Statisticien plongé dans un domaine d'application où les données sont rares et hétérogènes, l'auteur a trouvé recours dans l'usage de deux approches complémentaires : la construction de réseaux bayésiens comme base de la modélisation et la pratique de la statistique bayésienne pour l'interprétation des données. Il relate son expérience en tentant de la présenter de manière générique. Dans une première partie, les deux approches sont brièvement rappelées pour montrer qu'à part le théorème de Bayes, elles n'ont rien en commun. S'appuyant ensuite sur la modélisation du nombre de campylobactérioses en France liées à la consommation de poulets, un nouveau point de vue est suggéré pour l'interprétation de données. Il s'agit (1) de modéliser en soi le phénomène d'intérêt à l'aide d'un réseau bayésien ; puis (2) de l'étendre pour définir la vraisemblance des données disponibles et intégrer l'information qu'elles contiennent par conditionnement, c'est à dire en appliquant le principe de la statistique bayésienne. R et les logiciels de la famille Bugs se sont révélés bien adaptés pour la réalisation pratique de cette proposition. Applied statistician involved in a field where data are rare and heterogeneous, the author found help from two complementary but independent Bayesian approaches : the setup of a Bayesian network to model the phenomemum under study and the use of a Bayesian statistical procedure to get information from the available data sets. This global and generic approach is presented through the modelling of the number of campylobacterioses in France due to the consumption of broilers. Contrary to standard approaches of Monte Carlo simulations, data sets can be used at every point of the chain, even downstream of other data sets. R and softwares of the Bugs family are well adapted to perform the proposed procedure.