Camille
Nombre de philosophes tels Pythagore, Leibzig ainsi que d’illustres musiciens comme Bach percevaient les nombres et l’arithmétique comme un moyen de représenter l’harmonie et l’équilibre du monde et du cosmos. Loin de telles considérations philosophiques, il est évident que notre environnement actuel demeure régi par les chiffres, non dans une visée philosophique, harmonique ou transcendantale, mais plus dans un souci de performance et de validation ou invalidation de certaines pensées. En ce sens, les chiffres permettent aux Product Managers de s’extraire de l’obscurantisme, afin d’être guidés avec raison vers les plus justes hypothèses produit. Sans chiffre, il ne reste que la subjectivité et le ressenti, dont la fiabilité est parfois douteuse. Les chiffres apportent crédibilité à une hypothèse produit, et permettent de réduire les risques liés à son développement. Encore faut-il néanmoins s’assurer de leur fiabilité, ainsi que de leur présentabilité ! En effet, qui a envie de lire 10 000 lignes d’un excel ? Personne ! La data visualisation devient alors le meilleur allié du Product Manager, qui peut, en s’appuyant sur l’esthétisme, convaincre ses interlocuteurs et leur transmettre plus aisément un message. Pour ce faire, il doit s’appuyer sur le Data Product Manager.
Le Data Product Manager est un partenaire clé du Product Manager. Il est le garant chiffre du produit. Son rôle est double : conseiller et surveiller.
Conseiller car, bien au-delà d’être un simple exécutant qui traite des demandes de création de dashboards, son rôle est d’orienter le Product Manager dans l’identification d’indicateurs de succès pertinents, la définition des KPIs, de la North Star, la façon de les calculer. Un Data Product Manager peut par exemple organiser des ateliers dédiés avec son Product Manager, afin de définir l’ensemble de ces notions et de les consigner à travers de la documentation. La documentation est primordiale car certains KPIs peuvent parfois sembler clairs mais ne le sont pas. Par exemple, un Product Manager peut souhaiter connaître le taux de conversion de son produit. Mais qu’est-ce qu’un taux de conversion ? Est-ce l’achat effectif d’un article sur une plateforme de e-commerce, ou alors la simple mise au panier ? Et comment calcule-t-on ce KPI ? Toutes ces éléments doivent être clarifiés par le Data Product Manager qui intervient donc comme un conseiller du Product Manager, et qui doit l’accompagner dans la clarification et la précision de sa pensée.
Surveiller fait aussi partie de son rôle, et cela à travers des dashboards de data visualisation, permettant d’identifier en un clin d’œil la performance d’un produit.
Le Data Product Manager peut intervenir auprès du Product Manager dans des tâches ponctuelles, approfondies ou récurrentes.
Ponctuelles lors du lancement d’une nouvelle fonctionnalité ou d’un AB test : le Data Product Manager définit alors conjointement avec le Product Manager les KPIs à suivre, les indicateurs de succès les plus pertinents, les objectifs chiffrés à atteindre. Dans le cadre d’un AB test, il définit aussi les segments de population, les variants, la durée la plus pertinente pour cet AB test, le support où seront présentés les chiffres. Pour une nouvelle fonctionnalité, surtout en cas de double run, il peut observer au jour le jour les performances et les comparer avec la cible à atteindre.
Approfondies lorsqu’une analyse ciblée, sur un segment de population particulier ou un cas d’usage précis, corrélant plusieurs données ensemble, lui est demandée. Dans ce cas, le Data Product Manager devient un chercheur : il cherche à établir des corrélations entre des données, afin d’aider le Product Manager à en déduire des hypothèses. Il peut aussi mener des analyses prévisionnelles, afin de prédire le comportement des utilisateurs en fonction de paramètres conjoncturels, ou encore d’estimer la performance d’une fonctionnalité avant que celle-ci ne soit lancée.
Récurrentes dans le maintien hebdomadaire d’un dashboard et sa surveillance quotidienne, afin d’assurer la levée d’alertes en cas de comportements inhabituels, pouvant témoigner d’une problématique en production. Par exemple, si les chiffres de trafic décroissent de manière fulgurante sur une page spécifique, cela peut signifier, entre autres, soit que le plan de tracking ne fonctionne plus, soit que la page n’est plus accessible par les utilisateurs. Le Data Product Manager, en levant l’alerte, aide le Product Manager et avec lui les équipes techniques et les QA à identifier les bugs.
Ces différents types d’analyses, ponctuels, approfondis ou récurrents peuvent être menés sur des outils de data visualisation différents, appropriés à chaque usage.
