La Gestion de la Data, un nouveau produit ?

Les données sont aujourd’hui disponibles et pléthoriques mais les entreprises font cependant face à des organisations silotées où les données sont stockées dans des technologies éparses et difficilement interconnectées. Il est donc nécessaire de professionnaliser l’usage de la data et d’expertiser le management de ces données pour en faire une source de valeur pour les organisations.

Plusieurs défis se présentent alors aux entreprises : réconcilier et croiser les données collectées, les stocker & les traiter, les documenter, mais aussi les rendre accessibles pour pouvoir optimiser et faciliter leur exploitation au sein de l’entreprise. Les données sont donc plus qu’une simple ressource : elles sont devenues un produit en soi. La transformation des données brutes en informations précieuses et exploitables est au cœur des stratégies d’affaires modernes.

C’est dans ce contexte qu’émerge la notion de Data as a Product dans les organisations.

Cette démarche n’est pas simplement une tendance, c’est une mutation profonde dans la manière dont les données sont perçues, traitées et valorisées.

L’évolution des stratégies Data

Dans cette logique, la première ère de la data consistait à collecter des données dans le but de les exploiter par la suite. La majorité des annonceurs a désormais intégré cet enjeu dans les stratégies marketing et a ainsi relevé le défi. Cela est notamment possible par une multitude d’outils et de solutions de webanalyse, d’adserving, etc. et notamment par la suite des outils de dashboardings pour structurer et clarifier la donnée.

Poussés par la sensibilité accrue des utilisateurs à la protection des données sur internet, une rationalisation des données a lieu mais aussi une collecte de données plus réfléchie avec des enjeux autour de la Qualité et de la Délivrabilité.

Pour répondre à ces nouvelles contraintes, les marques doivent donc entrer dans une nouvelle phase de maturité où l’enjeu n’est plus la collecte. Les modèles de données comme service (DaaS) gagnent en popularité et les directions Data se structurent pour rendre la donnée accessible via le Data Management. Cela contribue à décentraliser la donnée et à faire émerger la notion de Data as a Product pour se concentrer sur la création de produits de données centrés sur l’utilisateur.

Les Data Products et le Product Management, pierres angulaires du Data As A product

La notion de Data Products

Si la notion de Data Product émerge en 2012 avec DJ Patil, ancien Data Scientist chez Linkedin, elle est popularisée dans un essai de  Simon O’Regan qui vient catégoriser les types de Data Products.

Une définition émerge alors pour définir les data products comme des produits qui facilitent un objectif final grâce à l’utilisation de données. Ainsi il peut s’agir d’un tableau de bord, d’une liste de restaurants recommandés à proximité, une voiture à conduite autonome, un agent conversationnel comme Chat GPT, … . Si certes ces produits ont toujours existé à travers de tableaux, de rapports, de dashboardings, de modèles, on tend par cette notion de “Data Products” à les regrouper sous un ensemble unique.

Le passage du Project Management au Product Management

Le “project management” se concentre sur la gestion et la réussite d’un projet spécifique avec des objectifs, des délais et un budget définis, tandis que le “product management” se concentre sur le développement, la gestion et l’amélioration continue d’un produit tout au long de son cycle de vie,

en tenant compte des besoins des utilisateurs et du marché. Ainsi le Product Management va permettre de répondre à des questions :

• A quelles problématiques clients je réponds ? Quelle valeur je crée ?
• Quelle vision de mon produit à court, moyen et long  terme ?
• Quel(s) impact(s) business ?
• Comment le construire / développer ?
• Comment augmenter la qualité de l’Expérience client ?
• Comment je m’intègre dans les opérations de l’entreprise ? Quel(s) impact(s) aura la prochaine feature ?
• Prioriser, Prioriser, Prioriser

Les enjeux du Data Products avec les équipes Produit

Intégrer les Data Products au cœur des stratégies d’équipe Produit ouvre de nouvelles perspectives et de nouvelles méthodologies :

• Adopter une approche job to be done : mapper l’ambition de l’utilisateur et les interactions avec l’entreprise.
• Définir les données à exploiter pour créer de la valeur : cela passe par la priorisation et la compréhension des besoins grâce au product manager.
• Définir les enjeux des utilisateurs internes : définition de l’usage, acculturation, formation, SAV,…
• Quitter l’approche projet : une approche itérative et incrémentale, centrée sur la valeur.

Ces Data products se sont démocratisés dans toutes les directions métiers sous des formes diverses en fonction des besoins.

