Études & Réflexions › Le DAF de demain : le profil hybride finance-data

Selon le Finance Effectiveness Benchmark de PwC, seulement 30 % des directions financières se déclarent capables de produire des analyses prédictives fiables^[1]. Les 70 % restantes restent dans le descriptif : elles racontent ce qui s'est passé, pas ce qui va se passer. Et pourtant, 78 % des DAF interrogés par la DFCG disent que leur direction générale attend d'eux un rôle de partenaire stratégique^[2].

Ce grand écart m'a frappé, mais il ne m'a pas surpris — c'est mon propre parcours : 17 ans de contrôle de gestion au CHU de Reims, puis un M2 Data Science pour combler ce que je voyais manquer. Ce que je décris ici n'est pas une projection futuriste, c'est un constat vécu, validé en mission, chiffré par les études : le DAF de demain ne sera ni pur financier, ni data scientist — il fera le pont entre les deux. Ce profil hybride devient le passage obligé pour rester pertinent.

La mutation silencieuse du rôle de DAF

On a longtemps décrit le DAF comme le « gardien des comptes » : quelqu'un qui produit les états financiers, sécurise la clôture, contrôle les dépenses. La description n'est pas fausse, elle est devenue insuffisante. Depuis 5 à 10 ans, les directions générales demandent autre chose : anticiper, modéliser, arbitrer — et cette demande ne peut plus être satisfaite avec les seuls outils de la comptabilité.

Du gardien des comptes au partenaire stratégique

L'étude Hackett Group 2024 est éclairante : dans les organisations qualifiées de « digital finance leaders », la part du temps consacré à la production de chiffres descend sous les 30 %, contre 50 à 60 % dans les fonctions finance classiques^[3]. Le temps libéré part vers l'analyse, la modélisation, le dialogue avec les opérationnels. Le DAF moderne passe plus de temps à interpréter qu'à produire — et c'est précisément cette interprétation qui crée la valeur. Un DAF qui passe 80 % de son temps à produire des chiffres est perçu comme un technicien. Celui qui consacre ce même temps à les interpréter est perçu comme un partenaire. Le fond du travail change ; le positionnement dans l'organisation aussi.

Pourquoi cette mutation est inévitable

Trois forces poussent dans la même direction. L'automatisation prend en charge collecte, rapprochement et mise en forme : ce qui se faisait en 3 jours se fait en 2 heures. La disponibilité des données atteint un volume et une granularité qui étaient inaccessibles il y a 10 ans, rendant techniquement possible ce qu'on ne pouvait qu'observer. La pression concurrentielle raccourcit les cycles de décision : la fonction finance qui ne sait qu'analyser le passé est structurellement en retard.

Ce que disent les chiffres sur la maturité réelle

Avant d'aller plus loin, un diagnostic honnête : les études convergent, la maturité analytique des DAF est très en retrait de leurs ambitions affichées.

Le grand écart entre ambition et capacité

L'étude McKinsey The New Finance Organization 2024 est sans appel : seulement 24 % des fonctions finance utilisent des modèles prédictifs de manière opérationnellepour leurs prévisions budgétaires^[4]. Les 76 % restants s'appuient encore sur des extrapolations de tendances ou des budgets reconduits. Côté IA générative, 62 % des directions finance expérimentent, mais seulement 14 % en tirent un impact mesurable sur la productivité^[4]. En mission, je rencontre régulièrement des directions finance équipées d'une plateforme BI moderne qui s'en servent essentiellement pour reproduire en plus rapide les reportings qu'ils produisaient avant. L'outil a changé, la pratique n'a pas bougé. La technologie est un amplificateur, pas un correcteur.

Le sentiment de préparation des DAF eux-mêmes

L'étude DFCG 2024 est frappante par sa franchise : seulement 28 % des DAF se déclarent « suffisamment à l'aise » avec les concepts statistiques de base(intervalle de confiance, régression, biais d'échantillonnage) pour dialoguer d'égal à égal avec un data scientist^[2]. 41 % se disent « un peu perdus » et 31 % avouent « être dépassés » dès que la conversation technique commence.

La double compétence comme avantage concurrentiel

La question qu'on me pose le plus souvent : « faut-il recruter un data scientist dans l'équipe finance ? ». Ma réponse est presque toujours la même : non, pas en premier. Ce qu'il faut, ce n'est pas ajouter un technicien pur, c'est faire monter en compétence data les contrôleurs de gestion eux-mêmes, en commençant par le DAF.

