La data : levier indispensable du Product Owner
Marion
consultante et product owner chez Peaks
Passionnée par le produit et de tout ce qui lui permet de mieux comprendre les attentes du consommateur, elle nous propose dans cet article un éclairage sur l’impact de la data sur la conception d’un produit.
Pour un Product Owner (PO), la data est un outil clé, omniprésent à chaque étape du cycle de vie d’un produit. De l’analyse initiale aux itérations post-lancement, elle permet de mieux comprendre les utilisateurs, de prioriser les fonctionnalités et de répondre simultanément aux attentes des utilisateurs et aux objectifs stratégiques de l’entreprise. Il est donc important de définir des indicateurs clés (KPIs) à suivre.
1. La data au cœur du cycle de vie d’un produit
La data permet au Product Owner de prendre des décisions éclairées, basées sur des faits concrets. Elle joue un rôle central dans chaque phase clé de la gestion d’un produit :
La découverte et l’analyse du besoin : Dans cette phase, le PO cherche à comprendre les besoins des utilisateurs, à identifier les points de douleur et à trouver des axes d’amélioration. La data va aider à formuler ou affiner les hypothèses, notamment en comprenant comment les utilisateurs interagissent avec l’outil. Par exemple, l’analyse du parcours client ou d’un tunnel de conversion va permettre d’identifier les pages ou étapes à fort taux d’abandon ou des fonctionnalités non utilisées ou mal utilisées.
Exemple : Si des données montrent que 60 % des utilisateurs abandonnent un formulaire de connexion, cela indique un problème à résoudre, que ce soit un champ trop complexe, une interface peu intuitive ou une demande de connexion à la mauvaise étape du parcours client.
Priorisation des fonctionnalités : La priorisation des tâches est l’une des responsabilités majeures du PO. En s’appuyant sur des KPIs de conversion, tels que le taux de conversion ou le ROI attendu, il est possible de justifier les choix réalisés auprès des différentes équipes. Également, des données analytiques telles que le taux de visites d’une page ou le temps passé par page peuvent être des arguments pour décider de l’importance d’un besoin. Pour chaque idée, les données vont donc aider à évaluer les efforts à fournir par rapport à l’impact attendu.
Exemple : Une nouvelle fonctionnalité, même pertinente pour l’expérience utilisateur, sera dépriorisée si elle cible une page peu visitée, au profit d’évolutions (même légères) sur des pages à fort trafic.
L’évolution post-MEP (Mise en Production) : Après le lancement d’une nouvelle fonctionnalité, il est crucial de mesurer son impact réel et son efficacité. Des KPIs comme le taux de rétention ou l’engagement utilisateur permettent d’évaluer si les objectifs sont atteints. Également, la collecte de feedback utilisateurs est pertinente à cette étape pour comprendre l’impact direct sur les utilisateurs finaux.
Exemple : Analyser l’évolution du Net Promoter Score (NPS) après un changement majeur pour évaluer son succès.
2. Quels types de données utiliser ?
Pour un PO, toutes les données ne se valent pas. Voici les types de données essentielles et leurs applications :
Les données comportementales sont souvent issues des outils d’analytics et permettent de comprendre comment les utilisateurs interagissent avec le produit. Elles permettent d’identifier les parcours utilisateurs, les zones de friction, la provenance des clients et les étapes de sortie. Elles vont particulièrement servir à améliorer la compréhension globale du produit.
Exemples de KPIs clés : Taux de clics, pages vues, taux de rebond, taux de churn, taux de scroll, durée moyenne des sessions, temps passé par page, pages d’entrées et de sortie, etc.
Les données de performance du site dont des indicateurs techniques permettent d’analyser la fluidité de l’expérience utilisateur. Elles permettent de définir si le support de notre produit (souvent le site internet) est performant et stable. Google accorde d’ailleurs maintenant une importance à ces indicateurs dans le référencement SEO en créant les “Core Web Vitals” qui analysent la vitesse de chargement du contenu d’une page, sa réactivité ou sa stabilité visuelle.
Exemples de KPIs clés : Temps de chargement des pages, taux d’erreur, disponibilité du service, etc.
