Product Inbox 📬 Focus #23 - Comment exploiter la data dans les décisions Produit ?

Par des Product Leaders de Yousign, Mirakl, Criteo, Malt.

Hello 👋, bienvenue dans cette 23ème édition Focus de Product Inbox ! On est désormais 11,851 sur cette newsletter. Merci pour ta lecture et ton soutien 💛.

Je m’appelle Timothé et si ce n’est pas déjà fait, tu peux :

• Faire décoller ton produit grâce à ⭐️ notre collectif de top CPOs ⭐️

• Écouter mon podcast Clef de voûte

• Me suivre sur Linkedin

---

Product Inbox + Agora = 💙

Dans Product Inbox, je te partage régulièrement de nouveaux outils pour maximiser ton impact au quotidien.

Et il y a un petit français qui pourrait bien t’aider. 

Son petit nom ? Agora Software.

Agora a une mission : simplifier l’expérience des utilisateurs en leur permettant de discuter avec leur produit. Pour faire ça, Agora intègre à ton Produit toutes les techno IA conversationnelles dont il a besoin : IA transactionnelle, LLM, accès aux bases de connaissances.

Et la force d’Agora, c’est de connecter simplement ton Produit avec l’ensemble des logiciels de collaboration (Slack, Teams, Gmeet, Whatsapp…) afin d’offrir à tes utilisateurs un accès conversationnel à toutes tes fonctionnalités. Pour tes utilisateurs, plus besoin de changer d'interface pour réaliser une tâche !

Une discussion sur Agora

Grâce à Agora, tes clients peuvent par exemple :

• Demander quand un contrat client se termine

• Créer une commande d’achat

• Lister les contrats à renouveler ce trimestre

• Valider une demande de congés

+ et les options sont infinies.

La puissance d’Agora est déjà reconnue par de jolis noms comme Orange Business, Talentia ou la Gendarmerie Nationale.  

Cette édition vous est offerte par Agora Software. Et pour l’occasion, Je t’ai même négocié un discount de 20% sur la 1ère année avec le code PRODUCT INBOX. Il te suffit de t’inscrire ci-dessous à la version d’essai gratuite :

---

Introduction

J’espère que tout roule pour toi !

Je suis très heureux de t’envoyer cette 2ème édition Focus sur la data après une 1ère sur la collecte de la donnée.

Cette fois, on s’attaque “l’après-collecte”. Concrètement, une fois qu’on a récupéré la donnée, qu’est-ce qu’on fait avec pour prendre des décisions Produit ?

La réponse dans cette édition 🤓.

Pour creuser ce sujet, j’ai fait appel à 4 experts :

• Alix Moggia, Product Consultant (ex. Meero, Criteo)

• Luc Andriana, Director of Product Ops @Mirakl

• Solenne Bruneau, Product Director @Malt

• Christopher Parola, CPO @Yousign

Merci à eux 4 pour leur participation à cette édition 💜.

---

Pour réaliser cette édition, j’ai posé 6 questions à mes invités :

1. Quelles sont les metrics data principales et critiques au sein de votre équipe Produit ? Pourquoi ?

2. Peux-tu partager un exemple spécifique où l’analyse de data a influencé une décision produit en déroulant le process et le résultat ?

3. Quels outils ou plateformes tu recommanderais aux PM qui souhaitent améliorer leurs capacités à analyser la donnée ? Pourquoi ces outils particulièrement ?

4. Quels écueils as-tu observé dans l’analyse de donnée liée au Product ? Comment peuvent-elles être évitées ?

5. Comment faire pour équilibrer entre donnée quanti et quali au moment des décisions Produit ? As-tu un exemple ?

6. Quelles stratégies utilisez-vous pour communiquer les découvertes liées à la data à toute l’entreprise équipe (ou aux stakeholders) qui auraient une compréhension limitée de la donnée ?

---

Les points principaux à retenir 🧠

1. Metrics clés d’une boîte : Company, Product, User Satisfaction et Product Health metrics.

2. La data peut influencer tout type de décisions Produit : lancement de feature, acquisition d’une boite, pricing, positionnement, amélioration UX, rétention etc.

3. Les outils à choisir dépendent de ces tranches de taille d’équipe Produit : 0-3 personnes ; 3 à 10 pers. ; plus de 10 pers.

