Le métier de Product Manager Data : en quoi ça consiste ? @October

Cet article est un récapitulatif de l'interview MaestriX de Bertrand Compere, Senior Product Manager Data chez October.
🎙C'est quoi les Maestrix ? Ce sont les événements 100% gratuits en ligne organisés par Join Maestro pour rendre accessible tous les sujets du produit et de la tech. Vous souhaitez participer ? Jetez un œil aux prochains événements ici.

‍Et si vous débutez en product management et que vous souhaitez muscler vos compétences, consultez les programmes d'excellence Product de Join Maestro.
Le replay de l'interview 👇

1/ Qui est Bertrand Compere ? 🕵️

Cela fait 5 ans que Bertrand est Product Manager.
👉 Il a commencé à Montréal dans une toute petite entreprise, et petit à petit, il a continué en France.
👉 Il se spécialise en Product Manager Data chez UKG.
👉 Aujourd’hui, il est Senior PM data chez October qui propose des solutions de financements pour les entreprises.

2/ Le métier de PM Data

Bertrand nous explique que cela reste un poste de "PM classique", mais qu'on se concentre sur la production de solutions data science, avec ou sans IA.
👉 En complément parfois, le PM aide une entreprise à être plus data-driven.

Ce qui plaît le plus à Bertrand, dans ce métier de PM Data, c’est d'être capable de transformer un jeu de données abstrait en vraie solution pour les utilisateurs.

1. Au début, il récolte des données à partir de plusieurs sources, les données sont internes ou achetées auprès de fournisseurs.
2. Il faut ensuite trouver ce qu’on peut faire de la donnée : c’est la part de créativité de ce métier. On prend une donnée vierge pour la transformer en quelque chose de concret.

3/ Tes challenges du début

Quelles ont été les difficultés du début quand tu es passé de PM à PM Data ?

1. La complexité technique d’un produit data : il y a plus d’étapes que dans le développement d’un produit classique.
2. L’asynchronicité entre le développement de la solution data science et l'implémentation test utilisateur.
3. Vulgariser la data à la fois dans une équipe produit, mais également auprès des autres équipes : ils doivent comprendre les forces et faiblesses de la data.

Comment se passe la transition entre PM et PM data ?

👉 C’est assez challengeant, car l’usage de la Data en Produit est récent dans l’écosystème français. Il faut donc être curieux, volontaire et aimer les prises de risques pour s’adapter à ce nouveau poste. "Cette transition n’est pas un long fleuve tranquille."

⚠️ À retenir : le rôle de PM Data change beaucoup en fonction de la maturité de l’entreprise.

👉 Il faut se recréer sa fiche de poste quand on arrive dans une boîte, car les entreprises n’ont pas toujours conscience de leurs besoins en termes de data. Et dans les boîtes où l’usage de la data est bien structuré, on peut faire évoluer la data vers une industrialisation.

4/ Ton rôle chez October

Quelle est la journée type d’un PM data ?

Il n’y a pas de journée type chez October, que ce soit en tant que PM Data ou PM.

‍Ils ont plutôt des sprints type :

1. Ils découvrent un problème utilisateur en phase de Discovery
2. Ils passent une partie du sprint à trouver des solutions quantitatives à un problème qualitatif.

👉 C’est le sprint classique d’un PM avec les expérimentations qu’on va faire en data en plus.

‍💡 Bon à savoir, pour être plus fin dans ses propositions de valeur, il faut avoir une autre source de données et comprendre le positionnement data de ses concurrents.

Est-ce que les équipes avec lesquelles le PM Data travaille sont les mêmes que pour un PM classique ?

Le PM Data a beaucoup de dépendance avec les autres squads du PM "classique". Cependant, il travaille moins avec la partie QA, UX writing, qui sont plus concentrés sur la squad qui implémente le modèle.

👉 En tant que PM Data, on peut aussi être amené à collaborer avec l'équipe Business Intelligence, pour assurer le lien entre l’équipe BI et l’équipe produit.

5/ Comment savoir si le rôle de PM data est fait pour nous ?