Les données stratégiques alignent les performances du produit sur les objectifs business. Ils sont centrés sur la rentabilité financière du développement et sur la valeur d’un client.
Exemples de KPIs clés : retour sur Investissement (ROI), évolution du taux de conversion, évolution du panier moyen, coût d’acquisition client (CAC), valeur à vie du client (CLV), etc.
Les données de feedback sont les retours des utilisateurs finaux ou des équipes métier. Ils permettent d’avoir des informations concrètes et permettent de compléter les données quantitatives.
Exemples de KPIs clés : NPS (Net Promoter Score), résultats d’enquêtes qualitatives de satisfaction client, etc.
3. Comment collecter ces données ?
Une collecte efficace de la data repose sur une combinaison d’outils et de méthodologies.
La mise en place de reporting et la création de dashboards sont indispensables. En créant un tableau de bord décisionnel grâce à un outil analytique et un outil de datavisualisation, vous pourrez suivre en temps réel l’évolution des KPIs pertinents cités ci-dessus, visualiser les tendances et accélérer les prises de décision.
L’utilisation de heatmaps ou de sessions replays permet d’observer visuellement comment l’utilisateur interagit avec le produit. Cela permet notamment de comprendre les zones non intuitives ou non utilisées, les clics perdus ou les “rage clicks”.
Un CRM centralise les interactions clients, segmente les audiences et identifie des opportunités d’amélioration. Il croise également les habitudes d’achat avec des données analytiques et de rentabilité.
La réalisation d’enquêtes qualitatives et quantitatives est un plus pour recueillir l’avis des utilisateurs. Au sein de ces enquêtes, il est pertinent d’ajouter des questions qualitatives ordonnées (”notez de 1 à 10”) pour comprendre les éléments les plus importants pour les utilisateurs (et nous aider dans la priorisation) ainsi que des questions ouvertes pour permettre à l’utilisateur d’exprimer un besoin non anticipé.
La réalisation de test A/B permet de tester les développements de manière empirique afin de valider la pertinence et la rentabilité d’une évolution avec une mise en production. Si le résultat du test A/B est positif, on est serein pour le pousser en production. S’il est négatif, il permettra de tirer des conclusions afin d’améliorer encore l’évolution et pouvoir fonctionner par itération.
4. Les défis liés à l’utilisation de la data
Malgré ses avantages, l’utilisation de la data comporte plusieurs défis et nécessite une vigilance constante pour optimiser l’utilisation des outils data.
La mise en place d’outils de collecte peut être coûteuse, tant financièrement qu’en termes de ressources, mais il est indispensable de prendre le temps d’installer les bons outils et process et de s’assurer de la fiabilité et de la véracité des données.
Ensuite, il faut faire attention à la surabondance de données. Il est important de définir les KPIs principaux qui sont pertinents pour notre activité et qui permettent de répondre aux objectifs produit et stratégiques. On peut se concentrer sur 5 ou 6 KPIs pour l’analyse continue du produit et s’intéresser à d’autres KPIs lors d’analyses ponctuelles.
Aussi, il y a évidemment un cadre légal à respecter dans la collecte de données des utilisateurs. On doit apporter une vigilance particulière au bon respect des règles définies par le règlement général de protection des données (RGPD) et notamment l’anonymisation des données personnelles.
Enfin, le rôle du PO est également de sensibiliser les parties prenantes (métiers et techniques) à la data en les formant et en partageant les résultats. Cela permettra d’alimenter les décisions avec des points de vue différents et de leur permettre de mieux comprendre l’organisation et les priorisations.
Conclusion
La data est un levier stratégique majeur pour un Product Owner. Elle permet d’éclairer les décisions, de prioriser efficacement et de mesurer l’impact des actions. En s’appuyant sur des KPIs bien définis et en maîtrisant les outils de collecte, le PO peut optimiser la valeur délivrée tout en répondant aux attentes des utilisateurs et des parties prenantes.
Cependant, cela nécessite une approche rigoureuse, éthique et collaborative pour exploiter tout le potentiel des données et garantir le succès du produit.