4. Pièges à éviter : tout baser sur la donnée, mal définir les metrics clés, ne pas évaluer le coûts d’accès à la data, ne pas regarder sa finalité, trop se concentrer sur les moyennes, ne pas documenter la data.

5. Équilibrer entre quanti & quali dépend de : degré d’urgence, donnée de départ, story telling, dark patterns, vision et stratégie Produit.

6. Stratégie de communication de la data : communiquer dans un contexte large, créer un référentiel commun, la partager fréquemment, utiliser le story-telling.

---

1) Quelles sont les metrics data principales et critiques au sein de votre équipe Produit ? Pourquoi ?

Dans toutes les boîtes tech qui ont commencé à tracker de la donnée, on trouve 4 niveaux de metrics :

• Les “Company metrics”

• Les “Product metrics”

• Les “User Satisfaction metrics”

• Les “Product Health metrics”

Les 4 familles de Product metrics

1. Les Company Metrics

Objectif : Mesurer la santé financière et la trajectoire de croissance de l'entreprise.

On y trouve toute les metrics au niveau de l’entreprise :

• Les metrics financières : CA, ARR, MRR, EBIT, EBITDA, GMV

• Les metrics d’usage : churn, upgrade, growth new

2. Les Product metrics

Objectif : Suivre l'impact du produit sur les objectifs stratégiques de l'entreprise. Ces metrics Produit aident à prioriser les fonctionnalités.

On y trouve les metrics qui concernent l’équipe Produit & Tech. Elles est souvent représentée par la North Star Metric qui est elle-même divisée en “sous North Star metrics” en fonction de l’organisation. Plus l’organisation est développée, plus il y a de sous North Star Metrics associées. On y trouve aussi les KR des différents projets suivis pendant un quadrimestre.

Exemples de North Star Metrics (ou sous-NSM) :

Meero → Nombre d’images processées par IA

Yousign → Nombre de documents émis et répondus

Mirakl → Nombre de commandes expédiées avec succès

Malt → Taux de conversion des opportunités

Selon la taille de l’organisation, chaque Product Metrics peut être déclinée en par équipe, persona, périmètre Produit.

Exemple chez Yousign :

“A partir de cette metric, chez Yousign nous avons 1 type de flow par persona : le flow émetteur du contrat et le flow signataire. Pour chacun de ces flows, nous y associons des metrics dérivées. Par exemple : - Combien de temps l’émetteur met à obtenir une réponse à son document (flow émetteur) - % de succès du funnel de signature et d’émission (flow émetteur) - Combien de temps la signataire met à signer (flow signataire)”. - Christopher Parola, Yousign

Ou chez Malt :

“On est organisé en plusieurs tribes. La tribe “client” de Malt va suivre le nombre d’utilisateurs actifs, l'expansion dans les grands comptes via le produit, le nombre d'opportunités qui sont générées sur la plateforme. La tribe “freelance” va regarder le taux de complétion des profils qui sont créés sur la plateforme ainsi que l'activité et la rétention de ces profils sur Malt”. - Solenne Bruneau, Malt

3. Les User Satisfaction metrics

Objectif : Évaluer la satisfaction des utilisateurs pour orienter les améliorations produit.

On y trouve les metrics côté utilisateur comme :

• Le NPS ou le CSAT

• Le Customer effort Score

• Le taux de contact des équipes customer support

• Le Customer churn

4. Les Product Health metrics

Objectif : Surveiller la performance technique et l'usage du produit.

Exemples de Product Health Metrics :

• Fatal errors per month

• Load time per end point

• Time to process a given operation

“Les Product Health metrics indiquent comment va votre produit techniquement. Est-ce que j'ai des crash dans l'application ? Est-ce que j'ai des erreurs techniques récurrentes ? Voilà. En général, ce sont data très observées par l'engineering. C'est important d'avoir cette source de vérité sur ces différentes données”. - Alix Moggia

Chaque niveau de données est extrait différemment et engage différents profils dans l’entreprise.

2) Peux tu partager un exemple spécifique où l’analyse de data a influencé une décision produit en déroulant le process et le résultat ?

