Introduction

Data Product Manager, le métier le plus sexy du 21ème siècle ? S’il est difficile de répondre à cette question, il est en tout cas certain que ce terme se retrouve sur de plus en plus de lèvres, tant dans les recherches de postes que dans les job titles au sein des entreprises.

Cet article a pour objectif de démystifier ce qui se cache derrière ce métier, d’où il vient et ses perspectives d’avenir.

Nous verrons dans quelles circonstances il a vu le jour, ses différentes déclinaisons actuelles ainsi que les compétences clés d’un Data Product Manager. Enfin, nous vous dévoilerons la portée de ce métier au sein de l’évolution organisationnelle qu'implique la mise en place d'un Data Mesh.

Le constat : la Data prend une place grandissante dans les organisations, mais en tirer de la valeur est toujours difficile

L’importance de la data pour les organisations

Depuis l’explosion du Big Data dans les années 1990/2000, la data n’a cessé de gagner en reconnaissance et en potentiel d’impact. Au fil des années, ce domaine a continué à se développer et la quantité de données produites a considérablement augmenté, tout comme les technologies qui ont améliorées l’analyse des données.

Cette évolution a considérablement renforcé l’importance de l’utilisation des données au sein des organisations.

Peut-on tirer de la data une réelle valeur ?

Aujourd’hui, de plus en plus de produits et solutions veulent intégrer la donnée dans leur coeur. Mais une donnée à l’état brut n’a que peu de valeur pour le business, et celle-ci est contextuelle (ce qui a de la valeur pour une organisation n’en a peut-être pas pour une autre). C’est donc une fois qu’elle est bien définie, transformée et gouvernée qu’elle peut être utilisée pour répondre aux besoins de l’entreprise et de ses clients et apporter de la valeur via ce que l’on appelle des Produits Data.

Et c’est bien là toute la difficulté. De nombreux obstacles et écueils se dressent devant nous pour réellement gagner en impact à l’échelle grâce à la data. Pour en savoir plus, je vous invite à consulter notre livre blanc sur ce sujet.

L’existant : le Product Management est maintenant une discipline mature et structurée

Maximiser la valeur d’un produit (quel qu’il soit), tel est en essence le rôle d’un Product Manager. Dans son livre Inspired, Marty Cagan, décrit le métier de Product Manager comme consistant à “découvrir un produit qui soit à la fois utilisable, réalisable et qui apporte de la valeur” .

N’est-ce pas tout ce qui manque à la data pour enfin apporter de la valeur de manière pérenne ?

Obtenir de la valeur à partir des données nécessite en premier lieu de comprendre en profondeur le problème utilisateur auquel on souhaite répondre.

Cela nécessite aussi une certaine rigueur de planification, de coordination et d’engagement. Sans cela, il est facile de tomber dans le piège du POC infini.

Et c’est bien ce que cherche à faire au quotidien un Product Manager !

La solution : le Data Product Manager

Ce n’était donc qu’une question de temps avant que ces deux disciplines se rencontrent. La convergence entre la nécessité d’une gestion efficace des données et la structuration du métier de Product Manager en dehors de contextes data a permis l’émergence d’une nouvelle discipline : le Data Product Management.

On peut donc définir le Data Product Manager de la manière suivante :

Le Data Product Manager est un acteur de la construction de Produits au sein desquels la Data est un facteur clé de succès et de valeur.

Comme vous l'aurez remarqué ici nous ne parlons pas de PM conventionnel qui utilise la data pour être “Data Informed”. Nous aborderons ce sujet dans un autre article.

Il est essentiel de souligner que le Product Manager aurait avantage à posséder des compétences en données pour être "Data Informed" ou "Data Driven" et ainsi prendre des décisions grace à la data. En mesurant les performances de son projet et en identifiant les domaines nécessitant des améliorations ou des ajustements pour atteindre les objectifs fixés, le PM pourra ainsi répondre aux besoins du client et apporter de la valeur à son produit.

Un Produit Data reste un Produit

Il est courant de considérer les Produits Data comme une catégorie à part, avec des règles distinctes.

