- Speaker #0
Hello, je suis Carlotta. Bienvenue dans Product Marketing Stories, le podcast qui décrypte les méthodologies, partage des conseils et apprentissages concrets pour rendre compréhensible et accessible le product marketing.
- Speaker #1
Salut Fanny, comment tu vas ?
- Speaker #2
Salut, écoute, ça va très bien et toi ?
- Speaker #1
Ça va très très bien, je suis très contente de pouvoir faire cet entretien, cette discussion pendant l'événement Producting Corp. Est-ce que pour ceux qui ne te connaissent pas, tu peux te présenter, nous dire qui tu es, ce que tu fais ?
- Speaker #2
Très bien, je m'appelle Fanny Guélin, je suis Senior Product Manager chez Miracle. Depuis plus de trois ans, je travaille sur des sujets de gestion de catalogue et d'onboarding des vendeurs sur des marketplaces. Et assez récemment, j'ai piloté le lancement du Miracle Catalogue Transformer, qui est le premier produit de Miracle qui intègre de la Gen AI.
- Speaker #1
Et justement, il me semble que c'est... Ce sujet que tu vas aborder aujourd'hui lors d'un atelier table ronde, est-ce que tu peux nous dire du coup quel est le sujet et pourquoi tu as décidé d'en parler ?
- Speaker #2
Exactement, j'ai été invitée à cet événement pour parler d'un sujet qui est comment intégrer l'intelligence artificielle dans nos produits et ce de façon stratégique, utile et responsable. C'est vrai que l'IA est partout en ce moment, mais la réalité produit est un petit peu différente. C'est de la gestion de projet assez différente de quand on fait du software classique. Et c'est quelque chose qu'on a vécu de l'intérieur, nous, chez Miracle. Et il y a deux ans, on m'a demandé de commencer à travailler sur ce produit qui intègre de l'IA générative. Et en fait, c'est vrai qu'il n'y avait pas grand-chose comme ressource à l'époque sur la méthodologie produit, qu'est-ce que ça change de gérer un produit d'IA. Et c'est vrai que du coup, ça me motive beaucoup à prendre la parole pour essayer de... donné les conseils que j'aurais aimé recevoir quand j'ai commencé à travailler sur ce sujet il y a plus de deux ans maintenant.
- Speaker #1
Tu peux nous en dire plus justement sur ce projet sur lequel tu as travaillé ?
- Speaker #2
Carrément. Donc en fait, le Miracle Catalogue Transformer, c'est un produit qui permet à des vendeurs de transformer leur catalogue au format qui va être attendu sur le site sur lequel ils veulent vendre. Donc en fait, on va utiliser de l'intelligence artificielle générative, donc la GNI. et du machine learning pour catégoriser les produits, extraire les attributs depuis des images ou depuis des descriptions, faire de la réécriture pour que ce soit plus SEO-friendly, par exemple. Donc, c'est vraiment un produit d'IA qui utilise plusieurs technologies qu'on met au service des vendeurs afin qu'ils puissent plus facilement publier des produits en ligne sur les Marketplace Miracle.
- Speaker #1
OK. Et du coup, typiquement, les vendeurs, tu peux donner des exemples ? Ça peut être, typiquement, ça pourrait être Decathlon. un vendeur et qui justement veut mettre en avant ces produits-là,
- Speaker #2
c'est ça ? Exactement. On peut prendre l'exemple d'un vendeur qui vendrait des chaussures. Par exemple, quand il va vouloir vendre ses chaussures sur Décathlon, lui, il va avoir ses chaussures dans un Excel la plupart du temps. Et quand il va vendre sur Décathlon, Décathlon va lui demander « je voudrais que tu mettes la couleur dans ton titre en premier et ensuite le sport auquel vont servir les chaussures. » Donc du coup, le vendeur va devoir retravailler sa donnée initiale pour que ça colle à ces demandes de Decathlon. Et ensuite, si notre vendeur, il veut aller vendre des chaussures sur un autre site internet, sur un autre marketplace, cette marketplace-là, elle va avoir des demandes différentes vis-à-vis de la donnée produit. Et ça veut dire que notre vendeur, à chaque fois qu'il veut vendre sur un nouveau canal de vente, il faut qu'il retravaille tout le temps sa donnée. Et ça, ça prend beaucoup de temps. En moyenne, c'est 28 jours pour publier un produit pour un vendeur à cause de toutes ces modifications qu'il faut faire, cet ajustement permanent. Et du coup, nous, on s'est dit qu'avec la technologie, aujourd'hui, c'est un super use case pour générer du texte, faire de l'extraction, de la catégorisation de produits et, in fine, faire gagner du temps à nos vendeurs.
