Data Product Management : Dis-moi quel est ton produit data et je te dirai qui tu es

Pourquoi adopter la culture produit dans les équipes data ?

C’est parce que les équipes data se heurtent à des difficultés insolubles qu’émerge la nécessité de s’inspirer de nouvelles approches (qui fonctionnent), en l’occurrence l’approche produit 💪 Dans un article précédent, nous vous avons partagé les fondamentaux du product management. Ce nouvel article a pour objet le product management appliqué à la data !

Quelles sont les principales difficultés rencontrées par les équipes data ?

Rapide florilège des écueils rencontrés dans les entreprises qui utilisent la donnée : 

• Absence de vision stratégique : à force de se concentrer sur le “comment” (aka la plomberie 🛠️ ), il arrive de perdre de vue l’objectif. Or, il est crucial de continuer à déterminer pourquoi exploiter la donnée et surtout pour quoi faire. Collecter de la donnée n’est pas une fin en soi, cela reste un moyen au service d’une fin (ex: piloter l’activité, proposer une expérience client personnalisée etc.)
• Piètre qualité des données :
  • • la donnée est incomplète ou erronée (ex: l’utilisateur n’a pas complété certains champs facultatifs dans une formulaire ou bien il a complété un champ obligatoire avec un faux numéro de téléphone 🤐)
    • la donnée n’est pas correctement formatée (ex: qui n’a jamais pleuré sur un champ date ? 😭)
    • la donnée est hétérogène et démultipliée : en l’absence d’alignement sur les définitions, plusieurs méthodes de calcul peuvent cohabiter pour un même indicateur (ex: quels éléments entrent en compte dans le calcul de chiffre d’affaires ? Comment caractériser un client actif ? Quels sont les éléments à prendre en compte pour définir un lead ?, etc.) 
• Manque d’accessibilité : la donnée est silotée et dispersée en plusieurs endroits, les bases ne communiquent pas entre elles, c’est bloquant pour l’analyse et l’exploitation 
• Manque de scalabilité qui freine l’industrialisation : le système est sous-dimensionné pour gérer les volumes de données croissants (ex: requête qui génère des timeouts), la gestion reste très manuelle, etc.

La liste est encore longue que résume le fameux  ‘garbage in, garbage out’: impossible de tirer le meilleur parti de la donnée si elle n’est pas correctement collectée, processée, organisée.

Quand la data devient vecteur de doute au lieu d’être vecteur de valeur

Une donnée inexploitable fait peser un risque business à toute l’entreprise et se traduit par : 

😕 une érosion de la confiance des consommateurs de la donnée : comment prendre une décision sereine sur la conduite des affaires si deux sources de données indiquent des informations contradictoires ? 

🌊 une baisse d’efficacité et de motivation des équipes data qui deviennent des goulets d’étranglement et ont parfois la sensation de vider l’océan avec une petit cuillère 🥄

💰 une augmentation des coûts d’opérations et de maintenance pour un résultat médiocre

Dès lors, comment permettre aux données de renouer avec la création de valeur ? Une partie de la réponse se trouve dans un renversement de l’approche : si le produit n’atteint pas son objectif à cause de la donnée, gérer la donnée comme un produit permet de remettre le besoin des consommateurs au centre afin de la structurer dans cet objectif.

Data as a product et data mesh : la donnée, c’est le produit 

La première façon de décrire un produit data consiste en fait à appliquer l’approche produit à la donnée sur l’ensemble de son cycle de vie : collecte, stockage, analyse, activation, péremption. C’est un des quatre piliers du Datamesh conceptualisé par Zhamak Dehghani dans son livre Data mesh : Delivering data-driven value at scale (https://www.fnac.com/livre-numerique/a16824191/Zhamak-Dehghani-Data-Mesh). L’objectif est de garantir l’intégrité de la donnée sur tout le cycle afin qu’elle devienne exploitable sur étagère (ou presque). Vous trouverez plus de détails sur cette approche dans cet autre article du blog AVISIA.

Voici quelques exemples de produits data selon cette approche : 

• une plateforme data : un objet data qui centralise la donnée de façon sécurisée et accessible
• un jeu de données : où la donnée est structurée, intègre, documentée et prête à l’emploi (ô merveille 🤩)
• un tableau de bord : la donnée se présente sous forme de visualisation et permet un suivi de la performance (ex: tableaux de bord financier pour un retailer ou réglementaires en banque, etc.)
• un algorithme basé sur du machine learning : la donnée se présente sous forme de score (ex: score d’attrition) ou de classement (ex: ranking de résultats de recherche par pertinence) ou autre exploitable dans des cas d’usages
• etc.

