Penser sa Data Platform comme un Produit

Cet article est une version condensée d’une keynote d’une conférence sur les Data Platforms à visionner ici

‍

Toute équipe Data qui commence à passer à l’échelle en termes de nombre de sources de données et d’initiatives réalisées se penche sur la notion de Data Platform.

Face aux attentes grandissantes qui arrivent sur les épaules des équipes Data, monter une Data Platform est souvent un axe naturel d’évolution sur l’axe technologique.

Parmi ces attentes, nous retrouvons classiquement : 

• Démontrer et mesurer la valeur et l’impact de leurs actions en termes de ROI (Return On Investment) ;
• Produire plus de projets, plus de cas d’usage, plus de Produits Data, sans avoir à multiplier la taille de l’équipe ;
• Augmenter le Time To Market en allant plus rapidement en production ;
• Améliorer la qualité et la fiabilité des réalisations de l’équipe.

Malheureusement, force est de constater que la manière dont les équipes et entreprises implémentent et gèrent leur Data Platform génère des frictions et de nombreuses frustrations : 

• Elles sont en général vues comme des black box qui ajoutent plus de contraintes qu’elles ne permettent des accélérations ;
• Il est souvent difficile de vraiment savoir ce que l’on peut y faire à l’intérieur.

Et pour cause : de nombreuses Data Platforms sont conçues comme n’importe quel autre Projet d’entreprise, avec une portée fixe définie par un groupe de personnes expertes, et pour lequel les utilisateurs sont considérés comme des personnes à prendre par la main plutôt que comme des clients à satisfaire.

Cette façon de penser conduit à une mauvaise adoption, à un manque de confiance et à des “Shadow Data Platforms” qui se montent en cachette.

Dans cet article, nous reviendrons sur la raison d’être d’une Data Platform, ses origines, et surtout sur la nécessité de la concevoir comme un Produit à part entière. 

Bien construite et exploitée, une Data Platform permet aux organisations de gagner en impact en transformant leurs données en informations exploitables et en Produits Data et IA stratégiques, accélérant ainsi l'innovation, l'efficacité et la croissance.

Voyons comment.

A l’origine : Des plateformes pour soutenir la croissance de l’industrie automobile

Les challenges de passage à l’échelle et d’industrialisation ne sont pas spécifiques aux équipes Data. Et la création de plateformes pour soutenir cette croissance non plus.

Dressons quelques parallèles avec les évolutions vécues dans l’industrie automobile pour bien comprendre cela.

Cette industrie est en croissance permanente : le nombre de véhicules produits annuellement, mais aussi le nombre de nouveaux modèles sortis chaque année augmentent en permanence, comme le montre le graphique suivant : 

Ces évolutions ne sont pas sans rappeler le nombre croissant de cas d’usages Data que les équipes doivent réaliser, aussi bien que la variété de leur typologie (analytique, Data Science, GenAI, etc.).

Pour soutenir cette croissance, l’industrie automobile a dû adapter ses chaînes de production en conséquence. C’est là que la notion de plateforme entre en jeu. Et ces plateformes sont devenues de plus en plus modulaires avec le temps : 

Vers 1920, les entreprises s'organisent avec une chaîne de montage dédiée pour chaque modèle.

A partir de 1960 apparaissent des plateformes qui mutualisent les composants techniques “invisibles” pour le consommateur final et nécessitent de l’ingénierie lourde (châssis, suspension, embrayage, direction, etc.). Les constructeurs n’avaient alors qu’à changer les “Hat form” (autrement dit les “chapeaux”) qui représentent la face visible des véhicules avant de mettre le véhicule sur le marché, et ainsi diminuer drastiquement le coût de création d’un nouveau modèle.

Vers les années 2000, un nouveau cap a été franchi avec des plateformes beaucoup plus modulaires pour permettre une réutilisation de composants utilisés pour de nombreux véhicules à la taille et à la carrosserie très différentes, permettant ainsi une déclinaison de modèles dans des configurations multiples. 

Aujourd’hui, toute l’industrie automobile utilise cette approche avec plusieurs plateformes par marque, et même des plateformes mutualisées entre plusieurs groupes concurrents.

Des Data Platforms depuis le début de l’histoire de la Data

Côté Data, les Data Platforms ont suivi une évolution similaire vers toujours plus de modularité. 

Schématiquement, 4 périodes structurantes ont vu le jour et ont marqué une étape significative dans l’histoire de la gestion de la donnée.

Les années 1970 marquèrent l’ère des bases de données relationnelles, posant les fondations pour le stockage et la gestion des données structurées. L’utilisation principale de la donnée était liée à du reporting de base avec peu d’utilisateurs finaux, marquant les premiers pas vers la démocratisation de l’accès aux données.