- Speaker #1
Et il y a une raison pour laquelle c'était ce sujet de catalogue management que vous avez priorisé pour mettre de l'IA générative ou c'était une opportunité ? Comment vous avez priorisé ça au sein de Miracle ?
- Speaker #2
Alors, du coup, nous, c'est vrai que l'onboarding des vendeurs, c'est vraiment un gros caillou dans la chaussure. On sait que c'est quelque chose qui nous embête et qui ne va pas assez vite. Donc, on sait que c'est quelque chose qui a un impact business très fort pour nos clients. Parce qu'en fait, tout le temps qu'un vendeur passe à s'onboarder, il ne le passe pas à vendre. Du coup, c'est du business qui n'est pas généré. Et surtout, en fait, en voulant aller vite, généralement, ils vont le faire un petit peu mal. C'est-à-dire qu'ils vont vraiment aller à l'essentiel. Et ça, ça impacte la conversion à la fin. Donc on a vraiment un vrai problème. utilisateurs, parce que c'est painful pour les vendeurs, et un impact de GMV pour nos marketplaces. Pourquoi on a pris ce use case-là ? C'est aussi parce que... Depuis longtemps, ça fait déjà depuis 4 ou 5 ans, qu'on utilise des algorithmes de machine learning sur le catalogue chez Miracle pour faire de la catégorisation de produits, pour faire des suggestions de mapping entre un fichier qui rentre et un fichier qui sort. Donc on avait déjà une petite expertise autour de la donnée catalogue. Et surtout, quelque chose qui est très important dans les projets d'IA, on avait des données historiques sur des fiches produits. des données historiques étaient suffisantes pour construire une ground truth. La ground truth, c'est très important dans les projets d'IA. C'est un jeu de données, de références, qui va être annoté et qui va servir à entraîner le modèle et à l'évaluer aussi. Et du coup, d'avoir ça chez nous, c'est aussi un vrai avantage et quelque chose qui nous a poussés dans cette direction. Et on s'est dit, bon, on a un problème business. Côté techno... Les LLM, les VLM, ça marche plutôt bien. Et en plus, on a de la bonne donnée d'entraînement en interne, donc on va prioriser le use case.
- Speaker #1
Quel a été l'enjeu justement de travailler sur ce produit et en intégrant justement tous ces enjeux autour de l'IA générative ?
- Speaker #2
Il y en a beaucoup. Si je devais en retenir un, c'est vraiment la collaboration. Quand on travaille sur un produit d'IA dans une entreprise dont ce n'est pas le corps de métier, Tout de suite, on doit faire cohabiter des équipes qui n'ont pas forcément les mêmes cultures. Les ingénieurs software, ils sont très habitués au déterminisme. Donc, ils veulent des choses qu'on peut tester, qui sont stables. Les data scientists, ils travaillent avec des méthodologies de travail qui sont très différentes. Ils itèrent très vite. Il y a des modèles qui évoluent en permanence. Ils font beaucoup de proof of concept. Donc, ils ont beaucoup de phases exploratoires, chose qu'on a beaucoup moins côté software. Et donc ça, en fait, quand on commence à mettre tout le monde autour de la table, Les product managers, data engineers, data scientists, le légal, le leadership aussi, parce que c'est vrai que l'IA, c'est un vrai sujet, donc il y a des enjeux stratégiques. Donc quand on met tout ce monde-là autour de la table qui ne parle pas la même langue, qui n'a pas les mêmes méthodes de travail, ça crée des incompréhensions sur les priorités, les délais, la manière de valider un livrable. Il y a un peu des décalages entre les attentes. Donc je pense que vraiment, cet enjeu de collaboration, il est hyper important, parce qu'on peut... Voir les meilleurs data scientists du monde, si on n'a pas la bonne équipe autour qui met ça dans un produit, qui arrive à en parler convenablement, finalement le produit ne va pas marcher. Donc il y a des vrais enjeux d'alignement, de langage partagé, de partager l'information, être sûr que tout le monde comprend la même chose. Et ça, il n'y a pas de secret, c'est de l'alignement hyper fréquent et mettre un peu les mains dans le cambouis, si je peux dire. C'est-à-dire que les développeurs, les product managers... c'est tester son algorithme d'IA. Nous, par exemple, chez Miracle, on testait des catalogues. Donc, on avait un système où on mettait nos catalogues de tests dans un drive, ils se faisaient transformer, ils ressortaient. Et en fait, bêtement, on venait annoter en disant pourquoi il s'est passé ci, pourquoi il s'est passé ça. Et vraiment, en tant que product, comme quand on teste une feature de développeur, on testait nos algos d'IA et c'était assez collaboratif. Le leadership pouvait avoir accès au feedback pour regarder ce qui se passe, mieux comprendre ce à quoi on fait référence. Donc il y a des vrais enjeux de coordination et de collaboration parce que ce sont des sujets qui sont hyper nouveaux pour tout le monde. Et c'est vrai qu'il faut toujours faire attention à bien être aligné. Ce n'est pas aussi facile que ce qu'on fait d'habitude.
