Le Data Product Owner (Data PO) est probablement le profil dont vous avez le plus besoin, sans même le savoir.
A l’instar du PO “traditionnel”, son rôle est de mener un produit à bon port, de sa conception à sa livraison aux utilisateurs. Son truc en plus va être son vernis data, des compétences parfois pointues et rares, mais surtout ultra-demandées dans un marché en hypercroissance.
Si vous ne connaissez pas encore ce job emergent, c’est parti pour une bonne séance de rattrapage.
Qu’est-ce qu’un Data Product Owner ?Qu’est-ce qu’un data product ?Scrum et Data Product OwnerLe Data Product Management : une tendance de fond
Qu’est-ce qu’un Data Product Owner ?
Le Data Product Owner est un profil hybride : une sensibilité aux enjeux business et de solides capacités de communication, le tout couronné d’une certaine technicité. Le combo gagnant pour se positionner comme le “mouton à 5 pattes” que recherchent de très nombreuses entreprises.
L’occasion de clarifier également ce que le Data Product Owner n’est pas.
Un Data Scientist ou un Data Engineer organisé. Comme pour une product team classique : on ne va pas attendre d’un PO qu’il soit développeur, UX designer et intégrateur pour lui confier la réalisation d’une application. En revanche, on peut attendre qu’il connaisse certaines technologies pointues ou ait une expérience sur des produits similaires.
Idem pour un Data Product Owner : son rôle est d’être opérationnel, capable de comprendre les enjeux que vont rencontrer les experts avec lesquels il va collaborer (pas de les remplacer).
Un Product Analyst ou “data driven PO”. Comme l’a très bien expliqué Sven Balnojan dans son article “Why You Should Become A Data Product Manager In 2023”, le Data Product Owner n’est pas seulement un Product Owner qui suivrait des KPI ou autre North Star Metrics pour mesurer ses résultats (bien que ce soit une très bonne pratique). Ce n’est pas non plus un Product Analyst qui est une branche spécialisée de la data analyse focalisée sur l’aide à la décision dans le développement produit.
Ce qui fait le Data Product Owner, c’est la nature du produit dont il a la charge.
Qu’est-ce qu’un data product ?
Il n’y a pas vraiment de consensus sur la définition d’un data product, si ce n’est que leur objectif est de délivrer de la valeur via un usage intensif de la donnée (source : "What is Data Product Management?" Castordoc).
L’idée ici est de considérer que les gisements de données des entreprises, qu’elles soient ordonnées ou chaotiques, tierces ou propriétaires, peuvent faire l’objet de roadmap, de cycles d’amélioration continue ou de phases de Discovery - comme un produit à part entière.
Parmi les data products les plus répandus, on retrouve :
- les dashboards ou self-service BI
- les datawarehouses
- les Customer Data Platforms (CDP)
- les algorithmes / modèles (prédictif, recommendation, personnalisation)
Pour pouvoir spécifier, recetter et promouvoir son produit, certaines compétences spécialisées dans la Modern Data Stack seront donc indispensables :
- Parfois en data visualization (Looker Studio, Power BI, etc.)
- Parfois en data ingénierie (Big Query, Snowflake, etc.)
- Parfois en manipulation de données (SQL) ou data science
- Parfois en activation ou CRM (ex : Salesforce)
- etc.
Loin d’être un détail, c’est bien le type de data product qui va déterminer quel profil de Product Owner sera compétent.
Scrum et Data Product Owner
L’emergence du rôle de Data Product Owner soulève aussi le sujet très concret de l’organisation de la Product Team.
En développement applicatif ou web, l’équation Agile s’est démocratisée : dans la plupart des entreprises, on sait désormais que :
“Product team = PO + développeurs + spécialistes ponctuels (ex: UX)”. A l’inverse, les équipes data naviguent en territoire inconnu : elles doivent inventer leur propre version d’une organisation Agile. Car c’est là tout le rôle du Product Owner : éviter “l’effet tunnel” des cyles en V et, de facto, dérisquer la mise en production.
Pour débuter, on peut citer 3 bonnes pratiques Agile simples à appliquer à une Data Product Team :
- La méthode SCRUM : organiser le delivery par sprint de 2 à 4 semaines, prioriser à court terme et maintenir la cohésion de la product team par des mélées quotidiennes (ou “Daily Stand Up Meeting”). L’avantage du sprint - outre la planification - est qu’il protège les équipes des sollicitations intempestives : en principe, aucune tâche n’est censée entrer en cours de route.
- Le Product Vision Board : ce template incontournable de la communauté Produit a largement fait ses preuves. Il permet de centraliser toutes les informations clés sur un produit, mais surtout d’assurer que ce qui est développé est aligné de bout en bout (besoin intial → KPI → produit livré).
- Les User Interview : utilisé dans la phase de “Product Discovery”, l’entretien avec les utilisateurs est une bonne pratique façile à transposer à une Data Product Team. Elle permet notamment :
- de détecter des opportunités d’évolution produit,
- de récolter ou mettre à jour les besoins auxquels le produit doit répondre,
- d’identifier le Data Product Owner comme point d’entré pour un produit donné.
Le Data Product Management : une tendance de fond
Mais qu’est-ce qui justifie, au final, de s’engager dans un processus laborieux de transition vers une “organisation produit” ? Le Data Product Management est-il un buzz-word ou une tendance de fond ? On peut citer 3 éléments qui semblent indiquer que cette transformation n’a rien d’éphémère ou de superflu :
1) La data se démocratise, son storytelling s’impose : selon Gartner (Top Trends in Data & Analytics for 2023), les équipes data doivent sortir de leur rôle “support” pour revendiquer toute la valeur qui réside dans leurs analyses. Un des leviers pour y parvenir : adopter une approche produit. Approche qui sera incarnée par les Data Product Owner.
2) Une demande en croissance constante : des plus traditionnelles jusqu’aux startup, les organisations prennent conscience du volume de donnée disponible - et inexploité - pour améliorer leur rentabilité. En plus des experts qui garantissent l’excellence technique (data ingénieurs, data scientists, etc.), ce sont les profils business vont apporter cette dimension stratégique nécéssaire (Data Product Owner, Data Owner, etc.)
3) Les spécialistes du delivery, comme remède aux projets qui stagnent : la plupart des projets data échouent (85% selon Gartner). Contrairement à un expert technique ou un chef de projet, un PO va faire aboutir et évoluer un produit - sur le long terme.
La transition vers une organisation produit Agile permet donc aux équipes de se spécialiser : l’optimisation du delivery n’est plus une casquette, mais un rôle à part entière. Ou pour citer Designing for Analytics :
“No customer wants technically right, effectively wrong software. They don't even want analytics, machine learning, or AI.What customers and users want from you is actionable decision support, simplicity, trustworthiness, and a sense of empowerment. “
Pour passer votre équipe data en mode Agile Product Team, rendez-vous sur notre Data Product Bootcamp : 3 jours de formation pour développer un « Product Mindset ».
Pour en savoir plus sur le Data Product Management chez Unnest, contactez : nicolas@unnest.co