La transformation de données structurées en descriptions en langage naturel est devenue une tâche difficile, désignée sous le nom de « data-to-text ». Ces structures regroupent généralement plusieurs éléments ainsi que leurs attributs. La plupart des approches existantes reposent sur des méthodes de type encodeur-décodeur de traduction, qui linéarisent les éléments en une séquence. Cette approche entraîne toutefois une perte importante de la structure inhérente aux données. Dans ce travail, nous proposons de surmonter cette limitation grâce à un modèle hiérarchique qui encode à la fois la structure des données au niveau des éléments et au niveau global de la structure. Des évaluations effectuées sur le corpus RotoWire démontrent l’efficacité de notre modèle selon des critères qualitatifs et quantitatifs.