- Speaker #1
Est-ce que du coup, il y a eu comme une espèce de cellule au sein de Miracle où il y a vraiment une équipe réduite, PM, data, etc., qui a été focus sur ce sujet-là ? un peu comme euh indépendante du reste ou vraiment ça a été intégré dans les process et dans les équipes du quotidien ?
- Speaker #2
Alors, historiquement, chez Miracle, on a une équipe data déjà depuis longtemps. Donc, quand on faisait du machine learning plutôt simple, c'était vraiment un peu au projet. Donc, on pitchait, les data scientists faisaient les modèles, on se mettait d'accord sur comment se communiquent les résultats et après, eux, ils passaient à autre chose. Là, pour ce projet-là, Ça a été un petit peu différent, parce qu'il y avait un vrai enjeu de go-to-market qui devait être rapide. Donc, on a fait une petite task force où il y avait design, produit et engineering. Et en fait, les data scientists nous ont briefés. Ils nous ont dit, on peut faire ça, imaginez à quoi ça ressemble. On ne s'est pas trop parlé au début. Ensuite, on a vu que ça commençait à prendre et qu'on a décidé d'investir sur ce projet. Il y a une équipe de data science qui s'est construite, dédiée à ce projet-là. Ils ont chacun des expertises, donc il y en a qui vont être plus images, d'autres qui vont être plus modèles, d'autres plus entraînement. Et moi, je suis vraiment restée dans ma squad. d'engineering classique. C'est-à-dire, par exemple, je ne vais pas au daily de la data. Mais on n'a pas de PM côté data. Donc, c'est vraiment un peu hybride encore pour le moment. Donc, on travaille vraiment en très étroite collaboration. Mais je ne suis pas intégrée dans l'équipe. Pour autant, eux, vu que c'est un très gros projet chez Miracle, ils sont vraiment 100% dédiés sur ce sujet-là. Et moi, je reste dans ma squad produit. Donc, je fais ce produit-là et d'autres. feature à côté un peu plus classique.
- Speaker #1
Et justement, vu que tu peux comparer entre les deux, est-ce que tu t'es rendu compte de certaines questions à se poser, en tout cas de prise de recul sur à quel moment c'est pertinent de penser à intégrer de l'IA dans une fonctionnalité ou parfois c'est pas pertinent et du coup il faut se le dire et ne pas le faire même si on voit un peu le shiny object on dit qu'on veut le mettre partout.
