Un socle commun pour aligner une équipe hybride

La conception du Modèle Logique de Données a été engagée en 2025 à l’initiative du HR Data Office, dans le cadre du projet global de Data Gouvernance d’ENGIE. Plusieurs ateliers ont réuni Data Stewards, Business Process Owners et experts SI afin de formaliser une compréhension partagée des principales entités de données de l’écosystème learning et des relations qui les structurent. Au moment de la création de la nouvelle équipe « Performance, Digital & Data » d’ENGIE University, composée de profils complémentaires, ce modèle s’est imposé comme un support structurant pour installer une dynamique commune autour de la donnée. En posant un référentiel clair, partagé et indépendant des outils, il a donné un cadre de travail commun, facilité l’alignement des visions et ancré d’emblée la donnée comme un levier stratégique au cœur de nos missions.

Changer de focale : de la plateforme aux entités métiers

Modéliser la donnée learning indépendamment des outils permet de sortir d’une vision fragmentée de l’écosystème. Chaque métier du learning travaille avec sa propre porte d’entrée. Le gestionnaire de formation maîtrise les fonctionnalités de planification, d’inscription ou de suivi des présences. Le spécialiste du digital learning se concentre sur la construction des parcours et les logiques d’assignation. Le formateur n’accède souvent qu’aux interfaces nécessaires au suivi de ses sessions. Chacun agit donc depuis un morceau de l’écosystème et développe une compréhension naturellement limitée, façonnée par les tâches qu’il réalise au quotidien. En modélisant la donnée en dehors des plateformes, on change d’échelle : on adopte une vision globale, structurée autour des entités et des relations qui composent réellement l’apprentissage, et non autour des fonctionnalités d’un LMS. Cette approche évite les biais liés aux contraintes d’un outil, mais surtout elle oblige à clarifier ce qui compte : compétences, progression, engagement, preuve d’apprentissage, qualité des parcours, robustesse des indicateurs. La modélisation indépendante fournit une « global picture » accessible à tous, sans exiger une maîtrise fine des métiers ou des systèmes adjacents ; elle crée un référentiel commun, plus stable, plus lisible, centré sur la finalité.

Parler data avec le Data Office, sécuriser les KPI

Ce travail permet de sortir des spécificités techniques – écrans de saisie, workflows, API ou modes d’alimentation – pour se concentrer sur la donnée elle-même : ses définitions, ses règles de gestion, ses attributs et sa finalité. C’est précisément ce dont le HR Data Office a besoin : des concepts clairs, stables et indépendants des systèmes. En travaillant sur un modèle commun, nous dialoguons avec les équipes data sur un terrain centré sur les objets métiers – apprenant, formation, session, progrès, temps passé – et non sur les particularités techniques de nos solutions. Les échanges sont plus fluides, les malentendus diminuent et la fonction formation s’inscrit dans les standards collectifs du Groupe. L’exemple du temps passé en formation est éclairant. Cette donnée clé pour les reportings sociaux peut provenir d’une complétion automatique d’un module e-learning, d’une saisie manuelle par un gestionnaire, ou d’un flux issu d’un système externe. Pour construire un KPI fiable, ces chemins techniques importent peu. Ce qui compte, c’est de s’accorder sur ce que représente le temps passé, sur les conditions dans lesquelles il est valide, sur les règles d’agrégation et sur les usages attendus dans les tableaux de bord. La modélisation élimine le bruit lié aux processus et recentre le dialogue sur la qualité et l’usage de la donnée ; elle rend les KPI auditables, comparables, et donc défendables.

Arbitrer les outils à partir de la valeur produite

L’exercice a confirmé que la donnée constitue le meilleur point d’entrée pour piloter un écosystème digital learning. En s’appuyant sur le modèle logique, les arbitrages deviennent plus objectifs : un outil est évalué selon sa capacité à servir les données réellement utiles, et non selon l’étendue de ses fonctionnalités. Lorsqu’un nouvel outil est envisagé, la question centrale n’est plus seulement « que fait-il ? », mais « comment s’insère-t-il dans les flux existants, quelles données peut-il alimenter, et avec quel niveau de fiabilité ? ». L’intégration dans l’écosystème devient un critère déterminant, parfois plus discriminant que la promesse produit elle-même. Rattacher chaque outil aux données qu’il contribue à produire rend visible sa valeur réelle, met au jour les redondances et sécurise les décisions ; le modèle logique devient une boussole pour prioriser, rationaliser et accélérer sans casser la cohérence.

Une fonction formation repositionnée

La gouvernance des plateformes et des données dépasse ainsi la seule dimension technique. Elle devient un levier stratégique pour la fonction formation. En travaillant avec un modèle commun et une logique data-driven, les responsables formation peuvent clarifier ce qu’ils veulent mesurer, établir des règles partagées avec le Data Office et démontrer la valeur générée par leurs actions. Ils ne pilotent plus seulement des outils, mais une production de données fiables, utiles et reconnues à l’échelle de l’entreprise. La formation cesse d’être perçue comme un simple producteur de données opérationnelles ; elle devient un acteur capable de formuler des exigences, de contribuer à la gouvernance du Groupe et d’apporter des métriques robustes. La donnée n’est plus un sous-produit des plateformes : c’est un actif stratégique qui structure la gouvernance, éclaire les arbitrages et consolide l’influence de la fonction formation. Cette bascule change aussi la relation avec les métiers : au lieu de discuter d’écrans, de paramétrage ou de « tickets », on discute d’objets, de règles, d’indicateurs et de décisions. Elle facilite la priorisation des demandes, la consolidation multi-sources et, in fine, la capacité à raconter une histoire simple : ce que la formation produit, comment on le prouve, et ce que cela vaut.