Pourquoi le pont entre les deux mondes

Un data scientist pur qui n'a jamais vécu un budget produira des modèles techniquement élégants mais opérationnellement décevants : il ne verra pas que telle variable est retraitée dans les comptes, que tel arbitrage repose en réalité sur une contrainte politique interne. Inversement, un DAF pur qui ne comprend pas les modèles signera des analyses prédictives sans savoir identifier leurs limites. Le profil le plus recherché n'est ni le data scientist pur, ni le DAF pur — c'est celui qui fait le pont entre les deux. C'est exactement mon profil (17 ans de terrain + M2 Data Science en cours de carrière), et c'est ce qui guide effectivo, où les modèles prédictifs sont intégrés dans l'interface métier pour que le décideur n'ait pas besoin de coder.

L'effet multiplicateur sur le dialogue interne

Un DAF hybride change la nature du dialogue : avec la DG il articule descriptif et prédictif dans la même discussion, avec les opérationnels il traduit les modèles en décisions sans jargon, avec la DSI il challenge les choix techniques sans se faire marcher dessus. C'est le rôle de pivot organisationnel qui rend possible l'articulation entre chiffres, modèles et décisions.

Les compétences nouvelles qu'on attend de lui

Quelles compétences acquérir pour passer d'un DAF classique à un DAF hybride ? Trois blocs, par ordre croissant de difficulté.

Bloc 1 : la culture data minimale

Le socle, accessible à n'importe quel DAF motivé en quelques mois : distinguer corrélation et causalité, lire un intervalle de confiance, identifier un biais d'échantillonnage, comprendre le sur-apprentissage (overfitting), savoir ce que fait une régression logistique ou une simulation Monte Carlo (sans avoir à les coder). Ce bloc ne demande pas d'expertise technique — juste une curiosité réelle et quelques heures de formation ciblée. Naked Statistics de Charles Wheelan ou une formation Coursera suffit.

Bloc 2 : le dialogue avec les data scientists

Il s'agit de savoir poser les bonnes questions sans se faire impressionner par la technique. « Quelle est ta variable cible ? », « Sur quelle période d'entraînement ? », « Quelle est ta métrique d'évaluation et pourquoi celle-là ? », « Que se passe-t-il si la réalité sort de ton échantillon ? ». J'ai vu des DAF signer des projets de scoring sans poser ces questions, et constater 6 mois plus tard que le modèle ne tenait pas la route en production. Le rôle du DAF hybride est de challenger la robustesse métier d'un modèle, pas sa qualité technique.

Bloc 3 : l'arbitrage entre IA et jugement humain

Le bloc le plus subtil : savoir quand faire confiance au modèle et quand le débrancher. Un modèle de prévision entraîné sur des données stables devient peu fiable si l'environnement change brutalement. Le DAF hybride sait identifier ces zones de décrochage du modèle et arbitrer en conséquence. La donnée éclaire le jugement ; elle ne le remplace pas. Cette nuance relève d'une compétence qui se construit par la pratique répétée, projet après projet.

Le risque du DAF "pur finance" : producteur de chiffres ou éclaireur de décisions ?

Face à cette mutation, deux trajectoires — qui conduisent à des rôles très différents à 5 ans.

La trajectoire descendante : le technicien des comptes

Le premier chemin, c'est celui du DAF qui continue à faire ce qu'il a toujours fait : clôture, reportings mensuels, trésorerie, échéances. Tout cela reste nécessaire, mais de plus en plus automatisable. Le risque : devenir le superviseur d'un processus automatisé, perçu comme gestionnaire technique plutôt que contributeur stratégique.Gartner estime que d'ici 2028, 60 % des tâches de clôture mensuelle seront automatisées dans les grandes organisations^[5].

La trajectoire ascendante : l'éclaireur de décisions

Le second chemin, c'est celui du DAF qui bascule sur le prédictif. Il continue d'assurer le descriptif (son socle), mais y ajoute l'anticipation des écarts, la modélisation de scénarios, le challenge des hypothèses stratégiques avec des données. Ce DAF devient un interlocuteur incontournable au CODIR — non pas parce qu'il produit les chiffres, mais parce qu'il éclaire les arbitrages. C'est passer du descriptif à la prédiction : un saut qualitatif qui change le positionnement dans la chaîne de décision. Ce saut n'est pas technique au sens pointu — il est méthodologique et comportemental.

Comment construire ce profil hybride (sans tout reprendre de zéro)

Construire ce profil ne demande pas de reprendre ses études ni de devenir codeur. Trois leviers, complémentaires, activables sans casser son poste actuel.

Levier 1 : la formation croisée ciblée

Quelques mois de formation courte, ciblée sur les fondamentaux statistiques et la culture data. Pas un master complet, mais 50 à 100 heures (Coursera, edX, IFG, HEC Exec) qui posent les bases. Quand j'ai commencé mon M2 Data Science après mes 17 ans au CHU, ce qui m'a apporté le plus n'était pas les lignes de code — c'étaient les cadres mentaux pour raisonner différemment sur les chiffres. Ces cadres-là s'acquièrent en quelques mois quand on a déjà la compétence métier.