- Speaker #2
potentiellement ça fait pas du sens non plus de le mettre partout je pense que c'est une vraie question que tout le monde se pose parce que on voit l'IA partout, on a l'impression que tout le monde fait de l'IA donc il y a un peu ce stress de nous aussi, qu'est-ce qu'on va faire il faut un peu revenir aux fondamentaux moi mon conseil ce serait de commencer par se poser la question de c'est quoi le gain de business mesurable pour vous ou pour vos clients, faut jamais oublier que c'est un produit que vous risquez de vendre, nous dans notre cas ou qui va optimiser des process internes. C'est aussi un autre case qui est possible. Mais à la fin, c'est le ROI qui compte. Nous, nos clients, ils s'en fichent de la solution technique. Ils s'en fichent de quel modèle on utilise. Ils veulent juste quelque chose qui marche. Donc nous, chez Miracle, on a vraiment intégré de l'IA là où il y avait un gain opérationnel, réduire des tâches manuelles, améliorer la qualité des données, accélérer la mise en ligne des produits. Et la deuxième question, c'est est-ce que la solution sans IA, elle est OK ? est-ce qu'elle marcherait ? Donc toujours comparer qu'est-ce qu'on peut faire avec de l'IA, qu'est-ce qu'on peut faire sans. Chez nous, la solution concurrente qu'on avait pour adresser ce besoin, c'était une solution de mapping, donc c'est quelque chose d'assez simple. On prend un fichier en entrée, on prend un fichier en sortie et on fait des correspondances entre des colonnes. Ça, déjà, on passait de 28 jours à 15 jours d'onboarding. On a mis un petit peu de recommandations IA dans cet outil de mapping. ont passé à 11 jours. Donc on avait déjà bien amélioré. Mais on a vraiment vu qu'avec la technologie, on pouvait encore diviser et descendre ce temps à un jour. Donc on s'est dit, bon, là, on a un vrai gain, on va le tenter. Et en plus, c'est quelque chose qu'on pourra vendre. Donc voilà, vraiment, la deuxième question, c'est est-ce que déjà, j'ai un gain business 1 ? Est-ce que ma solution sans IA, elle suffit ou pas ? Et je dirais que la dernière question, c'est est-ce que vous êtes à l'aise avec le fait que ça ne va peut-être pas marcher tout le temps super bien, 100% du temps ? Est-ce que vous êtes prêts à assumer les limites ? On travaille avec une technologie qui est encore très jeune, qui n'est pas parfaite. Donc si votre produit l'utilise, il ne va pas forcément être parfait. Et moi, je milite beaucoup pour qu'en IA, on n'ait pas peur de pousser des produits qui ne sont pas parfaits. Un produit, surtout en IA, il n'a pas besoin d'être parfait pour fonctionner. Donc voilà, est-ce que vous êtes prêts à assumer les limites et à assumer le fait que vous n'allez pas... tout de suite sortir une feature parfaite.
- Speaker #1
Est-ce que tu aurais justement un conseil à partager aux PM, PMM qui nous écoutent face à ce challenge d'intégrer de l'IA générative dans un produit ou dans une fonctionnalité en particulier ?
- Speaker #2
Du coup, si vous êtes sûr que vous avez un bon use case, mon conseil, c'est de commencer petit, d'y tirer vite et sur un vrai besoin, comme je l'ai dit. Donc vraiment, commencez petit. Et itéré vite, c'est très important de mettre votre concept, votre produit, votre feature sur le marché le plus rapidement possible. Vous ne pourrez jamais imaginer tous les cas, vous travaillez avec quelque chose qui est non déterministe, c'est-à-dire qu'en fonction de ce que vous allez mettre dedans, en fonction du contexte qu'il va y avoir, ce qui va sortir de la feature, ce qui va sortir du produit va changer. Donc le fait de le mettre dans les mains des utilisateurs, vous allez déjà... pouvoir tester beaucoup plus de cas. Et en plus de ça, vous allez très vite voir si c'est un bon use case ou pas. Il ne faut pas oublier que construire un produit d'IA, ça coûte cher en ressources. Donc, ce soit du compute, en call API pour OpenAI, mais aussi en ressources humaines. Les data scientists, c'est une ressource qui est rare sur le marché aujourd'hui, qui est très chère. Donc, le fait de commencer petit et de valider vraiment votre problème métier et de le valider avec de la vraie donnée client. Ça va vous permettre de très vite voir si c'est une bonne idée ou pas. Et si jamais c'est une bonne idée, vous allez tout de suite avoir les bons retours pour itérer rapidement. sur ce que veulent vos utilisateurs. Je voulais partager un article que j'ai lu ce matin, que