Les années 1990 furent marquées par l’avènement des architectures de type Data Warehouse, permettant une expansion du champ des possibles avec l’intégration croissante de sources de données issues des systèmes opérationnels.

Grâce à ces plateformes, une plus grande diversité de cas d’usage devient possible, en particulier de la Business Intelligence et de l’Analytics, ouvrant la voie à une utilisation plus poussée des données dans différentes fonctions de l’entreprise.

Vinrent ensuite les années 2010 et l’ère du Big Data et du Cloud. Grâce à ces évolutions, l’accélération du passage à l’échelle de la BI et de l’Analytics devint exponentielle, rendant l’analyse de données accessible à une majorité de l’entreprise.

De nouvelles perspectives devinrent alors possibles, avec notamment l’émergence de cas d’usage orientés Data Science et Machine Learning à grande échelle, nécessitant l’intégration de nouvelles technologies au sein des architectures existantes.

Enfin, depuis 2019, nous franchissons un pas de plus vers la modularité avec l’avènement des Modern Data Stacks et de la notion de Self-Service Data Platform. Les plateformes monolithiques sont devenues un goulot d’étranglement empêchant de répondre aux besoins croissants des entreprises. Plus de flexibilité et de réactivité sont attendues, et les Data Platforms ont dû s’adapter en fonction : 

• Une orientation self-service, facilitant le développement de Produits Data pour un grand nombre d’acteurs, et réduisant ainsi la complexité technique dans leur réalisation ;
• Une plus grande interconnexion entre les Data Products créés
• Un objectif de fournir des Capabilities plus simples à prendre en main pour les équipes au sein des domaines métier et faisant un maximum abstraction des complexités techniques sous-jacentes.

Les avantages de l’approche Plateforme

Au final, quelle que soit son industrie, l’adoption d’une plateforme apporte une multitude d’avantages significatifs pour soutenir la croissance.

Dans le cadre spécifique des Data Platforms, les avantages sont nombreux : 

• Capacité de production accrue : Elles offrent une infrastructure robuste permettant de gérer un volume croissant de données et de supporter divers projets et applications ;
• Innovation accélérée : Elles facilitent le développement rapide de nouveaux services et applications basés sur les données, encourageant ainsi l'innovation ;
• Réduction du Time to Market : Elles optimisent les délais de développement, permettant aux entreprises de réagir rapidement aux opportunités de marché ;
• Amélioration de la qualité et de la sécurité : Elles renforcent la conformité et la sécurité des données, un aspect crucial dans le contexte réglementaire actuel ;
• Réalisation d’économies d’échelle : Elles permettent de ne pas réinventer la roue et de capitaliser sur les efforts fournis par d’autres équipes pour accélérer la création de nouvelles initiatives Data.

Classiquement, une Data Platform contient 4 types de capabilities : 

• Ingestion 
• Stockage 
• Transformation
• Analyse et exposition

Prenons l’exemple d’un site e-commerce qui doit développer deux initiatives distinctes : un dashboard de suivi du chiffre d’affaires à destination de la direction générale, et de la recommandation de produits pour les visiteurs du site. Grâce à l’approche plateforme, les équipes développant ces initiatives se voient mises à disposition des outils et composants nécessaires pour construire ces solutions spécifiques, tout en cachant la complexité sous-jacente de l’infrastructure de données.

Concevoir sa Data Platform comme un Produit

Comme nous l’avons vu au début, pour éviter les principaux écueils d’une approche Projet classique pour la conception d’une Data Platform, une approche de Product Management de cette dernière est nécessaire. 

Concevoir sa Data Platform comme un Produit implique un changement de paradigme dans l’approche, avec la satisfaction de ses utilisateurs en North Star.

Qui sont les utilisateurs d’une Data Platform ? Les équipes techniques. Ce sont elles qui sont amenées à concevoir les projets et produits Data de l’entreprise. 

Une approche Produit pour une Data Platform consiste donc à prioriser des fonctionnalités et établir sa vision Produit à long terme en fonction des besoins de ces utilisateurs particuliers, en lien avec les objectifs stratégiques de l’entreprise.

Une connaissance approfondie de ces utilisateurs et une capacité à faire évoluer le produit avec les demandes du marché sont des facteurs clés de réussite d’une Data Platform. Comme n’importe quel produit digital, une Data Platform doit répondre aux caractéristiques suivantes, popularisées par Marty Cagan dans son livre “Inspired” : 

• Utile : Répondre efficacement aux besoins réels des utilisateurs ;
• Utilisable : Offrir une expérience utilisateur intuitive et accessible ;
• Faisable : Assurer la réalisation technique et opérationnelle du produit ;‍
• Viable : Garantir le soutien et l'alignement avec les objectifs stratégiques de l'organisation.

