Pourquoi les CFO ne peuvent plus ignorer l’ingénierie de données
27 novembre 2025Toute organisation véritablement data‑driven repose sur une plateforme de données fiable, accessible et performante pour tous ses utilisateurs. Et derrière chaque plateforme de ce type se trouve un travail essentiel : une data engineering solide, pensée de manière stratégique.
Data management, gouvernance, analytics, data science, machine learning, Microsoft Fabric, data engineering… De plus en plus d’entreprises comprennent qu’elles doivent devenir data‑driven, mais se retrouvent vite perdues dans un labyrinthe de concepts et de buzzwords.
Chez TriFinance, nous apportons de la clarté. Dans cet article, nous nous concentrons sur la data engineering : ce qu’elle est réellement, comment elle s’applique concrètement et comment elle s’intègre dans une stratégie data cohérente.
- La data engineering constitue le socle d’analyses fiables et de data science performante. Sans une base technique solide, impossible d’obtenir des insights cohérents ou d’exploiter pleinement le potentiel analytique de l’entreprise.
- Les CFO doivent relier stratégie et exécution technique pour éviter les silos de données. Leur rôle est clé pour aligner les besoins business, les équipes IT et les investissements data, et garantir une gouvernance cohérente à l’échelle de l’organisation.
- Les data lakehouses offrent des plateformes évolutives, fiables et prêtes pour l’IA. Elles permettent de centraliser, structurer et exploiter les données de manière scalable, tout en préparant l’entreprise aux usages avancés comme le machine learning et les agents IA.
Faire quelques essais dans Excel ne relève pas de la data engineering.
Ivo Merchiers, Data Engineering Manager, TriFinance
La Data Engineering en bref
Vous ne pouvez tirer des insights réellement utiles de vos données que si celles‑ci sont propres, cohérentes et réunies sur une plateforme centralisée. C’est précisément ce que permet la data engineering : capturer, transformer, intégrer et préparer les données issues de multiples systèmes sources, de manière structurée, afin que les analystes puissent travailler dessus via un modèle de reporting fiable.
« Faire quelques essais dans Excel ne relève pas de la data engineering », rappelle Ivo Merchiers, Data Engineering Manager chez TriFinance. « Il faut une approche professionnelle, scalable et durable, pour que les processus fonctionnent correctement… et continuent de fonctionner dans le temps. »
La data engineering n’est d’ailleurs pas réservée aux grandes organisations. « Toute entreprise qui veut fonctionner de manière data‑driven en finance doit s’y prendre de façon professionnelle », souligne Maarten Lauwaert, Expert Practice Leader Data & Analytics chez TriFinance. « Il faut la voir comme un spectre, allant de plateformes très avancées à des solutions low‑code intégrées dans une architecture data unifiée. »
La Data Engineering, fondation de l’analytics et de la Data Science
La data engineering constitue l’infrastructure essentielle de la data analytics et de la data science. Sans un data warehouse solide — ou une alternative moderne — les analysts et data scientists ne peuvent pas atteindre le niveau d’excellence nécessaire pour générer une réelle valeur business.
- Data analytics : principalement tournée vers le passé, centrée sur le reporting et les insights descriptifs.
- Data science : orientée vers l’avenir, utilisant des méthodes statistiques avancées et le machine learning pour produire des insights prédictifs et prescriptifs.
Les besoins business doivent d’abord être traduits en exigences techniques. Ce n’est qu’à partir de là que les data engineers peuvent les transformer en actions concrètes au sein d’une architecture data unifiée.
Ivo Merchiers, Data Engineering Manager, TriFinance
Du Data Warehouse et du Data Lake au Data Lakehouse moderne
Qu’est‑ce qu’une véritable plateforme de données aujourd’hui ? En 2025, il s’agit le plus souvent d’un data lakehouse, une architecture qui combine les forces du data warehouse traditionnel et celles du data lake, son successeur.
Un bref aperçu historique, expliqué par l’expert Ivo Merchiers :
- Le data warehouse Les entreprises y centralisaient leurs données de reporting. Le système offrait des données structurées, une organisation claire et des résultats fiables. Mais avec l’explosion des volumes, deux limites sont apparues : les coûts augmentaient proportionnellement à la quantité de données, et les performances finissaient par atteindre leurs limites.
- Le data lake La phase suivante a introduit les data lakes, plus flexibles et surtout plus économiques grâce à la séparation du stockage et de la puissance de calcul. Peu importe le volume stocké : vous n’activez les ressources de calcul que lorsque vous devez transformer ou analyser des données. Le big data est ainsi devenu beaucoup plus accessible. L’inconvénient : la fiabilité n’était pas toujours au rendez‑vous.
- Le data lakehouse Dernière évolution en date, les data lakehouses combinent le meilleur des deux mondes. Ils permettent de traiter les données de manière scalable, abordable, fiable et accessible, tout en nécessitant une expertise IT solide pour les rôles critiques. Leur capacité à gérer sans difficulté des données structurées, non structurées et issues de toute l’organisation en fait une base idéale pour le machine learning et les applications IA.