On peut faire appel à l’analyse de data Produit pour à peu près n’importe quelle décision Produit :

1. Lancement de fonctionnalité

2. Acquisition et intégration d’un nouveau produit

“On a racheté une boîte pour en faire un produit de diversification chez Yousign. Après l’avoir lancé, on est très loin de nos attentes. Après avoir fait une nouvelle campagne de tests et une nouvelle version, les résultats sont à peine mieux. Alors on a lancé une enquêtes auprès de nos clients. Grâce à celle-ci, on s’est rendu compte que le problème d’adoption ne venait pas du produit, mais de son prix (même s’il n’était pas très élevé). Nos clients le percevaient comme un produit “de luxe”, qui ne leur était pas indispensable. Pourtant, quand on avait fait l’étude 1 an avant, les retours de nos clients étaient différents. Donc il y a eu un effet de marché que l’on a pu mesurer grâce à la data. On a décidé de l’offrir gratuitement à nos clients pendant 6 mois et l’adoption a finalement décollé. Grâce à cette analyse, ce produit n’a plus d’objectif de croissance de MRR. Il nous aide à lutter contre le churn”. - Christopher Parola, Yousign

3. Analyse de pricing

cf. l’exemple de Christopher Parola ci-dessus.

4. Positionnement Produit

5. Rétention utilisateurs

6. Adoption utilisateurs

“Quand je suis arrivée chez Malt, on s'est demandé quelles sont les KPIs les plus importantes pour nous en tant que Tribe Freelance de l’équipe Produit. On s'est rendu compte que le taux de complétion du profil était important important, car c'est un proxy de de l'activation grâce auquel le freelance va trouver une mission sur Malt. On a défini des critères pour définir un profil qu'on estime complet. À partir de là, on s'est rendu compte qu'on n'était pas bons sur le nombre d'expériences remplies sur les profils de nos freelances. Et donc on a décidé de mettre en place un import LinkedIn où il était possible d'uploader un CV pendant le sign-up. En monitorant l'impact du taux d'adoption de cet outil, on a mesuré un impact significatif de 15 points sur le taux de complétion des expériences*.”* - Solenne Bruneau, Malt

Fonctionnalité d’import Linkedin de Malt

7. Amélioration de l’UX

8. Amélioration d’un algorithme

“Chez Criteo, il fallait (en quelques millisecondes) trouver la meilleur association (utilisateurs, annonceur, publicité). À chaque fois, il fallait sélectionner : l’utilisateur à qui on allait afficher la publicité, choisir l’annonceur parmi l’ensemble des clients et déterminer le produit & le format de la publicité à afficher. Pour modifier les variables ou leur poids dans l’algorithme, on passait obligatoirement par des tests qui définissaient complètement le Produit. Dans le B2C, Chez Airbnb ou Booking de la même manière, l’algorithme de Search est un élement central de leur stratégie. Eux aussi ont dévéloppé des outils internes pour tester chacune des évolutions de l’algorithme & cela se fait de pair entre le PM & les équipes de data sciences. - Alix Moggia.

Booking est transparent envers ses partenaires sur certaines variables utilisées dans son algorithme *(ici). À titre d’exemple, celles-ci sont :

• le taux de conversion (page views / booking)

• Le prix moyen (calculé par Booking)

• Le taux d’annulation

• La qualité de l’annonce d’hébergement

• Et le score donné par les clients de booking à cet hébergement

3) Quels outils ou plateformes tu recommanderais aux PM qui souhaitent améliorer leurs capacités à analyser la donnée ? Pourquoi ces outils particulièrement ?

Google Analytics est adapté à l’early-stage :

“Chez Meilleur Agents, on avait tout fait avec Google Analytics. C’est gratuit donc on l’a exploité jusqu’à ses limites. On avait mis des plans de tags partout. On faisait même nos A/B tests avec. Cependant Google Analytics est assez compliqué à maintenir dans le temps. C’est difficile de scaler avec. Mais jusqu’à 3-4 Product Managers dans l’entreprise, ça suffit”. - Christopher Parola, Yousign

Mixpanel est adapté aux équipes Produit de taille moyenne :

“À partir de 15 développeurs et 5 Product Managers, Mixpanel devient intéressant car il s’adapte à la bande passante des équipes. Son coût peut être dissuasif pour une structure plus petite”. - Christopher Parola, Yousign

