Le Data Product Management est un sujet encore recent et ouvert a interpretation. Ce dossier prend le contrepied de l'approche specialiste. Il montre comment l'utilisation intensive de la donnee est un must-have pour les Product Managers. La donnee permet de comprendre le produit pour etre credible aupres des développeurs et de mieux apprehender les utilisateurs et le marche.
1. Les contributeurs
2. Le Data Product Management vu par un ex-PM
Guillaume Millot, PM ex-Google, partage son approche de l'utilisation de la donnee au quotidien d'un Product Manager. Trois types de données a maîtriser pour prendre de meilleures decisions.
Donnees externes
1. Donnees externes
Pour une nouvelle feature, pas encore de produit ou d'utilisateurs. Les données externes (APIs publiques, datasets ouverts) aident a valider les hypotheses de marche.
PM
Outils : Python, API, Notebooks.
Donnees de production
2. Donnees de production
Pour un produit existant avec utilisateurs. Acces en lecture a la base de données de production. Competence requise : SQL.
PM
Outils : SQL, Metabase.
"J'ai demande l'acces en lecture a la base de données de production. J'ai pu rapidement gagner la confiance des développeurs et apporter de la valeur."
Donnees d'utilisation
3. Donnees d'utilisation
Tracking d'utilisation du produit et des features. Stack courante pour un produit SaaS : Segment + Amplitude ou MixPanel.
PM
Outils : Segment, Amplitude, MixPanel.
Outils recommandés : Python, SQL, Metabase, Segment, Amplitude, MixPanel.
3. Data Product Management chez le leader du cashback
iGraal (Global Savings Group) tend vers une organisation en Data Mesh. Les équipes data sont organisees par thematique (Finance, Marketing). Chaque équipe : un PM, des data engineers et des data analysts.
1. Relation stakeholders
3 niveaux : Key Stakeholders (contacts cles par thematique), Stakeholders (referents projet), End-users (utilisateurs du produit data).
Data PM
Outils : Slack, Monday.com.
2. Discovery structuree
Comprendre la mission de l'équipe, ses activités cles, les problematiques associees. Matrice de complexité vs business impact pour prioriser.
Data PM
Outils : Discovery Framework.
3. Equation business
Vue explosee des revenus pour expliquer les variations et identifier les causes sous-jacentes. Permet de prioriser les projets data a l'echelle de l'entreprise.
Data PM
Outils : Business Equation.
4. Qualite de la donnee
Garantir la qualité de la donnee et la meilleure UX possible pour les end-users. Tests de cohérence systematiques.
QA Data
Outils : Data Quality.
1. Partager le bon niveau d'information
La data est une matière première qui voyage d'un endroit a un autre en subissant des transformations. L'objectif : permettre aux équipes de prendre la meilleure decision.
2. Donner de la visibilité
Roadmaps partagees sur Monday.com. Kick-off pour lancer les projets et initier l'onboarding des équipes.
3. Organiser la relation
Points d'avancee toutes les deux semaines. Canaux Slack dédiés par type de stakeholder. Templates de communication standardises.
Outils recommandés : Monday.com, Slack, Data Mesh, Amplitude.
4. Product Analytics pour les équipes produit
June est le toolkit pour construire de meilleurs produits. Enzo Avigo, co-fondateur, partage sa vision du product analytics et du tracking.
1. Pourquoi la data est importante
La data permet de trouver des signaux et de prendre des decisions sans biais. Elle revele des insights. Elle est devenue accessible a tous.
PM + Engineering
Outils : Analytics.
2. Definir les métriques cles
Une product metric est une mesure quantifiable pour suivre l'etat d'un produit. Les métriques viennent de formules basees sur le tracking et les utilisateurs.
PM
Outils : Metrics Framework.
3. Tracker la data
Deux approches : implicite (codeless, automatique, type Heap) et explicite (manuelle, precise, type Segment). Le tracking explicite reste le seul moyen fiable de collecter des données quantitatives.
Engineering
Outils : Segment, Heap.
4. Identifier les opportunités
Les benchmarks sont le meilleur moyen d'identifier les opportunités d'amélioration. Comparer ses métriques aux standards du marche.
PM
Outils : Benchmarks.
1. Tracking implicite
Pas besoin de planification. Facile pour les équipes non-techniques. Risque : données desordonnees, problèmes de sécurité, blocage par les ad blockers.
2. Tracking explicite
Tracker ce dont on a besoin avec du contexte. Donnees fiables. Gouvernance claire. Necessite un développeur et une planification prealable.
3. Revolution Product-Led
Le product usage a un role completement nouveau dans un monde product-led. L'usage produit influence directement acquisition, activation et retention.
Outils recommandés : June.so, Segment, Amplitude, Heap, Google Analytics.
5. La data dans la discovery produit
Legalstart simplifie la vie des entrepreneurs. 200 000 entrepreneurs accompagnes. L'équipe produit ritualise 1h30 de discovery data chaque vendredi.
1. Ritualiser la discovery data
1h30 par semaine entre le PM et la Product Marketing Manager. Objectif : creuser un sujet en profondeur dans la donnee. Backlog de sujets enrichi chaque semaine.
PM + PMM
Outils : Amplitude.
2. Methode d'analyse
Cadrer le sujet en problème client. Lister les questions. Choisir le bon canal d'analyse sur Amplitude (Funnel, Segmentation, Lifecycle). Transformer chaque question pour l'analyse.
PM
Outils : Amplitude.
3. Data dans la delivery
Tester et mesurer l'impact des changements. Aller au-dela des KPIs classiques (taux de lead, conversion) pour deceler les problèmes comportementaux.
PM
Outils : A/B Testing.
4. Choisir les bons KPIs
Le choix du KPI principal est determinant. Parametres cles : choix des KPIs, choix de la population, duree du test, parametrage de l'outil.
PM
Outils : KPI Framework.
"L'analyse comportementale et l'utilisation d'Amplitude permet d'ouvrir les horizons de différentes équipes. Amplitude est le journal intime des utilisateurs mis a ma disposition."
Outils recommandés : Amplitude, Google Analytics, A/B Testing.
6. Data Product Management a l'echelle
Papernest, French Tech 120. Plus de 1 000 000 de clients. 900 collaborateurs. 4 marches en Europe. Organisation data structuree autour du process ELT.
1. Des besoins utilisateurs au développement
Organisation en sprints. Les besoins utilisateurs sont traduits en specifications data avant le développement.
Data PM
Outils : Sprint Planning.
2. Architecture data ELT
Extract, Load, Transform. Separation claire entre data engineers (ingestion) et data analysts (valorisation business). Scalabilite et rapidite de livraison.
Data Engineering
Outils : ELT Pipeline.
3. Tracking et monitoring KPIs
Monitoring des KPIs cles : date de rafraichissement, nombre de lignes traitees, valeurs de données. Alerting en cas d'anomalie.
Data Engineering
Outils : Monitoring.
1. Separation technique / business
L'ELT créé une separation claire entre data engineers et data analysts. Les engineers se concentrent sur l'ingestion, les analysts sur les questions business.
2. Scalabilite
Les engineers integrent rapidement de nouveaux dataflows. Le pipeline standardise permet d'absorber de nouveaux flux sans complexité additionnelle.
3. Propagation de la donnee
La donnee valorisee est propagee dans l'application, Salesforce et les partenaires. Chaque flux est monitore en continu.
Outils recommandés : ELT Pipeline, Salesforce, Data Warehouse.