Camille
« Ceci tuera cela » : cette phrase issue du roman « Notre-Dame de Paris » de Victor Hugo exprime la fin des grandes cathédrales gothiques avec l’avènement de l’imprimerie. Au même titre, l’Intelligence Artificielle est souvent perçue comme une menace pour les hommes, notamment en termes de destruction d’emplois. Néanmoins, tout comme l’imprimerie, l’Intelligence Artificielle possède un versant positif : elle permet d’accélérer le traitement de données, de prévenir les risques dans des contextes médicaux ou militaires, d’augmenter la pertinence des produits digitaux. Ses applications au produit sont nombreuses et permettent d’affiner et de personnaliser les parcours utilisateurs.
Le Machine Learning consiste à entraîner une machine sur de nombreux jeux de données, afin de lui apprendre à reconnaître des situations et à prendre des décisions de façon autonome, sans intervention humaine. L’avantage du Machine Learning est qu’il est facilement perfectible : en abreuvant la machine de données toujours plus conséquentes, en prenant des actions correctives à chaque erreur, il est possible d’affiner sans cesse les modèles. L’une des principales applications du Machine Learning au produit consiste en l’élaboration d’algorithmes de recommandations, garant d’un parcours utilisateur optimisé. En effet, développer un produit centré sur ses utilisateurs est l’un des objectifs premiers du Product Manager. Grâce à l’amélioration continue des algorithmes de recommandations, le Product Manager peut favoriser le cross-selling, en requérant que soit entraîné l’algorithme sur les éléments suivants :
Les algorithmes de recommandations, pour être qualitatifs et personnalisés, et ne pas générer un effet néfaste pour l’utilisateur, doivent être abreuvés de données à la fois quantitatives : sur X millions de clients, Y % ayant acheté ce produit ont ensuite acheté celui-là ; mais aussi qualitatives, en récupérant des données personnalisées sur un utilisateur en particulier. C’est pour cela que de plus en plus de marques forcent à la création de comptes : sans connexion, il est impossible d’analyser l’attitude d’un utilisateur ciblé sur une plateforme digitale. Cette logique vise à proposer des expériences utilisateurs personnalisées et de qualité, afin d’augmenter la notoriété et l’appréciation d’un site web ou d’une App Mobile et de générer de la valeur pour les utilisateurs.
L’utilisation du Machine Learning permet avant tout la personnalisation des parcours utilisateurs. Elle offre aux Product Managers un paradigme très intéressant : offrir à des milliers voire millions d’utilisateurs une expérience digitale unique et personnalisée, orientée selon leurs préférences et leurs goûts. Cela engendre trois bénéfices principaux pour un Product Manager :
Le Machine Learning permet au Product Manager, en plus des données quantitatives et qualitatives ingérées, de s’adapter à la saisonnalité, aux fêtes du calendrier, afin d’offrir une expérience toujours plus personnalisée aux utilisateurs finaux. Le Product Manager peut aussi s’appuyer sur le Machine Learning pour analyser plus rapidement les remontées clients, les commentaires sur les stores Mobile ou sur le Web, afin d’assurer une remontée efficace des alertes, d’itérer plus rapidement et facilement.
Sur certains produits digitaux ayant trait à l’industrie, la santé ou l’armée, le Machine Learning peut aussi offrir la possibilité d’identifier les situations à risque : par exemple, dans des industries à risque (forages pétroliers, construction de centrales nucléaires), la mise en place de Machine Learning permet d’identifier, à partir de données atmosphériques, physiques et chimiques les situations à risque, afin de générer des alertes en conséquence. C’est notamment ce que propose la start-up française Spotlight-Earth, qui permet la détection de mouvements sismiques, et qui a été sélectionnée dans le cadre du projet Ardna, visant à piloter les risques liés à l’enfouissement des déchets nucléaires.
Dans la santé, le Machine Learning peut aussi être utilisé pour aider au diagnostic, et dans l’armée pour identifier des situations dangereuses : c’est notamment ce que propose la société Preligens (Safran), un des leaders de l’Intelligence Artificielle dans la défense et l’aérospatial.
Le Product Manager travaille alors en étroite collaboration avec les équipes UX/UI, Data Scientists, Data Ingénieurs et développeurs back et front pour définir respectivement les besoins utilisateurs, les algorithmes de risque à mettre en place, les jeux de données pertinents pour entraîner les modèles, les manifestations des niveaux d’alertes sur l’applicatif digital et les actions générées en conséquence pour prévenir les risques.
Le Deep Learning consiste en un apprentissage profond, permettant à une machine de s’approcher du raisonnement humain, notamment à travers la mise en place de réseaux de neurones complexes. Le modèle est alors capable de mimer les actions du cerveau. Le Deep Learning est particulièrement utilisé en produit pour bien accompagner le client, à travers des agents conversationnels. Il y existe deux types possibles d’agents conversationnels, avec et sans IA :
Les chatbots IA, par la compréhension de la question utilisateur et l’absence de réponses préformatées, sont particulièrement intéressants pour les Product Managers, dans leur objectif d’amélioration du parcours utilisateur.