Les données utilisateurs type fréquentation d’un site web, provenance du trafic, temps passé par page sont facilement récupérables sur Looker Studio, grâce à des connecteurs directs avec Google Analytics. En effet, il suffit que le Data Product Manager travaille en étroite collaboration avec l’équipe tracking et le Product Manager, afin de définir un plan de taggage pertinent pour pouvoir récupérer les bonnes données. Il pourra ensuite récupérer des segments utilisateursspécifiques sur Looker Studio, combiner des données afin de créer son dashboard de data visualisation. Les dashboards Looker Studio sont très utiles pour des données généralistes sur les utilisateurs, mais permettent néanmoins rarement de rentrer dans le détail ou d’approfondir une analyse. Ces dashboards de data visualisation sont généralement ceux consultés quotidiennement par les Product Managers, dans le suivi de leur produit.
Tableau et Power BI permettent quant à eux de suivre des indicateurs spécifiques, en provenance de base de données dédiées. En effet, contrairement à Looker Studio, Tableau et Power BI peuvent se connecter à des fichiers .csv, ou encore des bases de données libres de droit. Ils ne sont pas directement liés à la fréquentation ou au comportement des utilisateurs sur le site web, mais plus à l’ensemble des données collectées par une entreprise au sein de ses bases de données. En ce sens, Tableau et Power BI permettent d’élargir les perspectives et de croiser des données dont les sources sont différentes : il est par exemple possible de compiler l’ensemble des données déclaratives des clients sur les stores ou sur google avis, de créer sa propre base de données et de matérialiser ces remontées et ces notes dans Tableau ou Power BI. Les possibilités créatives sont ainsi plus grandes avec Tableau et Power BI qu’avec Looker Studio.
Il est même possible, en récupérant des données de la concurrence, de faire des dashboards de data visualisation sur les performances de produits concurrents.
Jupyter Notebook, souvent utilisé par des Data Scientists, permet, à partir d’un dataframe, de faire des analyses approfondies sur des sujets ad hoc, mais aussi des analyses prédictives grâce à des régressions linéaires, des séries temporelles et des analyses statistiques. Cette étape est primordiale pour aider les Product Managers dans leur phase de discovery.
Jupyter Notebook permet de combiner des données afin de dresser des constats pertinents. Par exemple, il est possible de corréler la météo avec la fréquentation d’un site web qui vend des lunettes de soleil, ou encore le rapport entre nombre de pages vues par un utilisateur et achats. Cela permet de donner davantage d’indications sur le comportement des utilisateurs, leur état d’esprit et les facteurs qui influencent la fréquentation ou la conversion.
Les capacités prédictives de Jupyter Notebook permettent aussi d’envisager les performances d’une fonctionnalité ou d’un produit avant même son lancement, ce qui peut être très utile pour permettre aux Product Managers de se projeter ou d’étayer leurs hypothèses grâce à des dashboards prédictifs de data visualisation.
Quelques librairies Python sont particulièrement utiles pour établir plus rapidement des dashboards de data visualisation sur Jupyter Notebook :
Grâce à la data visualisation, les Product Managers peuvent tester leurs hypothèses produit, les valider ou les invalider, itérer sur des fonctionnalités mais aussi prévoir avant même le lancement d’une fonctionnalité les performances escomptées. Ils peuvent ainsi comparer l’attendu et le réel et se fonder sur cet élément pour corriger ou remettre à plus tard le lancement d’une fonctionnalité.
Il leur est aussi possible de tester la pertinence d’une fonctionnalité grâce à des AB tests ou du double run, en demandant au Data Product Managers de concevoir des dashboards ad hoc, spécialement à cet effet.
En utilisant des outils tel Kameleoon, il est aussi possible de personnaliser les parcours utilisateurs en fonction des données de comportements récupérées en temps réel. Par exemple, si le panier moyen d’un utilisateur dépasse tel prix, alors telle action est déclenchée…
Les indicateurs de succès pour tester et valider ses hypothèses produit peuvent être regroupés en cinq grandes catégories :
Les KPIs d’acquisition :
Les KPIs d’engagement :
Les KPIs d’activation :
Les KPIs de conversion :
Les KPIs de rétention :
La data visualisation est donc particulièrement utile pour les Product Managers. Elle leur permet de suivre quotidiennement les performances de leur produit, mais aussi de lever des alertes, d’identifier rapidement les problématiques en production. Elle leur permet d’étayer et de démontrer leurs hypothèses produit, de valider des décisions, mais aussi d’être dans une approche exploratoire grâce à des analyses approfondies. Elle facilite ainsi leur démarche de discovery.
Les principales plateformes de data visualisation sont :
