Akeneo - Data Quality Insight

En tant que collaborateur pendant plus de 4 ans chez Akeneo, j’ai eu l’occasion de travailler sur de nombreux sujets : lancement de produits, sujets autour du Product Led Growth ou encore l’amélioration des process de User Research. J’ai aussi eu l’occasion, dans ce cadre, de travailler sur le lancement de plusieurs fonctionnalités. Un des projets les plus intéressants et complets que j’ai eu l’occasion de réaliser est le lancement d’une nouvelle fonctionnalité pour nos utilisateurs afin de les aider à améliorer la qualité de leurs données produits : Data Quality Insights.

Un logiciel de PIM (Product Information Management) centralise et harmonise toutes vos informations marketing et techniques pour vos catalogues produits. Découvrez en plus sur le site d'Akeneo.

J’ai eu l’occasion de travailler sur ce projet avec Florence Le Guellec en tant que Product Manager et Aymeric Planche en tant que lead développeur. Julian Prud’homme, Laurent Pétard ainsi qu’Olivier Pontier constituaient l’équipe technique sans qui le projet n’aurait pas pu voir le jour.

Au commencement, nous avons réalisé une recherche utilisateur s’étalant sur 2 mois en partenariat avec Florence Le Guellec. Cette recherche utilisateur devait nous permettre de mieux comprendre ce que voulait dire « qualité » pour nos utilisateurs. Nous avons tout d’abord rédigé un plan de recherche utilisateur afin de définir le périmètre, les ressources et les moyens, ainsi que le planning et nos objectifs. Lors de cette phase de discovery, nous avons eu l’occasion de discuter avec plus d’une vingtaine de clients via deux outils : des interviews à distance en visio, notamment pour nous clients extraeuropéens, et des focus groups réalisés avec nos clients français lors d’une journée sur Paris. Ce dernier évènement a été conjointement organisé avec l’équipe Customer Success.

Suite à ces deux mois de recherches utilisateurs, nous avons pu présenter les résultats à la direction d’Akeneo afin de déterminer, ensemble, quels étaient les problèmes à résoudre.

Cette étude nous a permis de mieux cerner certaines choses et de sortir des hypothèses que nous avions. Par exemple, nous étions persuadés que la qualité des images des produits était primordiale pour nos clients et que nous pourrions intégrer cela. Il s’avère que, bien que le sujet soit important, ce sujet n’est pas géré par nos utilisateurs directement, mais bien souvent par des services dédiés à la photo.

Suite à cette étude, nous avons donc pu modéliser, sous forme de user journey maps, le parcours actuel des utilisateurs lorsqu’ils doivent gérer la qualité de la donnée, et les problèmes étaient nombreux : utilisation importante d’Excel pour faire cela, relecture « aléatoire » pour vérifier les fautes d’orthographe dans les textes, pas ou peu d’outil de reporting pour établir une photographie de l’état de la qualité de la donnée, etc.

Cet exercice d’user research a aussi été fondamental pour mieux comprendre les critères de qualités de nos clients.

Une fois ces éléments connus et partagés avec toute l’équipe, nous avons pu commencer à entrer en phase de conception et d’idéation. Nous avons, en tant qu’équipes, mené de nombreux ateliers d’example mapping et d’event storming afin de définir, ensemble, la solution idéale et le parcours que l’on souhaitait proposer aux utilisateurs dans le calcul de leurs données.

Nous avons ainsi créé Data Quality Insights, une fonctionnalité s’inscrivant dans l’usage quotidien des utilisateurs de notre produit leur permettant de s’assurer de la qualité de la donnée des produits sous leurs responsabilités. Plusieurs axes ont été présentés et développés dans le cadre de cette phase de delivery :

1. la fonctionnalité devait être simple d’usage : les critères de qualités sont nombreux, et il possible que cela créé un sentiment de confusion pour nos utilisateurs. Ainsi, nous nous sommes fixé comme premier principe la construction d’une fonctionnalité facile à comprendre et à utiliser.
2. la fonctionnalité devait être actionnable : notre outil est un outil de productivité. À ce titre, la réduction de temps d’une tâche et toujours la bienvenue pour nos utilisateurs. C’est pourquoi Data Quality Insights devait accompagner l’utilisateur à tous les moments de l’expérience où cela pouvait s’avérer important.
3. la fonctionnalité devait s’inscrire dans tous les rapports de temps au travail sur la qualité : de la tâche d’amélioration de la qualité d’un seul produit au reporting de tout un catalogue, notre ambition était de proposer une fonctionnalité pouvant servir plusieurs temporalités d’usage. Ainsi, nous avions deux personas à adresser avec cette fonctionnalité : Julia, notre Manager produits et Michelle, la responsable e-commerce.

Lors de la construction de l’expérience, j’ai d’abord eu l’occasion de travailler sur de nombreux wireframes et sur différents parcours d’expérience. Une fois ceux-ci validés, nous les avons présentés à l’équipe technique afin de cadrer le sujet et être sûrs que l’expérience que nous souhaitions proposer était réalisable.

Lorsque nous avons pu confirmer cela, j’ai pu réaliser l’ensemble des maquettes sur Sketch et suivre le développement et le déploiement de cette fonctionnalité.

Notre idée a été de créer un Quality Score, de A à E, largement inspiré des scores types Nutri-Score, Éco-Score ou encore le DPE. Ce score de qualité produit permet à nos utilisateurs, aujourd’hui, de se repérer dans leur progression d’enrichissement. Un tableau de bord a notamment été développé avec des indicateurs menant directement aux groupes de produits à améliorer par critères.

Nous avons pu, une fois la fonctionnalité déployée, recueillir des feedbacks de clients via notre service Customer Success, sur la pertinence de nos choix concernant la fonctionnalité.