Adopter une approche Produit en Data Science avec BlaBlaCar
#41 - Le zoom, les ressources de Célia et le podcast
Hello,
Bienvenue dans l’édition #41 de la newsletter DataGen ! 👋
Cette semaine, je t’envoie ce mail via Substack, le nouvel outil que j’ai sélectionné pour la newsletter DataGen. Il permet de mettre à disposition facilement toutes les éditions précédentes. Tu pourras dorénavant les retrouver en cliquant ici. 😁
Cette semaine, on remercie Célia qui nous raconte comment elle a implémenté une approche Produit dans ses projets Data Science chez BlaBlaCar. 👏
L'agenda de la semaine :
🔍 Zoom sur l’adoption d’une approche Produit en Data Science.
🎙 Le podcast avec Célia, Data Manager chez BlaBlaCar.
📚 Les ressources recommandées par Célia.
C’est parti !
📢 Cette édition est rendue possible par Esther Voituron, experte en Data Storytelling. Elle nous en a d’ailleurs parlé dans l’épisode 62 de DataGen.
Si vous avez besoin d’aide sur ce sujet, contactez-la via LinkedIn ou voici son mail : esther@data-organisation.com
🔍 Zoom sur l’adoption d’une approche Produit en Data Science
Ce zoom est tiré de mon échange avec Célia Fischbach qui est Data Manager chez BlaBlaCar, la plateforme de transports partagés (voiture et bus) leader en Europe avec 20 millions d’utilisateurs en France.
Le contexte autour de son projet d’optimisation d’un réseau de bus
Je l’ai synthétisé via un post LinkedIn cette semaine.
L’approche Produit mise en place en 4 étapes
1) Discovery
Célia et son équipe ont passé beaucoup de temps avec les équipes opérationnelles pour comprendre leurs process existants et les axes possibles d’optimisation / d’automatisation.
Cette phase leur a permis d'identifier des use cases très précis qui sont prioritaires (ex : optimisation du réseau de bus pour la région Normandie).
Si on réfléchit trop tôt à la solution, on risque d’adopter une approche holistique et de délivrer une solution standardisée qui ne conviendra pas aux équipes utilisatrices.
“On y a passé 3 mois au début puis on a continué ensuite en parallèle du delivery pour alimenter le backlog.”
2) Planification
Pendant cette phase, Célia et son équipe ont identifié un Proof of Concept. C'est la première version la plus petite de la solution qui peut être délivrée rapidement.
L’étape suivante a été d’identifier le setup d’équipe idéal pour maximiser le succès du projet. Chez BlaBlaCar, ils ont créé des “task force” pluridisciplinaires inspirées des équipes Produit.
“On avait un Product Manager, un Data Scientist, un Software Engineer pour le delivery. On avait également un référent des équipes opérationnelles pour répondre à nos questions, nous challenger et ensuite devenir l’ambassadeur du projet auprès des autres équipes.”
3) Delivery d’un POC (Proof of Concept)
Ici, l'idée est de maximiser le “time to impact” en délivrant le plus vite possible une première version de la solution qui apporte de la valeur.
Grâce à cette première version délivrée, la squad et les équipes opérationnelles sont en mesure d’identifier plus sereinement la valeur que le projet peut débloquer.
De plus, le POC permet d'embarquer les équipes opérationnelles avec un cas concret. Elles peuvent tester la solution et un process d’itération se met en place avec la squad.
“Par ailleurs, une comparaison des résultats avec le process manuel nous donne un premier ROI du projet. Celui-ci nous permet d’aller chercher plus de sponsoring afin de lancer la phase d’industrialisation.”
4) Industrialisation
Sur cette dernière phase, l’équipe va ajouter des périmètres de manière incrémentale.
On peut élargir à plusieurs niveaux :
- Optimisation du réseau sur une nouvelle région.
- Prise en compte de données additionnelles qui augmentent la pertinence des recommandations (ventes de tickets, etc.).
- …
🎙 Le podcast avec Célia, Data Manager chez BlaBlaCar
Découvre l'intégralité de notre échange avec Célia.
On aborde plusieurs autres sujets :
Son parcours pour arriver à ce poste chez BlaBlaCar
Les plus grosses difficultés qu’ils ont rencontrées dans le cadre des projets de Data Science : normalisation et évangélisation
Les next steps de l’équipe Data chez BlaBlaCar
“Il y a une chose qui est clé, c'est la structure de la donnée. Il faut s'assurer d’avoir un bon niveau de normalisation parce que sinon, c'est impossible de développer des data products.”
Liens vers l’épisode : Apple Podcasts | YouTube | Spotify | Deezer
📚 Les ressources recommandées par Célia
“Sa vision Data as a Product est vraiment hyper intéressante”.
“Ils ont développé un framework que tu peux activer facilement. Ca m'a beaucoup nourrie dans l'approche Data Product.”