Programme détaillé

Le PO Data & AI : quel rôle, quel positionnement ?

• PO vs PM en contexte Data : frontières, zones de recouvrement
• La diversité des produits data : pipeline ETL, dashboard BI, data platform, modèle prédictif, agent GenAI
• Pourquoi environ 70% des initiatives data n'atteignent pas leurs objectifs
• Exercice : positionner son produit/projet sur une carte des typologies data

Pourquoi l'Agile pour les produits Data & AI ?

• Retour aux fondamentaux : principes agiles, mindset, empirisme
• Pourquoi Scrum standard montre ses limites sur les produits data
• L'incrément en contexte data : qu'est-ce qu'un « livrable » ? Introduction du MVP data

L'écosystème : rôles, compétences, interdépendances

• Cartographie des rôles : data engineer, analyst, scientist, ML engineer, analytics engineer
• Interdépendances et points de friction classiques entre rôles
• Vocabulaire essentiel intégré en contexte
• Exercice : identifier les rôles dans votre organisation + cartographier les dépendances critiques

Construire et structurer un backlog Data & AI

• Les couches d'un backlog data : infrastructure, qualité/gouvernance, feature/insight, dette technique
• Différences de backlog selon le type de produit
• Priorisation : WSJF, MoSCoW, RICE, Kano, Value vs Effort — quand utiliser chaque framework
• Exercice : structurer un backlog data réaliste et le prioriser

Le PO augmenté par l'IA

• Cas d'usage concrets : rédaction, analyse, préparation, priorisation
• Principes du prompting efficace : contexte, rôle, format, itération
• Limites et pièges : hallucinations, sur-confiance, données confidentielles
• Distribution du kit de prompts

User Stories et spécifications en contexte Data

• User Stories pour différents contextes : BI, Data Engineering, Governance, ML, GenAI
• Definition of Ready / Done adaptées à chaque contexte
• Spécifier un spike, une investigation data, une PoC
• Atelier avec IA : rédiger manuellement, puis utiliser l'IA, comparer, améliorer

Adapter l'Agile aux produits Data & AI

• Cérémonies adaptées selon le type de produit (BI, pipeline, data platform, ML/GenAI)
• Sprints différenciés : 2 semaines, 4 semaines, Kanban — quand basculer
• Le refinement data : raffiner un item d'infrastructure, exploratoire, feature
• Atelier avec IA : simuler un refinement sur 3 items de natures différentes

Discovery Data & AI

• Discovery data vs discovery produit classique : ce qui change
• Product & User centric en contexte data : qui est l'utilisateur ?
• Formuler une hypothèse data, définir un critère de succès, timeboxer l'exploration
• Gérer les résultats négatifs : communiquer et pivoter
• Atelier avec IA : concevoir 2 spikes data

Mesurer la valeur d'un produit data

• OKR pour les produits data : Objectives qualitatifs + Key Results mesurables
• KPI stratégiques (valeur business) et KPI opérationnels (performance technique)
• Métriques par type de produit : BI, Data Platform, ML/AI, GenAI
• Framework ROI des initiatives data
• Atelier avec IA : définir des OKR et KPI, préparer une communication stakeholder

Roadmap et Build vs Run

• Construire une roadmap data réaliste : Now / Next / Later
• Build vs Run : pipelines à maintenir, incidents de qualité, drift
• Gérer l'incertitude : phases exploratoires, dépendances techniques
• Atelier avec IA : construire une roadmap trimestrielle + simulation de présentation stakeholders

Build vs Buy en contexte Data & AI

• Framework de décision : dépendance fournisseur, évolutivité, compétences internes
• Déclinaison : Data Platform, BI, ML, GenAI
• Cas hybrides Make + Buy et projets de migration
• Exercice : analyse Build vs Buy sur 2 scénarios réalistes

Vie en production : monitoring, qualité, dette technique

• Ce que le PO doit surveiller : fraîcheur, anomalies, cohérence, drift
• Data Quality : les 6 dimensions, seuils, réaction à la dégradation
• Dette technique data : la rendre visible, la prioriser
• SLAs data : disponibilité, fraîcheur, qualité
• Exercice : à partir d'un rapport d'incident, identifier les causes et définir les SLAs

Éthique IA & EU AI Act

• EU AI Act : classification des risques, implications concrètes pour le PO
• Biais et explicabilité : checklist éthique
• Gouvernance données et RGPD

Quand et comment passer à l'échelle

• Reconnaître le moment : dépendances inter-équipes, goulots, conflits de priorité
• Les options : SAFe, LeSS, Nexus, approches custom
• Étude de cas basée sur une expérience réelle anonymisée
• Exercice : scénario multi-équipes, identifier les dépendances

Conduite du changement et adoption

• Résistance au changement spécifique data : acculturer les équipes non-data
• Adoption produit : dashboard non utilisé, modèle non intégré
• Techniques : ambassadeurs data, rituels de partage, métriques d'adoption

Cas intégrateur fil rouge

Scénario complet de synthèse. Le participant est PO sur un produit data réaliste et enchaîne les décisions :

• Cadrer le produit et identifier le type de produit data
• Structurer un backlog avec items de natures différentes
• Mener un refinement sur un item exploratoire
• Préparer un arbitrage Build vs Buy
• Réagir à un incident de production
• Présenter et défendre sa roadmap trimestrielle devant le groupe

Accès libre à l'IA pendant tout le cas. Travail en sous-groupes, restitution croisée.