Chaque “livrable” est une donnée fonctionnelle qui rend possible le déploiement de cas d’usages associés (ex : faire baisser le nombre de résiliations pour un abonnement en engageant des actions auprès des clients détectés en attrition par l’algorithme)

Dit autrement, un produit data est une donnée qui répond à plusieurs critères permettant de garantir son exploitation dans des usages créateurs de valeur : 

• normativité : la donnée est définie, documentée et catégorisée
• intégrité : la donnée est exacte, cohérente, exhaustive
• accessibilité : l’expert data peut requêter la donnée et celle-ci est disponible dans le temps
• sécurité : niveaux de permission et conformité dans le cadre de la privacy
• interopérabilité : pensée pour un usage, la donnée peut être utilisée à d’autres fins

En ce sens, créer des produits data revient à mettre en place une gouvernance de la donnée pour favoriser la confiance, la démocratisation et l’utilisation à d’autres fins selon un format data as a self-service.  

De data product management à data management, il n’y a qu’un mot. Un esprit taquin (😇) pourrait être tenté de faire le raccourci en assimilant les deux. Si gérer sa donnée comme un produit est effectivement une étape nécessaire pour livrer une donnée exploitable, peut-on pour autant en rester là ?

Data in product : la donnée au coeur du produit

Il existe une autre définition du produit data comme “a product that facilitates an end goal through the use of data” issue de Data Jujitsu: The Art of Turning Data into Product de DJ Patil

Cette définition est plus ancienne. Elle a le double intérêt d’être plus large et de présenter la data pour ce qu’elle est : un moyen pour une fin.  Voici quelques exemples de produits data selon cette grille de lecture :

📺 un système de recommandation de vidéos sur une plateforme de streaming 

🎧 un assistant de catégorisation des contacts au service-client par thème / niveau d’urgence  

👁️‍🗨️ un outil de prévision des ventes

Qu’est-ce que ça change ?

Dans les exemples ci-dessus, le produit data atteint son objectif si et seulement s’il vient générer de la valeur sur un sujet n’est pas un un sujet data au départ. 

• l’objectif du système de recommandation vidéos est de générer de l’engagement des utilisateurs sur la plateforme 
• l’assistant service-client vise à faciliter le travail des agents pour améliorer la satisfaction client 

Un même produit peut d’ailleurs satisfaire plusieurs besoins : 

• grâce à la prévision de ventes, il est possible d’anticiper les pics d’activité et d’adapter les opérations sur différents aspects (ex: gestion des stocks en entrepôt, gestion de la charge d’un site e-commerce, gestion des plannings du personnel en magasin etc.)

Cette approche holistique permet de : 

• rapprocher le produit data et l’utilisateur final en limitant les intermédiaires
• se poser les bonnes questions pour chercher la meilleure solution plutôt que la solution la plus avancée techniquement : est-ce que le machine learning est nécessaire pour résoudre ce problème (ou pas) ? 
• travailler à un objectif commun entre équipes : partager les mêmes métriques de succès qui ne soient pas uniquement des métriques techniques (ex: temps passé sur la plateforme de streaming, délai de traitement d’une requête par le service-client). Un excellent taux d’accuracy sur un algorithme c’est bien, un algorithme qui répond au besoin, c’est mieux
• générer de la confiance : démocratiser la donnée et éviter l’effet boîte noire avec un souci constant de favoriser l’interprétabilité (ex: décomposer les éléments qui constituent le produit data)

Conclusion

Au regard de tous ces éléments, on peut être tenté de se dire que le produit data est finalement un produit comme un autre. Et c’est en partie notre conviction en effet. Dès lors pourquoi le traiter spécifiquement ? Parce que le produit data repose principalement sur l’utilisation de la donnée. Détail qui a son importance car l’exploitation de la donnée, n’est pas (encore) complètement rentrée dans les usages. Certes tout le monde en parle, mais peu la comprennent. A date, construire un produit data nécessite des compétences spécifiques et nous reviendrons sur ce sujet dans un prochain article consacré au métier de Data Product Manager.

Sources : 

• https://blog.octo.com/data-as-a-product-pierre-angulaire-du-data-mesh
• https://martinfowler.com/articles/data-mesh-principles.html
• https://martinfowler.com/articles/data-monolith-to-mesh.html#DataAndProductThinkingConvergence 
• https://www.bigdataparis.com/avis-d-experts/8-benefices-des-data-products-au-dela-du-data-mesh
• https://6989709.fs1.hubspotusercontent-na1.net/hubfs/6989709/Data-Products-For-Dummies.pdf
• https://5870630.fs1.hubspotusercontent-na1.net/hubfs/5870630/Whitepapers%20and%20eBooks/Updated_Data%20Products%20For%20Dummies%2c%20DataOps%20Special%20Edition_9781394215560-2.pdf?__hstc=254273687.fee3ce4451461ef345064e3ff8b1ba8d.1708503352098.1708503352098.1708503352098.1&__hssc=254273687.1.1708503352098&__hsfp=3721042005
• https://www.youtube.com/watch?v=LiMHu5ALkBA&t=1s
• https://www.youtube.com/watch?v=bKLt2j9fWSA