Questions d'entretien Junior Product Manager

Ce qui est attendu au niveau Junior

On attend du sens produit, des métriques de base et des problèmes guidés et bien délimités.

Exemples de questions d'entretien pour Product Manager

• ComportementalConcevez un produit pour aider les gens à se déplacer de façon plus durable.
  Ce qu'une bonne réponse couvre

  • Compréhension des besoins utilisateurs (navetteurs, urbains, périurbains)
  • Approche modulaire: covoiturage, transports en commun, micro-mobilité
  • Incitations financières et gamification
  • Intégration avec API de transport en temps réel
  • Analyse d'impact environnemental (CO2 évité)

  Voir un exemple de réponse

  Pour concevoir un produit de mobilité durable, je commencerais par segmenter les utilisateurs : navetteurs quotidiens, utilisateurs occasionnels, et voyageurs longue distance. Le produit serait une application modulaire combinant covoiturage, vélos/trottinettes en libre-service, transports en commun et marche. Les fonctionnalités clés incluraient un planificateur d'itinéraire multimodal optimisé pour l'empreinte carbone (avec estimation CO2), un système de points échangeables contre des réductions (gamification), et un abonnement mensiel avec accès illimité à certains services. L'intégration avec des API de transport en temps réel (GTFS, Moovit) serait critique pour la fiabilité. Un écueil courant est de négliger la couverture des zones périurbaines, où la densité de services est faible ; il faudrait donc un partenariat avec des entreprises locales de covoiturage. Le modèle économique reposerait sur des commissions sur les transactions et des subventions municipales. La mesure du succès inclurait le nombre d'utilisateurs actifs, les émissions de CO2 évitées (calculées via des facteurs d'émission standard) et le taux de rétention après 30 jours.

• ComportementalChoisissez un produit que vous adorez et expliquez comment vous l'amélioreriez.
  Ce qu'une bonne réponse couvre

  • Choix d'un produit spécifique (ex: Spotify)
  • Identification des frictions existantes (découverte musicale limitée)
  • Proposition d'amélioration basée sur données utilisateur
  • Priorisation des fonctionnalités (impact vs effort)
  • Validation par test A/B ou étude utilisateur

  Voir un exemple de réponse

  Je choisis Spotify. Bien qu'excellent, la fonction de découverte musicale pourrait être améliorée. Actuellement, les playlists 'Discover Weekly' et 'Release Radar' sont géniales, mais l'exploration par genre/humeur est limitée. J'ajouterais une fonction 'Radio Dynamique' qui combine l'historique d'écoute avec les tendances locales et l'activité des amis. Par exemple, si vous écoutez du jazz, elle pourrait mixer des standards, des artistes émergents locaux et des titres populaires chez vos amis. Pour prioriser, j'évaluerais l'impact sur le temps d'écoute et la rétention (via des indicateurs existants) contre l'effort technique (modification de l'algorithme de recommandation). Un test A/B mesurerait l'engagement sur la nouvelle fonction vs l'ancienne. La friction actuelle est que les playlists sont statiques ; cette amélioration rendrait l'écoute plus vivante. Un écueil serait de cannibaliser les playlists existantes, donc il faudrait une intégration progressive, en commençant par un onglet 'Pulsations' en haut de l'écran d'accueil.

• TechniqueLes utilisateurs actifs quotidiens ont chuté de 10 % du jour au lendemain — comment enquêtez-vous ?
  Ce qu'une bonne réponse couvre

  • Vérification des données (anomalie technique vs réelle baisse)
  • Segmentation de la chute (par plateforme, région, cohorte)
  • Analyse des événements récents (bug, mise à jour, concurrence)
  • Entretiens utilisateurs et enquêtes
  • Création d'un plan d'action avec hypothèses prioritaires

  Voir un exemple de réponse

  Face à une baisse de 10% des DAU du jour au lendemain, mon enquête suivrait ces étapes : 1) Vérifier l'intégrité des données : une erreur de tracking (SDK mal déployé, problème de pipeline) peut créer une fausse baisse. 2) Si les données sont fiables, segmenter la chute par plateforme (iOS, Android, Web), par version d'app, par région et par cohorte (nouveaux vs anciens utilisateurs) pour isoler la cause. 3) Analyser les événements récents : déploiement d'une mise à jour, changement de politique de prix, panne d'un service tiers (ex: API de connexion), ou campagne de marketing agressive d'un concurrent. 4) Lancer des entretiens utilisateurs (15-20) et des enquêtes in-app pour identifier les frictions. 5) Émettre des hypothèses (ex: bug de connexion sur Android) et les prioriser selon l'ampleur de l'impact. Une erreur courante est de chercher une cause unique ; en réalité, plusieurs facteurs peuvent s'additionner. Par exemple, une mise à jour aurait pu introduire un bug de performance sur les anciens appareils, combiné à une panne DNS régionale. Le plan d'action inclurait un rollback immédiat si un bug est confirmé, suivi d'une communication transparente.

