre aussi l’intelligence artificielle, l’automatisation, la compréhension de la donnée. L’idée est de devenir un vrai centre de services et de produits.
Nous avons aussi accompagné l’équipe reporting, qui était très orientée technique. Elle reproduisait des rapports, surtout pour prouver que les données de nos applications métiers étaient correctes. Pas pour valoriser la donnée avec une réflexion, une logique, quelque chose d’utilisable.
Le mot insight permet justement d’aller plus loin. La donnée en elle-même n’est pas ce qui nous intéresse en premier lieu. Ce qui compte, c’est ce qu’on peut en tirer et comment l’utiliser. Nous aidons les métiers à obtenir quelque chose de tangible, pas juste un pourcentage dans un rapport. Quelque chose qui leur fait dire : voilà ce que je peux en faire.
Tu parles « d’artistes de la donnée » pour décrire les profils de l’équipe Insight. Qu’est-ce qui les distingue d’un profil data classique ?
L’idée de l’artiste, c’est d’accompagner les métiers au-delà de leur quotidien, en faisant du storytelling avec eux. Dans beaucoup de cas, c’est pareil côté IT, le métier arrive avec une solution et pas avec un problème. Habituellement, on essaie de comprendre sa solution et de l’implémenter. Moi, j’arrive avec une question : quelle est votre question ?
Avec une même donnée, un artiste peut produire des présentations très différentes. La donnée de départ est la même, mais on la travaille visuellement pour répondre à une question différente. La question d’une équipe opérationnelle n’est pas du tout celle d’un membre du comité exécutif. La donnée de base est identique, mais le sens change.
Nous disons donc au métier : donne-moi ta question, et je vais faire en sorte que le visuel y réponde. Que la lecture se fasse naturellement de gauche à droite. Que chaque KPI soit placé à côté de ce à quoi il se rapporte, au lieu d’être éparpillé dans le rapport en te laissant reconstituer le puzzle.
C’est là que c’est le plus dur. Faire un rapport ou un tableau croisé dynamique, presque tout le monde peut le faire. Produire quelque chose de percutant, qui parle et qui fait dire tout de suite « ah oui, je comprends ce qu’il y a derrière », c’est plus compliqué. De plus en plus, les métiers vont être capables de faire leurs rapports eux-mêmes. Moi, je veux apporter ce côté storytelling pour qu’ils aient un visuel qui répond immédiatement à leur question.
Concrètement, comment se passe la relation avec un département métier, du premier contact jusqu’au produit fini ?
Cela dépend d’abord du métier. Soit il produit lui-même les données, il en est le data owner. Soit il les consomme en bout de chaîne, de façon plus transversale, sans forcément connaître la finalité de ce qui se cache derrière.
Nous travaillons avec des product owners et des data champions dans les différents métiers. Les product owners réfléchissent à la question posée : dans quel produit l’intégrer, quelle fonctionnalité elle peut apporter. Ils cherchent à développer des choses vraiment transversales.
Ce que j’aime dans l’approche produit, c’est qu’on peut prioriser des fonctionnalités, penser en permanence à la qualité et à la personne qui va utiliser l’outil. Savoir qui l’utilisera est essentiel. On ne se contente pas de livrer quelque chose. On se demande comment le faire évoluer dans la durée, et comment il aura du sens et de la valeur pour tout le monde.
Et quel est le rôle des data champions ?
Les métiers connaissent très bien leurs données opérationnelles. Ce qui leur manque parfois, c’est de comprendre pourquoi ils doivent les expliciter, pourquoi les partager, quel intérêt elles ont pour le reste de l’organisation.
Les data champions m’aident à comprendre la donnée. Et moi, je les aide à voir que s’ils rendent leur donnée plus qualitative, c’est intéressant pour eux, mais surtout que c’est là qu’elle prend de la valeur, parce qu’elle répond à un besoin transverse.
C’est ainsi qu’on casse les silos. La plupart du temps, on se dit : je connais mes données, je les utilise, pourquoi les adapter ? Je sais très bien quels biais elles contiennent. Mais ce n’est plus vrai quand on travaille en transverse. C’est ce qui me passionne dans la donnée : cette dimension transverse, et la création d’un patrimoine commun à toute l’organisation.
Tu as fait bouger beaucoup de lignes : le nom de l’équipe, sa posture, la roadmap. Qu’est-ce qui reste le plus difficile aujourd’hui ?
Le prochain challenge, c’est d’ancrer la culture data. C’est bien de la porter au niveau du top management, mais il faut aussi une approche bottom-up, pas seulement top-down. C’est au niveau des personnes elles-mêmes que tout se joue. Chaque développeur, chaque business analyst doit comprendre pourquoi la donnée est importante. Et pourquoi, dès le niveau applicatif, il faut construire le data model le plus logique possible.
L’autre difficulté, c’est la charge de travail, ou plutôt la peur qu’elle suscite. Quand on arrive avec de nouveaux rôles, de la gouvernance data, de nouveaux process, un data model auquel il faut penser, les gens ont peur. Ils se disent : je n’ai déjà pas le temps au quotidien, comment faire des choses en plus ?
Là, il faut surtout faire de la pédagogie. En réalité, vous le faites déjà. Autrement, mais vous le faites déjà. Vous définissez déjà la donnée dans vos tables applicatives. Même si elle n’est pas documentée dans le data catalogue de l’entreprise, vous savez déjà quelle donnée se trouve dans vos systèmes et comment l’interpréter.
La culture data, c’est réussir à embarquer tout le monde en disant : ce que je vous demande, ce n’est pas forcément plus. C’est un peu différent, pour qu’on y arrive mieux ensemble, et pour pouvoir partager avec le plus grand nombre dans l’organisation.
Ce que l’on retient
Un changement de mot peut changer toute une dynamique. Passer de la data à l’insight, du reporting à la question métier, de la demande à la roadmap : ces bascules sémantiques reflètent des bascules culturelles bien réelles.
Derrière tout ça, il y a une conviction forte. La technique n’est qu’une petite partie du chemin. Le vrai sujet, c’est l’humain : parler aux bonnes personnes, avec les bons mots, au bon moment. Comme le dit Grégory, mieux vaut montrer aux équipes qu’elles le font déjà que leur demander d’en faire plus.
C’est sur ce terrain que Datalogy accompagne les directions data qui veulent faire de leur équipe un vrai catalyseur d’adoption, autour de quatre piliers : pédagogie, communication, change et influence. Si vous vous reconnaissez dans certains des freins évoqués par Grégory, contactez-moi pour en discuter autour d’un café digital.