C’est notamment l’exemple des projets de data science qui peuvent souvent rester en phase de POC sans être déployés en production, ce qui souligne la nécessité de repenser notre approche. Selon une étude de Gartner, plus de 80% des projets de data rencontrent un échec, mettant en évidence l'importance d'une réflexion approfondie. Pour en savoir plus sur les raisons de ces échecs, je vous recommande de consulter cet article informatif.

S’il y a des spécificités inhérentes à la data (voir l’article ci-dessus) à prendre en considération, il est crucial de se rappeler que les principes fondamentaux du Product Thinking et du Product Management s’appliquent également aux Produits Data et doivent être respectés.

L'une des priorités les plus importantes est de fournir une valeur ajoutée aux clients et de répondre à leurs besoins.

Dans cette optique, il est essentiel d'établir une boucle de feedback rapide pour permettre une évolution continue du produit, assurant ainsi que le produit continue à apporter de la valeur aux utilisateurs.

Ceci reste vrai et applicable, que le Produit soit un Produit Data ou non.

Différentes teintes de Data Product Managers en fonction des enjeux et des organisations

Product Manager et Data Product Manager ne doivent pas être considérés comme des métiers séparés, mais plutôt comme des métiers similaires ayant teintes ou des focalisations différentes.

Il nous paraît à ce titre essentiel de souligner que tout Product Manager gagnerait à tirer parti d’une bonne utilisation de la donnée générée par son Produit, et ainsi prendre des décisions plus éclairées (on parle alors de Data-Informed ou bien encore de Data Driven Product Management).

En mesurant les performances de son produit et en identifiant les domaines nécessitant des améliorations ou des ajustements pour atteindre les objectifs fixés, le PM pourra ainsi répondre aux besoins du client et avoir un plus grand impact.

Au sein même des Data Product Managers, certaines spécialisations peuvent faire leur apparition dans certaines organisations :

• Le PM Data Analytics manage des Produits Data ayant pour but d’améliorer la connaissance et la stratégie du business (acquisition, rétention, segmentation du marché ou des clients, etc.), via notamment la création de datasets et dashboards ;
• Le PM Data Science manage des Produits Data au sein desquels l'intelligence artificielle et l'apprentissage automatique sont un facteur clé d’impact et de succès ;
• Le PM Data Platform manage une data platform comme un produit avec pour objectif d’accélérer et simplifier la création de nouvelles initiatives data (produits ou projets) dans l’organisation.

Les compétences des Data Product Manager

On ne le répètera jamais assez : un Data Product Manager est avant tout un Product Manager, et possède donc les 3 appétences classiques que sont le Business, la User Experience et la Tech. À ce triptyque s’ajoute l’appétence pour la Data.

Le Data Product Manager maîtrise donc les compétences clés de gestion d’un Produit sur tout son cycle de vie : Discovery, Delivery et Run. Un Produit Data n’échappe pas à cette règle.

Ce que l’on demande en plus à un Data Product Manager, c’est d’avoir la curiosité et l’appétence nécessaire pour appréhender un autre cycle de vie, celui de la Data, qui se compose classiquement des éléments suivants :

• Collecte et Chargement
• Stockage
• Transformation
• Utilisation pour prise de décision

En fonction du contexte, une compréhension des enjeux de Data Management & Data Gouvernance peuvent aussi être d’une grande aide.

La Data Quality et Data Gouvernance sont des éléments transversaux au cycle de vie de la donnée défini ci-dessus

D’une manière générale, le Data Product Manager se doit d’avoir la curiosité nécessaire pour se forger une culture Data.

