Le Triple Diamant de la Data

Pour les Product Managers venant du monde du software, la transition vers celui de la Data demande un double ajustement : comprendre un nouvel écosystème, mais aussi adapter la manière de faire du Product Management en elle-même. Les produits orientés Data & IA accusent souvent un retard en matière d’approche produit, ce qui conduit à une mauvaise application, voire à une réinvention, de méthodes de développement produit pourtant bien établies par ailleurs.

Notre objectif ici est de proposer des ajustements permettant d’exploiter pleinement les méthodes actuelles de Product Management dans le cadre de la création de produits Data & IA, de la Discovery au Delivery.

Nous allons pour cela nous concentrer sur l'un des grands standards de la Discovery Produit : le Double Diamant. Nous en étudierons les limites et proposerons une version adaptée aux spécificités de la conception de produits Data & IA.

De l’Idée à la Solution : le Double Diamant en Product Management

Afin de comprendre le cadre dans lequel le Double Diamant est utilisé, penchons nous sur le cadre dans lequel le Product Manager évolue.

Dans son livre “Escaping the build trap”, Melissa Perri définit le but du Product Management comme étant avant tout de réduire l’incertitude en répondant aux questions connues, et en rendant explicites les inconnues encore cachées.

Elle y décrit ce travail comme un processus continu de gestion des connaissances, réparties en quatre catégories :

• les known knowns (ce que nous savons - les faits),
• les unknown knowns (ce que nous intuitons),
• les known unknowns (ce que nous savons ne pas savoir - les questions),
• et les unknown unknowns (ce que nous ignorons totalement).

Le Product Manager agit en chef d’orchestre, guidant l’équipe produit à travers ces diverses formes de connaissance pour faire progresser le produit.

Le modèle du Double Diamant, conçu par le British Design Council en 2005, s’aligne parfaitement sur cette vision. Il propose un processus structuré en deux grandes étapes : d’abord l’identification du bon problème à résoudre (espace Problème), puis le développement de la solution la mieux adaptée (espace Solution).

Ces étapes sont chacune composées d’une phase de divergence (exploration) et d’une phase de convergence (sélection et affinement).

Le Double Diamant, est un cadre puissant pour structurer la découverte des unknown unknowns et la résolution de problèmes (transformer les questions et les intuitions en faits), tout en gérant les incertitudes de manière progressive et éclairée.

Les Limites du Double Diamant pour les produits Data & IA

Soyons clairs : un produit Data & IA reste un produit comme les autres, avec pour objectif principal de générer de la valeur pour l’utilisateur et l’organisation. Ce qui le distingue, c’est que la donnée constitue la matière première au cœur de cette création de valeur, entraînant ainsi des défis spécifiques que le double diamant peine à adresser dans sa version originale. Citons-en deux principaux.

Defi #1 : Ne pas faire passer la donnée en premier

Le premier défi, souvent observé dans les équipes fortement axées sur la technologie et la donnée, réside dans la tentation de créer un produit uniquement à partir des données disponibles, plutôt que de partir d’un besoin utilisateur clairement identifié. Cette approche peut entraîner une survalorisation de la technologie ou des capacités analytiques, au détriment de la véritable utilité pour l’utilisateur final.

Ainsi, plutôt que de comprendre profondément les problèmes et attentes des utilisateurs, ces équipes risquent de développer des solutions data qui ne répondent pas forcément aux enjeux réels.

Cela conduit alors à ce que Anne-Claire Baschet et Yoann Benoit décrivent comme le Data Death Cycle, où des équipes Data, face à la faible adoption de leurs produits techniques sophistiqués mais déconnectés des besoins du marché, développent des versions de plus en plus complexes, mais toujours plus éloignées des attentes des utilisateurs.

Défi #2 : Ne pas faire passer la donnée en dernier

Le second défi émerge lorsqu’on applique le processus du Double Diamant sans prendre en compte la réalité des données, notamment leur disponibilité et leur qualité. Dans cette configuration, l’équipe produit avance dans la phase de découverte et de définition des problèmes, puis dans le développement des solutions, sans vérifier si les données nécessaires sont accessibles ou utilisables.

