17. Mai 2026Aktualisiert am Fathy Shalaby12 Min. Lesezeit
Jenseits von Tabellen: Knowledge Graph für das Product Management
Tabellen beantworten „wie viele“. Ein Knowledge Graph beantwortet, was womit zusammenhängt. Was ein Product Knowledge Graph enthält, welche Fragen er einem PM erlaubt und wie du ohne neue Datenbank startest.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Ein Knowledge Graph für Product Management speichert die Dinge, die ein Product-Team beschäftigen (Accounts, Nutzer:innen, Features, Feedback, Entscheidungen, Experimente), als Knoten und die Beziehungen dazwischen als typisierte Kanten. Damit kannst du Multi-Hop-Fragen stellen, die eine Tabelle nicht günstig beantworten kann, zum Beispiel: „Welche Features haben wir für Accounts ausgeliefert, die später abgesprungen sind, und haben diese Accounts sie genutzt?“
Das Wichtigste in Kürze
Google hat seinen Knowledge Graph im Mai 2012 mit mehr als 500 Millionen Objekten und 3,5 Milliarden Fakten und Beziehungen gestartet. Der Slogan „things, not strings“ fasst die Idee bis heute am klarsten zusammen (Google, 2012).
Atlassians State of Teams 2025 zeigt: Teams verbringen mehr als 25 % ihrer Arbeitswoche mit der Suche nach Informationen (Atlassian, 2025). Product-Kontext, der über Tools verstreut ist, macht einen großen Teil davon aus.
In Microsofts GraphRAG-Studie schlug ein graphbasierter Ansatz das reine Vektor-Retrieval bei der Comprehensiveness in 72–83 % der direkten Vergleiche auf einem Datensatz mit 1 Million Tokens (Edge et al., 2024).
Du brauchst keine Graphdatenbank, um anzufangen. Eine Edges-Tabelle und eine rekursive Abfrage in Postgres decken die meisten Product-Fragen ab.
Starte mit einer Multi-Hop-Frage, die du heute nicht beantworten kannst, nicht mit einer Datenmigration.
Was ist ein Knowledge Graph für Product Management?
Neo4j definiert einen Knowledge Graph als „an organized representation of real-world entities and their relationships“ (Neo4j, 2024). Er besteht aus drei Teilen: Knoten (den Entitäten), Beziehungen (den Kanten dazwischen) und einem Ordnungsprinzip, also einem Schema, das festlegt, welche Arten von Knoten und Kanten es gibt.
Für ein Product-Team sind die Entitäten die Substantive, über die ihr in der Planung ohnehin streitet: Accounts, Nutzer:innen, Features, Interviewnotizen, Support-Tickets, Insights, Opportunities, Entscheidungen, Experimente und Releases. Die Beziehungen sind die Verben: gemeldet, stützt, , , , .
Der Unterschied zur Tabelle liegt darin, wo die Bedeutung steckt. In einer Tabellenkalkulation steht die Verbindung zwischen einem Kundenzitat und dem Feature, das es inspiriert hat, in jemandes Kopf oder in einer Freitext-Spalte „Notizen“. In einem Graphen ist diese Verbindung ein Datensatz, den du abfragen, zählen und verfolgen kannst.
Wie unterscheidet sich ein Product Graph von Product Analytics?
Das meiste „datengetriebene“ Product-Arbeiten läuft über Event-Analytics: Zeilen mit Events pro Nutzer:in, verdichtet zu Funnels und Retention-Kurven. Das beantwortet, was passiert ist und wie oft. Ein Product Knowledge Graph ergänzt, warum wir glauben, dass es passiert ist, und was wir dagegen getan haben, indem er Verhalten mit den qualitativen Belegen und den Entscheidungen drumherum verbindet. Analytics ist eine Eingabe für den Graphen, kein Ersatz dafür. Die Unterscheidung vertiefen wir in Product Intelligence vs. Product Analytics.