• TechniqueComment mesureriez-vous le succès d'un nouveau parcours d'onboarding ?
  Ce qu'une bonne réponse couvre

  • Définition d'objectifs (activation, rétention, satisfaction)
  • Métriques North Star et secondaires
  • Cohorte d'utilisateurs (J0, J7, J30)
  • Indicateurs qualitatifs (NPS, CSAT, tests utilisateurs)
  • Boucle de rétroaction continue

  Voir un exemple de réponse

  Pour mesurer le succès d'un parcours d'onboarding, je combinerais des métriques quantitatives et qualitatives. La métrique North Star serait le taux d'activation : l'utilisateur effectue l'action clé (ex: premier achat, première connexion sociale) dans les 24h. Les métriques secondaires incluent le taux de complétion des étapes, le temps total d'onboarding, et le taux de rétention à J7, J14 et J30. Je suivrais également le NPS après la première session. Qualitativement, je réaliserais des tests utilisateurs filmés pour identifier les points de friction. Une approche par cohortes est essentielle : comparer les cohortes avant/après un changement d'onboarding. Un écueil fréquent est de mesurer trop tard (ex: rétention à 30 jours) alors que l'onboarding lui-même doit être optimisé sur les premières minutes. Il faut donc un tableau de bord temps réel avec des alertes si le taux d'activation chute. Enfin, le succès se mesure aussi par la réduction du taux de rebond (utilisateurs qui quittent sans terminer l'onboarding) et par l'augmentation des referrals.

• TechniqueComment priorisez-vous entre deux fonctionnalités à impact similaire ?
  Ce qu'une bonne réponse couvre

  • Cadre de priorisation (RICE, ICE, CoD, MoSCoW)
  • Pondération des critères (impact, confiance, effort)
  • Alignement avec objectifs stratégiques (OKRs)
  • Données qualitatives (retours utilisateurs, tests)
  • Prise de décision itérative avec expérimentation

  Voir un exemple de réponse

  Quand deux fonctionnalités ont un impact similaire sur le métier, j'utilise le cadre RICE (Reach, Impact, Confidence, Effort) pour les départager. Je décompose l'impact en sous-métriques : par exemple, l'impact sur la rétention vs l'acquisition. Je calcule également le score de confiance (données historiques vs hypothèses). Ensuite, je consulte les OKRs de l'entreprise : si l'objectif est d'augmenter l'engagement, la fonctionnalité avec le plus grand Reach sur les utilisateurs actifs sera prioritaire. Je peux aussi réaliser un test A/B à petite échelle (5% des utilisateurs) pour valider les hypothèses d'impact. Un autre outil est la matrice 'Valeur vs Effort' : même si les impacts sont égaux, l'effort de développement peut varier, donc la fonctionnalité plus facile à implémenter sera choisie en premier. Un écueil est de négliger les dépendances techniques : une fonctionnalité peut être un prérequis pour l'autre. Enfin, je discute avec l'équipe engineering pour évaluer les risques et les dettes techniques. La décision finale est documentée avec les hypothèses claires, pour pouvoir mesurer le résultat après livraison.

• Conception de systèmesComment estimeriez-vous la taille du marché d'une app de recharge pour véhicules électriques ?
  Ce qu'une bonne réponse couvre

  • Top-down et bottom-up (TAM, SAM, SOM)
  • Segmentation des utilisateurs (propriétaires VE vs potentiels)
  • Données de bornes de recharge existantes (nb, utilisation)
  • Croissance du marché VE (prévisions, incitations)
  • Estimation du revenu moyen par utilisateur (monétisation)