Cette négligence expose l’équipe au risque de découvrir, bien trop tard, que la solution envisagée est techniquement infaisable ou extrêmement complexe à mettre en œuvre en raison de contraintes liées à la donnée. Ce manque de rigueur sur la question des données compromet la viabilité des solutions et peut entraîner un gaspillage de ressources.

Replacer la donnée au centre du débat, au service du produit

Pour relever ce double défi, il est crucial de considérer la donnée comme un élément central dans la réflexion, mais sans pour autant perdre de vue la problématique utilisateur. En ce sens, il est essentiel de trouver un équilibre entre les besoins du marché et la réalité des données disponibles.

L’Extension du Double Diamant pour les produits Data & IA : Le Troisième Diamant

Pour les produits Data & IA, il est donc crucial de trouver le bon timing pour étudier et sélectionner la donnée. Il est pour cela pertinent d’enrichir le Double Diamant d’un troisième espace : l’espace “Data”.

Ce troisième diamant s’ajoute aux espaces “problème” et “solution” et consiste à intégrer la donnée comme un axe de réflexion à part entière. Le processus devient donc un Triple Diamant avec :

1. L’espace problème : identifier le bon problème à résoudre.
2. L’espace solution : concevoir une solution adaptée au problème identifié.
3. L’espace data : évaluer et sélectionner les données pertinentes pour construire la solution.

Cette addition permet de traiter la donnée comme un élément fondamental dans la sélection du problème à résoudre et la solution proposée.

La place de l'espace Data

Afin de relever les défis spécifiques aux produits data & IA, l’espace Data ne peut être ni en amont de la réflexion sur le problème ni en aval de la définition de la solution. Il est donc pertinent de le considérer en parallèle des espaces problème et solution comme suit :

Tout comme les espaces problème et solution, l’espace data se compose d’une étape de divergence, dédiée à l’exploration et l’évaluation de la donnée et d’une étape de convergence aboutissant à la selection des meilleures données à exploiter.

Divergence : Explorer et évaluer la donnée, en parallèle de l’Espace Problème

La première étape dans l’espace Data consiste à explorer et évaluer les données disponibles et leur qualité.

Pour cela, nous avons développé un outil simple appelé Data Map, qui permet de visualiser clairement :

• Les données disponibles, leur origine, leur qualité et accessibilité.

• Les données manquantes et les opportunités d’acquisition.

Cette phase d’exploration doit se faire en parallèle de la phase de divergence de l’espace problème, car l’étude des données peut :

• Révéler des problématiques non identifiées (découvrir des unknown unknowns);
• Affiner la compréhension des problèmes existants (transformer des questions ou intuitions en faits);
• Écarter des problèmes insolubles faute de données accessibles.

‍

Convergence : Sélectionner la donnée, en parallèle de l’Espace Solution

‍

Une fois le problème défini, la phase de convergence de l’espace Data permet de sélectionner les données nécessaires à la construction de la solution et d’identifier et prioriser les actions nécessaires pour améliorer leur qualité ou leur accessibilité.

Ce processus affine la Data Map pour qu’elle devienne spécifique aux besoins de la solution envisagée.

Elle doit référencer les données et leur état dans le contexte des besoins du produit, et identifier les données (disponibles ou non) qui constitueront un avantage concurrentiel.

Cette phase se déroule en parallèle de l’espace solution, car elle permet :

• Lors de la divergence sur les solutions, d’identifier des données clés communes à récolter ou à améliorer en amont. Cette étape pouvant prendre du temps, il est pertinent de l’anticiper.
• Lors de la convergence de l’espace solution, de filtrer sur les données nécessaires et donc de converger sur les données. Réciproquement, l’accessibilité ou non des données permet d’écarter ou de déprioriser certaines solutions.

Un Exemple pour mieux comprendre

Prenons l'exemple d’une entreprise de distribution, au sein de laquelle l’équipe Produit souhaite utiliser l’IA pour améliorer l’efficacité de la chaîne d’approvisionnement.

Phase 1 : Divergence dans l’espace problème, Divergence dans l’espace Data

En phase de divergence, l’équipe réalise des interviews utilisateurs avec des responsables de la chaîne logistique, analyse des données d’historiques de vente, et mène des journées d’immersion (vis-ma-vie) avec les équipes terrain.

