Skip to content

Comment la donnée rend la priorisation produit plus pragmatique

Less than 1 minute Minutes

Un lundi matin, une demande arrive sur Slack : « Nous avons reçu beaucoup d’appels sur les hôtels au Mexique le mois dernier, il faudrait améliorer le catalogue. » Dans une structure en forte croissance, ce type de signal est fréquent. Il vient du terrain, semble concret et appelle naturellement une réponse rapide.
Pourtant, il ne permet pas encore de savoir si le problème mérite de passer devant les autres sujets. Quelques remontées très visibles peuvent concerner une situation marginale, tandis qu’une difficulté importante peut rester silencieuse parce que les utilisateurs l’ont intégrée à leurs habitudes.

La priorité la plus bruyante n’est pas toujours celle qui produit le plus de valeur.

C’est la situation rencontrée par un Product Manager travaillant pour un acteur du voyage. À son arrivée, les décisions reposaient encore largement sur l’intuition et les données réellement exploitables étaient peu nombreuses. Son enjeu était de mieux comprendre les usages, d’aligner les équipes autour de constats partagés et de prioriser les problèmes en fonction de leur impact réel.
Cette démarche l’a conduit à structurer progressivement une approche de la donnée au service de la priorisation produit.
Cet article est issu d’un XO Product Café, un rituel interne consacré aux retours d’expérience des consultants IKXO.

Distinguer ce qui fait du bruit de ce qui compte réellement

Une remontée terrain n’est pas encore une priorité

Dans cette organisation, de nombreux sujets produit arrivaient par les équipes commerciales, les agences ou le service client. Un appel récurrent, une remarque formulée en rendez-vous ou une difficulté opérationnelle pouvait rapidement se transformer en demande d’évolution.
Ces remontées sont précieuses. Elles donnent accès à des problèmes que les équipes produit ne voient pas toujours directement. Mais elles reflètent aussi la perception d’une équipe, d’un client ou d’un contexte particulier.
Le risque consiste alors à confondre la fréquence des remontées avec l’importance réelle du problème. Une équipe exposée plusieurs fois au même irritant peut légitimement penser qu’il concerne l’ensemble des utilisateurs. À l’inverse, un problème peu remonté peut avoir un impact important s’il touche une étape critique du parcours ou génère une charge opérationnelle invisible.

Une demande métier doit être considérée comme un signal à explorer, et non comme une solution à intégrer directement dans la roadmap.

Le Product Manager a donc cherché à passer d’une logique de réaction à une logique d’investigation. Lorsqu’un signal apparaissait, il fallait d’abord en mesurer l’ampleur, identifier les utilisateurs concernés et comprendre ses conséquences avant de décider s’il méritait d’être traité.
Cette approche change la nature des échanges avec les parties prenantes. La discussion ne consiste plus à déterminer quelle équipe défend le mieux son sujet, mais à comparer les problèmes à partir de critères communs.

Le cas des trains révèle une opportunité peu visible

Le sujet de la réservation des trains illustre cette difficulté.
Plusieurs signaux semblaient justifier une évolution. L’offre disponible dans le catalogue était limitée et l’expérience de réservation pouvait être améliorée. Côté opérations, l’achat ainsi que la mise à jour des tarifs et des offres étaient encore largement manuels. Le service client recevait également de nombreux appels liés aux trains traduisant des difficultés pour l’utilisateur une fois la commande réalisée et une charge opérationnelle directe pour l’entreprise.
Pourtant, les équipes commerciales formulaient peu de retours structurés sur le sujet. Les données de réservation apportaient un autre élément : parmi les différentes catégories de transport, le train était l’item le moins réservé, alors que plus de 75 % des voyages comportaient plusieurs étapes situées à proximité.

Pris séparément, ces signaux pouvaient conduire à des conclusions opposées. Le faible volume de réservations pouvait être interprété comme un manque d’intérêt des voyageurs. Les appels au service client pouvaient, au contraire, suggérer une difficulté importante. L’absence de retours commerciaux pouvait enfin donner l’impression que le sujet n’était pas prioritaire.
Le croisement des données a permis de formuler une autre hypothèse : le train était peut-être peu réservé non pas parce qu’il était inutile, mais parce que l’offre et l’expérience proposées répondaient mal aux besoins des voyageurs.

La donnée ne servait pas à confirmer une solution déjà choisie. Elle permettait de reformuler le problème.

L’opportunité ne concernait donc pas uniquement l’amélioration de l’interface. Elle pouvait également réduire la charge opérationnelle des achats encore manuels, diminuer les sollicitations du service client et développer l’usage du train dans des voyages comportant plusieurs étapes.

Croiser plusieurs sources avant de décider

Pour mieux comprendre les problèmes, le Product Manager a progressivement structuré une stack reposant sur quatre sources complémentaires : le comportement des utilisateurs, les données de réservation, les données opérationnelles et les remontées du terrain.