Ces principes sous-tendent la conception et le développement de Data Platforms qui non seulement répondent aux exigences techniques mais maximisent également l'adoption et l'impact au sein de l'entreprise.

Facteurs clés de réussite d’une approche Plateforme

Nous vous proposons quelques facteurs de réussite pour maximiser vos chances dans la conception de votre Data Platform comme un Produit.

Connaître et satisfaire ses utilisateurs

Au cœur d’une Data Platform se trouve la relation avec les utilisateurs. Pour garantir leur satisfaction, il est essentiel d’entrer en compréhension profonde de leurs besoins spécifiques. Qui sont-ils exactement ? Comment envisagent-ils d’utiliser les outils mis à leur disposition ?

Comme pour tout produit digital, un engagement actif de votre part auprès des utilisateurs est requis : 

• Rencontres et discussions : Un dialogue ouvert avec les utilisateurs permet de cerner leurs attentes, envies et éventuelles frustrations ;
• Collecte des besoins : L'utilisation d'outils comme les interviews ou le Value Proposition Canvas aident à structurer la compréhension des besoins utilisateurs ;
• Mesure de la satisfaction : Des enquêtes régulières, telles que le Net Promoter Score (NPS), offrent un retour quantitatif sur la satisfaction des utilisateurs.

Accélérer les activités des utilisateurs

Pour que les utilisateurs tirent pleinement parti de la Data Platform, il est essentiel de leur fournir :

• Des outils et ressources clés en main : Des outils bien conçus, documentés et faciles à utiliser qui leur permettent de réaliser leurs objectifs plus efficacement ;
• De la documentation et du support : Une documentation claire et un support réactif sont indispensables pour accompagner les utilisateurs dans l'utilisation de la Data Platform ;

De la formation et de l’accompagnement : Des formations et des sessions d'accompagnement personnalisées aident les utilisateurs à se familiariser rapidement avec les outils disponibles.

Obtenir la confiance

La confiance est un pilier fondamental pour le succès d'une Data Platform. Pour la construire et la maintenir, voici quelques pistes :

• Maximiser la fiabilité et la sécurité : Assurer la fiabilité, la qualité et la sécurité des données et des services offerts par la plateforme ;
• Faire preuve d’adaptabilité : L'adoption de méthodologies agiles et de processus clairs pour le développement et la maintenance de la plateforme garantit son évolution constante ;
• Mettre en place des indicateurs de suivi : Des indicateurs précis, tels que les niveaux de service (SLA) et des métriques d'observabilité, permettent de surveiller la performance et la fiabilité de la plateforme.

L’objectif est de faire en sorte que votre Data Platform soit perçue comme un écosystème robuste et évolutif, soutenant efficacement les initiatives data des entreprises et offrant une expérience utilisateur optimale.

Les conséquences d’une perte de confiance

Si les utilisateurs perçoivent que le ratio coûts - énergie - risques / bénéfices ne leur est pas favorable, ils peuvent tout simplement décider de ne pas lancer leurs initiatives devant la complexité, les coûts et la difficulté d’utiliser la plateforme.

En conséquence, sous la pression de délivrer rapidement et/ou d’avoir la main sur certains composants techniques clés, certaines équipes décideront de développer des solutions sur-mesure en dehors de l’écosystème de la Data Platform, augmentant ainsi la complexité technologique, les coûts et la maintenabilité à moyen et long terme.

Dans certains cas, les équipes vont jusqu'à construire leur propre Data Platform sur laquelle ils vont implémenter leurs initiatives, percevant les offres existantes comme insuffisantes. Cela peut mener à une duplication des efforts et à une dispersion des ressources.

Faciliter la conciliation entre la Plateforme et les Produits

Il est essentiel d'établir une collaboration étroite entre l'équipe responsable de la Data Platform et ses utilisateurs. En particulier, nous vous recommandons de mettre l’accent sur les éléments suivants : 

• Mettre en place une gouvernance inclusive : Définir une gouvernance qui inclut les retours des utilisateurs dans le processus décisionnel, assurant que la plateforme évolue en fonction de leurs besoins réels ;
• Adopter un Modèle Opérationnel équilibré : Trouver un équilibre entre les standards à respecter et les libertés accordées aux utilisateurs pour explorer et innover, favorisant ainsi l'adoption tout en maintenant la sécurité et la conformité ;
• Communiquer régulièrement et documenter : Justifier les choix technologiques et opérationnels, documenter clairement les règles et standards, et fournir des lignes directrices pour l'utilisation efficace de la plateforme ;

Expliciter les capabilités de la plateforme, en proposant notamment un catalogue de services clair.