En parallèle, elle examine un large éventail de données : historiques de vente, délais de livraison, niveaux de stock et retours clients.

Grâce à la combinaison de ces démarches, plusieurs problèmes sont identifiés : des ruptures de stock fréquentes et des prévisions de demande peu précises, entraînant des pertes de ventes et des coûts supplémentaires.

Phase 2 : Convergence dans l’espace problème, Divergence dans l’espace Data

Après avoir cartographié les problèmes, l’équipe se concentre sur l’inexactitude des prévisions de demande (known unknown), confirmée par des analyses approfondies des données actuelles. En analysant les données et les méthodes de calcul utilisées, il devient évident que les prévisions reposent principalement sur des méthodes traditionnelles, sans prendre en compte les tendances saisonnières ni les comportements d’achat récents.

Le problème prioritaire à résoudre est donc défini : améliorer la précision des prévisions de demande pour réduire les ruptures de stock.

Phase 3 : Divergence dans l’espace solution, Convergence dans l’espace Data

Avec le problème défini, l’équipe explore plusieurs solutions, y compris des modèles d’apprentissage automatique qui analysent divers facteurs comme les promotions et les conditions météorologiques. En parallèle, elle examine la fraîcheur et la qualité des données disponibles, s’assurant que les informations utilisées sont à jour et fiables pour alimenter les modèles. L’équipe explore également les interfaces utilisateurs, réalisant des tests utilisateurs pour comprendre comment ils interagissent avec les prévisions.

Phase 4 : Convergence dans l’espace solution, Convergence dans l’espace Data

L’équipe Produit évalue les différents modèles d'IA et prototypes d’interface en réalisant des A/B tests et des simulations en conditions réelles. Le compromis optimal est trouvé avec un modèle fiable et une interface utilisateur intuitive, offrant des visualisations claires et des alertes automatisées.

La solution étant claire, l’équipe peut sélectionner les données effectivement nécessaires à la création de la solution.

L’équipe établit alors une roadmap des différentes évolutions de la solution, et y intègre les données à récolter ou améliorer afin de sous-tendre la création de chacune de ces étapes.

Le rôle crucial du 3ème Diamant:

• Si l’équipe Produit avait mené cette réflexion sans tenir compte de l’espace data, elle aurait pu converger vers une solution théorique parfaitement adaptée aux besoins des utilisateurs, mais non viable en pratique. Par exemple, la donnée nécessaire aurait pu être inaccessible ou trop coûteuse ou les algorithmes .
• Si l’équipe Produit s’était contentée de la phase de divergence dans l’espace data, sans écarter les données et modèles algorithmiques trop coûteux en termes de ressources au regard de l’appétence de l’utilisateur pour la solution cible, elle aurait risqué de tomber dans un Data Death Cycle. Les data scientists et ingénieurs se seraient alors lancés dans la quête d’un modèle ultra-performant, sans considérer la faisabilité globale et le retour sur investissement du projet.
• Enfin, sans une phase de divergence menée avec des experts data, l’équipe aurait pu manquer des opportunités de solutions innovantes, telles que des fonctionnalités prédictives, voire prescriptives, à proposer à ses utilisateurs.

Conclusion

En enrichissant le modèle du Double Diamant avec un troisième espace dédié à la donnée, les équipes Produit sont mieux équipées pour concevoir des solutions viables et adaptées à la réalité des données disponibles. Cette approche n’implique pas de réinventer les méthodes de Product Management, mais plutôt de les adapter aux spécificités des produits Data & IA, en considérant la donnée dès les premières étapes de la conception.

Le Triple Diamant permet de traiter les produits Data & IA de manière structurée, tout comme nous avons appris à le faire avec les produits mobiles, en tenant compte des contraintes spécifiques à la matière première à notre disposition — la donnée — dès le début du processus.

👉 Pour aller plus loin

Cet article est extrait des apprentissages proposés dans notre formation “Data & IA Product Manager Confirmé” dont le but est former les Product Managers aux spécificités de la Data et de l’IA et les Data Analysts et Data Scientists au Product Management. Retrouvez plus d’informations ici

La prochaine a lieu les 3 et 4 février 2025, et il reste quelques places !