j'ai trouvé assez pertinent par rapport à cette question, qui parle de la hype loop. Ce qui se passe quand on produit, il a du sens que quand tu dis ça va marcher quand il y aura le prochain modèle ou quand on aura la prochaine génération de LLM, alors mon produit va marcher. C'est construire un produit en partant du principe que le... prochain modèle d'IA va régler ce qui ne fonctionne pas encore très bien dans ce qu'on est en train de faire. S'idérer qu'aujourd'hui, les gens n'utilisent pas ton produit parce qu'ils ne s'intéressent pas assez à l'IA ou parce qu'ils ne savent pas l'utiliser. En fait, quand on construit ce genre de produit, typiquement, c'est des produits qui vont ressembler à des démos plus qu'à un vrai outil où on va devoir partager des screenshots parce qu'on a du mal à vraiment prouver la valeur. Et pour éviter ça, il faut se demander, est-ce que... si demain l'innovation en IA s'arrête, est-ce que mon produit a toujours de la valeur ? Et ça, je trouve que c'est une question qui est très intéressante à se poser, de se dire finalement, mon produit, est-ce qu'il bénéficie des avancées de l'IA ? Si oui, c'est bien. Mais surtout, si demain tout s'arrête, est-ce que mon produit a encore de la valeur ? Ou est-ce que vraiment mon produit repose sur la hype, il repose sur tous ces nouveaux modèles, tous les fantasmes qu'on projette sur l'IA ? Et si la réponse, c'est... Si demain tout devait s'arrêter et qu'on s'arrêtait à ce modèle de GPT, ça continue de marcher, alors là vous êtes en train de construire quelque chose d'utile et vous n'êtes pas en train de surfer sur la vague. Donc toujours se demander, si demain tout s'arrêtait, est-ce que mon produit serait toujours utile ? Et si la réponse c'est oui, du coup il faut continuer à itérer avec des vrais clients. Et c'est vrai que parfois, avec tout le rythme effréné de la recherche scientifique, etc., On est très tenté d'aller voir tous les nouveaux modèles, toutes les nouvelles technos. Mais finalement, ce qui compte vraiment, c'est qu'on fait du produit et que si notre produit ne sert à rien, personne ne va l'utiliser, même si vous avez mis le dernier modèle de je n'en sais rien, de DeepSeek ou de Plane AI à l'intérieur. Donc, back to basics. Est-ce que je résous un vrai problème ou pas ? Pour moi, c'est la question de base, même quand on fait de l'IA.
- Speaker #1
Dernière question pour terminer, justement par rapport à cette nouvelle fonctionnalité, à ce projet en particulier sur lequel tu as travaillé de Catalogue Management, est-ce que ça a changé la manière dont vous avez fait le GoToMarket pour justement onboarder vos clients, les vendeurs sur cette nouvelle technologie ou pas tellement ?
- Speaker #2
Oui, ça a changé beaucoup de choses. Si je reprends un petit peu les différentes étapes... Sur la discovery, on a beaucoup appris autour du design. On s'est un peu trompé en se disant, l'IA va tout faire, l'IA est magique. On s'est un peu pris les pieds dans le tapis. Et en fait, on s'est rendu compte que quand on utilise de l'IA, la boîte noire, ça ne marche pas. Il faut expliquer ce qui se passe, d'autant plus qu'on travaille avec quelque chose qui n'est pas déterministe. Donc, il faut être assez honnête vis-à-vis de ses utilisateurs par rapport aux limites, par rapport à si tu me donnes tel type de fichier, ça ne va pas très bien marcher. donc ne t'attends pas à ce qu'on fasse des miracles donc vraiment cadrer dans l'interface qu'est-ce qu'on peut faire, qu'est-ce qu'on peut ne pas faire donner des recommandations, des bonnes pratiques expliquer à chaque étape ce qu'on est en train de faire donc ça vraiment très important sur la phase de discovery et de build on va dire en design en delivery vraiment c'est de l'agile sous stéroïde donc c'est vraiment on itère hyper vite prendre des retours, itérer tout de suite ne pas avoir peur que quelque chose casse, ne pas avoir peur que quelque chose ne marche pas. Être vraiment en mode agile. Donc, on prend les retours, on teste, ça ne marche pas, on jette, ça marche bien, on garde. Il ne faut vraiment pas avoir peur d'être très, très, très agile. Et bon, si ça ne marche pas, ce n'est pas grave, on passe à autre chose où on voit comment on agiste. Et sur le go-to-market, alors là, c'est beaucoup d'éducation. Et ça commence par l'interne. C'est-à-dire que nous, on s'est rendu compte qu'on ne donnait pas assez d'éléments à nos équipes sales en interne