Pourquoi adopter la culture produit dans les équipes data ?
Les équipes data se heurtent aujourd’hui à des difficultés structurelles qui limitent leur impact. Face à ces constats, une approche éprouvée s’impose : le product management appliqué à la donnée. Dans un précédent article, nous avons présenté les fondamentaux du product management. Ce nouvel article explore son application concrète au monde de la data.
Source : Data-as-a-product: pierre angulaire du Data-Mesh
Les principales difficultés rencontrées par les équipes data
Plusieurs écueils reviennent systématiquement dans les organisations qui exploitent la donnée :
Absence de vision stratégique. À force de se concentrer sur le « comment », les équipes perdent parfois de vue le « pourquoi ». Collecter de la donnée n’est pas une fin en soi. C’est un moyen au service d’un objectif business, qu’il s’agisse de piloter l’activité ou de personnaliser l’expérience client.
Une qualité de données insuffisante, qui se manifeste de plusieurs façons :
-
des données incomplètes ou erronées (champs facultatifs non renseignés, informations invalides) ;
-
des données mal formatées, notamment sur les champs de type date ;
-
des données hétérogènes et redondantes, faute d’alignement sur des définitions communes. Exemple : calcul du chiffre d’affaires, définition d’un client actif ou d’un lead.
Un manque d’accessibilité, lorsque la donnée reste cloisonnée entre systèmes qui ne communiquent pas entre eux. Cela bloque ainsi l’analyse et l’exploitation.
Un manque de scalabilité, qui freine l’industrialisation. Par exemple : systèmes sous-dimensionnés, requêtes générant des timeouts, gestion manuelle chronophage.
Ces difficultés s’inscrivent toutes dans une même logique, résumée par l’expression « garbage in, garbage out ». Sans collecte, traitement et organisation rigoureux, il est impossible de tirer pleinement parti de la donnée.
Quand la donnée devient un facteur de risque plutôt qu’un levier de valeur
Une donnée inexploitable expose l’ensemble de l’entreprise à un risque business concret :
-
une érosion de la confiance des utilisateurs de la donnée, dès lors que plusieurs sources produisent des résultats contradictoires ;
-
une baisse d’efficacité et de motivation des équipes data. Ils deviennent des goulets d’étranglement plutôt que des moteurs de performance ;
-
une hausse des coûts d’exploitation et de maintenance, pour un résultat souvent décevant.
Comment alors permettre à la donnée de redevenir un vecteur de création de valeur ? Une partie de la réponse réside dans un changement de posture. Il faut traiter la donnée comme un produit, en remettant le besoin des utilisateurs finaux au centre de sa structuration.
Data as a product et Data Mesh : la donnée comme produit
Une première approche consiste à appliquer les principes du product management à la donnée sur l’ensemble de son cycle de vie : collecte, stockage, analyse, activation, péremption. Il s’agit de l’un des quatre piliers du Data MeshQu'est-ce que le Data Mesh ? Le Data Mesh est une approche moderne de la gestion des données qui se distingue des modèles traditionnels comme le Data Lake et le Data Warehouse. Il repose sur une architecture décentralisée où les équipes métiers prennent en charge la gestion de leurs propres domaines... More. Ce concept a été développé par Zhamak Dehghani dans son ouvrage de référence Data Mesh: Delivering Data-Driven Value at Scale. L’objectif est de garantir l’intégrité de la donnée tout au long de son cycle de vie, afin qu’elle devienne directement exploitable. Retrouvez une analyse complète de cette approche dans notre article dédié au Data Mesh sur le blog AVISIA.
Voici quelques exemples concrets de produits data selon cette approche :
-
une plateforme data, qui centralise l’information de façon sécurisée et accessible ;
-
un jeu de données, structuré, documenté et prêt à l’emploi ;
-
un tableau de bord, qui restitue la donnée sous forme de visualisation pour le pilotage de la performance. Par exemple : tableaux de bord financiers dans le retail, réglementaires dans la banque, etc ;
-
un algorithme de machine learning, qui produit un score ou un classement directement exploitable dans des cas d’usage métier.
Chaque livrable constitue une donnée fonctionnelle qui rend possible le déploiement de cas d’usage associés. Par exemple, réduire le taux de résiliation en engageant des actions ciblées auprès des clients identifiés comme à risque par un algorithme d’attrition.
