Les analyses au sein des nouvelles startups et des entreprises technologiques matures sont devenues essentielles au fonctionnement quotidien et à la compétitivité future de ces entreprises. Cependant, les logiciels d’analyse sont devenus plus difficiles à utiliser, en particulier pour les personnes sans formation technique. Cette barrière de connaissances empêche l’adoption de logiciels d’analyse par les équipes produit et commerciales qui doivent prendre des décisions rapides en fonction des données qu’elles collectent. Enzo Avigo et Ferruccio Balestreri ont rencontré le même problème dans leurs anciens emplois et ont commencé le mois de juin en conséquence. June propose des « analyses de produits instantanées pour les startups et les PME ». La startup basée à San Francisco a récemment levé 1,85 million de dollars dans son tour de table dirigé par Point Nine, avec la participation de Speedinvest, Y Combinator, eFounders, Kima Ventures et Base Case Capital.
Ralph Gootee, un partenaire du groupe Y Combinator pour le lot W21, déclare : « Les analyses sont compliquées et notoirement difficiles à configurer correctement. L’approche en deux clics de June avec des blocs de construction et des modèles permet d’obtenir facilement des informations précieuses sur toutes vos sources de données. Un outil d’analyse sans code simple et mort est essentiel dans un monde dirigé par les produits.
Les cofondateurs de juin Ferruccio Balestreri (à gauche) et Enzo Avigo (à droite).
juin
Frédéric Daso: Pourquoi les logiciels d’analyse standard sont-ils difficiles à utiliser et comment cette difficulté affecte-t-elle la prise de décision d’une équipe produit ?
Enzo Avigo: Jusqu’à récemment, l’analytique comportait très peu de bonnes pratiques pour savoir quels comportements des utilisateurs mesurer et comment. L’industrie a créé des produits de systèmes d’« exploration de données », ce qui signifie que les gens doivent rechercher dans leurs données et modifier certaines requêtes pour faire parler leurs données. Ce processus nécessite une expertise et du temps, deux ressources limitées pour toute entreprise. Lorsque l’exploration des données est mal faite, cela n’entraîne aucun apprentissage et devient une perte de temps. Souvent, les équipes produit renoncent à utiliser leurs données. Cette même raison a conduit les outils d’analyse à exécuter un grand nombre de données à chaque utilisation, ce qui a entraîné des coûts informatiques élevés et une interface lente, ce qui a eu un impact négatif sur les utilisateurs.
Je pense que la cause profonde de ces problèmes est que les outils d’analyse sont sous-efficaces pour les équipes de produits modernes. Imaginez que vous disiez qu’un morceau de papier et un stylo sont les meilleurs outils pour les concepteurs de sites Web. Ils offrent des tons de flexibilité, mais ils ne couvrent pas les spécificités des travaux de concepteur de sites Web que Figma fait. Enfin, les outils d’analyse ont été conçus en pensant aux techniciens. C’était bien quand les analystes de données possédaient des questions liées aux données, mais cela est en train de changer. Avec une croissance axée sur les produits, les métriques des produits deviennent l’objectif de toute l’entreprise. Désormais, tout le monde dans l’entreprise doit pouvoir créer des rapports en libre-service.
Daso: Quels types d’expertise sont nécessaires pour produire des impacts positifs élevés via l’analyse ? Cette expertise est-elle difficile à obtenir pour les équipes produit ?
Avigo: L’analytique se compose de quatre activités principales, qui nécessitent une expertise différente.
La première phase et la plus fréquemment ignorée est la définition des objectifs. Elle consiste à définir un objectif mesurable qui s’aligne sur le résultat d’une initiative. Pour cette activité, vous avez besoin de bonnes compétences en gestion de projet pour décomposer votre projet en objectifs quantifiés et en assurer le suivi.
La seconde est le suivi. Définir et mettre en œuvre le suivi approprié signifie que vous devez disposer d’un processus complet pour transformer des objectifs mesurables en éléments traçables. Cela nécessite de comprendre votre schéma de données pour donner des noms à vos événements de suivi, une synchronisation d’équipe pour garantir la mise en œuvre du suivi et de la rigueur pour les documenter par la suite.
Le troisième est l’analyse elle-même. Cette étape nécessite de pouvoir interroger et visualiser vos données. En écrivant du SQL, si vous utilisez un éditeur SQL ou un outil de BI, les experts du secteur décident de la meilleure façon de visualiser vos points de données (type de graphique, audience de votre analyse, etc.).
La dernière activité est la prise de décision. L’analytique ne s’arrête pas à la visualisation des données. Cela inclut d’obtenir des informations et d’agir en conséquence. À ce stade, il est essentiel d’être conscient des repères et de ce qui est constitué de bons ou de mauvais résultats. Avoir de bonnes compétences en communication et en synthèse pour partager les apprentissages avec votre équipe et itérer rapidement est essentiel. Les quatre activités ci-dessus nécessitent une bonne synchronisation entre les membres de l’équipe produit. Sinon, la balle tombe à l’une des activités d’analyse.
Daso: Qu’est-ce qui motive le consentement à payer élevé pour les logiciels d’analyse de produits ?
Avigo: Analytics est l’un des premiers budgets pour les éditeurs de logiciels, y compris pour les startups.
