Les 3 chantiers data de l’ex-Chief Product Officer de ManoMano
#68 - Le zoom, le podcast, les ressources préférées de Pierre et l'épisode avec Starburst
Hello,
Bienvenue dans l’édition #68 de la newsletter DataGen ! 👋
L'agenda de la semaine :
🔍 Zoom sur les 3 chantiers data de l’ex-Chief Product Officer (CPO) de ManoMano
🎙 Le podcast avec Pierre, ex-CPO de ManoMano
📚 Les ressources recommandées par Pierre
🎙 Le podcast avec Starburst, la solution qui accélère l’accès au Data Lake
C’est parti !
📢 Cette édition est rendue possible par Eulidia, le cabinet de conseil spécialisé sur la data et l’IA
J’ai rencontré Benjamin, leur Chief Data Science Officer, il est également Docteur en IA et expert IA et IA Génératives.
Je lui ai demandé de nous faire une masterclass IA Génératives sur le podcast.
C’est l’épisode 117, je vous le recommande.
Si vous souhaitez vous faire accompagner par les experts d’Eulidia, contactez-les et dites-leur que vous venez de ma part, ils s’occuperont bien de vous !
-Benjamin : bcohen@eulidia.com
-Elisa : echarbonnier@eulidia.com
🔍 Zoom sur les 3 chantiers data de l’ex-CPO de ManoMano - 4 min
Ce zoom est tiré de mon échange avec Pierre, ex-Chief Product Officer chez ManoMano, la licorne qui propose un site e-commerce spécialisé dans le bricolage.
Le 1er chantier : mettre en place le Tracking et l’Analytics au Produit
Lorsque Pierre arrive chez ManoMano en 2017, il n’y a pas encore d’outil Analytics pour les équipes Produit. Il met en place un plan de tracking du site et l’outil Amplitude.
“Il y avait déjà un ADN Data fort chez ManoMano car la boîte était très data-driven au sein des équipes Marketing. Mais sur la partie Produit, il n'y avait rien.”
Le 2ème chantier : ne pas devenir “trop data-driven”
Pierre fait ensuite face à un nouvel enjeu : faire cohabiter l’Analytics et la discovery.
“Lorsque tu équipes les Product Managers avec des outils d’Analytics, il y a un risque qu’ils soient toujours derrière leur ordinateur à regarder des dashboards et qu’ils passent à côté d’énormément d’informations. Il faut s’assurer qu’ils continuent à faire de la discovery.”
Le principe de la discovery est d’observer des utilisateurs en train de manipuler le produit lors d’ateliers afin de mieux les comprendre.
“La donnée te dit ce qu’il se passe mais elle ne te dit pas pourquoi.”
Par exemple, ManoMano a lancé il y a quelques années une nouvelle fonctionnalité : des filtres qui permettaient de trouver rapidement les produits sur leur site.
Grâce aux données, Pierre et son équipe ont identifié que la fonctionnalité n’était pas utilisée. Mais il a fallu organiser un atelier avec des utilisateurs pour comprendre pourquoi :
“Je vois un utilisateur qui scrolle pour chercher des produits sans utiliser les filtres. Je lui demande pourquoi. Il me dit : “Surtout pas ! Quand j’utilise les filtres, certains produits manquent dans la liste des résultats !” Et en fait, c’est parce qu’on avait pas référencé tout le catalogue dans les filtres. Ça nous a permis de revoir notre stratégie de déploiement sur cette fonctionnalité. Et c’était impossible de comprendre ce comportement juste avec la data.”
En conclusion, il est crucial en Produit de combiner des analyses data et de la discovery. Pas de discovery, pas de chocolat. ;)
3ème chantier : définir des métriques “utilisateurs” et non “business”
Pierre partage un exemple pour illustrer ce chantier.
Historiquement, l’équipe Produit qui s’occupait de la barre de recherche de ManoMano suivait principalement comme métrique le nombre de ventes qui était initiées depuis la barre de recherche.
Selon Pierre, c’était une mauvaise métrique notamment parce qu’elle était trop englobante : il y a des 100aines d’éléments qui ont de l’impact sur les ventes (ex : une campagne marketing, la modification d’une autre fonctionnalité…).
Lors d’un atelier discovery dédié à la barre de recherche, Pierre et son équipe identifient un nouveau phénomène.
“On voit qu’un utilisateur va sur la barre de recherche de ManoMano, tape sa recherche, ne trouve pas son produit et donc quitte le site. Il tape sa recherche sur Google, trouve le produit qu’il recherche, puis revient sur la page produit de ManoMano mais via sa recherche Google. Impossible d’identifier ce phénomène uniquement sur un dashboard.”
Ils quantifient ce phénomène via une analyse data : il représente 12% du trafic.
Ils décident de définir une nouvelle métrique “utilisateur” qui incarne spécifiquement ce phénomène : le nombre de visiteurs qui initient une recherche sur ManoMano, qui sortent et qui reviennent via Google.
Pierre et son équipe ont réussi à réduire cette métrique de 12% à 5% en itérant sur la barre de recherche.
“Et là c'est magique, on a enfin une métrique qu'on a réussi à faire baisser et qui en plus correspondait à un comportement utilisateur qu'on voulait faire baisser. Et en terme de motivation pour l'équipe, c'est beaucoup plus puissant !”
🎙 Le podcast avec Pierre, ex-CPO de ManoMano
On aborde également :
Son parcours du BCG à ManoMano en passant par Artefact
Les prémices de la data chez ManoMano au Marketing et au Produit
L’organisation entre l’équipe Data et l’équipe Produit
Ses plus gros challenges : tracking, culture et collaboration Data x Produit
“Nos Product Managers étaient très autonomes sur leurs analyses data. L’équipe Data les accompagnait plutôt sur de la formation (ex : prise en main de Metabase).”
Liens vers l’épisode : Apple Podcasts | YouTube | Spotify | Deezer
📚 Les ressources recommandées par Pierre
“J’étais nul sur en probabilité et ce bouquin est top pour se mettre à niveau.”
“Super intéressant pour creuser la pertinence de sa barre de recherche, ce qui est clef pour une marketplace.”
🎙 Le podcast avec Starburst, la solution qui accélère l’accès au Data Lake
Jérôme Campo est Solution Architect chez Starburst, la licorne américaine qui propose une solution pour requêter les Data Lake avec des meilleures performances et les fédérer avec d'autres sources, le tout avec des coûts très compétitifs. La solution est peu connue du grand public mais est déjà utilisée par la moitié du CAC 40.
On aborde :
Son parcours entre Microsoft, Google, Cloudera et Starburst
La techno Open Source sous-jacente fondée en 2012 chez Facebook (aka Presto)
Les 2 usages de Starburst : accélérer l’accès au Data Lake et attaquer plusieurs sources en une seule requête
Où se positionne l’outil dans la stack versus le Data Warehouse, Fivetran, dbt…
“Initialement, le paradigme était que même avec Hadoop, on avait des grosses problématiques de performance. La technologie a été faite pour ça : pour accélérer l'accès au Data Lake.”
Liens vers l’épisode : Apple Podcasts | YouTube | Spotify | Deezer