Un produit data répond ainsi à plusieurs critères garantissant son exploitation dans des cas d’usage créateurs de valeur :
-
normativité : la donnée est définie, documentée et catégorisée ;
-
intégrité : la donnée est exacte, cohérente et exhaustive ;
-
accessibilité : la donnée est requêtable et disponible dans la durée ;
-
sécurité : les niveaux de permission et la conformité en matière de confidentialité sont respectés ;
-
interopérabilité : conçue pour un usage donné, la donnée peut être réutilisée à d’autres fins.
Créer des produits data revient ainsi à mettre en place une gouvernance de la donnée favorisant la confiance, la démocratisation et l’exploitation en self-service.
Data product managementQu'est-ce que le Data Product Management ? Le Data Product Management (Gestion de produit data) est une discipline qui combine les principes du product management avec l’utilisation des données pour développer des produits data-driven. Un data product manager est responsable de la création, du dével... More et data managementQu'est-ce que le Data Management ? Le Data Management, ou gestion des données, regroupe l’ensemble des pratiques, processus et architectures permettant de collecter, stocker, sécuriser et exploiter les données d’une organisation tout au long de leur cycle de vie. À l’ère du Big Data et de l’Intellig... More ne se confondent cependant pas totalement. Gérer sa donnée comme un produit constitue une étape nécessaire pour livrer une donnée exploitable. Mais est-ce pour autant suffisant ?
Data in product : la donnée au cœur du produit
Une seconde définition, plus large, décrit le produit data comme « a product that facilitates an end goal through the use of data ». Source : DJ Patil dans Data Jujitsu: The Art of Turning Data into Product. Cette approche présente la donnée pour ce qu’elle est fondamentalement : un moyen au service d’une fin.
Quelques exemples illustrent cette lecture :
-
un système de recommandation de contenus sur une plateforme de streaming ;
-
un assistant de catégorisation des demandes au service client, par thème ou niveau d’urgence ;
-
un outil de prévision des ventes.
Dans chacun de ces cas, le produit data n’atteint son objectif que s’il génère de la valeur sur un enjeu métier qui, à l’origine, n’est pas un enjeu data. Le système de recommandation vise à générer de l’engagement utilisateur. L’assistant service client vise à améliorer la satisfaction des clients en facilitant le travail des agents.
Un même produit peut d’ailleurs répondre à plusieurs besoins simultanément. La prévision des ventes, par exemple, permet d’anticiper les pics d’activité et d’adapter en conséquence la gestion des stocks, la charge d’un site e-commerce ou les plannings du personnel en magasin.
Cette approche holistique présente plusieurs bénéfices :
-
rapprocher le produit data de l’utilisateur final, en limitant les intermédiaires ;
-
prioriser la pertinence de la solution sur sa sophistication technique. Le machine learning n’est pas systématiquement la réponse adaptée ;
-
aligner les équipes autour d’objectifs communs mesurés par des indicateurs métier plutôt que purement techniques. Un excellent taux d’accuracy n’a de valeur que si l’algorithme répond réellement au besoin ;
-
renforcer la confiance, en démocratisant l’accès à la donnée et en favorisant l’interprétabilité des modèles pour éviter l’effet boîte noire.
Conclusion
Le produit data est, à bien des égards, un produit comme un autre et c’est en partie notre conviction. Pourquoi alors le traiter spécifiquement ? Parce qu’il repose avant tout sur l’exploitation de la donnée. Il s’agit d’un domaine dont les usages, bien qu’ils suscitent un intérêt croissant, restent encore peu maîtrisés. Construire un produit data aujourd’hui nécessite des compétences spécifiques. Nous reviendrons prochainement sur ce sujet à travers un article dédié au métier de Data Product Manager.
Vous souhaitez structurer votre gouvernance dataQu’est-ce la data gouvernance (Data Governance) ? La data gouvernance, également appelée Gouvernance des données, définit l'ensemble des normes et processus internes mises en œuvre pour assurer l’organisation, la disponibilité, la qualité, la mesure, l’exploitation, l’accessibilité, la connaissance ... More autour d’une approche produit ? Nos experts AVISIA vous accompagnent dans l’industrialisation et l’activation de vos produits data. Échangeons sur votre projet.
