Goodside Health, la société de gestion d'un ensemble de cabinets de kinésithérapie, opère sur plusieurs sites cliniques, avec des soins à la fois en présentiel et à distance. À mesure que l'activité s'est développée, la complexité de ses données a suivi. Les données financières étaient réparties sur plusieurs instances de QuickBooks et de Ramp. Les dossiers cliniques vivaient dans Prompt EMR, un dossier patient informatisé conçu spécifiquement pour la kinésithérapie. Leur CRM était un montage interne sous Notion. Les orientations de patients arrivaient par fax.
Chaque système fonctionnait en vase clos. Aucun ne communiquait avec les autres.
L'objectif avec lequel Goodside Health est venu nous voir était simple sur le principe : une source unique de vérité capable de soutenir le reporting financier, les opérations quotidiennes des cabinets, et à terme d'automatiser les processus manuels que leurs outils laissaient de côté.
La situation
Le reporting de Goodside Health tenait grâce à l'un des partenaires, un ancien opérateur de private equity doté d'une maîtrise sérieuse d'Excel. Le reporting fonctionnait. Il faisait ressortir les indicateurs qui comptaient. Mais il lui prenait une part importante de son temps chaque semaine, et les fissures commençaient à apparaître.
Excel a des limites strictes de lignes. À mesure que l'activité montait en charge, ils s'y heurtaient. Plus important encore, quand un même indicateur vit dans plusieurs feuilles de calcul tenues par des personnes différentes, les incohérences s'installent. Une feuille compte en jours ouvrés, une autre en jours calendaires. Un chiffre est mis à jour à un endroit mais pas à un autre. Avec le temps, la direction perd confiance dans les données, et le reporting censé guider les décisions devient un sujet de discorde.
Les deux partenaires gérants avaient une répartition claire des priorités. L'un prenait en charge le volet commercial et financier. L'autre, issu d'un parcours clinique, se concentrait avant tout sur les processus de soin, la qualité des soins et les résultats pour les patients. La charge du reporting reposait entièrement sur l'un d'eux, le détournant de travaux à plus forte valeur. L'autre n'avait aucune visibilité propre sur les données opérationnelles utiles à la gestion des cabinets.
Les défis
La conformité HIPAA, des données déconnectées, des dépendances fournisseurs et la gouvernance à l'échelle n'étaient pas des problèmes à résoudre l'un après l'autre. Ils devaient être traités ensemble, dans un système qui continuait de grandir pendant que nous le construisions.
La conformité HIPAA sans la taxe entreprise
La réglementation américaine sur les données de santé pose une base claire : chiffrement au repos, journalisation des accès, pistes d'audit, traitement documenté des données. L'essentiel relève de la pratique d'ingénierie courante en 2026. Le problème, c'est que les fournisseurs savent que les entreprises de santé n'ont pas le choix de se conformer, et beaucoup fixent leurs prix en conséquence. Nous avons examiné plusieurs outils où la seule chose que vendait l'offre entreprise était la signature d'un BAA et un logo sur une page de conformité. Certains réclamaient plus de 10 000 $ par mois pour cela. La plateforme sous-jacente était identique.
Le calcul « construire ou acheter » a été au cœur des décisions d'architecture que nous avons prises ici.
Des données déconnectées et une logique métier complexe
Relier ces systèmes n'est pas un simple travail de données. Les opérations de santé génèrent des centaines d'indicateurs, et beaucoup exigent de comprendre comment l'activité fonctionne réellement avant de pouvoir les modéliser correctement. La kinésithérapie ambulatoire a sa propre logique métier. Ajoutez le traitement à distance, plusieurs sites cliniques, et des indicateurs qui doivent se consolider différemment selon que vous êtes gérant de cabinet ou partenaire au niveau du réseau, et vous obtenez un problème de modélisation considérable.
Notre analyste est immergé dans ces données depuis six mois et en découvre encore les subtilités. Ce n'est pas une critique du travail. C'est une image réaliste de ce à quoi ressemblent des données de santé complexes quand on s'en approche.
