Prévention et dépistage, B2B
Construire la fonction data d'une startup santé
Seul profil data d'une équipe de six, avec pour mission de construire de zéro la capacité de l'entreprise à piloter son produit et à démontrer sa valeur à ses clients.
Contexte
Une webapp de prévention et de dépistage du cancer, commercialisée en B2B auprès d'entreprises et d'assureurs qui souscrivent des licences pour leurs salariés ou leurs adhérents.
La base de production, applicative, n'avait jamais été pensée pour l'analytique. Personne dans l'équipe ne pouvait répondre avec certitude à des questions aussi simples que le nombre d'utilisateurs réellement actifs ou le taux de complétion d'un parcours de dépistage.
Structurer le socle analytique
Premier travail, une rétro-ingénierie complète du schéma de base, qui a donné trois documents de référence : le schéma, la logique métier et les règles analytiques, l'inventaire des tableaux de bord.
J'ai ensuite formalisé les règles analytiques transverses, désormais appliquées par toute l'équipe : un filtre d'exclusion de base pour les comptes de test et les opt-out statistiques, une méthode d'identification de la dernière saisie d'un parcours, et la reconstitution d'un indicateur de prise de rendez-vous par union de trois sources hétérogènes dont un champ JSON.
Les anomalies, un livrable à part entière
Une dizaine d'anomalies identifiées et documentées : utilisateurs fantômes abandonnant l'inscription, taux d'adoption supérieurs à cent pour cent liés à des données contractuelles non actualisées, tâche d'envoi d'e-mails suspectée de déclenchement automatique, absence d'horodatage bloquant toute analyse du contenu éducatif. Chacune a été arbitrée entre correction technique, correction analytique et remontée à l'équipe produit.
Les tableaux de bord
Pilotage interne
Entonnoir d'activation, cohortes d'inscription, rétention, performance des relances par e-mail, analyse par structure partenaire, santé des contrats.
Suivi du dépistage
Taux de complétion par cancer rapportés à la population cible réelle et non au total des inscrits, distribution des niveaux de risque, délais entre inscription et dépistage, conversion vers la prise de rendez-vous.
Retours utilisateurs
Exploitation d'une enquête post-dépistage stockée en JSON, analyse quantitative et qualitative des verbatims. Principal enseignement remonté à l'équipe produit, un point de friction majeur sur l'accès aux dermatologues.
Restitution client en marque blanche
Intégration sécurisée par JWT signé, avec verrouillage de la structure côté backend et deux variantes selon le type de client, entreprise ou assureur. Le travail le plus délicat n'a pas été technique : il a porté sur la doctrine d'affichage, avec interdiction de croiser démographie et données de santé, et des arbitrages de ré-identification sur les petits effectifs.
Le calculateur médico-économique
Le livrable le plus structurant. Un modèle chiffrant les coûts évités grâce à un dépistage précoce, décliné en deux modes : un mode bilan, à partir des données réelles d'une structure cliente, et un mode devis, par projection épidémiologique avant signature.
Méthodologie en cinq étapes documentée de bout en bout, appuyée sur des sources publiques, Santé publique France, l'INCa et l'INSEE, avec une distinction nette entre la logique employeur, absentéisme et coûts indirects, et la logique assureur, reste à charge et prévoyance. Modélisation par cancer avec des taux de déplacement différenciés et une pondération automatique selon la démographie réelle de chaque structure.
Le point le plus important du projet
Chaque hypothèse non sourcée est explicitement tracée comme telle. J'ai identifié une hypothèse potentiellement sous-évaluée d'un facteur 3 à 8 sur le volet prévoyance, et posé un blocage sur son usage commercial tant qu'elle n'était pas tranchée. Un modèle vendu comme certain aurait constitué un risque de réputation pour l'entreprise.
Data engineering et enrichissement
Pipelines Python d'ingestion de référentiels publics, taux de participation au dépistage organisé par département, incidence des cancers, pyramides des âges, densité de spécialistes. Objectif, calculer un taux de couverture réel et contextualiser la performance au lieu de la lire dans l'absolu.
Cartographie territoriale interactive de priorisation commerciale en D3.js, avec un fond de carte simplifié, un pipeline Python de préparation et un contrat d'API SQL. Et la conception d'un pipeline de collecte des campagnes de dépistage régionales, à triple usage : notification utilisateur, radar de prospection, contexte territorial.
Restitution et travail transverse
Rapports PDF générés par script, présentations, dossier de réponse à un appel à projet en partenariat avec un laboratoire pharmaceutique, dictionnaire de données destiné aux partenaires. Travail quotidien avec le CEO sur les arbitrages méthodologiques et commerciaux, avec l'équipe technique sur les spécifications d'intégration, et avec les fonctions juridiques sur la conformité RGPD.
Ce que la mission a permis de décider
L'équipe commerciale peut désormais chiffrer la valeur d'une licence avant signature, avec une méthode traçable et des hypothèses assumées. L'équipe produit dispose d'un suivi de l'usage réel plutôt que de volumes bruts. Et l'entreprise sait quels chiffres elle peut mettre devant un client, ce qui est une décision en soi.
- MySQL 8.0
- SQL avancé
- Metabase
- Python
- D3.js
- WeasyPrint
- RGPD santé