  Voir un exemple de réponse

  Pour estimer le marché d'une app de recharge pour VE, je combine approches top-down et bottom-up. Top-down: TAM = nombre de VE * nombre de sessions de recharge par VE par an * prix moyen par session. Selon les prévisions, il y aura 30 millions de VE en Europe en 2030, avec environ 50 sessions de recharge par an (moyenne mixte). Avec un prix moyen de 10€ par session (charge rapide), le TAM serait de 15 milliards €. SAM: en se focalisant sur les utilisateurs de bornes publiques (40% des sessions), on obtient 6 milliards €. SOM: en captant 10% du marché via une app avec un réseau de partenaires, 600 millions €. Bottom-up: partir du nombre de bornes en France (100 000 en 2024, croissance 30%/an), taux d'utilisation moyen (2 sessions/jour), et part de marché visée (20%). On croise les deux estimations pour obtenir une fourchette réaliste. Il faut aussi considérer le revenu par utilisateur : abonnement mensuel (5€) ou commission par transaction (0,50€). Un écueil est de surestimer la fréquence d'utilisation ; beaucoup de propriétaires rechargent principalement à domicile. Donc il faut segmenter par type d'utilisateur (urbain périphérique, flotte).

• ComportementalParlez-moi d'une décision produit que vous avez prise avec des données limitées.
  Ce qu'une bonne réponse couvre

  • Contexte de décision avec données limitées (temps, ressources)
  • Méthode: hypothèses fortes, tests rapides, feedback qualitatif
  • Exemple concret (ex: lancement d'une fonctionnalité)
  • Résultat et apprentissages (succès ou échec, itération)
  • Leçon apprise sur l'importance de l'execution malgré l'incertitude

  Voir un exemple de réponse

  Lors d'un projet précédent, nous devions décider si lancer une fonctionnalité de recommandation de produits sans données utilisateur suffisantes (moins de 1000 utilisateurs en beta). J'ai pris la décision de lancer une version basique basée sur des règles métier (catégories populaires, ventes croisées) plutôt qu'un algorithme complexe. Nous avons mis en place des tests A/B avec des métriques d'engagement (clics, taux de conversion) et des entretiens avec 20 utilisateurs. En une semaine, nous avons constaté une augmentation de 5% du taux de clics. Cependant, les utilisateurs avancés trouvaient les recommandations trop génériques. J'ai donc priorisé l'itération : ajout de filtres manuels et collecte de données implicites (temps passé). Le lancement initial a été un succès modéré, mais a permis de collecter les données nécessaires pour affiner l'algorithme. La leçon : avec des données limitées, il vaut mieux lancer vite une version imparfaite, mesurer et itérer, plutôt que d'attendre des données parfaites. Le risque était d'investir dans une fonctionnalité non désirée, mais les tests rapides ont minimisé cet investissement.

• ComportementalDécrivez une fois où vous avez dit non à une partie prenante très en vue.
  Ce qu'une bonne réponse couvre

  • Exemple concret avec enjeux (budget, délai, stratégie)
  • Méthode: données objectives, alignement sur objectifs communs
  • Compromis proposé (solution alternative)
  • Gestion de la relation (écoute, transparence, escalation si nécessaire)
  • Résultat: respect mutuel et décision éclairée

  Voir un exemple de réponse

  Dans une précédente expérience, le VP Marketing insistait pour ajouter une pop-up de réduction lors de l'onboarding, arguant que cela augmenterait la conversion. Je m'y suis opposé car les données montraient que les utilisateurs qui bénéficiaient d'une réduction dès le premier achat avaient un taux de rétention inférieur de 15% à 90 jours (effet d'aubaine). J'ai présenté les analyses de cohorte lors d'une réunion, en expliquant que la pop-up nuirait à la valeur vie client (LTV). J'ai proposé une alternative : une réduction conditionnelle après la première action significative (ex: ajout en favoris), ce qui encourageait l'engagement sans cannibaliser les revenus futurs. Le VP était réticent car les objectifs trimestriels d'acquisition étaient serrés. J'ai donc négocié un test A/B sur 2 semaines : un groupe avec pop-up immédiate, l'autre avec réduction différée. Les résultats ont montré que la conversion à court terme était similaire, mais la rétention était meilleure dans le groupe différé. Finalement, le VP a accepté ma proposition. J'ai appris l'importance de venir avec des données et des alternatives, et de reconnaître les pressions des parties prenantes tout en restant fidèle à la vision produit.

Ce que les recruteurs évaluent

Comment se préparer

• Structurez toujours votre réponse d'abord — les cadres l'emportent sur le brainstorming sans structure.
• Reliez chaque idée à un problème utilisateur et à une métrique mesurable.
• Entraînez-vous à voix haute aux questions produit et métriques ; la clarté du raisonnement est la note.

Questions fréquentes