Knowledge-Graph-Beispiele aus der Praxis
Googles Start 2012 ist das bekannteste Beispiel. Statt den eingetippten Text abzugleichen, begann die Suche, ihn einer Entität zuzuordnen (einer Person, einer Stadt, einem Film) und verbundene Fakten anzuzeigen (Google, 2012). Ein Product Knowledge Graph überträgt denselben Schritt auf deine eigenen Daten: „Acme Ltd“ ist dann kein String mehr, der in 14 Tools vorkommt, sondern ein einziger Knoten, an dem jedes Ticket, jedes Gespräch und jede Entscheidung hängt.
Warum funktionieren Tabellen bei Product-Fragen nicht mehr?
Relationale Tabellen sind hervorragend für Transaktionen und Summen. Unhandlich werden sie, wenn es um Pfade geht.
Nimm eine Frage, die ein Head of Product vor einem Renewal-Review stellen könnte: „Welche Features haben wir dieses Jahr wegen Anfragen von Accounts ausgeliefert, die jetzt gefährdet sind, und haben diese Accounts sie genutzt?“ Das sind fünf Hops: Account → Feedback → Insight → Entscheidung → Feature → Nutzung. In einem typischen Stack liegt jeder Hop in einem anderen Tool (CRM, Support-Desk, Docs, Jira, Analytics). Die Antwort erfordert Exporte, Lookups und Vertrauen in die Person, die die IDs zusammengeführt hat.
Innerhalb einer einzigen SQL-Datenbank ist jeder Hop ein Join. Fünf Joins sind in Ordnung, solange der Pfad feststeht. Schmerzhaft wird es, wenn die Pfadlänge unbekannt ist, etwa bei „zeig mir alles, was innerhalb von drei Schritten mit diesem Account verbunden ist“. Rekursives SQL und Graph-Abfragesprachen gibt es genau für diese Form von Frage.
Was kostet verstreuter Kontext ein Team?
Das alltägliche Symptom ist keine langsame Abfrage. Es ist das Suchen. Atlassians State of Teams 2025 hat 12.000 Wissensarbeiter:innen und 200 Führungskräfte befragt und festgestellt, dass Teams mehr als 25 % ihrer Arbeitswoche mit der Suche nach Informationen verbringen; die Kosten für Fortune-500-Unternehmen beziffert die Studie auf 2,4 Milliarden Stunden pro Jahr (Atlassian, 2025). Product Manager spüren das stärker als die meisten, denn ihr Rohmaterial (was Kund:innen gesagt haben, was entschieden wurde und warum) ist auf mehr Tools verteilt als bei fast jeder anderen Funktion.
Was gehört in einen Product Knowledge Graph?
Fünf Knotenfamilien decken die meiste Product-Arbeit ab. Halte die erste Version so klein.
Zwei Regeln machen den Graphen nützlich statt dekorativ:
Trenne Evidenz von Interpretation. Ein Insight-Knoten sollte auf die rohen Tickets und Protokolle zurückverweisen, aus denen er abgeleitet wurde, und sie nie ersetzen. Sonst wird aus einer KI-Zusammenfassung unbemerkt die „Quelle“.
Typisiere jede Kante. „Hängt zusammen mit“ überall ergibt ein Wollknäuel. Mit „stützt“ und „widerspricht“ kannst du zählen, wie viele Belege auf jeder Seite einer Entscheidung liegen.
Was kann ein PM mit einem Knowledge Graph tun, was mit einer Tabelle nicht geht?
Den Wirkungsradius abschätzen, bevor du etwas änderst
Bevor du ein Feature abschaltest, einen Plan umbenennst oder einen Onboarding-Schritt änderst, folge den Kanten nach außen: Welche Accounts nutzen es, welche offenen Anfragen erwähnen es, welche Entscheidungen und Specs setzen voraus, dass es existiert, welche Experimente laufen darauf. „Wen betrifft das?“ wird von einer Woche Slack-Nachrichten zu einer einzigen Traversierung.