Cela vient généralement juste après le budget des outils CRM et Success. Selon une étude récente de Bain, plus de 75 % des services informatiques interrogés dans les sociétés de logiciels considèrent qu’ils ne pourraient pas vivre sans outils d’analyse.
Alors pourquoi est-ce?
Les éditeurs de logiciels visent à créer les meilleurs produits pour toucher le cœur de leurs clients et les faire devenir des utilisateurs fidèles. L’utilisation des données fait partie des commentaires les plus directs et les plus honnêtes qu’ils puissent obtenir. Il n’a aucun parti pris ; c’est une vue transparente de ce que font les utilisateurs. C’est pourquoi c’est si important.
Imaginez une entreprise qui améliore de 5 % son taux de conversion en caisse libre-service. Cela signifie une augmentation de 5% des revenus – toutes choses étant égales par ailleurs. Dans ce cas, l’outil d’analyse a un impact direct sur le résultat net.
Lorsque vous mettez en perspective le coût d’un outil d’analyse avec une augmentation de 5% du chiffre d’affaires, vous pouvez facilement dire que le prix d’un tel outil est marginal.
Daso: En ce qui concerne la pile de données moderne, quelle était la justification de l’établissement de June pour « s’asseoir » au-dessus des plates-formes de données client telles que Segment au lieu d’autres niveaux de la pile ?
Avigo: En bref : la raison d’être est la simplicité.
Nous pensons que le principal problème avec l’analyse est la complexité, y compris lorsque vous vous connectez à vos données. Il existe deux chemins vulgarisés pour accéder aux données : un accès direct via des API ou indirectement en connectant les bases de données des utilisateurs.
La connexion aux API est l’expérience la plus simple car elle nécessite 2 clics pour les utilisateurs et aucune expertise technique. Cela fonctionne pour nous car les données comportementales des utilisateurs sont disponibles via des API (Customer Data Platforms), dont nos utilisateurs ont besoin pour exécuter avec succès leurs analyses de produits.
La connexion aux bases de données ouvre souvent une boîte de vers. Les bases de données doivent être architecturées, transformées, maintenues, mises à jour, etc. Nous ne voulons pas que nos utilisateurs apprennent ce qu’est un « ETL » ou un « ETL inversé » si leur motivation est d’analyser leurs données. C’est pourquoi nous ne les avons pas encore abordés.
Certaines limitations de la base de données sont structurelles, mais je pense que la connexion à celles-ci sera plus facile à l’avenir. Avant d’en arriver là, certaines couches d’abstraction doivent être construites.
Page de rapport sur juin.
juin.so
Daso: Comment avez-vous supprimé ou réduit le besoin d’expertise pour fournir des informations sur le niveau des équipes produit matures avec juin ?
Avigo: Nous avons considérablement réduit la complexité de la transformation des données en insights en éliminant le concept « exploration de données ». Nous avons créé une manière avisée d’aborder les analyses faites de modèles et de blocs.
Nous avons également modifié le séquençage des analyses. Traditionnellement, les équipes produit suivent le comportement des utilisateurs puis les transforment en analyses. Juin démarre directement avec les analyses les plus pertinentes pour votre entreprise. En fonction de votre choix, il vous guide avec des suggestions de suivi. Nous avons également augmenté la valeur que vous obtenez de vos analyses. Un modèle peut vous fournir jusqu’à dix métriques, ainsi que des informations intelligentes, des références et des actions à améliorer. Nous pouvons le faire parce que nous avons le contexte des données, contrairement aux outils d’analyse traditionnels. June se sent comme un analyste de données senior à la demande. La dernière chose que nous avons faite a été de réduire la valeur de la première fois de 10x. Les analyses traditionnelles nécessitent des heures de configuration, juin prend moins de 2 minutes.
Daso: Qu’est-ce que vous et votre cofondateur avez le plus lutté en ce qui concerne l’analytique, et comment cette lutte commune a-t-elle façonné les responsabilités de chacun d’entre vous en juin ?
Avigo: J’ai travaillé en tant que chef de produit pendant les six dernières années et j’ai rencontré de nombreux problèmes liés à l’analyse en cours de route. Il est difficile de quantifier et de suivre les objectifs, j’ai perdu des heures à mettre en place des événements de suivi qui se retrouvent dans une boîte noire, mon suivi se transformait en des dizaines de tableaux de bord qui m’ont pris des heures à construire et que personne dans l’équipe n’a eu le temps de lire. Lors de mon dernier emploi, nous dépensions plus de 100 000 $ en analyse de produits chaque année, mais chaque jour, je voyais mes collègues lutter pour obtenir des informations de base à partir de nos données. Cela m’a aidé à construire la conviction que les problèmes que nous recherchons ne sont pas résolus, et j’utilise cette expérience pour évangéliser notre vision ambitieuse de construire l’outil d’analyse leader sans code.
Mon cofondateur technique Ferruccio a éprouvé des difficultés du côté de l’ingénierie. Il a observé que la mise en œuvre des événements de piste était considérée comme une interruption et aboutissait rarement à des apprentissages partagés. Il a développé une solide compréhension de ce qui tue les motivations des équipes produit en exploitant leurs données. Il a également remarqué la douleur de déplacer un point de données d’un endroit à un autre et la lenteur à l’analyser. Cela a façonné sa conviction de construire une expérience rapide dès le départ.