Data Product Manager… c’est à dire ?

read time

5 min

De chef de projet à Product Manager, changement de carrière !

Depuis quelques années, nous parlons de Data Product Manager, aussi appelé AI Product Manager, qui, comme leur nom l’indique, correspond au nouveau titre des Product Managers qui travaillent sur les Produits Data Science. À quoi correspond réellement ce poste et quelles sont ses particularités?

Petit tour d’horizon du quotidien et des compétences spécifiques d’un Data PM.

Pour en savoir plus : Télécharge notre livre sur les Produits Data Science  

Au fait, c’est quoi un Produit Data Science ?

C’est un Produit (ou par extension une feature) dont le coeur de la proposition de valeur est apportée à l’utilisateur grâce au Machine Learning. Si ce terme vous semble encore flou, nous vous invitons à regarder cette introduction au Machine Learning. Pour les plus motivés, vous pouvez suivre le MOOC d’Andrew Ng pour appréhender le sujet.

Il n’est pas exagéré de dire que ces produits et features ont envahi notre quotidien à une vitesse fulgurante ! Les recommandations basées sur le Machine Learning sont devenues des features clés d’Amazon et Netflix. Les feeds d’Instagram, Facebook ou LinkedIn, Google Translate, le calcul des temps de trajet de Google Maps en fonction de l’heure de la journée, le coefficient multiplicateur d’Uber ou encore les innombrables chatbots qui ont fleuri sur tant de services sont autant d’exemples de produits et features Data Science que nous avons adoptés.

Et ce n’est que la partie émergée de l’iceberg ! Détection de fraudes, optimisation du parc de serveurs, prévention du churn ou encore solution d’acquisition intelligente de Oui.SNCF sont des exemples d’applications du Machine Learning. Les clients ne les perçoivent pas toujours  mais ils se sont largement démocratisés.

Depuis quelques années les Produits Data Science ne sont plus la chasse gardée de quelques grandes entreprises du digital. De plus en plus de start-up mettent au coeur de leur produit le Machine Learning. C'est le cas par exemple d'Explain ; ils utilisent le NLP (Natural Language Processing, soit une intelligence artificielle appliquée au traitement du langage) pour analyser des dizaines de millions d'articles de presse et de documents administratifs afin de permettre aux entreprises de comprendre leurs enjeux locaux.
Cet essor a certes été porté par une certaine hype autour de l’IA mais c’est avant tout parce que le Machine Learning n’a pas d’égal pour adresser certaines problématiques que nous voyons une telle multiplication des initiatives… plus ou moins réussies.

Et le rôle du Data Product Manager dans tout ça ?

Comme pour tout PM, la mission du Data Product Manager est de piloter les développements du Produit pour arriver à maximiser la valeur apportée aux utilisateurs. Le rôle recèle pourtant des spécificités qui rendent le quotidien du Data PM particulier.

Tout d’abord parce qu’une équipe Produit Data Science se compose de profils classiques  tels que des développeurs front, back, des designers mais aussi de Data Scientists, Data Engineers voire même de Data Ops pour les produits les plus complexes.*

Constituer une équipe qui couvre un champ de compétences aussi vaste conservant une taille raisonnable est déjà un grand défi ! Le Data PM devra alors parvenir à comprendre les enjeux de chacun ; et à aligner des mondes radicalement différents pour atteindre les objectifs du Produit. Et c’est bien là qu’est tout l’enjeu !

Pour mieux comprendre encore le rôle du Data PM, il convient de détailler le fonctionnement d’un Produit Data Science. On pourrait le schématiser ainsi :

Schéma expliquant le fonctionnement d'un produit Data Science

D’une part, le moteur intelligent du produit, le modèle. A partir de données ingérées, un algorithme effectue une prédiction sur une variable cible que l’on cherche à déterminer. Dans le cas des suggestions Netflix, cette variable cible correspond au fait que l’utilisateur va aimer le film ou non. Cette partie du produit est au coeur du travail des profils Data de l’équipe.

D’autre part, l’activation, c’est à dire le mécanisme à travers lequel la prédiction va apporter de la valeur à l’utilisateur. Elle englobe la mise à disposition des résultats du modèle - l’affichage des vidéos recommandées- et l’activation de ce résultat -le fait de cliquer sur l’une des vidéos pour la regarder. Cette partie est principalement sous la responsabilité des équipes de développement.

Pourtant ces deux mondes ne peuvent pas fonctionner en silo. En fonction du type de modèle et de ses performances, l’activation va devoir être adaptée.