Jede Entscheidung bis zu ihren Belegen zurückverfolgen
Öffne einen Roadmap-Eintrag, folge basiert auf zur Entscheidung und dann stützt zu den Interviews und Tickets dahinter. Endet die Spur bei „der CEO hat es in einem Call erwähnt“, hast du etwas gelernt. Unsere Checkliste für Käufer:innen von Customer-Evidence-Software zeigt, wie du testest, ob ein Tool diese Spur intakt hält. Der Begleitartikel zu Decision Graphs für kleine KI-Teams behandelt, wie du die Entscheidungsseite festhältst, damit die Spur überhaupt existiert.
Frühindikatoren in Pfaden finden, nicht in Summen
Eine Summe sagt dir, dass 30 % der Trial-Accounts aktiviert wurden. Ein Pfad sagt dir, welche Abfolgen vor der Aktivierung kamen, zum Beispiel Accounts, die in der ersten Woche eine Integration verbunden und ein Teammitglied eingeladen haben. Tabellen liefern nachlaufende Zählungen; Pfade liefern das Verhalten, das die nächste Zählung vorhersagt. Fragen nach Abfolgen sind Graph-Fragen.
KI-Assistenten fundierten Kontext geben
Sprachmodelle antworten besser, wenn das Retrieval Beziehungen folgt, statt nur ähnlichen Text abzugleichen. Forschende von Microsoft bauten aus Quelldokumenten einen Knowledge Graph und verglichen ihn mit Standard-Vektor-Retrieval bei breiten Fragen zu rund 1 Million Tokens Podcast-Transkripten und 1,7 Millionen Tokens Nachrichtenartikeln. Der Graph-Ansatz gewann bei der Comprehensiveness in 72–83 % bzw. 72–80 % der Vergleiche, mit einem LLM als Richter (Edge et al., 2024). Für die Product-Arbeit ist das der Unterschied zwischen „hier sind fünf ähnliche Tickets“ und „hier ist das Thema, die Accounts dahinter und was wir dazu schon entschieden haben“.
Durchgerechnetes Beispiel: Eine Churn-Frage, fünf Hops
Dieses Beispiel ist illustrativ. Angenommen, ein B2B-Team mit 6 Personen hat aus den letzten zwei Quartalen 40 Interviewnotizen, 1.200 Support-Tickets, 85 Accounts und 18 Roadmap-Entscheidungen. Sieben Accounts sind vor den Vertragsverlängerungen als Churn-Risiko markiert.
Die Frage: „Haben wir etwas für die sieben gefährdeten Accounts gebaut, und haben sie es genutzt?“
Der Tabellen-Ansatz. Accounts aus dem CRM exportieren, Support-Tickets über die E-Mail-Domain zuordnen, die Docs nach Account-Namen durchsuchen, Jira-Epics gegenprüfen und dann die Nutzung pro Feature aus der Analytics ziehen. Realistisch ein halber Tag, mit Zuordnungsfehlern bei jedem Schritt.
Der Graph-Ansatz.
Starte bei den 7 Account-Knoten.
Folge gemeldet zu ihren 46 Tickets und 9 Interviewnotizen.
Folge stützt zu den 4 Insights, die diese Einträge belegen.
Finde die 2 Entscheidungen, deren basiert auf-Kanten auf diese Insights zeigen.
Folge setzt um zu den 3 Features, die aus diesen Entscheidungen entstanden sind, und lies dann die Nutzung aus.
Ergebnis: Von den 3 Features, die teilweise für diese Accounts ausgeliefert wurden, hat in den letzten 30 Tagen nur 1 der 7 Accounts irgendeines genutzt. Das ist ein Renewal-Gespräch und wahrscheinlich eine Discovery-Lücke: Das Team hat gebaut, was verlangt wurde, nicht das, was sie gehalten hätte. Jeder Schritt ist ein Lookup entlang einer bestehenden Verbindung statt eines unscharfen Abgleichs zwischen Tools, und genau das ist das ganze Argument für einen Knowledge Graph im Product Management.