Observer ce que font réellement les utilisateurs

Le tracking produit permettait de mesurer les comportements sur la plateforme. Les données issues d’outils comme Google Analytics, Google Tag Manager ou Hotjar aidaient à comprendre les parcours, à repérer les abandons et à identifier certains points de friction.
Cette instrumentation répondait à une première question essentielle : combien d’utilisateurs sont réellement concernés par le problème identifié ?
Elle permettait également de faire émerger des difficultés qui n’étaient pas remontées par les équipes métier. Certains utilisateurs ne contactent jamais le service client. Ils abandonnent leur parcours, utilisent une autre solution ou développent leurs propres contournements.

L’absence de remontée ne signifie pas nécessairement l’absence de problème.

Le suivi des comportements permet donc au Product Manager de ne pas dépendre uniquement des demandes reçues. Il peut identifier de manière proactive des opportunités qui resteraient invisibles dans les échanges habituels.

Compléter les métriques par la réalité du terrain

Les données quantitatives permettent de mesurer un comportement, mais elles n’en expliquent pas toujours la cause.
Un faible taux de réservation peut provenir d’une offre insuffisante, d’une interface difficile à comprendre, d’un problème tarifaire ou simplement d’un manque d’intérêt. La métrique permet d’identifier une anomalie, mais pas d’en déterminer automatiquement l’origine.
Les appels au service client, les échanges avec les équipes commerciales, l’observation de sessions et les rendez-vous en agence apportaient ce contexte. Ils permettaient de comprendre ce que les utilisateurs cherchaient à faire, les obstacles rencontrés et les solutions de contournement mises en place.

Le quantitatif permet de savoir où regarder. Le qualitatif permet de comprendre ce que l’on observe.

Quantifier d’abord, qualifier ensuite

Une routine s’est progressivement installée :
– Identifier un signal produit, utilisateur ou métier.
– Quantifier sa fréquence et son impact.
– Explorer qualitativement les causes du problème.
– Rechercher une solution adaptée.

La règle retenue était simple : données quantitatives d’abord, données qualitatives ensuite.
Ce séquencement évite deux écueils.
Le premier consiste à lancer des interviews ou des ateliers sur chaque demande reçue. L’équipe risque alors de consacrer beaucoup de temps à des problèmes très visibles, mais finalement limités.
Le second consiste à considérer qu’une métrique suffit à expliquer un comportement. Une donnée indique qu’un phénomène existe. Elle ne permet pas toujours de comprendre pourquoi il existe ni comment le résoudre.
Quantifier en premier permet donc de sélectionner les sujets qui méritent réellement une exploration approfondie. Le qualitatif permet ensuite de préciser le problème avant de commencer à concevoir une réponse.

La solution intervient à la fin de l’analyse, pas au moment où le premier signal apparaît.

Faire de la donnée un objet de discussion collective

La donnée ne sert réellement la priorisation que lorsqu’elle entre dans les routines de l’équipe.
Dans ce cas, les indicateurs étaient progressivement intégrés aux différents temps produit : priorisations, PRD, sprint reviews, démonstrations et échanges avec les équipes métier. Des revues régulières permettaient de confronter les analyses produit à la réalité opérationnelle.
Cette mise en commun évite que la donnée reste réservée au Product Manager ou à quelques profils spécialisés. Elle donne aux équipes un référentiel partagé pour discuter des problèmes à une échelle plus globale, suivre les résultats et revoir leurs hypothèses.
Les débats deviennent alors moins dépendants des convictions individuelles. Les parties prenantes peuvent comprendre pourquoi un sujet est exploré, pourquoi un autre est reporté et sur quels éléments repose l’arbitrage.

La donnée ne supprime pas les désaccords. Elle permet de les rendre plus explicites et plus constructifs.

Mesurer les résultats sans confondre corrélation et causalité

L’évolution de l’expérience de réservation des trains a produit plusieurs résultats positifs.
Sur les trois premiers mois, les ventes d’items trains ont doublé et le trafic vers la page de réservation a augmenté. Les processus manuels d’achat et de mise à jour ont disparu au profit d’une APIsation permettant aussi d’étoffer grandement l’offre en catalogue, tandis que le nombre d’appels au service client liés aux trains a diminué grâce à une mise à disposition améliorée des informations liées au ferroviaire.
Les retours du terrain ont également été positifs. L’entreprise était davantage perçue comme un acteur capable de proposer plusieurs services et d’innover sur des segments encore peu développés.

Ces résultats montrent l’intérêt d’une approche combinant données utilisateurs, données opérationnelles et retours terrain. Ils doivent toutefois être interprétés avec prudence.
La progression observée peut aussi dépendre d’autres facteurs, comme la saisonnalité ou les actions commerciales menées pendant la même période. Les résultats constituent donc des signaux forts, mais ne permettent pas d’attribuer mécaniquement chaque évolution à la seule refonte de l’expérience.