La gouvernance à l'échelle
À mesure que l'activité grandit et rachète d'autres cabinets, la gouvernance des données devient porteuse. Les contrôles d'accès doivent refléter la structure de l'organisation. Les suppressions doivent se propager correctement et être journalisées, ce qui importe à la fois pour HIPAA et pour la conformité CCPA concernant les patients de Californie. Les indicateurs doivent être versionnés pour que, lorsqu'une définition change, vous sachiez quand elle a changé et pourquoi. Intégrer tout cela dès le départ, alors que l'activité croît encore rapidement, était plus difficile que de l'ajouter à un système stable. Mais rétro-adapter la gouvernance à une plateforme de données mature est nettement pire.
La qualité des données fournisseurs
Une part significative des données de Goodside Health provient de systèmes tiers qu'ils ne contrôlent pas. Les fournisseurs changent d'API, mettent à jour des schémas et modifient des formats de données, parfois sans préavis. C'est un vrai risque opérationnel pour toute plateforme de données qui dépend de ces flux. Il a fallu intégrer de la résilience dans le pipeline plutôt que de présumer des entrées propres et stables.
La solution
Nous avons convergé vers Azure comme socle cloud. La posture de conformité de Microsoft convient bien aux environnements de santé réglementés, et l'outillage de gouvernance des données sur Azure est mature. Databricks se trouve au cœur de la plateforme et prend en charge à la fois le data lake et la couche de calcul. Le choix de Databricks tenait en partie à la scalabilité, et en partie au fait de donner aux partenaires, tous deux dotés de solides profils analytiques, une plateforme capable de soutenir l'exploration ad hoc par-dessus le reporting standard.
Dagster gère l'orchestration. Il coordonne les pipelines qui tirent de chaque système source et garantit que les données circulent dans le bon ordre, avec une gestion des dépendances appropriée.
Pour la couche de modélisation, nous avons utilisé dbt. L'avantage pratique est double : il génère des tests automatisés sur les données, et il crée un enregistrement versionné de chaque définition d'indicateur. Quand un indicateur change, vous voyez exactement ce qui a changé et quand. Cela compte énormément dans un environnement où la direction débat des chiffres des rapports.
n8n gère l'automatisation des workflows et était auto-hébergé. La couche d'automatisation est l'endroit où la valeur à plus long terme commence à se cumuler : relance des orientations, rappels de rendez-vous, et les interstices entre systèmes que le dossier patient ne comble pas nativement. Ce chantier est en cours et fera l'objet d'une étude de cas distincte.
Pour les exigences de conformité qui nécessitaient réellement un outil fournisseur, nous avons privilégié les fonctionnalités natives d'Azure plutôt que de payer des primes entreprise à des outils tiers n'offrant guère plus qu'un accord signé.
Les résultats
Le reporting qui consommait auparavant une part importante de la semaine d'un partenaire tourne désormais automatiquement et se distribue aux bonnes personnes au bon rythme. Ce temps a été redirigé vers le développement commercial et le travail opérationnel au niveau des cabinets.
La fondation de données a aussi débloqué l'expansion de Goodside Health vers les soins à distance et la télésanté. Relier les données cliniques et opérationnelles à travers ces modalités exigeait une couche d'infrastructure qui n'existait tout simplement pas auparavant. Une fois le data lake en place, ces connexions sont devenues possibles.
La gouvernance intégrée à la plateforme fait qu'un indicateur erroné est repéré. Les définitions mal alignées, les changements de données côté fournisseur et les cas limites de logique métier remontent désormais sous forme d'alertes, plutôt que d'erreurs dans un rapport présenté au conseil.
Le chantier d'automatisation des orientations, aujourd'hui en cours, n'a été possible que parce que la fondation de données était déjà en place. Automatiser un processus que l'on ne comprend pas encore pleinement, c'est automatiser la mauvaise chose. Mettre les données au propre d'abord était le bon ordre des choses.
« Nous sommes venus chez Jinka avec un véritable défi d'infrastructure de données : un data lake conforme HIPAA, du reporting en temps réel et des automatisations pilotées par API, le tout en même temps. Ils ont tout livré. Des rapports qui prenaient des heures s'exécutent désormais instantanément, les automatisations ont réduit la charge administrative de notre équipe, et nous avons enfin une visibilité claire sur la façon dont les décisions affectent l'organisation en aval. En plus de cela, ils nous ont aidés à bâtir entièrement le front et le back d'un produit logiciel distinct. Cette polyvalence en dit long sur qui ils sont. Une recommandation facile. »
Construire une fondation de données pour une activité réglementée ?
Nous concevons et construisons des plateformes de données de niveau production pour la santé et d'autres domaines complexes.