pour... pitcher le produit. Et en fait, ce qui se passe, du coup, c'est que les gens pitchent ce qu'ils croient comprendre de ce que fait l'IA. Et du coup, en fait, ça, c'est hyper important parce que, d'ailleurs, ça conditionne les attentes des clients qui vont tester le produit. Et en fait, du coup, si en interne, on n'est pas très clair sur c'est quoi la valeur, c'est quoi la techno, comment ça marche, ben, les personnes qui vendent le produit, et je pense que c'est pas du tout une critique. C'est nous, au produit, de bien expliquer ce qu'on fait, c'est quoi la valeur. Et au produit marketing aussi, moi j'ai beaucoup travaillé avec ma PMM sur ça. On a beaucoup itéré. Donc voilà, bien expliquer en interne ce que ça fait, parce que ça commence par là, et la perception sur le marché de ce que vous faites, elle commence par comment les gens en interne expliquent votre produit. Je trouve, moi, ça m'a beaucoup aidée de travailler avec le product marketing, d'avoir quelqu'un qui regardait ce que faisaient les autres, comment ils en parlent. On avait un peu des peurs irrationnelles de se dire « Non, mais on ne peut pas dire ça, c'est trop technique. » Et en fait, on s'est rendu compte que les autres, ils le font, donc pourquoi pas nous ? Donc voilà, beaucoup de communication. en interne et beaucoup de communication avec son product marketing manager pour trouver le meilleur discours. Et probablement que vous n'aurez pas le bon discours tout de suite. Et c'est OK de changer, d'itérer, de préciser certains points, d'en retirer d'autres. Il ne faut pas avoir envie de faire parfait au premier coup. C'est des choses qui sont nouvelles. Il y a très peu de bonnes pratiques sur le marché. Tout le monde parle d'IA, mais il n'y en a pas beaucoup qui scale et qui passent en prod. Donc, je pense que c'est OK de se dire que le discours va vivre en même temps que le produit, finalement.
- Speaker #1
Oui, et comme tu disais, le plus important, à ce moment-là, c'est aussi la transparence. Exactement. En interne, de comment ça se passe, comment vous avez travaillé, qu'est-ce que concrètement ça fait. Et après, en externe, sur à la fois ce qui marche et les limites. C'est pas sur vendre et pas sous vendre non plus la technologie et le produit in fine.
- Speaker #2
C'est vrai que c'est un équilibre qui est dur à trouver. moi si je prends l'exemple personnel, j'ai eu tendance à un peu minimiser ce qu'on faisait. Et donc j'étais très oui attention, quand on fait ci, ça ne marche pas. Et quand on met ce genre de fichier, ça ne marche pas non plus. Et en fait, en faisant ça, je me suis rendue compte qu'en interne, j'ai créé de la méfiance. Les gens disaient, ouais mais Fanny, quand on lui parle, on a l'impression que ça ne marche pas très bien. Mais après, en même temps, quand on a commencé à dire, bon ben on essaie de moins dire les choses qui ne marchent pas bien. On s'est retrouvés avec des clients qui pensaient que ça allait être complètement magique. Et donc, c'est vrai que c'est un équilibre très fin à trouver. Et je pense que ça passe beaucoup par l'interne. Moi, par exemple, je fais des office hours. Donc, deux fois par semaine, j'ai des sessions libres où toutes les personnes qui ont des questions sur le produit, mais ça peut être vraiment tout type de questions, autant sur la techno que sur l'usage, que sur qu'est-ce que je peux dire ou pas quand je vends mon produit. Donc, deux sessions par semaine où les gens viennent poser des questions librement. Et en fait, on a trouvé que c'était un bon format pour permettre à n'importe qui de se sentir honneur et responsable de ça. Donc, ouais, un petit tip, ça a marché plutôt bien comme format.
- Speaker #0
C'est un super conseil.
- Speaker #1
Merci, Fanny, pour ce retour d'expérience qui, je suis sûre, va inspirer beaucoup de personnes qui se posent les questions sur comment développer un produit IA, comment le communiquer dessus, que ce soit en interne ou en externe. et je te souhaite bon courage pour ton atelier tout à l'heure.
- Speaker #2
Merci beaucoup.
- Speaker #0
Merci d'avoir écouté cet épisode jusqu'au bout. Si l'épisode t'a plu, n'hésite pas à le partager sur LinkedIn en me taguant. Tu peux aussi me soutenir en laissant un avis 5 étoiles sur Apple Podcasts et me laisser un commentaire. Ton aide est précieuse pour m'aider à faire connaître Product Marketing Stories et aussi m'encourager à créer davantage de contenu. Alors merci !