Metabase pour la simplicité d’usage :

“Chez Mirakl, certains de nos PMs ne sont pas très SQL. Ces derniers dépendaient énormément de développeurs pour mener les requêtes à leur place. L'avantage de Metabase, c’est sa simplicité d’utilisation. C'est du drag and drop et tu changes la restitution visuelle (c'est-à-dire le graphe) comme tu le souhaites. Tu peux le mettre en histogramme, en line ou en double entrée par exemple. L’outil permet une visualisation simple et accessible”. - Luc Andriana, Mirakl

Looker, adapté au reporting et à la visualisation de data :

“Looker est plutôt un outil data visualisation/reporting qui est utilisé par toute l’entreprise. Il est moins facile à prendre en main qu’Amplitude. Mais il couvre un périmètre de données plus large en englobant les KPI du produit, mais aussi les KPI business. Looker demande plus d'implication de la part des équipes data qu’Amplitude pour construire des dashboards clés en main. Grâce à Looker, on a des dashboards “high level” destinés au Comex, aux équipes produits et équipes opérationnelles. C'est notre outil de centralisation des KPIs. Nous ne l’utilisons pas pour de l’exploration”. - Solenne Bruneau, Malt

Segment, un outil “connecteur” puissant mais onéreux :

“Segment, comme son nom l’indique, permet de segmenter la population de l’utilisateur. L’utiliser dans le B2B est vraiment chouette. Dans le B2B, tu as moins d'utilisateurs que dans le B2C, donc ça te coûte moins cher. En B2C où les populations sont plus importantes, l’utiliser peut devenir vraiment onéreux. Quelle que soit la cible de l’entreprise, Segment est un investissement. Tu peux substituer Segment par Amplitude ou Mixpanel. Mais avec Segment, tu peux brancher plein de choses comme les marketing automations par exemple. C'est un petit peu ton connecteur de data et de population. Et ça fait gagner beaucoup de temps”. - Alix Moggia

Amplitude, un outil complet et construit pour les PM :

“On l’a mis récemment en place chez Malt. L’objectif : avoir un outil self-service pour l'équipe Produit. C'est vraiment génial parce que c'est relativement simple à prendre en main. Ça reste un outil puissant, donc tout n’est pas hyper simple mais c'est très user-friendly. Tu peux générer plein de vues différentes très facilement. Soit des vues en mode “funnel” où tu peux switcher entre les vues. Tu peux aussi établir des parcours utilisateurs pour identifier les chemins que ces derniers prennent sur la plateforme. C'est un outil qui a été conçu pour que des gens non initiés en data puissent creuser, explorer et générer des insights. C’est un super outil pour les PMs. Pour moi, c’est aussi adapté aux startups qu’aux scaleups. Ils ont des plans gratuits pour les plus petites entreprises”. - Solenne Bruneau, Malt

ChatGPT pour aider à mener des requêtes SQL :

“Quand tu n’es pas à l’aise avec SQL, tu peux faire appel à ChatGPT pour modifier tes requêtes. Chez Mirakl, de plus en plus de PM utilisent ChatGPT pour affiner leurs requêtes SQL. Ça te permet de faire des jointures entre des tables. En fait, tu peux lui dire au travers d'un prompt (donc en langage naturel) ce que tu souhaites”. - Luc Andriana, Mirakl

Exemple de prompt utilisé par Luc :

“Donne moi la requête SQL pour calculer l’évolution du taux d’adoption de la feature XYZ par les focus account”

4) Quels écueils as-tu observé dans l’analyse de donnée liée au Product ? Comment peuvent-elles être évitées ?