Levier 2 : les projets mixtes en binôme

Le plus puissant : un projet pilote concret, en binôme avec un data scientist interne ou externe. Le DAF choisit un cas d'usage qu'il connaît parfaitement (prévision budgétaire d'une ligne sensible, scoring de risque fournisseur, modélisation de la saisonnalité) et le mène de bout en bout. Il n'écrit pas le code ; il pose les questions métier, challenge les hypothèses, interprète les résultats. Après 2-3 projets, la compétence est ancrée. C'est la logique du cadrage stratégique data que je propose : on ne démarre pas par une grande formation théorique, on démarre par un pilote qui sert à la fois de montée en compétence et de preuve de valeur. On apprend en faisant, sur un sujet qui compte.

Levier 3 : les outils métier accessibles (sans code)

Utiliser des outils qui intègrent les modèles prédictifs dans une interface métier, sans exposer le code. Un DAF peut piloter une modélisation d'attrition RH, une simulation Monte Carlo de budget ou une prévision d'absentéisme sans écrire une seule ligne de Python. C'est la philosophie retenue pour effectivo : les modèles (régression logistique, Poisson, Monte Carlo) sont intégrés dans l'interface, le décideur interagit avec les résultats et les variables d'entrée, pas avec le code sous-jacent. L'IA de pilotage n'est plus une affaire de techniciens ; elle devient une affaire de décideurs outillés.

Un dernier mot sur ce que cette bascule change au quotidien

Depuis que je combine les deux casquettes, ce qui a le plus changé dans ma pratique, ce n'est pas la technique — c'est la qualité des conversations. Avec les directions générales, j'articule constat financier et projection prédictive dans la même discussion. Avec les data scientists, j'aide à trouver l'ancrage métier. Avec les opérationnels, je traduis les modèles en décisions actionnables sans jargon. Le DAF hybride n'est pas un technicien supplémentaire ; c'est un traducteur stratégiqueentre des mondes qui se parlaient mal. Cette fonction de traducteur va devenir l'un des rôles les plus précieux. La question n'est plus de savoir si ce profil va s'imposer — il s'impose déjà. Elle est : à quelle vitesse vous positionnez-vous pour en faire partie ?

Questions fréquentes

Un DAF doit-il apprendre à coder pour devenir hybride ?

Non. Un DAF n'a pas besoin d'écrire une ligne de Python ou de SQL pour devenir un profil hybride. Ce qu'il doit acquérir, c'est une culture data : comprendre ce qu'un modèle prédictif peut et ne peut pas faire, lire un intervalle de confiance, identifier un biais d'échantillonnage, dialoguer avec un data scientist sans se faire impressionner. Les outils modernes intègrent les modèles directement dans l'interface métier ; la compétence-clé est l'interprétation, pas le code.

Combien de temps faut-il pour construire ce profil hybride ?

Entre 12 et 24 mois pour un DAF en poste qui s'y met sérieusement. 3 à 6 mois pour les fondamentaux culture data, 6 à 12 mois pour une vraie pratique sur un cas d'usage réel, et le reste pour consolider le dialogue avec les data scientists et les opérationnels. Un chantier de fond, compatible avec un poste à temps plein.

Les DAF « pur finance » sont-ils condamnés à disparaître ?

Non, mais leur rôle va se spécialiser. Ceux qui restent sur la seule production de chiffres deviendront des techniciens des comptes. Ceux qui développent une compétence data, même modeste, accéderont aux arbitrages stratégiques. Le profil pur finance restera nécessaire ; il ne sera plus suffisant pour un rôle de direction.

Comment convaincre sa direction d'investir dans cette montée en compétence ?

En chiffrant le coût de ne rien faire. Les études McKinsey et Hackett chiffrent à 30 % le gain de productivité d'une fonction finance digitalisée et analytique. Présenter ce chiffre à côté du coût d'une formation et d'un projet pilote rend l'arbitrage évident : le retour sur investissement est mesurable en moins de 12 mois sur un cas d'usage bien choisi.

Quel premier projet data lancer pour un DAF qui débute ?

Un cas d'usage concret et délimité : modélisation de la masse salariale à 12 mois, prévision des écarts budgétaires par entité, scoring de risque sur les clients ou fournisseurs. L'idée : choisir un problème que le DAF connaît parfaitement (pour juger la pertinence du modèle) et dont les données sont disponibles et propres. Commencer petit, mesurer l'apport, élargir.

Brice Béchet

Consultant en pilotage des organisations

Contrôleur de gestion sénior, data scientist et créateur d'effectivo.fr, application de prévision stratégique des effectifs (Anticipez. Simulez. Décidez) — j'accompagne les organisations à structurer leurs données et optimiser leur pilotage.

En savoir plus LinkedIn