L’évolution de la voiture autonome en est une bonne illustration. Dans un premier temps, le modèle, relativement basique, ne peut réaliser que des tâches très spécifiques -un créneau par exemple. L’utilisateur doit activer cette fonctionnalité sur la voiture à ce moment précis pour qu’elle se gare toute seule. Au gré de l’amélioration du modèle, le champ d’application s'étend pour permettre la conduite sur autoroute. Néanmoins, l’utilisateur doit toujours rester attentif et se tenir prêt à reprendre les commandes à tout moment. Ce n’est que dans un futur plus ou moins proche que l’on s’attend à voir apparaître des modèles suffisamment performants pour gérer la conduite de manière complètement autonome.

On voit bien qu’en fonction de l’évolution du modèle, l’interaction avec l’utilisateur -et donc l’interface- est complètement repensée. On passe d’un modèle où l’utilisateur active une fonction, à celui d’un assistant pour enfin finir sur un modèle où la machine est autonome !  

Le Data PM doit analyser les performances du modèle comme celles de l’activation. L'objectif est de prioriser les chantiers, partager cette vision avec l’équipe et co-construire une roadmap qui garde une cohérence entre algorithmie et interface.

La principale difficulté vient de l'écart de temporalité entre ces deux univers. La Data Science est une discipline exploratoire. Lorsqu’on s’attaque à un nouveau modèle, on peut difficilement savoir quand on atteindra les performances cibles ; ni même si on les atteindra ! L’un des grands challenges du Data Product Manager est alors d’arriver à arbitrer entre itérations rapides (en découpant le scope, diminuant la complexité du modèle, le nombre de sources, etc.) et chantiers exploratoires plus ambitieux qui peuvent radicalement changer la performance du produit.

Les compétences du Data Product Manager

On ne le répètera jamais assez, un Data PM reste un PM . Il doit donc avant tout maîtriser les compétences du Product Management. Cependant, il devra ajouter quelques cordes à son arc qui peuvent être rassemblées en 4 grandes catégories.

1. Culture Data Science & Big Data

Il ne peut réussir sa mission que s'il maîtrise certains concepts relatifs à la Data Science et au Big Data. Il est par exemple pertinent pour lui de comprendre le fonctionnement des modèles de Machine Learning classiques et les notions d’entraînement de modèles ou de Feature Engineering ; faute de quoi il lui sera difficile de communiquer efficacement avec son équipe  

2. Cas d’usage Data Science

Le Data PM doit être capable d’identifier les problèmes utilisateurs qui pourront être résolus grâce à la Data Science. Pour y parvenir, il devra non seulement connaître un grand nombre de cas d’usage mais également avoir une bonne intuition de leur complexité et du cadre dans lequel ils peuvent être réalisés.

3. Analyse de données

La donnée étant au coeur de son produit, il doit pouvoir l’analyser, la comprendre et l’interpréter pour identifier des potentiels inexploités par son produit. C’est en se basant sur cette connaissance approfondie des performances qu’il pourra orienter au mieux les développements et faire les arbitrages pertinents.

4. Produits Data Science

Il est primordial qu’il sache définir le MVP d’un modèle ; mais aussi qu’il soit capable d’animer des ateliers de co-conception qui alignent les aspects développement et Data Science. Il devra donc avoir une connaissance fine de la manière dont on réalise un produit Data Science pour être capable de proposer une roadmap et des itérations cohérentes qui maximisent la valeur apportée.  

Data Product Manager, un nouveau rôle ?

L’apparition de Produits aux fonctionnements spécifiques nécessite de développer des compétences et méthodologies adaptées. Profitant d’une forte croissance ces dernières années, les Produits Data Science en sont l’un des exemples les plus visibles. On observe cependant des tendances similaires sur d’autres types de produit comme les API.

Le Data Product Manager garde donc les mêmes missions et le même rôle qu’un Product Manager. Néanmoins, il a décidé de se spécialiser afin de traiter efficacement les nombreuses particularités de son Produit.

Pour en savoir plus : Télécharge notre livre sur les Produits Data Science

Publié le 24 juin 2019

Mis à jour le 28 mars 2024

clipboardCopier le lien
Ecrit par
Nathan Chauliac
Nathan Chauliac Diplômé de l’EDHEC puis de Centrale Paris, Nathan début sa carrière dans la négociation de partenariats et le développement commercial pour diverses entreprises. Il rejoint Thiga en 2016 où il se passionne pour les produits Data Science. En tant que Head of Data Product Management, Nathan accompagne ses clients dans l’adoption d’une démarche produit de : l’initiation de leur premier produit Data Science à la mise en place d’une organisation produit pour les équipes les plus matures. Après 5 années passées chez Thiga, Nathan rejoint Alma, en tant que Head of Product.

Les prochains évènements

La Product Conf Paris

calendar

15 May 2024

Découvrir

Transformed Workshop by Marty Cagan

calendar

25 Apr 2024

Découvrir

Filles_ordinateur

Envie de partager tes idées ?


Plus de 20.000 passioné.e.s du Produit viennent sur notre média chaque mois. Retours d’expérience, opinions clivantes, n’hésite pas à nous proposer des contenus.

 

Contacter la rédaction