Aujourd’hui, de nombreuses grandes entreprises investissent massivement dans ces technologies. Parmi les plateformes les plus avancées, on retrouve Microsoft Fabric, Databricks Lakehouse Platform et Snowflake.
Une évolution majeure se profile
Maarten Lauwaert observe déjà un changement important à l’horizon : « Tous les data agents et autres outils basés sur des modèles de langage doivent être alimentés en données. Et pour ces solutions, le data lakehouse est particulièrement adapté pour collecter et organiser ces données. »
Lorsque les départements développent leurs propres plateformes et outils data sans coordination, l’efficacité en pâtit. Le risque de créer des silos de données — et donc plusieurs versions de la vérité — est extrêmement élevé.
Maarten Lauwaert, Expert Practice Leader Data & Analytics, TriFinance
Data Strategy et Data Management : le cadre indispensable de la Data Engineering
On ne construit jamais une plateforme de données dans le vide. Puisqu’il s’agit d’un moyen et non d’une finalité, la première étape consiste à définir une stratégie data adaptée à votre organisation. Où souhaitez‑vous aller en tant qu’entreprise ? Quel rôle les données et l’analytics doivent‑elles jouer dans cette évolution ? Ces questions doivent être réexaminées régulièrement : aucune stratégie ne devrait rester figée.
La data engineering dépasse donc largement la dimension technique. Certes, des compétences IT sont indispensables — connecter des systèmes, automatiser des processus, intégrer des mécanismes de contrôle — mais le travail commence ailleurs. Les besoins business doivent d’abord être traduits en exigences techniques. Ce n’est qu’à partir de là que les data engineers peuvent les transformer en actions concrètes au sein d’une architecture data unifiée.
Un autre pilier essentiel de toute réflexion stratégique est le data management. Quels processus, rôles et règles sont nécessaires pour garantir une circulation fluide des données et une interprétation cohérente ? Qui assure la maintenance des systèmes et plateformes ? Comment garantir la sécurité des données en permanence ? Autant de questions à aborder dès le début du projet.
Finance aux commandes
Pour relier les profils stratégiques et techniques — voire pour faire le pont entre un CEO et un CTO — le CFO occupe une position unique. La fonction finance combine naturellement compréhension business, maîtrise des chiffres et sens analytique.
« Le CFO détient la clé pour initier ce dialogue indispensable », explique Ivo Merchiers. « Les organisations ont besoin non seulement de profondeur verticale, mais aussi d’une intégration horizontale : casser les silos et aligner stratégie data et data engineering au service de toute l’entreprise. »
Or, briser ces silos reste un défi majeur pour de nombreuses organisations, en particulier dans le domaine des données. Et les conséquences sont lourdes : lorsque les départements développent leurs propres plateformes et outils sans coordination, l’efficacité s’effondre.
« Le risque de créer des silos de données et plusieurs versions de la vérité devient très réel », avertit Maarten Lauwaert. « C’est un gaspillage d’argent et de talents. »
Une constante demeure : plus les outils se multiplient et se chevauchent, plus la transformation technique devient complexe… et coûteuse.
« La finance doit être au volant », poursuit Maarten. Il encourage donc les professionnels financiers à acquérir un minimum de compétences techniques en data engineering — non pas pour construire eux‑mêmes des plateformes, mais pour diriger. En définissant les orientations stratégiques et en parlant le langage de la donnée, la finance peut réellement guider l’organisation et ses data engineers.
Les data analysts et data scientists, qui, grâce à l’architecture de la plateforme, peuvent travailler de manière largement autonome, sont généralement intégrés aux équipes business. Il peut être très pertinent d’y placer également une partie de la capacité data engineering, justement pour garantir la pertinence métier.
Maarten Lauwaert, Expert Practice Leader Data & Analytics, TriFinance
L’équipe de Data Engineering
La composition d’une équipe de data engineering dépend de plusieurs facteurs : la taille de l’organisation, sa maturité data et, surtout, sa vision stratégique.
Déterminer jusqu’où l’on souhaite aller en matière d’analytics et de développement de plateformes data est une décision stratégique majeure. Une chose est certaine : devenir data‑driven est un processus continu. Chaque outil nécessite une maintenance régulière et des mises à jour constantes. À partir d’un certain niveau de complexité, disposer de data engineers dédiés devient indispensable. Ces spécialistes se consacrent à plein temps à la construction et à la maintenance du dataplatform.
La structuration des équipes ne doit pas non plus être enfermée dans des silos rigides. Maarten l’explique clairement : « Les data analysts et data scientists, qui, grâce à l’architecture de la plateforme, peuvent travailler de manière largement autonome, sont généralement intégrés aux équipes business. Il peut être très pertinent d’y placer également une partie de la capacité data engineering, justement pour garantir la pertinence métier. »
Ivo partage cette vision et voit un fort potentiel dans les équipes organisées par domaine : « Dans le domaine Finance, par exemple, on peut constituer un groupe projet réunissant engineers, analysts et autres profils clés. Une configuration multidisciplinaire au sein d’un périmètre bien défini constitue une base idéale pour un dialogue approfondi entre besoins business concrets et exigences techniques. »