1. Il faut aimer la créativité et prendre du plaisir à transformer des données très brutes en solution.
2. Il faut beaucoup anticiper, comme les phases de développement sont très longues, pour bien valoriser son temps, il faut prévoir de réutiliser certaines données plusieurs fois.
3. Il faut aimer se faire des nœuds au cerveau. Il y a un côté un peu matheux, transformer des équations en solutions concrètes et toujours apporter de la nuance dans ces solutions.

Quels prérequis pour décrocher un poste de PM data ?

👉 En général il n’y a pas besoin de savoir coder, mais cela dépend de la maturité de l’entreprise dans laquelle on travaille. Dans une entreprise très jeune, il est utile de savoir coder :  si tu mesures les choses, tu peux entrer toi-même les résultats.

👉 Le plus important est d’avoir déjà fait des projets dans son coin avec une partie data.
💡 Par exemple, mesurer son activité en course à pied et en ressortir des données pertinentes pour suivre l'évolution.

‍👉 Il y a beaucoup de No-Code aujourd'hui, si vous avez une idée en tête, il ne faut pas hésiter à en faire un produit. C’est une façon de montrer sa débrouillardise à l'entreprise.

6/ Les pratiques à adopter

Que faire quand on n'a pas assez de données ?

• En acheter sur des marketplaces : c’est qualitatif mais assez coûteux
• En trouver en open source : le milieu de la data source est très ouvert, on peut trouver des jeux de données assez qualitatifs sur Internet
• On peut en créer soi-même avec un monitoring assez puissant sur son produit

Quel site pour trouver des données en Open Source ?

Bertrand nous répond qu'il n’y a pas de site type. 🧐
En effet, on en trouve plutôt en recherchant des jeux de données sur un moteur de recherche directement.

⚠️ À retenir que la Data trouvée en Open Source reste quand même moins fiable qu’une donnée payée, à moins d’être utilisée par des centaines d’utilisateurs dans le monde.

💡 Par exemple, Eagle est une plateforme où les gens se mettent en compétition pour créer des jeux de données, elle fournit des données assez fiables.

Comment évaluer dans les entretiens la culture data d’une entreprise ?

Il faut comprendre la maturité avec laquelle l’entreprise traite la data, en posant des questions comme :

1. “Citez-moi un exemple où vous avez supprimé une fonctionnalité dans la production en vous appuyant sur de la data”
2. “Comment votre entreprise traite la donnée brute, prend le message et l’expose ?"

👉 Il faut comprendre le pipeline de la data en place.

Comment embarquer la boîte dans la culture data dès son arrivée ?

La meilleure manière de créer le changement, c’est de l’incarner soi-même.
👉 Il faut trouver des gens qui peuvent soutenir ses idées dans la boîte, trouver un cas d’usage simple à faire ensemble : identifier le problème, le quantifier, trouver la solution, la quantifier puis déterminer si la solution convient et débriefer avec toutes les équipes.

Quelles sont les cinq conseils à retenir en tant que PM Data junior ?

1. Il faut vulgariser la data, en expliquant aux équipes ce qu’on peut faire ou ne pas faire et montrer comment la data science peut aider à résoudre des problèmes.
   
   
2. Documenter à fond les algorithmes. S’il y a déjà plein d’algos en place, il faut mettre en avant la documentation interne et expliquer comment ces algorithmes fonctionnent, pour que les collaborateurs aient le moins d’effet "black box".
   
   
3. Itérer à fond avant de développer un modèle d’ingénierie.
   Si on est PM Data et développeur de solutions IA, cela ne vaut pas toujours le coup de commencer avec un gros modèle de Machine Learning.
   👉 Il vaut mieux toujours faire une première solution très simple, avec des stats, par exemple, puis valider le problème et la solution à apporter.
   
   
4. Éviter les biais en se demandant systématiquement d’où vient la donnée, ce qu’elle signifie et comment elle est générée.
   
   
5. Anticiper les incertitudes qu’on peut avoir sur la roadmap et faire attention aux dépendances avec les autres équipes. La squad Data est horizontal, et entretient beaucoup de dépendances avec les autres squads plus verticales.
   👉 Il faut faire en sorte d’interconnecter l’équipe data avec l’autre équipe pour éviter les quiproquos dans le process.