IA et Produit : accélérer la personnalisation sur une plateforme

1. L’objectif

Dans l’univers des médias, où la concurrence pour capter l’attention des utilisateurs est de plus en plus forte, la personnalisation de l’expérience est devenue un levier clé pour favoriser la découverte de contenus.

Pour la plateforme de streaming d'un leader du marché, l’objectif était de permettre à chaque utilisateur de trouver rapidement un programme pertinent, tout en valorisant la diversité et la richesse du catalogue.

Problématique : faire évoluer le système de recommandation.

Le système de recommandation existant répondait aux besoins initiaux, mais nécessitait d’évoluer pour continuer à s’adapter aux attentes des utilisateurs et aux ambitions de personnalisation de la plateforme.

Le défi consistait à améliorer le système de recommandation pour réduire l’effort de recherche des utilisateurs et leur permettre de découvrir plus facilement des contenus pertinents, tout en valorisant la richesse du catalogue.

L’enjeu était également de structurer la feuille de route produit autour de la recommandation et, plus largement, autour des initiatives IA stratégiques portées par l'entité Data et Tech interne, afin d’offrir une direction claire et mesurable aux équipes IA/ML et produit.

La solution : une approche produit structurée appliquée à l’IA.

Pour relever ces défis, le groupe média a intégré un product owner IA de chez Hubvisory au sein de son entité data, chargé de piloter la vision, la priorisation et la coordination du développement du système de recommandation sur la plateforme.

Cette approche a permis d’allier expertise technique et pilotage produit, en plaçant l’expérience utilisateur au cœur de la démarche.

2. Les chantiers menés

#1. Structurer le cadre produit IA et consolider le delivery

“À mon arrivée, l’équipe IA/ML ne disposait pas encore d’un cadre produit formalisé.”

La première étape a donc consisté à structurer les fondamentaux du pilotage produit : cadrage des priorités, définition des rôles, planification du delivery et mise en place d’un suivi clair des travaux en cours.

Ce travail de consolidation a permis de clarifier les objectifs, de fluidifier la coordination entre profils techniques et produit, et à poser les bases d’un pilotage robuste.

#2. Construire et coordonner le backlog produit

Un backlog produit complet a été créé from scratch afin de donner de la visibilité sur les chantiers IA en cours et à venir.

Ce backlog a été construit en étroite collaboration avec le head of machine learning, les data scientists et les parties prenantes métier, pour assurer la cohérence entre les besoins utilisateurs, la valeur business et les contraintes techniques.

Cette centralisation a permis de planifier, de prioriser et de coordonner le delivery sur l’ensemble des produits IA portés par l'entité data.

#3. Définir la vision et la feuille de route produit IA

Une fois la structuration en place, la vision produit et la feuille de route stratégique ont été formalisées pour les produits IA clés, dont la recommandation sur la plateforme.

Cette étape a permis d’aligner les équipes sur une trajectoire claire, en identifiant les chantiers à fort impact et les dépendances critiques à anticiper.

L’approche s’est appuyée sur des critères de valeur utilisateur et d’impact business afin de guider la priorisation des futures évolutions.

#4. Renforcer les pratiques agiles et le flux de travail de l’équipe

Le flux de travail de l’équipe IA/ML a été structuré autour de rituels agiles adaptés aux réalités d'une équipe IA.

L’objectif : instaurer une meilleure visibilité sur l’avancement, la charge et les priorités, tout en favorisant la collaboration et l’autonomie de l’équipe.

Cette structuration a permis d’accélérer la livraison de valeur tout en renforçant la qualité des échanges entre produit et technique.

#5. Orchestrer la collaboration inter-équipes et gérer les dépendances

Les projets IA nécessitant une forte interaction avec d’autres équipes (Produit Plateforme, Data Engineering...), des points de synchronisation et ateliers de coordination ont été mis en place.

Ce cadre a permis de cartographier les dépendances, d’anticiper les impacts ou risques du delivery.

#6. Mettre en place un cadre de mesure de la performance produit IA

Enfin, un travail a été engagé pour structurer la mesure de la performance des produits IA.

Cela inclut la définition de KPI et d’OKR permettant de suivre la contribution des développements IA aux objectifs stratégiques.

Ce cadre assure un pilotage orienté impact et renforce la lisibilité des résultats auprès des parties prenantes.

3. Les résultats obtenus

Grâce à cette approche structurée et collaborative, l’équipe IA/ML a pu accélérer la mise en production de fonctionnalités à fort impact tout en consolidant son cadre de pilotage produit.

• Déploiement d’un nouveau système de recommandation sur la plateforme, améliorant la personnalisation et la découverte de contenus pour plusieurs millions d’utilisateurs actifs mensuels.
• Structuration complète du pilotage produit IA : mise en place d’un backlog, d’une roadmap stratégique et d’un cadre de delivery clair, permettant une meilleure coordination entre profils techniques et produit.
• Renforcement de la collaboration inter-équipes, grâce à la mise en place de points de synchronisation et à la clarification des dépendances entre les différentes entités.
• Création d’un cadre de mesure de la performance (KPI et OKR) pour assurer le suivi de l’impact et relier les développements IA aux objectifs stratégiques du groupe média.

Cette mission illustre comment une approche produit appliquée à l’IA permet de transformer une équipe hautement technique en une équipe orientée impact, capable de livrer plus efficacement de la valeur utilisateur et business.

‍