Brauchst du eine Graphdatenbank?
Zunächst nicht. Dedizierte Graphdatenbanken wie Neo4j, Amazon Neptune und TigerGraph sind für tiefe Traversierungen mit variabler Länge auf sehr großen Graphen gebaut. Die meisten Product-Teams haben Tausende oder Zehntausende Knoten, nicht Milliarden.
Eine einfache Edges-Tabelle (from, to, type) in Postgres plus WITH RECURSIVE-Abfragen bewältigt Traversierung in dieser Größe gut. Die Dokumentation von PostgreSQL 18 enthält sogar eingebaute SEARCH- und CYCLE-Klauseln für Tiefen- oder Breitensuche-Reihenfolge und Zykluserkennung (PostgreSQL, 2025). Speckys eigener Product Graph läuft auf diese Weise auf Postgres.
Gartner prognostizierte 2021, dass Graph-Technologie bis 2025 in 80 % der Daten- und Analytics-Innovationen eingesetzt würde, gegenüber 10 % (TechTarget, 2021). Nimm solche Prognosen als Richtung, nicht als Grund zur Migration. Der sinnvolle Test ist, ob deine eigenen Fragen pfadförmig sind.
Erwäge eine dedizierte Graphdatenbank, wenn:
Deine Analyst:innen regelmäßig Abfragen mit mehr als fünf Joins schreiben, um grundlegende Product-Fragen zu beantworten.
Fragen variable Pfadlängen enthalten („alles innerhalb von drei Hops um diesen Account“).
Marketing-, Support- und Product-Daten in getrennten Schemas liegen und du keine einheitliche Sicht auf einen Kunden zusammenbekommst.
Echtzeit-Empfehlungen oder personalisierte Erlebnisse in Timeouts laufen oder hinterherhinken.
Wie startest du? Ein Plan in vier Schritten
Der günstigste Weg herauszufinden, ob sich ein Knowledge Graph für Product Management lohnt, ist ein Pfad und fünf Fragen, kein Plattformprojekt.
Einen Pfad abbilden. Wähle einen Kernfluss, etwa Feedback → Entscheidung → Release → Nutzung, und zeichne ihn mit deiner Data- oder Engineering-Leitung als Knoten und Kanten. Höre bei 5 bis 8 Knotentypen auf.
Die Multi-Hop-Fragen auflisten, die du nicht beantworten kannst. Schreibe 5 Fragen auf, die derzeit mehr als eine Stunde dauern. Gute Kandidaten: Beeinflusst ein Marketingkanal die langfristige Retention, sagt die Adoption von Feature A die Adoption von Feature B voraus, welche Entscheidungen stützen sich auf eine einzige Kundin.
Den günstigsten Stack wählen, der sie beantwortet. Starte in Postgres oder in deinem Warehouse. Wechsle zu Neo4j, Neptune oder TigerGraph erst, wenn die Fragen es verlangen.
Einen Launch als Pilot nutzen. Verbinde Evidenz, Entscheidung, Tickets und die Metrik nach dem Launch für dein nächstes Feature. Prüfe nach 30 Tagen, ob der Graph Fragen schneller beantwortet hat als der alte Weg. Wenn nicht, finde heraus, welche Verbindung gefehlt hat, bevor du mehr hinzufügst.
Alles modellieren. Eine Ontologie mit 40 Typen, die niemand pflegt, ist schlechter als 6 Typen, die alle nutzen.
Untypisierte Kanten. „Hängt zusammen mit“ überall liefert ein hübsches Bild und keine Antworten.
Keine Provenienz. Wenn Knoten keinen Link zu ihrer Quelle behalten (die Ticket-URL, den Zeitstempel im Protokoll), kann niemand den Graphen an der Realität prüfen.
Demodaten mitzählen. Beispiel- oder Seed-Inhalte müssen gekennzeichnet sein, damit sie nie als echte Kundenevidenz gezählt werden.