Piège 1 : Tout baser sur la donnée

“L'écueil principal est de se dire “je prends aucune décision sans Data, je les base toutes sur la Data aveuglément”. Ça ne veut pas dire de décider à 100% sur l’intuition. C’est juste que parfois, tu n’auras pas la data. De plus, la donnée est soumise à l'interprétation”. - Christopher Parola, Yousign

Piège 2 : Des metrics clés mal définies

“Prenons l’exemple du taux de conversion. A partir de quand démarre-t-on dans le funnel pour mesurer la conversion ? À partir de quand on termine ? Qu'est-ce que la conversion ? Ce sont des termes génériques que tout le monde utilise à toutes les sauces. En fonction des réponses, le taux peut beaucoup varier. Et c’est le cas de toutes les metrics mesurées sur un produit. Il est impossible de faire des analyses cohérentes sans avoir préalablement défini les metrics suivies”. - Alix Moggia

Voici un exemple (historique) d’Airbnb qui illustre le risque de mauvaise interprétation d’une metric. Ici la metric mise en avant est le “Search to Book”. On y voit plein de variantes possibles qui auraient, elles aussi, pu être appelées “search to book”. Source ici.

Piège 3 : Ne pas évaluer le coût d’accès à la data

“Il faut tout le temps se poser la question du temps passé à la collecter et analyser la data. Exemple : si ça prend 1 mois de collecter la data mais seulement 2 semaines pour mettre en production la fonctionnalité étudiée, mieux vaut produire qu’analyser. Tout est question d’arbitrage”. - Christopher Parola, Yousign

Idem pour les A/B tests :

“J’ai souvent vu des investissements en temps très lourds dans des A/B tests. Pour, au final, s’apercevoir qu'il y a trop de bruit dans le test et qu'on ne peut pas en tirer grand-chose. Je pense que les A/B tests doivent être utilisés à bon escient quand il y a assez de données, avec une stabilité des événements sur le produit pour éviter que ce soit complètement illisible”. - Alix Moggia

Piège 4 : Ne pas regarder la finalité de la data

“Exemple : tu as 1000 visites par mois sur ton site → tu es content. Si demain tu n’en a plus que 100, est-ce si grave ?” - Christopher Parola, Yousign

Piège 5 : Ne pas se méfier de la “bonne data”

“J’ai découvert dans ma carrière que quand la data est mauvaise, on creuse à fond. Quand elle est bonne, on ne creuse jamais. Pourtant cette data, bonne en apparence, peut cacher un bug ou une erreur de source”. - Christopher Parola, Yousign

Piège 6 : Se précipiter quand on utilise la data

“Il faut prendre le temps de comprendre les KPIs, la source de la donnée et les filtres utilisés avant de tirer des apprentissages. Et tout ça prend du temps. D’autant plus que les PMs ne sont généralement pas experts en data, ce qui amène du risque dans les analyses. Si possible, se faire aider par un analyste est un bon réflexe. C’est aussi important de réaliser des “sanity check” autant que possible”. - Solenne Bruneau, Malt

“Si on interroge les mauvaises tables (ou trop de tables à la fois), les requêtes mettent beaucoup de temps à tourner. Il est parfois préférable de créer des tables optimisées, avec un nombre restreint de champs. Pour cela, il est important d’obtenir l’avis d’un Data Analyst pour optimiser l’analyse”. - Luc Andriana, Mirakl

Piège 7 : Trop regarder les moyennes

“Chez Malt, on a 2 types de missions très différentes sur la plateforme. Des missions de freelances courtes et bien définies. Puis des missions longues chez des clients sur plusieurs mois. Ces 2 types de missions ont des dynamiques des KPIs complètement différentes. Par exemple : la conversion sur une mission longue va être moins forte que sur une mission courte. Comme la mission est longue, l’entreprise va prendre le temps de voir plein de candidats freelances. Il n’aura pas la même urgence que sur une mission courte. Si on ne prend pas ça en compte, on passe vraiment à côté des bons patterns”. - Solenne Bruneau, Malt

Piège 8 : Ne pas documenter la data

“Sans documenter la data, les PMs sont perdus dans l’utilisation d’un outil d’Analytics, ne sachant pas où chercher l’information. Ne pas documenter la data peut aussi aboutir à de mauvais calculs car les concepts et metrics clés sont mal compris. Il y a aussi risque de mener des requêtes en doublon quand les PMs n’ont pas vu que des analyses ont déjà été menées et validées. Ainsi le manque de documentation accroit le nombre de tickets de demande d’aide ou de résolution de bugs de la part de PMs pour les équipes BI et Data Analysts”. - Luc Andriana, Mirakl

5) Comment faire pour équilibrer entre donnée quanti et quali au moment des décisions Produit ? As-tu un exemple ?