L’objectif n°1 étant de maximiser l’expérience utilisateur de la Data Platform, qui aura pour conséquence une forte adoption et une utilisation active et innovante de cette dernière.

Par quoi commencer ?

Si le terme MVP (Minimum Viable Product) est maintenant bien connu dans l’écosystème Produit, en ce qui concerne une Data Platform, le concept de Thinnest Viable Platform (TVP) introduit dans le livre Team Topologies nous paraît être le plus adéquat à viser pour démarrer la construction de votre Data Platform.

Voici 3 éléments à garder en tête en tant que Product Manager et équipe conceptrice d’une Data Platform allant dans ce sens.

Une Data Platform évolutive et frugale

Pour construire une plateforme qui réponde aux besoins de ses utilisateurs, l’évolutivité et la modularité sont clés. Il est essentiel de dimensionner la Data Platform par rapport aux besoins des équipes techniques utilisatrices, le tout avec un design modulaire et évolutif et des ambitions de self-service et d’automatisation.

Une Data Platform étant un produit technique, à destination d’utilisateurs techniques, et conçue par des profils techniques, la tentation est très forte de se persuader que l’on connaît parfaitement les besoins en amont et qu’il n’y ait pas besoin de prendre le feedback utilisateur. C’est une erreur.

Emporter l’adhésion

Les équipes conceptrices d’une Data Platform négligent régulièrement leur rôle essentiel dans la maximisation de l’adoption de cette dernière par les équipes. 

Pire, les équipes peuvent se voir recevoir des messages les contraignant dorénavant à utiliser exclusivement la Data Platform pour les futurs développements, même si cette dernière n’est pas totalement adaptée à leurs besoins.

Forcément, une résistance au changement se met rapidement en place, et un climat de “nous versus eux” apparaît.

Pour maximiser l'adoption et l'efficacité d'une Data Platform, il est crucial pour l’équipe conceptrice d’adopter des stratégies qui vont au-delà de la conception technique :

• Communication et sensibilisation : Il est vital de communiquer clairement les avantages et les fonctionnalités de la plateforme pour encourager l'adoption ;
• Fédération d'une communauté : Encourager la création d'une communauté d'utilisateurs et de développeurs autour de la Data Platform peut grandement favoriser le partage des connaissances et des meilleures pratiques ;
• Roadmap Transparente : Offrir une visibilité sur les évolutions futures de la Data Platform et les opportunités pour les utilisateurs de contribuer peut renforcer leur engagement ;
• Support à l'adoption : Fournir des ressources, de la documentation, et un support technique réactif est essentiel pour accompagner les utilisateurs dans l'intégration et l'utilisation efficace de la plateforme.

Mesurer le succès du Produit, pas que de la technique

Le succès d’une Data Platform ne se mesure pas seulement par des critères techniques sur la présence ou non de tel ou tel composant. Nous vous encourageons à mesurer le succès d’une Data Platform de la même manière que l’on mesure le succès de n’importe quel produit digital.

Voici trois catégories d’indicateurs clés que nous vous recommandons de suivre : 

• Satisfaction des utilisateurs : Mesurer régulièrement la satisfaction à travers des enquêtes de type NPS et des prises de feedbacks permet de comprendre l'expérience utilisateur et d'identifier les améliorations nécessaires ;
• Adoption et Engagement : Suivre le taux d'adoption par les équipes et l'engagement d'utilisation de la plateforme offre un aperçu de son intégration au sein de l'organisation ;
• Performance Logicielle : Évaluer la performance technique de la Data Platform, y compris sa fiabilité, son efficacité, et sa capacité à évoluer, est essentiel pour garantir sa pérennité. Ce sont des indicateurs classiques issus du monde du DevOps.

Conclusion : Remettre l’utilisateur au centre de la Data Platform

Une Data Platform a pour objectif de devenir le socle sur lequel repose l'innovation, la croissance et la compétitivité de l’entreprise en manière de Data & IA. Son succès repose sur la prise en compte des aspects techniques, mais aussi (et surtout) organisationnels et humains.

Seule une approche Produit pour sa Data Platform permet de garantir sa viabilité sur le long terme. Cela devient de plus en plus vrai au fur et à mesure que la Data Platform passe à l’échelle en termes d’adoption et d’exploitation au sein de l’entreprise. Il devient alors crucial d’être clair sur la formalisation et communication des capabilities de la plateforme, son Operating Model et sa gouvernance.

Terminons par une citation de Pierre Omidyar, fondateur d’ebay :

“ Vous saurez que vous avez réussi lorsque la plateforme que vous avez construite vous servira de manière inattendue "