Back Market : Leur Stratégie Data Science
#61 - Le zoom, le podcast, les ressources d'Anne-Sophie et une histoire de reconversion
Hello,
Bienvenue dans l’édition #61 de la newsletter DataGen ! 👋
L'agenda de la semaine :
🔍 Le zoom sur la stratégie Data Science de Back Market
🎙 Le podcast avec Anne-Sophie, Lead Product Data Science chez Back Market
📚 Les ressources recommandées par Anne-Sophie
🎙 Une histoire de reconversion avec Stéphanie
C’est parti !
📢 Cette édition est rendue possible par Data Bird
Ils accompagnent les entreprises dans leur transformation data via des programmes sur mesure de montée en compétence.
Si vous souhaitez former vos collaborateurs à la data, voici le lien vers leur site : ici
🔍 Le zoom sur la stratégie Data Science de Back Market
Ce zoom est tiré de mon échange avec Anne-Sophie Lavelle, Lead Product Data Science chez Back Market, la licorne française qui propose une marketplace de produits reconditionnés.
Le contexte Data Science chez Back Market
La licorne fait de la Data Science depuis environ 6 ans. Ils se sont concentrés sur un seul algorithme pendant les 4 premières années (aka la Backbox, cf. zoom sur le premier projet plus bas).
L’objectif au départ était de concentrer les efforts sur un cas d’usage clé pour le Business de Back Market. Depuis un peu moins de 2 ans, ils ont décidé de lancer d’autres cas d’usage et en ont aujourd’hui 4 en production.
“Le premier use case était mature en terme d’impact Business. On s’est rendu compte que tous les petits changements qu'on allait faire allaient apporter peu de valeur et qu’il valait mieux travailler sur des nouveaux sujets.”
Le premier projet Data Science de Back Market (aka la Backbox)
Back Market est une plateforme sur laquelle il y a des marchands et des clients.
Lorsqu’un client souhaite acheter un iPhone 12 28 giga noir sur le site en France, il voit un seul produit. En réalité, il y a potentiellement 60 vendeurs qui essaient de lui vendre ce produit. Mais Back Market a développé un algorithme qui permet de sélectionner en temps réel le marchand qui a le droit de vendre le produit.
L’algorithme se base sur 2 critères principaux : le prix et la qualité (temps de livraison, nombre de livraisons en retard, nombre de produits livrés qui étaient défectueux…).
“Un marchand peut gagner en ayant un prix très bas. Cependant, l’algorithme encourage les marchands à augmenter la qualité de leur service car ça leur permet d'augmenter leurs prix et de faire plus de marge.”
L’organisation interne de l’équipe Data Science
Aujourd’hui, ils sont 10 au sein de l’équipe :
- Une Product Manager qui identifie les sujets sur lesquels travailler avec les stakeholders Business, qui cadre le projet, mesure l’impact Business et communique auprès du leadership
- Un Engineering Manager qui encadre l’équipe de développeurs (cf. ci-dessous)
- 3 Data Scientists qui travaillent sur la récupération et l’exploration des données ainsi que sur la modélisation
- 3 Machine Learning Engineers qui mettent les algorithmes en production en collaboration avec les Data Scientists
- 2 Backend Engineers qui intègrent ces modèles dans le backend de Back Market. Ils vont par exemple construire les APIs qui restituent les résultats des algorithmes.
“On est sur des cycles beaucoup plus longs par rapport à du développement back ou front end classique. Tu as beaucoup plus d'incertitudes. Du coup, il faut s’assurer au maximum que le projet que tu lances est le bon, qu’il va amener un incrément business en termes de revenus, en termes de réduction de coûts…”
Leur vision IA Génératives
Leur stratégie Data Science se divise en 2 axes :
1) Les Core Products : les algorithmes développés en interne (la Backbox et les 3 autres algorithmes mis en production à date). L’équipe Data Science va se concentrer sur ces projets qui sont clés par rapport au modèle de Back Market et qui lui permettent de se différencier de ses concurrents.
2) Les Use Cases IA Génératives : l’objectif est de rendre les autres équipes (ex : autres squads Produit) autonomes pour lancer et mettre en production des use cases IA Génératives. Ça va passer par des sessions de formation, la mise à disposition d’outils…
“Mon équipe gardera un rôle de support sur les sujets AI Génératives mais on ne sera pas une équipe centrale comme on peut l’être pour les Core Products. C’est la stratégie qu’on a décidé d’adopter pour scaler la Data Science chez Back Market.”
🎙 Le podcast avec Anne-Sophie, Lead Product Data Science chez Back Market
On aborde également :
Son rôle de PM Data Science plus en détail
L’importance de la communication sur des projets de Data Science
Un autre algorithme sur lequel ils ont travaillé
Leur usage de MLflow
Leurs plus gros challenges : recrutement et vulgarisation
Liens vers l’épisode : Apple Podcasts | YouTube | Spotify | Deezer
📚 Les ressources recommandées par Anne-Sophie
“J’aime bien aller sur les blogs tech de boîtes pour avoir des retours d’expérience orientés application Business.”
🎙 Une histoire de reconversion avec Stéphanie
Dans cet épisode, je reçois Stéphanie qui s’est reconvertie d’un rôle de Manager Études de Marché vers un rôle de Data Analyst au sein de Weldom. On aborde son parcours, sa formation avec DataBird et les éléments de sa formation qui lui servent le plus aujourd’hui.
“Concrètement, on avait un fichier client qui a dépassé le million de lignes. Ça ne fonctionnait plus avec Excel !”
Liens vers l’épisode : Apple Podcasts | YouTube | Spotify | Deezer
🤝 DataGen, c’est aussi un collectif de freelances data issus des plus belles boîtes
Grâce à DataGen, on a réuni une team de 50 freelances data, que des top profils expérimentés et issus des plus belles boîtes (BlaBlaCar, Aircall, Critéo, Artefact, 55, Sunday...) pour délivrer des projets data ! 🤩
Travailler avec nous : ici