L’équilibre dans l’utilisation de la donnée qualitative et quantitative dépend de plusieurs paramètres :

1. Le degré d’urgence

“D’un point de vue collecte de données, la data qualitative est plus rapide. Ce qui permet de rapidement se poser des questions sur le pourquoi de la donnée. Versus si tu fais du quantitatif en lançant par exemple des heatmaps, il faut le laisser tourner longtemps. Par contre en terme de temps homme, une fois les outils de donnée quantitative en place, t'as rien à faire à part attendre. Alors que pour le qualitatif, tu es toujours obligé d'aller préparer une trame, recruter des testeurs, leur parler, faire la synthèse, vérifier les biais. Il y a beaucoup plus de temps homme à passer sur la data qualitative”. - Christopher Parola, Yousign

2. La donnée de départ

“La gestion de la data, c'est un flux circulaire. Tu pars d’un point de départ qui va être soit la donnée quantitative, soit la donnée qualitative. En gros, tu vas avoir soit une interview utilisateurs, soit un retour utilisateurs à creuser. C'est typiquement le cas de bugs dans ton produit”. - Alix Moggia

3. Le story telling

“Ce qui est très important, c'est l’utilisation de la data dans un storytelling de priorisation produit. Quand tu vas pousser un projet spécifique ou un KR dans ta roadmap, il faudra que tu aies ce fameux rationnel pour éviter que ce soit le HiPPo (ndlr : Highest Paid Person's Opinion), qui remporte la mise. Pour avoir des faits étayés, tu dois avoir de la data. Mais tu peux potentiellement aussi “tordre” la data seule pour lui faire dire des choses parce que tu as oublié une partie du contexte. Pour te faire ton propre jugement sur les items à pousser dans ta roadmap, tu disposes de deux armes : l’analyse quali et l’analyse quanti”. - Alix Moggia

4. S’assurer du problème client

“Ce qui va marcher à long terme, c'est ta satisfaction client. Et tu ne peux pas forcément la mesurer. Un exemple que j'ai observé dans les produits avec modèles d'abonnement, c’est le fait de rendre difficile d’accès le “call to action” d’annulation. Cette manipulation va augmenter ton KPI de rétention. Mais sur le long terme (sur un an ou deux ans par exemple), tu verras moins de réinscriptions. Car ce parcours d’annulation va générer du bouche à oreille négatif impossible à le mesurer. Cet exemple montre qu’il faut faire très attention à ne pas juste regarder la data, qui montre une image partielle et court-termiste. Je pense qu'une manière de l'éviter c'est de s'assurer de toujours résoudre un problème client”. - Solenne Bruneau, Malt

Voici un post de Jordan Chenevier qui illustre bien ce propos.

5. La vision & la stratégie Produit

“Une deuxième façon de t'assurer que tu utilises bien la donnée, c'est de suivre sa vision et sa stratégie produit. Ça te permet de replacer chaque feature dans une logique de long-terme. Parce que parfois, tu fais quelque chose qui n'a pas forcément d’impact direct mais qui est peut-être un facilitateur pour plus tard”. - Solenne Bruneau, Malt

Quelles stratégies utilisez-vous pour communiquer les découvertes liées à la data à toute l’entreprise équipe (ou aux stakeholders) qui auraient une compréhension limitée de la donnée ?

Pour communiquer la donnée aux personnes de l’entreprise qui ont une compréhension limitée de la donnée, on peut s’appuyer sur ces principes :

1. La communiquer dans un contexte large

“Quand je communique les données, c'est toujours dans un chapeau plus gros. On ne communique pas la granularité. Typiquement sur la viralité de notre produit, on amène du contexte en expliquant qu’on fait des tests car en France, on est au maximum en attribution payante. Dans le cadre de ces tests, on essaie de voir si des gens ont envie de nous rejoindre après avoir signé. On détecte qu'ils ont envie. Donc on a fait des A/B tests qui donnent des résultats. On communique assez peu la data en fait. La data nous permet juste de couvrir nos communications. C’est illustratif”. - Christopher Parola, Yousign

“Il faut vraiment le mettre dans le contexte de l'entreprise, dans le contexte du quarter, dans le contexte de la discovery qu'on fait, par exemple. J'aime bien aussi passer dans les meetings regroupant toute l’entreprise (all-hands). Je trouve que c'est la façon dont tout le monde peut voir l'output de l'équipe data qui vient de présenter une partie de leurs analyses”. - Alix Moggia