Erwarten, dass er entscheidet. Ein Graph zeigt, was zusammenhängt. Zu beurteilen, was wichtig ist, bleibt Aufgabe des Teams.
Manuelle Pflege. Wenn nichts automatisch in den Graphen schreibt, verfällt er wie jedes Wiki.
Wo Specky ins Spiel kommt
Specky baut diesen Graphen für dich. Es liest Kundengespräche, Feedback, Slack, Jira und Analytics in einen Product Graph ein, speichert jedes Signal, jeden Insight, jede Entscheidung und jedes Experiment als typisierten Knoten und verknüpft sie mit typisierten Kanten wie stützt, widerspricht und abgeleitet aus. Specs und Tickets behalten Inline-Zitate zurück zur Evidenz, und nach dem Launch kannst du prüfen, ob die Wette aufgegangen ist. Wie diese Landkarte im Einsatz aussieht, liest du in Der Product Graph als lebendige Landkarte deines Produkts, oder sieh dir an, wie Product Intelligence funktioniert.
Häufig gestellte Fragen
Was ist der Unterschied zwischen einem Knowledge Graph und einem Product Graph?
Ein Product Graph ist ein Knowledge Graph, der auf die Arbeit an einem Produkt zugeschnitten ist. Die allgemeine Idee, Entitäten, die durch typisierte Beziehungen verbunden sind, ist dieselbe. Die Knotentypen unterscheiden sich: Ein Product Graph enthält Accounts, Feedback, Insights, Entscheidungen, Specs, Tickets, Releases und Metriken, damit das Team jede Arbeit zur Kundenevidenz dahinter zurückverfolgen und bis zu ihrem Ergebnis weiterverfolgen kann.
Ist ein Knowledge Graph dasselbe wie eine Graphdatenbank?
Nein. Ein Knowledge Graph ist ein Datenmodell: Knoten, typisierte Kanten und ein Schema. Eine Graphdatenbank ist eine Möglichkeit, es zu speichern. Du kannst einen Knowledge Graph in Postgres mit einer Edges-Tabelle und rekursiven Abfragen halten, was für die meisten Product-Teams reicht. Dedizierte Graphdatenbanken lohnen sich bei sehr großem Maßstab oder tiefen Traversierungen mit variabler Länge.
Was ist eine Multi-Hop-Frage im Product Management?
Eine Multi-Hop-Frage folgt mehreren Beziehungen hintereinander. „Welche Entscheidungen zitieren Feedback von Accounts, die abgesprungen sind?“ führt von Account → Feedback → Entscheidung, also über drei Hops. Tools mit nur einer Tabelle beantworten einen Hop gut. Jeder zusätzliche Hop über getrennte Tools hinweg fügt einen Export und einen manuellen Abgleich hinzu, und genau dort werden Antworten langsamer und schleichen sich Fehler ein.
Wie groß wird ein Product Knowledge Graph?
Kleiner, als man erwartet. Ein Team mit 85 Accounts, 1.200 Tickets, 40 Interviews und einem Jahr an Entscheidungen hat ein paar Tausend Knoten und vielleicht zehntausend Kanten. Für Postgres ist das ein kleiner Datensatz. Die Größe zählt weniger als die Disziplin: typisierte Kanten, Quell-Links an jedem Evidenz-Knoten und automatische Aufnahme, damit der Graph aktuell bleibt.
Kann ich einen Product Knowledge Graph in Notion oder in einer Tabelle bauen?
Du kannst einen mit Relation-Properties oder ID-Spalten annähern, und es ist ein guter Weg zu lernen, welche Verbindungen wichtig sind. Die Grenzen zeigen sich bei Multi-Hop-Fragen und der Pflege: Relationen werden von Hand gepflegt, und mehrere Hops auf einmal abzufragen ist kaum möglich. Fang dort an, wenn es hilft, aber plane mit automatischer Aufnahme, sobald das Team wächst.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing