Les données pour les nuls : un cours intensif pour les PM non techniques

Dans le paysage actuel axé sur les données, les organisations se retrouvent souvent submergées par une mer de données, mais peinent à en tirer des informations exploitables. De nombreuses entreprises sont désireuses de se qualifier de centrées sur les données, mais la réalité est que tout le monde n'est pas également habile à interpréter et à utiliser les données efficacement. Souvent, les informations sont fragmentées, et les analyses présentées ne fournissent pas la vue d'ensemble nécessaire pour une prise de décision éclairée.

Dans cet épisode, Hannah Clark est rejointe par Mo Hallaba—PDG de Datawisp—pour discuter des écarts entre la vaste quantité de données collectées par les organisations et l'efficacité de leur utilisation, tout en proposant des solutions pratiques pour une meilleure gestion et visualisation des données.

Points forts de l'interview

• Rencontrez Mo Hallaba [01:00]
  • Mo a commencé sa carrière dans la finance, spécifiquement dans la recherche en actions.
  • Son travail consistait à recommander des actions et à effectuer un travail manuel de données approfondi.
  • Il a ensuite fait la transition vers les fusions et acquisitions d'entreprises, réalisant des acquisitions et davantage de recherches de données.
  • Fatigué de cela, il a poursuivi sa passion pour les jeux vidéo et a lancé une startup de jeux.
  • La startup a échoué, mais il a rencontré des personnes travaillant dans une équipe d'e-sport utilisant des données et des analyses pour former les joueurs.
  • Ce concept l'a intrigué, et il a évolué vers une entreprise d'analyse de données plus large.
  • Finalement, ils se sont élargis au-delà du jeu pour se concentrer sur l'analyse générale.
• Comprendre la prise de décision basée sur les données [02:40]
  • De nombreuses organisations s'attendent à ce que les données prennent des décisions pour elles, ce qui est une idée fausse.
  • Les domaines très techniques peuvent utiliser la prise de décision basée sur les données, mais ce n'est pas l'objectif pour tout le monde.
  • Datawisp se concentre sur la prise de décision "informée par les données".
  • Cet approche consiste à utiliser les données pour soutenir les décisions que vous prendriez déjà, offrant plus d'informations.
  • Un exemple : décider où placer un bouton dans une interface utilisateur en fonction des données de comportement des utilisateurs.
  • Les données aident à informer les ajustements plutôt que de se fier à des suppositions.
• Le pouvoir de la visualisation des données [04:02]
  • Tout le monde n'est pas à l'aise avec les chiffres, en particulier les personnes non techniques.
  • La visualisation des données aide ceux dans les domaines créatifs ou la gestion de produit à mieux comprendre les données.
  • Voir les données sous forme visuelle, comme des graphiques, facilite la compréhension des tendances et des modèles.
  • Par exemple, montrer comment les KPI évoluent dans le temps visuellement est plus efficace que de l'expliquer avec des chiffres.
  • Les visualisations aident les gens à identifier rapidement les changements clés, comme lorsque les données divergent, et à poser de meilleures questions.
• Protéger contre l'interprétation erronée des données [05:12]
  • L'IA n'est pas destinée à remplacer les gens mais à réduire le travail fastidieux pour les data scientists.
  • Les organisations devraient embaucher au moins un ou deux data scientists, même avec un bon logiciel.
  • L'objectif est d'éliminer le besoin de compétences techniques, comme l'écriture de SQL, pour analyser les données.
  • Supprimer les barrières techniques permet à plus de gens de passer du temps à comprendre les données.
  • Les décideurs devraient collaborer avec les data scientists pour éviter de mal interpréter les données.
  • Garder une personne impliquée dans le processus de données aide à assurer une compréhension correcte, surtout autour des relations complexes comme la causalité.

Beaucoup de gens voient l'IA comme un remplacement des rôles humains, mais nous ne le voyons pas de cette façon. Nous nous concentrons sur l'utilisation de l'IA pour éliminer le travail fastidieux et les goulets d'étranglement qui entravent les data scientists. Un excellent moyen de se prémunir contre ces problèmes est d'avoir un data scientist compétent dans votre équipe ou d'embaucher quelqu'un qui sait vraiment ce qu'il fait.

Mo Hallaba

• Guide pour découper les données en morceaux contextuels [06:45]
  • Commencez par identifier les objectifs commerciaux, pas seulement analyser les données isolément.
  • L'analyse des données devrait aider à révéler de nouvelles perspectives sur l'entreprise.
  • Par exemple, pour évaluer l'efficacité d'un tutoriel, comparez les données entre les utilisateurs qui l'ont terminé et ceux qui ne l'ont pas fait.
  • Analysez les taux de désabonnement et les différences de rétention entre ces groupes.
  • Si aucune différence n'est trouvée, soit le tutoriel n'est pas nécessaire, soit le produit est facile à utiliser.
  • Si les utilisateurs qui terminent le tutoriel ont de meilleurs résultats, cela suggère que le tutoriel est précieux.
  • Le découpage des données dépend de la question commerciale spécifique abordée.
• Données exploitables vs non exploitables [08:05]
  • Les données exploitables vous permettent de prendre des mesures claires et spécifiques basées sur des informations.
  • Les données non exploitables fournissent des informations mais n'offrent pas de mesures claires à prendre.
  • La différence réside dans ce que vous pouvez faire avec l'information, pas dans les données elles-mêmes.
  • Exemple : Dans un entonnoir marketing, si les gens ne réservent pas de démonstrations, vous pouvez ajuster la taille du bouton, la page de destination ou les graphiques (exploitable).
  • Si les utilisateurs essaient le produit mais se désabonnent ensuite, il est plus difficile de déterminer pourquoi (non exploitable).
  • Plus haut dans l'entonnoir, il y a des actions plus claires à prendre, tandis que plus bas, les données deviennent moins exploitables.
  • Pour des informations non exploitables, les entretiens avec les clients et les observations d'utilisation sont utiles.
• Outils pour collecter et analyser les données utilisateur [09:54]
  • Les outils utilisés par les équipes produit dépendent du type de produit en cours de développement (par exemple, jeux, sites web, plateformes de commerce électronique).
  • Les équipes ont besoin de logiciels d'analyse de produit qui collectent des événements (suivi des actions des utilisateurs) et les stockent pour une analyse facile.
  • Pour les jeux, les plugins Unity peuvent suivre les événements en jeu et les stocker dans des plateformes comme Snowflake pour analyse.
  • Le commerce électronique et d'autres secteurs ont des solutions spécifiques adaptées à leurs besoins.
  • L'essentiel est d'utiliser des outils qui correspondent aux exigences du produit pour la collecte et l'analyse des données.
• Exploiter l'IA pour l'analyse des données [10:52]
  • L'IA aide les personnes non techniques à analyser et transformer les données, une tâche nécessitant auparavant des data scientists.
  • L'IA gère les aspects techniques, permettant aux utilisateurs de poser des questions en langage simple.
  • Les utilisateurs non techniques peuvent explorer les données avec des connaissances commerciales de base et de la curiosité.
  • Cet approche encourage plus de personnes à s'engager avec les données.
  • L'intérêt accru pour les données pousse les entreprises à investir davantage dans des données propres et accessibles.
  • Cela crée un cercle vertueux où de meilleures données mènent à de meilleures informations et décisions.

Plus les gens valorisent les données, plus l'entreprise investira dans le maintien de données propres et leur accessibilité pour tous.

Mo Hallaba

• Itérer avec les données : Exemples concrets [12:12]
  • Datawisp s'est concentré sur les temps d'attente des utilisateurs pour leur fonctionnalité d'IA, Wispy.
  • Ils ont testé deux versions : une IA rapide avec des réponses correctes et une IA lente avec des réponses potentiellement meilleures.
  • Les données ont révélé que les utilisateurs préféraient des réponses plus rapides, ce qui a conduit à se concentrer sur la vitesse.
  • Ils ont ajusté la performance de Wispy en fonction de la patience des utilisateurs, optimisant pour des réponses rapides.
  • Ils ont mis en œuvre des changements de conception basés sur les données, tels que le timing des messages de statut, en fonction des temps d'attente des utilisateurs.
  • Ils ont utilisé des données en temps réel pour affiner et itérer la fonctionnalité pour une meilleure expérience utilisateur.
  • Former les utilisateurs consiste moins à changer leur comportement qu'à définir des attentes appropriées.
  • Exemple : L'approche "vous le tenez mal" de Steve Jobs était inefficace.
  • L'essentiel est de gérer les attentes des utilisateurs par l'éducation et une communication claire.
  • Les utilisateurs s'attendent à des réponses rapides, et définir des délais réalistes est crucial.
  • Comparer le temps de réponse de Datawisp aux méthodes traditionnelles (par exemple, attendre une semaine) aide à mettre en évidence les avantages.
  • Une communication efficace implique une représentation honnête et précise des temps de réponse.
  • Un bon marketing et un message clair sont essentiels pour définir ces attentes.
  • Les utilisateurs sont habitués à des réponses instantanées des moteurs de recherche et de l'IA, créant des attentes irréalistes.
  • ChatGPT a contribué à la croyance que l'IA peut fournir des réponses instantanées pour toutes les tâches.
  • En réalité, le temps de traitement est influencé par les requêtes de base de données, pas seulement par la performance de l'IA.
  • Wispy informe maintenant les utilisateurs de son statut pendant le traitement, comme "Je réfléchis" ou "en attente de votre base de données," pour gérer les attentes.
  • Les utilisateurs supposent souvent qu'un système est en panne s'il prend trop de temps, les amenant à actualiser ou renvoyer des demandes.
  • Le suivi des données et les tests utilisateurs révèlent que la communication claire sur les temps de traitement est cruciale pour la satisfaction des utilisateurs.
• Histoires de succès triomphantes basées sur les données [19:10]
  • Dans l'e-sport, l'analyse des données a conduit à gagner un tournoi.
  • Le logiciel a fourni des cartes thermiques détaillées en décomposant les données par différentes situations et conditions de jeu.
  • Cela a permis d'identifier précisément les positions des adversaires, contribuant à la victoire malgré le budget le plus bas.
  • Chez Datawisp, a aidé un jeu à tripler sa base d'utilisateurs rapidement.
  • A analysé les sources d'acquisition d'utilisateurs et les comportements en jeu pour se concentrer sur les canaux d'acquisition efficaces.
  • L'histoire de succès impliquait une étude de cas avec l'entreprise Honeyland, présentée sur le site de Datawisp.

Rencontrez notre invité

Mo Hallaba est le PDG de Datawisp, une plateforme qui aide les développeurs de jeux et les entreprises de logiciels à mieux exploiter les données qu'ils collectent afin d'améliorer leur produit, réduire les coûts d'acquisition d'utilisateurs et augmenter la rétention. Datawisp a été conçu dès le départ spécifiquement pour les personnes non techniques, et conçu pour qu'elles puissent simplement poser les questions qui leur importent et obtenir des réponses immédiatement.

Le parcours de Mo a commencé lorsqu'il travaillait dans le secteur bancaire en tant qu'analyste de recherche en actions. Son travail était incroyablement répétitif, passant beaucoup de temps à faire un travail qui semblait être ce qu'un ordinateur devrait faire (analyse de données approfondie pour les gens d'affaires).

Le tournant est venu lorsqu'il a quitté la finance et a lancé une entreprise de jeux, travaillant avec des éditeurs de jeux triple A en tant que consultant. Ces entreprises avaient exactement les mêmes problèmes d'accès aux données qu'il avait rencontrés dans la finance : des gens à la merci des demandes de données, et des équipes scientifiques occupées à produire des demandes de données pour les gens d'affaires. La prise de conscience que la pure consultance ne ferait que "panser" le problème, et que la solution serait de créer un produit a conduit à la création de Datawisp.

Suivez tout ce que vos utilisateurs font dans votre produit, car cela sera utile à un moment donné.

Mo Hallaba

Ressources de cet épisode :

• Découvrez le sponsor de cet épisode Sprig
• Abonnez-vous à la newsletter The CPO Club
• Connectez-vous avec Mo sur X et LinkedIn
• Découvrez Datawisp

Articles et podcasts connexes :

• À propos du podcast The CPO Club
• Comment devenir chef de produit sans formation technique
• Guide de l'analyse de produit : avantages, métriques et pourquoi c'est important
• Data Product Manager : En avez-vous besoin, ou devez-vous en être un ?
• 7 livres sur l'analyse de produit pour prendre de meilleures décisions basées sur les données