L’émergence du Data As a product

Le Data As A Product constitue l’application des visions et méthodologies “produit” au patrimoine de données pour la construction de data products pertinents. Il repose sur 4 piliers :

• La découvrabilité : facilité avec laquelle les utilisateurs peuvent trouver, accéder et comprendre les données disponibles en tant que produit (indexation metadata, doc, good UI)
• L’accessibilité avec des processus d’accès et de consultation simples, interlocuteurs identifié
• L’interopérabilité : Capacité à faire du re-use sur les data products
• La fiabilité des données

Les enjeux du Data as a product

La pertinence du concept de ‘Data as a Product’ s’affirme à travers ses multiples applications et son impact dans divers domaines métiers. Cette approche englobe une large gamme d’usages, allant de la génération de recommandations produits et la mise en place d’agents conversationnels en e-commerce, à la création de marketplaces de données, en passant par l’élaboration de tableaux de bord personnalisés, l’intégration de données IoT, l’enrichissement du knowledge client, le développement de produits de données financières, et l’implémentation de stratégies de marketing data-driven.

Au cœur de cette démarche, l’objectif est de concevoir des offres sur mesure, enrichies par des données comportementales pour une personnalisation accrue, d’optimiser la prise de décisions grâce à des insights data-driven, et de forger de nouveaux modèles d’affaires et stratégies de marché, s’appuyant sur une analyse approfondie des données.

Une approche qui repose sur un cycle de vie produit

En intégrant la data dans une approche basée sur un cycle de vie de produit, il est possible de transcender la simple collecte et analyse de données pour les transformer en produits de valeur, suivant un parcours structuré qui maximise leur potentiel et impact à chaque étape. Cela passe par la compréhension des problématiques, la conception et le développement des solutions avant le déploiement des solutions.

Les prérequis au Data as a Product

Pour réussir dans l’univers du ‘Data as a Product’, certaines conditions fondamentales doivent être réunies. Chaque élément constitue un pilier essentiel pour transformer efficacement les données en un produit stratégique et personnalisé répondant aux exigences spécifiques de l’entreprise

1. Capacité à connecter des sources de données de sources diverses
2. Capacité à parler à toutes les données dans un langage unifié
3. Sécurité des données
4. Assurer la qualité des données pour transformer la donnée en fonction des besoins de l’entreprise
5. Sélectionner vos données en fonction du contexte et de l’utilisateur
6. Faciliter l’accès aux données

Une approche Data as a product qui s’intègre dans une organisation Data Mesh

Le Data Mesh est une architecture  de données qui organise les données par domaine d’activité spécifique (par exemple, le marketing, les ventes, le service client, etc.). Cela repose sur l’adhésion de chaque entité autour de la data  pour maximiser les impacts structurels.

Ainsi, l’usage de la data s’étend progressivement à l’ensemble des métiers des entreprises à des stades de maturité variables d’un métier à l’autre et le partage de données facilite la propagation d’insights au sein de l’organisation comme avec ses partenaires.

Des cas d’usages émergent dans tous les métiers comme :

• Finance & Administratif pour la prévision des ventes ou détection des fraudes
• Offline avec la segmentation PDV ou l’attribution cross-channel
• Sales : Segmentation clients ou Stratégies de vente
• RH : pour le recrutement, la rétention collaborateurs, la formation
• Service client autour de la satisfaction clients ou de l’Up Selling / Cross Selling

Il existe plusieurs organisations possible autour du Data Mesh :

De nombreux challenges à surmonter pour mettre en place une organisation Data Mesh

La mise en œuvre d’un Data Mesh, bien que prometteuse, implique de naviguer à travers une série de défis complexes :

• Toutes les données n’ont pas forcément la même valeur
• Conduire le changement pour adopter une méthodologie produit
• Combler un manque de compétences / ressources autour de la Data
• Faire évoluer un héritage technologique “legacy”
• Accompagner la mise en place d’une plateforme self-service
• Définir une gouvernance efficace, adaptée et respectée
• Embarquer les équipes et prouver l’intérêt de la Data
• Convaincre du retour sur investissement (ROI)  même si parfois lent

Il est donc nécessaire définir une vision globale de la stratégie pour fédérer les équipes. Cela passe par l’Upskilling et l’acculturation des équipes à l’usage de la donnée et ce notamment grâce à l’expertise des équipes Data. Cela permet d’adapter le projet aux besoins de chaque équipe pour démontrer la valeur de la Data. Ainsi la mise en œuvre d’un Data Mesh repose sur plusieurs étapes clés pour la bonne réussite de cette organisation.

Conclusion

L’approche “Produit” entraîne des changements de périmètres et de responsabilités des équipes “historiques”. On voit ainsi émerger de nouveaux métiers autour de cette nouvelle organisation comme ceux de Product Managers Data, Product Owners Data, Product Analysts mais aussi des métiers Ops.

En parallèle, les structures d’équipe évoluent pour intégrer ces nouveaux métiers avec des organisations plus transverses où la Data intervient dans chaque direction.

Enfin les modèles organisationnels évoluent eux aussi et se modernisent avec la création de Data Office / Data & IA Factory.