Introduction au Data Product Management

Un grand nombre d’entreprises se trouvent aujourd’hui confrontées à des problématiques data. Beaucoup d’entre elles sont prises au dépourvu devant la complexité apparente et grandissante de ces enjeux. Les réflexions sur les nouveaux modèles d’organisation ont fait émerger de nouvelles pratiques systémiques pour permettre de limiter l’apparition de silos et d’adresser les différents besoins dans leur globalité. Le Data Product Management est l’une de ces pratiques.

La gestion de la donnée est devenue une préoccupation importante jusqu’au niveau du CEO. Dit positivement, elle est devenue clé en permettant de générer un avantage concurrentiel, source de valeur et d’innovation pour les entreprises.

L’utilisation moderne des données à grande échelle peut permettre :

  • De réduire les coûts,
  • D’augmenter les revenus,
  • De favoriser l’innovation,

Malheureusement de nos jours, les algorithmes ne représentent qu’une petite partie des possibilités technologiques modernes et ne sont que la partie visible de l’écosystème existant des produits data. D’ailleurs, dans la majorité des entreprises, les modèles d’IA n’ont encore pas l’impact escompté.

En effet, un changement profond de l’entreprise doit s’opérer afin que les données circulent dans les veines des organisations. Les données doivent être collectés, stockés et distribués (ex : DataHub), elles doivent aussi être traitées, visualisées et partagées avec les équipes concernées (ex : datavisualization) et enfin elles doivent être construits, déployés et supervisés en production (ex : modèles IA).

Il est nécessaire que les équipes en perçoivent leur valeur ajoutée et être formées à leur utilisation quotidienne

Pourquoi Product Management ? Et quels rôles ?

Le constat aujourd’hui, est qu’il y a une nécessité d’appréhender les défis différemment. Les nouvelles aspirations des clients et des collaborateurs s’orientant vers une société apprenante, résiliente et inclusive, sont largement en dissonance avec les propositions de valeurs de nombreuses organisations.

Ces organisations, avec l’accroissement de la pression concurrentielle, doivent s’adapter de plus en plus rapidement au marché et à ses incertitudes.

Les organisations ont majoritairement segmenté leur développement produit auprès de directions aux approches divergentes. En particulier, les périmètres « Métier » sont régulièrement dépassées par le rythme des DSI passées en Agile.

L’approche Product Management permettra d’être alignée avec les utilisateurs et redonnera du sens au travail réalisé, elle maximise la valeur créée pour chaque unité investie, et assure sa mise à disposition accélérée au marché.

Au début de la révolution des données, les compétences étaient en général regroupées sous le même chapeau de la data science. Ces compétences ont été progressivement formalisées dans des rôles distincts, tels que les data engineers ou encore les data scientists.

Au sein du Data Product Management, une tendance similaire se dessine et on peut observer une division en sous-domaines et je vais ici m’attarder sur 3 de ces rôles relativement distincts : Data Visualisation & BI, Platform et Data Sciences & IA.

Product Manager – Data Visualisation & BI

De nos jours, dans les entreprises, les décisions sont de plus en plus fondées sur les données. L’analyse doit soutenir un large éventail de décisions, de la stratégie au produit et aux opérations, à la fois offline et en temps réel.

Les Product Manager Data Visualisation & BI se concentrent sur la façon de transformer les données brutes en informations exploitables pour les décideurs. Dans d’autres cas, les Product Manager Data Visualisation & BI participent activement à la définition de KPIs et à l’exploration des données pour aider à la prise de décisions opérationnelles ou à l’évaluation de la qualité des données.

Dans le contexte de la création de produits, un Product Manager Data Visualisation & BI est responsable de la création d’un mélange d’analyses, de tableaux de bord personnalisés et d’outils de reporting pour aider à partager les idées à travers une organisation. Leurs parties prenantes sont diverses, allant des scientifiques avertis en matière de données aux consommateurs en simple lecture, comme les cadres supérieurs.

Lorsqu’ils se concentrent sur la qualité et l’utilisation des rapports eux-mêmes, les KPIs qu’ils examinent sont tout à fait comparables aux analyses marketing et client : nombre de requêtes exécutées, de rapports générés, temps passé sur les rapports, etc. Ils indiquent la facilité avec laquelle les utilisateurs peuvent extraire les informations dont ils ont besoin depuis les données brutes.

Product Manager – Platforme

Concernant les plateformes, de grandes entreprises ont commencé avec leurs propres systèmes développés en interne, ce qui a entraîné une duplication du travail et un délai de mise sur le marché plus long.

Google, Facebook et Uber se sont donc lancés dans la plateformisation des solutions : des cadres communs pour aider à réduire les efforts consacrés à des tâches communes d’outillage, de déploiement et de surveillance.

Ces plates-formes ont pour but d’éliminer le besoin de gérer les données, de déployer et de surveiller les résultats, libérant ainsi les équipes datas pour qu’elles se concentrent plutôt sur l’itération autour des modèles et des expérimentations elles-mêmes. Ils favorisent également la réutilisation en rendant les données et les fonctionnalités communes accessibles à tous les utilisateurs de la plate-forme.

Les Product Manager Data-Platforms commencent par démontrer comment la plateforme pourrait être utile et convaincre les premiers utilisateurs d’en faire l’essai.

Une fois que la plate-forme a atteint le point d’inflexion, le rôle se déplace vers l’identification des dénominateurs communs à haut ROI à intégrer dans la plate-forme. Ils s’intéressent aux KPIs tels que les modèles ou expérimentations exécutés sur la plate-forme, le temps moyen de mise sur le marché, etc.

Product Manager – Data Science & IA

Certains produits et fonctionnalités tels que l’analyse de flux entrants, la recommandation de produits, la détection de fraude, etc. se prêtent naturellement aux solutions d’Intelligence Artificielle.

Les Data Science & IA Product Managers réfléchissent à la façon dont les données peuvent être exploitées pour améliorer un produit existant ((ex. analyser les flux de données entrants (chat, emails, courriers…) pour automatiser certaines activités du service client)) ou comment concevoir une nouvelle expérience utilisateur à l’aide de l’IA avancée (ex. payer avec son visage !).

En fin de compte, ils travaillent tous à l’amélioration directe des paramètres clés pour une meilleure expérience utilisateur.

Les Product Manager qui travaillent sur ces fonctions, en plus d’une bonne appréhension du métier, ont généralement une bonne compréhension du flux de travail en data science et des modèles de Machine Learning sous-jacents. Ils ont l’intuition de tirer parti de la puissance du Machine Learning tout en concevant autour de ses limites pour offrir une expérience utilisateur supérieure par rapport aux approches déterministes basées sur des règles.

Pour conclure, le paysage du Data Product Management évolue continuellement et il ne s’agit nullement d’un aperçu exhaustif des rôles disponibles dans l’industrie. Selon a maturité et la structure organisationnelle d’une entreprise, le rôle de Data Product Manager peut être différent. Il est clair que ce rôle va devenir prépondérant dans les années à venir de par la complexité à appréhender un produit data de nos jours. Si nous devions résumer les rôles du data product manager, ce serait une nécessité d’élaborer ou optimiser l’expérience utilisateur en se basant sur les données et à éliminer l’ensemble des obstacles qui pourraient empêcher une équipe de délivrer cette valeur.

Sources :

Auteur : Sébastien Malrieu

Leader Data Science & AI Product Management