talk-data.com

Seizième édition, même ADN : du concret, zéro bullshit.

Cette fois, on se penche sur la façon dont la génération IA et les approches agentic redéfinissent le produit.

2 talks + 1 lightening talk.

1️⃣🎙 Scaling Data Self-Service : 3 ans d’apprentissages chez Back Market Speaker : Capucine Delecourt – Group Data Product Manager @ Back Market

Ce retour d’expérience retrace les différentes étapes de la mise en place du self-service data chez Back Market : de l’approche initiale basée sur les formations, à une vision plus produit centrée sur les besoins utilisateurs. On y évoque les succès comme les limites, les difficultés rencontrées autour de l’outillage (LLM, outils de data viz), l’importance des fondations techniques (documentation, gouvernance, usage réel), ainsi que les ajustements nécessaires face à la montée des coûts. L’objectif est de partager des enseignements concrets sur ce qu’implique réellement une démarche de data self-service à l’échelle.

👩 Speaker: Capucine Delecourt est Group Data Product Manager chez Back Market. Après 7 ans de conseil en data product management auprès de nombreuses entreprises, où elle a pu explorer des sujets variés allant du machine learning à l’analyse produit, elle rejoint Back Market il y a trois ans pour piloter une équipe de PM dédiée aux enjeux data. Avec son équipe, elle travaille notamment à la construction d’une plateforme data scalable, au développement du self-service, et à l’intégration des bonnes pratiques produit dans un écosystème résolument technique.

2️⃣🎙 Les agents IA peuvent-ils remplacer une équipe Scrum ? Speaker : Renaud Chevalier – CTO @ Thiga

Afin de répondre à cette question, nous avons mené une expérimentation en 3 étapes testant les capacités d'IA « facilement accessibles » aujourd'hui : 1. Un assistant personnel avec un Custom GPT OpenAI 2. L'automatisation de workflows avec n8n 3. Des agents autonomes avec Flowise

Conclusion : L'IA ne remplacera pas les équipes Scrum, mais elle balaye tous nos repères (collaboration, rôles, artefacts, événements, pratiques, méthodes…). Nous entrons dans une ère de création produit radicalement différente, où paradoxalement l'agilité devient plus cruciale que jamais.

Une session accessible qui ouvre le débat sur l'avenir du travail d'équipe à l'ère des agents IA.

🎤 Speaker: Renaud Chevalier En tant que CTO et Agent Builder chez Thiga, je conçois des architectures d'Agents IA qui transforment la façon dont les équipes Produit travaillent et créent de la valeur. De la R&D aux implémentations en production, je teste et industrialise les approches qui amplifient réellement l'impact business.

⚡️🎙 Reimagining UX with Agents Speaker : Naji Alazhar – Cofounder @ Umans AI

En développant la plateforme multi-agents umans.ai, trois techniques nous ont bousculé les repères UX. Nous expliquerons ce que c’est, comment on le fait, et les opportunités créées :

• Remote agents + UI générative : La conversation génère l’interface à la volée, pendant que des agents distants exécutent des actions : l’utilisateur reste dans son flow, les clics disparaissent.
• Recherche Agentic : Dans une recherche augmentée, l’agent relance la recherche, ajuste la question au contexte et ramène une réponse plus ciblée.
• Mémoire d’agent : Un agent qui se souvient de vous peut nettement améliorer la qualité des interactions.

Venez challenger ces pistes et nourrir la réflexion avec vos propres expériences.

Plus d'infos à suivre...

Today I’m discussing something we’ve been talking about a lot on the podcast recently - the definition of a “data product.” While my definition is still a work in progress, I think it’s worth putting out into the world at this point to get more feedback. In addition to sharing my definition of data products (as defined the “producty way”), on today’s episode definition, I also discuss some of the non-technical skills that data product managers (DPMs) in the ML and AI space need if they want to achieve good user adoption of their solutions. I’ll also share my thoughts on whether data scientists can make good data product managers, what a DPM can do to better understand your users and stakeholders, and how product and UX design factors into this role. 

Highlights/ Skip to:

I introduce my reasons for sharing my definition of a data product (0:46) My definition of data product (7:26) Thinking the “producty” way (8:14) My thoughts on necessary skills for data PMs (in particular, AI & machine learning product management) (12:21) How data scientists can become good data product managers (DPMs) by taking off the data science hat (13:42) Understanding the role of UX design within the context of DPM (16:37) Crafting your sales and marketing strategies to emphasize the value of your product to the people who can use or purchase it (23:07) How to build a team that will help you increase adoption of your data product (30:01) How to build relationships with stakeholders/customers that allow you to find the right solutions for them (33:47) Letting go of a technical identity to develop a new identity as a DPM who can lead a team to build a product that actually gets used (36:32)

Quotes from Today’s Episode “This is what’s missing in some of the other definitions that I see around data products  [...] they’re not talking about it from the customer of the data product lens. And that orientation sums up all of the work that I’m doing and trying to get you to do as well, which is to put the people at the center of the work that you’re doing and not the data science, engineering, tech, or design. I want you to put the people at the center.” (6:12) “A data product is a data-driven, end-to-end, human-in-the-loop decision support solution that’s so valuable, users would potentially pay to use it.” (7:26) “I want to plunge all the way in and say, ‘if you want to do this kind of work, then you need to be thinking the product-y way.’ And this means inherently letting go of some of the data science-y way of thinking and the data-first kinds of ways of thinking.” (11:46) “I’ve read in a few places that data scientists don’t make for good data product managers. [While it may be true that they’re more introverted,] I don’t think that necessarily means that there’s an inherent problem with data scientists becoming good data product managers. I think the main challenge will be—and this is the same thing for almost any career transitioning into product management—is knowing when to let go of your former identity and wear the right hat at the right time.” (14:24) “Make better things for people that will improve their life and their outcomes and the business value will follow if you’ve properly aligned those two things together.” (17:21) “The big message here is this: there is always a design and experience, whether it is an API, or a platform, a dashboard, a full application, etc. Since there are no null design choices, how much are you going to intentionally shape that UX, or just pray that it comes out good on the other end? Prayer is not really a reliable strategy.  If you want to routinely do this work right, you need to put intention behind it.” (22:33)  “Relationship building is a must, and this is where applying user experience research can be very useful—not just for users, but also with stakeholders. It’s learning how to ask really good questions and learning the feelings, emotions, and reasons why people ask your team to build the thing that they’ve asked for. Learning how to dig into that is really important.” (26:26)

Links Designing for Analytics Community Work With Me Email Record a question