Selon The Economist, les données sont la ressource la plus précieuse au monde et les entreprises qui traitent principalement de données – Google, Amazon, Facebook, etc. – sont parmi les plus précieuses au monde. Les données et les produits de données font partie de ma carrière professionnelle depuis longtemps – depuis les conseils aux fournisseurs de télécommunications sur la façon d’utiliser les données pour créer de nouvelles entreprises il y a une dizaine d’années à mon rôle actuel d’économiste en chef des données chez Inovex, spécialiste de la transformation numérique, aidant clients pour découvrir et mettre en œuvre des produits de données.
Les données se déplacent au centre de la proposition de valeur
Au niveau local, basé sur des projets, nous constatons que les données passent de la source des rapports au centre de la proposition de valeur d’un produit. Les exemples ci-dessous proviennent de mon travail actuel de conseiller et de coordonner les clients sur ce nouveau rôle pour les données.
- Augmentation des taux de clics: nous avons augmenté les taux de clics de 60% sur la place de marché en ligne mobile.de en améliorant l’algorithme de recommandation des véhicules. Nos ingénieurs de données et scientifiques ont également créé un prédicteur de prix pour les voitures d’occasion – fournissant aux acheteurs des conseils améliorés sur la qualité d’une offre, compte tenu de l’âge, de l’équipement et de l’utilisation d’une voiture (pour plus de détails, voir l’étude de cas mobile.de).
- Intégration dans l’Internet des objets: nous avons mis en ligne une marque de fours industriels pour cantines et restaurants et les avons intégrés à l’Internet des objets. Les chefs sont désormais en mesure de mieux suivre les aliments qu’ils préparent, de mettre à jour les instructions du four, d’offrir aux clients une meilleure nourriture et de réduire les coûts d’entretien.
Alors, comment les chefs de produit peuvent-ils créer de nouveaux et / ou de meilleurs produits de données? Il convient de se rappeler que les produits de données sont comme tout autre produit. En tant que tel, et comme vous le feriez avec n’importe quel autre produit, vous devez valider tôt et souvent – et ne pas faire d’ingénierie excessive. Nous n’avons tout simplement pas encore l’habitude de le faire avec des données.
Dans cet esprit, examinons comment vous pouvez surmonter des défis courants tels que la définition du problème lié à un travail client dans un produit de données, intégrer la science des données dans le processus et aborder ce que vous devez surveiller dans la proposition de valeur.
Trois types de produits de données
À mon avis, il existe trois types de produits de données: les données en tant que service, les produits améliorés et les données en tant qu’insight.
Données en tant que service
Tous les produits de données qui génèrent des revenus directs entrent dans cette catégorie. Les entreprises proposant ce type de produit de données fournissent des données pour des intérêts spécifiques tels que des données boursières précises à la seconde près ou des données météorologiques spécifiques à l’emplacement.
Produits optimisés pour les données
Les produits de données qui améliorent un produit physique ou virtuel entrent dans cette deuxième catégorie. La valeur d’un tel produit se reflète dans la variation des revenus (prix ou quantité) du produit amélioré. La plupart des recommandateurs entrent dans cette catégorie, car ils améliorent les ventes de produits.
Les données comme informations
Cette catégorie couvre tous les types d’utilisation des données qui analysent les données afin d’améliorer, par exemple, les ventes ou la qualité d’un produit sans exposer les données au client final. Le client du produit de données est donc un client interne et le produit de données lui-même ne génère pas de revenus.
L’analyse du parcours client est un moyen reconnu de découvrir le potentiel de nouveaux services. Nous pouvons identifier où dans le parcours client un produit de données prometteur pourrait être caché en écrivant d’abord le parcours client et en identifiant les considérations initiales des clients, ce qui suit ensuite et quand leur objectif est atteint.
Ensuite, nous devons examiner les résultats potentiels de chacune des étapes et nous rappeler que l’information génère de la valeur en soutenant la prise de décision. Pour chaque étape du voyage, nous devons examiner le meilleur et le pire résultat possible.
Dans notre exemple de vente de voitures sur une place de marché en ligne, le parcours client comprend des étapes comme «Décider de vendre une voiture», «Fixer le prix», «Sensibiliser à l’offre». Pour l’étape «Fixation du prix», les meilleurs et les pires cas étaient:
- Meilleur cas: “Fixer un bon prix pour la voiture d’occasion”
- Pire cas: «Fixer un prix bien inférieur à la valeur marchande»
Toutes les informations qui aident l’utilisateur à réaliser ce meilleur scénario sont très précieuses. La valeur de l’information est la différence entre le pire et le meilleur des cas.
Vous pouvez estimer la valeur d’un produit de données prenant en charge une étape particulière du parcours client en multipliant la différence entre le meilleur et le pire des cas avec le nombre de fois où les utilisateurs effectuent cette étape.
La comparaison des valeurs des différentes étapes aboutit à une hiérarchisation des différentes hypothèses pour les produits de données.
Cette tâche initiale nous montre quelle étape du parcours client pourrait être améliorée par quelle information – hypothétiquement.
Dans l’étape suivante, nous concevons le produit de données pour résoudre le besoin d’informations que nous venons d’identifier. D’après mon expérience, les produits de données peuvent offrir deux types de propositions de valeur.