2. Créer un référentiel commun

“On doit s'assurer que tout le monde comprenne chacune des métriques en ayant une définition commune. Pour ça, on peut créer un dashboard dit “source of truth” pour que tout le monde soit aligné”. - Alix Moggia

“Chez Malt, on a mis en place un arbre de KPI avec des KPIs clairs, des dashboards bien structurés. À chaque all-hands, on explique les datas clés de ces artefacts”. - Solenne Bruneau, Malt

3. La partager fréquemment

“J'aime beaucoup communiquer la data dans Slack chaque semaine sur ce que chaque équipe (ou squad) a pu délivrer. Et dans ce cadre, j'aime pousser les analyses données qui ont été effectuées. Typiquement, si un Data Analyst a rencontré des problèmes dans ses analyses, il/elle va les regrouper dans une page Notion. Cette page doit être partagée sur Slack aux équipes Produit. Grâce à ça, les PMs vont pouvoir se poser des questions sur les analyses restituées par l’équipe Data : Pourquoi on fait ça ? Où est-ce que ça nous amène ? Quelles décisions ça va nous amener à prendre ? Pour moi, c'est très important de bien donner un contexte à cette analyse, et pas uniquement avoir le bloc avec les résultats clés”. - Alix Moggia

“Chez Mirakl, on s'appuie sur nos Product Ambassadors pour communiquer de manière scalable des messages produits vers le terrain. On fait ça au travers d'un rendez-vous mensuel qui s'appelle le Product Committee. C'est le principal moyen synchrone de communiquer des informations comprenant de la data. On va y présenter des captures de Metabase, des graphes pour illustrer l’impact de fonctionnalités par exemple”. - Luc Andriana, Mirakl

4. Utiliser le story telling

“Souvent, le PM va arriver dans ses meetings et il va dire : ‘ce quarter, on a sorti ça, voilà la démo du nouveau truc qui sort’. Et la data est souvent oubliée. Je trouve bien d’intégrer la data à ce moment là. Tu fais une ou deux slides où figurent des extraits des tableaux, des dashboards. Ça apporte de la clarté, de la crédibilité et de la précision au story telling en all-hands”. - Alix Moggia

“Comme le produit, la data c'est du storytelling. Tu peux rendre n'importe quel insight intéressant et compréhensible si tu t'assures que tu utilises des visuels clairs. Et que tu expliques le problème à résoudre, son importance et pourquoi cette analyse concerne ce problème spécifique. Il faut aussi y joindre les conclusions. Je pense que c'est une compétence que les équipes Data sous-estiment. Pourtant la communication est clé et tu peux faire du storytelling de data”. - Solenne Bruneau, Malt

“Chez Mirakl, on pousse de plus en plus les PMs à faire du story telling lors de leurs présentations, et ils ont d’ailleurs reçu une formation pour être plus impactant à l’oral. Nous avons des rituels mensuels et trimestriels comme point d’étape pour partager notamment des KPIs à l’ensemble des équipes, et rien de mieux que le story telling pour être plus impactant”. Luc Andriana, Mirakl

---

💫 Qu'est-ce que Stellar ?

J’ai cofondé Stellar pour accompagner les dirigeants de startups à faire de leur Produit un moteur de croissance inarrêtable.

Et pour activer cette croissance, on a créé :

• Un collectif de 12 CPO des meilleures boîtes tech (Zenly, Yousign, BlaBlaCar)

• Des formats d’intervention rapides (moins d’une semaine)

• Des solutions concrètes à actionner dans la foulée ****

Résultats : vous améliorez vos metrics business, votre vitesse d’exécution et la qualité de votre Produit.

Nous avons accompagné 40 clients depuis notre lancement (Zeliq, Edusign, Predict4health, Jaji,…).

Notre ambition : vous faire atteindre vos objectifs business et positionner votre produit en leader de son marché.

Envie de travailler ensemble ?

---

Comment as-tu trouvé cette édition ?

---

Pour me soutenir :

Si l’édition t’a plu, ce serait super que tu la partages 🙏

Timothé