Au-delà de cette utilisation pour traiter des demandes utilisateurs, le Deep Learning est aussi utile aux Product Managers dans le cadre la reconnaissance d’images.
Le Deep Learning permet en effet de procéder à la reconnaissance d’images, ce qui présente de nombreuses utilités pour les Product Managers. En effet, cette reconnaissance intelligente est utilisée par exemple par Apple et Google pour le lancement de leur produit Visual Intelligence, qui permet à un utilisateur de photographier un article et d’obtenir des informations qui lui sont relatives (rechercher ce produit en ligne, connaître les avis…). Facebook utilise aussi le Deep Learning avec DeepFace dans la reconnaissance des visages, afin, entre autres, de reconnaître rapidement les personnes à tagguer.
Dans le cadre du e-commerce, la reconnaissance d’images est aussi très utile : elle permet à l’utilisateur de trouver sa taille de vêtements idéale. En effet, environ un tiers des produits achetés en ligne sont retournés à la marque, en raison d’un problème de taille (Les Echos - 2023). Une start-up française, Kleep, permet, à partir de photos, de proposer à un utilisateur la taille parfaite pour un article. Ce service révolutionne l’approche des Product Managers, qui peuvent accentuer encore la personnalisation de leurs applicatifs digitaux et créer des expériences augmentées.
Cela peut aussi se traduire par le fait de projeter l’utilisateur dans l’acquisition d’un bien, avant son achat : c’est notamment ce que propose Ikea avec Ikea Kreativ, qui permet de visualiser un meuble dans son intérieur.
Le Deep Learning permet aussi aux Product Managers d’intensifier la détection de fraudes ou de faire de la modération de contenus, ce qui peut se révéler particulièrement utile pour ne pas dégrader la qualité et l’image de son produit.
Le Deep Learning peut servir aux Product Managers dans le cadre de la détection de fraudes : en effet, la fraude peut dégrader profondément la qualité du service client, voire impacter négativement l’image d’une marque si des avis négatifs sont laissés par de faux clients. Elle peut aussi augmenter la défiance à l’égard d’une marque, en cas par exemple d’usurpation de comptes ou account takeovers (ATO). L’IA peut être très utile pour détecter plus efficacement ces fraudes, notamment en repérant les bots qui génèrent de faux comptes et les tentatives d’ATO. Par exemple, Rakuten, en utilisant la solution de détection de fraudes Datadome a pu libérer de la bande passante pour ses équipes techniques et faire face aux assauts accrus de pirates informatiques.
Le Deep Learning peut aussi favoriser la modération de contenus, afin d’éviter de dégrader l’image d’une marque. C’est notamment ce qu’utilisent des plateformes comme Facebook ou Instagram, pour s’assurer que les contenus publiés sur leurs plateformes respectent bien leurs normes éthiques. Des services, tels bodyguard.ia propose ce type de service.
Au-delà de son application pour améliorer et augmenter le quotidien de l’utilisateur, l’IA est aussi très utile aux Product Managers dans leurs tâches quotidiennes.
L’utilisation de ChatGPT peut être très bénéfique aux Product Managers dans leur travail quotidien : par exemple, dans le cadre de la rédaction de leurs users stories. En effet, à la requête « Comment bien rédiger une user story », ChatGPT propose une réponse exhaustive, ponctuée d’exemples, avec une structure claire, une explication sur la méthode INVEST, mais aussi des explications sur les critères d’acceptance.
Au-delà de la simple structure d’une user story, il est même possible de demander à ChatGPT, en lui donnant du contexte, de rédiger une user story précise sur une fonctionnalité donnée. Cela permet aux Product Managers de gagner du temps, mais aussi de s’inspirer de la réponse fournie pour rédiger correctement leurs user stories.
ChatGPT permet aussi d’obtenir de bonnes pratiques sur les différentes techniques à disposition des Product Managers pour effectuer leur travail : la réalisation d’un Impact Mapping, d’un Story Mapping, réussir sa discovery, lancer son MVP, concevoir sa roadmap sont autant de requêtes qu’un Product Manager peut soumettre à ChatGPT pour obtenir des réponses pertinentes, ainsi que des propositions d’outils à utiliser pour réaliser ces actions.
L’utilisation de ChatGPT permet aussi de réaliser un benchmark concurrentiel dans le cadre du lancement d’une nouvelle fonctionnalité ou activité, mais aussi de connaître les bonnes pratiques du secteur. Cela permet aux Product Managers de se focaliser sur leurs principaux concurrents dans l’analyse des parcours utilisateurs et des fonctionnalités.
ChatGPT peut aussi être particulièrement utile dans l’analyse de données, et ce à plusieurs niveaux :
L’IA possède de nombreux bénéfices pour les Product Managers. Elle leur permet de :
