Il est difficile d’apporter une réponse adaptée à un problème lorsque celui-ci n’est pas clairement défini. La solution nécessitera un temps de développement élevé à cause d’un nombre incalculable d’aller-retours entre le Product Owner et le reste de l’équipe. Pour éviter ce gâchis de temps et d’effort, il faut arriver à faire émerger une vision commune de la problématique.
Mais alors, comment peut-on exprimer précisément un besoin sans y passer des heures ? C’est sur cet exercice ardu que nous allons nous pencher aujourd’hui à travers cet article.
Cerner le contexte
Pour avoir un cadre un peu plus concret, nous allons nous projeter dans l’univers du (Big) Data où les attentes peuvent être un peu floues. Voici un exemple typique : « Je veux analyser toutes les données disponibles pour recommander les meilleurs produits aux consommateurs ».
Plusieurs questions sautent aux yeux : De quelles données est-il question ? Sous quelle forme doit se faire la recommandation ? Comment mesurer l’efficacité de la recommandation ? Etc.
En se basant sur un article de Gianmario Spacagna et sur ce blog, un ensemble de questions orientées Data est ressorti, voici ce que nous avons retenu :
- Quel problème cherchons-nous à résoudre ?
- Pour qui ?
- Comment faites-vous actuellement ?
- Quel impact bénéfique cela peut avoir pour le métier ?
- Quelles sont les sources de données et d’où viennent-elles ?
- Quels sont les livrables attendus et comment sont-ils utilisés ? (algorithme, rapport, etc.)
- Quand pouvons-nous considérer la phase d’exploration comme terminée ?
- Comment mesurer objectivement la qualité de toute solution, qu’elle que soit son implémentation ?
- Que cherchons-nous à faire grâce à ce Use Case : faire des économies ou améliorer les revenus ?
Cette liste n’est pas exhaustive mais elle permet déjà d’avoir une vision plus globale du problème, l’idée étant de simplifier au maximum la vie des data scientists lors de la phase d’exploration.
Une fois la liste de questions identifiées, il manque encore le principal : les réponses ! Pour ce faire, le chef vous propose une petite recette de cuisine agile.
Use Case Data façon Agile
Ingrédients pour 12 personnes :
1 use case
1 liste de questions
10 feuilles A4
1 bloc de post-it
4 stylos
1 chronomètre
Réalisation :
Difficulté : Facile
Préparation : 10 min
Cuisson : 40 min
Dressage : 10 min
Temps Total : 1 h
ÉTAPE 1
Réaliser un canevas en disposant les questions sur 2 feuilles A4.
Répéter le processus 4 fois. Réserver un canevas au frais jusqu’au moment du dressage.
ÉTAPE 2
Réunir les personnes concernées par le Use Case : client, marketing, direction, data scientist, data engineer, etc.
Remercier les participants de s’être libérés puis énoncer la liste des questions sur lesquelles ils vont travailler.
ÉTAPE 3
Répartir les participants en 4 groupes, bien mixer les profils.
Astuce du chef : Mixer les profils techniques avec les profils fonctionnels permet d’avoir une vision plus complète de la réponse à apporter.
Faire des petites équipes permet d’éviter l’effet « un qui travaille, les autres regardent », le chef recommande des groupes de 3 à 4 personnes maximum.
ÉTAPE 4
Fournir post-its, stylos et canevas aux 4 équipes pour collecter les réponses.
Astuce du chef : Demander aux équipes d’écrire sur des post-its plutôt que directement sur le canevas, cela vous permettra de sauter l’étape 1 la prochaine fois.
ÉTAPE 5
Lancer un compte à rebours de 40 min pour la cuisson et laisser cogiter.
Astuce du chef : Annoncer le temps restant à la moitié du temps imparti et dans les dernières minutes, cela met une pression saine aux participants qui se concentrent alors sur l’essentiel.
Veiller à ce que les réflexions restent à bonne température, la cocotte-minute ne doit pas exploser sous la pression.
ÉTAPE 6
Énoncer à tour de rôle les réponses aux questions.
ÉTAPE 7
Sortir le dernier canevas du frigo et aller chercher un consensus sur le résultat final.
ÉTAPE 8
Lancer un compte à rebours de 10 min pour le dressage et laisser le Use Case prendre forme.
Bonne dégustation !
Conclusion
J’espère que la recette vous a plu. Comme en cuisine, il y a deux étapes primordiales : la préparation et la cuisson.
La préparation (la recherche des questions et la confection du canevas) peut s’adapter à quasiment tous vos besoins. Cette étape est très flexible car elle ne s’applique pas uniquement à des Use Cases Data. Il vous suffit d’avoir un problème et les bonnes questions à poser aux bonnes personnes pour ajuster la recette et avoir un Use Case à votre sauce.
La cuisson (la réflexion) doit être bien surveillée : ni trop longue, ni trop courte et à bonne température. Cette étape de confrontation d’idées peut présenter également des vertus de teambuilding.
PS : Toute ressemblance entre le canevas décrit dans la recette et le lean canvas ne serait pas si fortuite que ça.