Mesurer un résultat ne signifie pas nécessairement avoir démontré sa cause.

Cette distinction est essentielle pour éviter de transformer la donnée en argument définitif. Elle invite l’équipe à suivre les résultats dans la durée et à conserver un regard critique sur les conclusions tirées.

La donnée ne peut pas être le seul arbitre

La donnée utilisateur n’a pas toujours le dernier mot dans la priorisation.
Dans une entreprise en croissance, d’autres critères peuvent légitimement prendre le dessus. Un objectif de chiffre d’affaires, une contrainte réglementaire, une dépendance technique ou la nécessité de débloquer une collaboration peuvent conduire à privilégier un sujet qui n’est pas le premier dans les données d’usage.
Certaines décisions relèvent également de considérations organisationnelles ou politiques. Un quick win peut, par exemple, créer de la confiance avec une équipe métier avant d’engager une transformation plus importante.

La maturité produit ne consiste pas à suivre aveuglément la donnée, mais à savoir quelle place lui donner dans chaque décision.

La donnée permet d’éclairer les arbitrages, de challenger les intuitions et de rendre les choix plus transparents. Elle ne remplace pas la stratégie, la connaissance du marché ni le jugement du Product Manager.

Intégrer le marché et la valeur économique

Avec le recul, la démarche aurait pu intégrer davantage les données de marché. Les tendances du secteur, les évolutions des usages et les offres concurrentes permettent de replacer les données internes dans un contexte plus large.
Une faible utilisation peut traduire une mauvaise expérience interne, mais aussi une tendance générale du marché. À l’inverse, un comportement encore limité peut représenter une opportunité émergente que les données historiques ne permettent pas encore de mesurer.
L’objectif est donc d’aboutir à un équilibre entre trois perspectives : utilisateur, métier et marché.
Cette analyse peut être complétée par une dimension économique. Le temps opérationnel économisé, le chiffre d’affaires potentiel ou la diminution des appels au service client peuvent être rapprochés des coûts de conception, de développement et de maintenance.
Une vision ROIste sur plusieurs années permettrait ainsi d’estimer le retour sur investissement et le délai de rentabilité d’une fonctionnalité.

Une priorité produit ne doit pas uniquement être désirable pour l’utilisateur. Elle doit également être viable pour l’entreprise et soutenable pour les équipes.

Les enseignements à retenir

Au-delà du cas des trains, cette expérience permet de retenir cinq principes.

1. Une remontée terrain est un point de départ, pas une priorité. C’est un signal pour le PM et ce feedback doit être quantifié et replacé dans l’ensemble des usages avant d’être intégré à la roadmap.

2. Les données quantitatives et qualitatives répondent à des questions différentes. Le quantitatif mesure la fréquence et l’impact. Le qualitatif aide à comprendre les causes et le contexte.

3. Le croisement des données est plus utile que chaque source prise isolément. Les comportements utilisateurs, les données opérationnelles et les retours métier peuvent produire des interprétations différentes. Leur confrontation permet de construire une lecture plus solide du problème.

4. La donnée doit entrer dans les routines produit. Elle produit davantage de valeur lorsqu’elle nourrit régulièrement les PRD, les priorisations, les sprint reviews et les échanges avec le métier.

5. La donnée éclaire la décision sans la remplacer. Les arbitrages doivent aussi prendre en compte la stratégie, le marché, les contraintes organisationnelles et la valeur économique attendue.

Conclusion

Structurer sa donnée ne consiste pas à accumuler des outils ou des tableaux de bord. La valeur vient d’une démarche plus pragmatique : identifier un signal, mesurer son importance, comprendre ses causes et seulement ensuite rechercher une solution.

La donnée aide à distinguer ce qui fait du bruit de ce qui pèse réellement sur l’activité.

Elle rend les arbitrages plus explicites, permet de faire émerger des problèmes peu visibles et donne aux équipes un langage commun pour discuter des priorités. Elle reste néanmoins un élément parmi d’autres, aux côtés du marché, du business et des contraintes de l’organisation.
Pour un Product Manager travaillant avec plusieurs équipes, son principal intérêt est probablement là : disposer d’une base suffisamment solide pour décider quels problèmes méritent réellement du temps, du budget et des ressources.

Une priorité qui n’a jamais été confrontée aux usages, au terrain et à la réalité économique reste, au fond, une intuition placée dans une roadmap.

Si cet article vous a plu, découvrez les autres REX issus de XO Product Cafés : Le terrain : dernier juge de vos hypothèses produit, Adopter la méthode Shape Up : retour terrain et arbitrages produit.

© IKXO 2026 – Mentions Légales

Site Créé par DOPE