- Purement rationnel, comme une comparaison de prix pour acheter au prix le plus bas, ou
- Social, satisfaire la curiosité ou fournir des interactions sociales et des divertissements.
Parfois, vous pourriez avoir besoin de deux produits de données qui se soutiennent mutuellement pour résoudre un problème particulier. Un produit de données avec une proposition de valeur sociale pourrait inciter les utilisateurs à fournir des informations tandis que l’analyse des informations aboutit à un produit de données pour soutenir la prise de décision. Par exemple, la plateforme de voitures d’occasion pourrait proposer le produit de données «Estimation du prix d’une voiture d’occasion» pour étayer la décision «Fixer un prix de vente». Cependant, la plateforme pourrait également proposer le produit de données pour attirer les utilisateurs qui souhaitent satisfaire leur curiosité quant à la valeur actuelle de leur voiture.
Nous pouvons identifier le potentiel des produits de données sur la base d’une analyse de la chaîne de valeur. Vous pouvez commencer par identifier le type de données qui faciliterait le parcours de votre client de manière à générer une valeur supplémentaire pour votre entreprise. À partir de là, travaillez en arrière pour identifier d’où vous pouvez obtenir ces données, ou comment vous pouvez les générer de manière à soutenir un autre aspect du parcours de votre client ou à contribuer à un autre élément de la chaîne de valeur. Les différentes propositions de valeur vous aideront à concevoir le produit de données.
Les chefs de produit peuvent également concevoir des produits de données qui aident les utilisateurs à regarder
- dans le passé: les critiques sont un bon exemple pour ce cas.
- à l’heure actuelle
- à l’avenir, comme une prédiction basée sur les événements passés.
La conception d’un produit de données basé sur un algorithme complexe est difficile, car les algorithmes complexes ont tendance à être difficiles à optimiser et nécessitent souvent beaucoup de préparation des données (voir également les commentaires de Josh Clark à ce sujet). Essayez de valider d’abord la valeur de la résolution d’un problème utilisateur, avec, par exemple, un algorithme simple ou une heuristique. Au lieu de recommander un élément calculé spécifiquement, vous pouvez en sélectionner un au hasard. Cela vous donnera une base de référence pour l’acceptation de votre produit de données. Passer à l’algorithme si vous avez de bons indicateurs d’un ajustement problème-solution validé est beaucoup plus facile que de trouver un problème pour un très bon algorithme.
Nous avons vu de nombreux produits de données mourir entre l’optimisation algorithmique et le site Web. Si vous établissez rapidement votre solution problème-solution sur votre plate-forme, il est beaucoup plus facile de déployer de nouveaux algorithmes plus tard.
Les données ne s’usent pas. Au lieu de cela, la valeur de vos données augmente à mesure que les gens les utilisent. Chaque fois qu’un utilisateur interagit avec les données, vous créez plus de données que vous pouvez réinjecter dans votre algorithme afin de l’améliorer. Bien que vos concurrents puissent copier vos algorithmes, interfaces utilisateur ou logique métier, ils ne peuvent pas copier les données que vous obtenez grâce à l’interaction avec l’utilisateur.
Le temps consacré à la conception d’une boucle de rétroaction pour votre produit est donc bien investi. Idéalement, l’interaction avec l’utilisateur devrait immédiatement conduire à une certaine amélioration afin que les utilisateurs continuent à fournir des commentaires, ou selon les mots de DJ Patil: «Rendez les données à l’utilisateur pour créer de la valeur supplémentaire».
Souvent, les produits de données font partie d’une plateforme de services plus vaste avec de nombreux chefs de produits différents responsables de divers services. Dans le cas du marché des véhicules sur lequel nous avons travaillé, il existe des chefs de produit pour les annonces, les favoris, la recherche et bien d’autres. Dans ces situations, le gestionnaire de produits de données requiert des données, qui sont générées dans diverses fonctionnalités au sein de la plate-forme. Cela conduit parfois à une organisation où les scientifiques des données sont séparés en quelque chose comme un centre de compétences.
Au lieu de fournir un service centralisé de science des données aux chefs de produit chez Inovex, nous recommandons la mise en place d’une équipe dédiée pour chaque produit de données avec un accès direct au client. Dans le meilleur des cas, l’équipe des produits de données comprend un chef de produit, un ingénieur de données, un data scientist, un expert UX et un développeur front-end et back-end. Le chef de produit peut ainsi obtenir un retour direct des clients. Et le chef de produit peut adopter une perspective de bout en bout pour le produit, y compris la génération de données, l’intégration, l’analyse et la fermeture de la boucle de rétroaction. Cela permet d’améliorer les KPI cibles et d’améliorer le produit à chaque itération.
De nombreuses bonnes idées algorithmiques n’arrivent jamais sur le marché, car elles ne résolvent pas un problème client important. Commencer par la valeur des informations pour hiérarchiser vos idées de produits de données peut réduire ce risque. À partir de là, un produit de données de base avec un algorithme très simple peut être défini et prototypé. Une fois que vous avez validé l’ajustement problème-solution, l’optimisation de l’algorithme peut démarrer. La boucle de rétroaction vous aidera à générer suffisamment de données pour améliorer votre algorithme et donc l’expérience utilisateur.