Ne plongeons pas non plus dans l’autre extrême, qui est de penser que le Data Product Manager se doit d’avoir une connaissance exhaustive de tout l’écosystème Data afin d’être pertinent. Il suffit de voir les représentations des différents outils et stacks pour se rendre compte de l’impossibilité de la tâche :

En revanche, une culture sur les sujets suivants peuvent être un excellent point de départ :

• Histoire du Big Data
• Différents types de données (structurées, semi-structurées, non structurées) et différents formats (csv, json, parquet…)
• Principaux Cloud Provider (GCP, AWS et Azure pour ne citer que les trois principaux)
• Quelques outils de stockage de données (Google Cloud Storage, Amazon S3, Azure Cloud Storage, snowflake…)
• Quelques outils de transformation de données (SQL, Spark, dbt, etc.)
• Quelques outils de Data Visualisation (Tableau, Power BI, Looker, etc.)
• Notions essentielles de Machine Learning

En outre, il peut être bénéfique pour le PM de se familiariser avec les principaux outils et logiciels pour la gestion de données et de se tenir informé des dernières tendances et évolutions dans le domaine de la data.

En somme, une solide culture de la donnée est un atout majeur pour tout PM souhaitant prendre des décisions éclairées, stratégiques et travailler main dans la main avec son équipe technique.

Enfin, si l’on zoome sur les 3 grandes catégories de Data Product Managers cités plus haut, certaines connaissances particulières peuvent être bénéfiques :

• Pour le PM Data Analytics, il s’agira de comprendre les bases de données relationnelles, faire du SQL son ami et possiblement réaliser ou comprendre des modélisations de donnée ;
• Pour le PM Data Science, connaître ce qu'est un modèle de Machine Learning, en définir un MVP et arbitrer entre complexité et usage du modèle est un aout essentiel, tout comme savoir quand le Machine Learning n’est pas la bonne solution ;
• Pour le PM Data Platform, une bonne vision des systèmes d’informations et des différentes composantes inhérentes à une Data Platform que sont l’ingestion, la transformation et l’exposition sera définitivement un accélérateur.

Data Product Manager, un métier d’avenir ?

Le métier de Data Product Manager est toujours en cours de structuration, mais comme on a pu le constater, il prend ses racines dans un métier qui est maintenant bien établit depuis quelques années maintenant.

Et certains signes laissent à penser que le Data Product Manager continuera d’occuper une place de plus en plus grande au sein des entreprises (à titre d’exemple, les projets "Move to Cloud" ont pesé 15,3 milliards d'euros (+24,5%) en 2022).

Parmi ces signes, la tendance actuelle vers la décentralisation de la Data, et notamment la transformation de certaines organisations vers les principes du Data Mesh, où la notion de Data As A Product est clé, tend à promouvoir l’importance des Data Product Managers.

Le principe du Data As A Product consiste à considérer la Data d’un domaine métier comme un produit à part entière, partageable directement à de nombreux utilisateurs (Data Analysts, Data Scientists, Business Analysts, etc.).

L'équipe du domaine étant chargée de satisfaire les besoins des autres domaines en fournissant des données de haute qualité, elle est alors amenée à se doter d’un Data Product Manager, qui a pour responsabilité :

• De garantir le succès des Produits Data d’un domaine (dataset, datamart, dashboard, etc.) ;
• De délivrer la valeur, la satisfaction et la croissance des utilisateurs de la donnée ;
• De maintenir le cycle de vie des Produits Data.

La tendance est donc à la structuration du métier de Data Product Manager comme un élément clé dans les organisations futures des entreprises.

Conclusion

Le Data Product Manager vient adresser ce besoin d’une plus grande orientation Produit au sein de la Data, afin d’être capable d’en exploiter son plein potentiel à l’échelle.

Product Manager avant tout, le Data Product Manager sait tirer parti des bonnes pratiques de Product Management et les appliquer aux spécificités du monde de la data, pour en faire émerger des Produits Data à fort impact business.

Longue vie au Data Product Manager !

‍

Quelques références complémentaires :

• ‍DAMA - DMBOK, Data management body of knowledge
• ‍Chief Data Officer - Pratique, outils et perspectives
• ‍Data Mesh: Delivering Data-Driven Value at Scale
• Inspired - How to Create Tech Products Customers Love

‍

Si vous envisagez d'intégrer la data et l'intelligence artificielle dans vos projets ou si vous êtes en phase de réflexion sur un produit d'IA mais que des doutes subsistent, n'hésitez pas à faire appel à nos experts. Nous sommes là pour vous aider et transformer vos idées en succès.