17 de mayo de 2026Actualizado el Fathy Shalaby12 min de lectura
Más allá de las tablas: un knowledge graph para product management
Las tablas responden «cuántos». Un knowledge graph responde qué se conecta con qué. Qué contiene un knowledge graph de producto, qué le permite preguntar a un PM y cómo empezar sin una base de datos nueva.
Un knowledge graph para product management guarda lo que le importa a un equipo de producto (cuentas, usuarios, funcionalidades, feedback, decisiones, experimentos) como nodos, y las relaciones entre ellos como aristas tipadas. Eso te permite hacer preguntas multi-salto que una tabla no responde de forma barata, como «¿qué funcionalidades lanzamos para cuentas que después se dieron de baja, y esas cuentas las usaron?»
Ideas clave
Google lanzó su Knowledge Graph en mayo de 2012 con más de 500 millones de objetos y 3500 millones de hechos y relaciones. Su lema, «things, not strings», sigue siendo el resumen más claro de la idea (Google, 2012).
El State of Teams 2025 de Atlassian descubrió que los equipos dedican más del 25 % de su semana laboral a buscar información (Atlassian, 2025). El contexto de producto disperso entre herramientas es una parte importante.
En el estudio GraphRAG de Microsoft, un enfoque basado en grafos superó a la recuperación vectorial simple en exhaustividad en el 72-83 % de las comparaciones directas sobre un conjunto de datos de 1 millón de tokens (Edge et al., 2024).
No necesitas una base de datos de grafos para empezar. Una tabla de aristas y una consulta recursiva en Postgres cubren la mayoría de las preguntas de producto.
Empieza con una pregunta multi-salto que hoy no puedes responder, no con una migración de datos.
¿Qué es un knowledge graph para product management?
Neo4j define un knowledge graph como «an organized representation of real-world entities and their relationships» (Neo4j, 2024). Tiene tres partes: nodos (las entidades), relaciones (las aristas entre ellos) y un principio de organización, es decir, un esquema que dice qué tipos de nodos y aristas existen.
Para un equipo de producto, las entidades son los sustantivos sobre los que ya discutes en la planificación: cuentas, usuarios, funcionalidades, notas de entrevistas, tickets de soporte, insights, oportunidades, decisiones, experimentos y lanzamientos. Las relaciones son los verbos: reportó, respalda, contradice, deriva de, , .
La diferencia con una tabla está en dónde vive el significado. En una hoja de cálculo, el vínculo entre una cita de un cliente y la funcionalidad que inspiró está en la cabeza de alguien o en una columna de «notas» de texto libre. En un grafo, ese vínculo es un registro que puedes consultar, contar y seguir.
¿En qué se diferencia un product graph de la analítica de producto?
La mayor parte del trabajo de producto «basado en datos» se apoya en analítica de eventos: filas de eventos por usuario, resumidas en embudos y curvas de retención. Eso responde qué pasó y con qué frecuencia. Un knowledge graph de producto añade por qué creemos que pasó y qué hicimos al respecto, al conectar el comportamiento con la evidencia cualitativa y las decisiones que lo rodean. La analítica es una entrada del grafo, no su sustituto. Explicamos esta diferencia con más detalle en product intelligence vs. product analytics.
Ejemplos reales de knowledge graphs
El lanzamiento de Google en 2012 es el ejemplo más conocido. En lugar de buscar coincidencias con el texto escrito, el buscador empezó a resolverlo a una entidad (una persona, una ciudad, una película) y a mostrar los hechos conectados con ella (Google, 2012). Un knowledge graph de producto aplica el mismo movimiento a tus propios datos: «Acme Ltd» deja de ser una cadena de texto que aparece en 14 herramientas y se convierte en un único nodo con todos los tickets, llamadas y decisiones asociados.
¿Por qué las tablas dejan de funcionar para las preguntas de producto?
Las tablas relacionales son excelentes para transacciones y totales. Se vuelven incómodas cuando la pregunta trata de caminos.
Toma una pregunta que un Head of Product podría hacer antes de una revisión de renovaciones: «¿Qué funcionalidades lanzamos este año por peticiones de cuentas que ahora están en riesgo, y esas cuentas las usaron?» Son cinco saltos: cuenta → feedback → insight → decisión → funcionalidad → uso. En un stack típico, cada salto vive en una herramienta distinta (CRM, sistema de soporte, docs, Jira, analítica). La respuesta exige exportaciones, búsquedas y confiar en quien cruzó los IDs.
Dentro de una sola base de datos SQL, cada salto es un join. Cinco joins están bien cuando el camino es fijo. Se vuelve doloroso cuando la longitud del camino es desconocida, como en «muéstrame todo lo conectado con esta cuenta a tres pasos o menos». El SQL recursivo y los lenguajes de consulta de grafos existen precisamente para ese tipo de pregunta.
¿Cuánto le cuesta a un equipo el contexto desconectado?
El síntoma cotidiano no es una consulta lenta. Es la gente buscando. El State of Teams 2025 de Atlassian encuestó a 12 000 trabajadores del conocimiento y 200 ejecutivos y descubrió que los equipos dedican más del 25 % de su semana laboral a buscar información; estimó el costo para las empresas de Fortune 500 en 2400 millones de horas al año (Atlassian, 2025). Los product managers lo notan más que la mayoría, porque su materia prima (qué dijeron los clientes, qué se decidió y por qué) está repartida en más herramientas que la de casi cualquier otra función.
¿Qué contiene un knowledge graph de producto?
Cinco familias de nodos cubren la mayor parte del trabajo de producto. Mantén la primera versión así de pequeña.
Tipo de nodo
Ejemplos
Aristas típicas
Cliente
Cuenta, usuario, segmento
pertenece a, reportó, usa
Evidencia
Nota de entrevista, ticket de soporte, hilo de Slack, transcripción de llamada, respuesta de encuesta
reportado por, respalda, contradice
Interpretación
Insight, tema, oportunidad, suposición
deriva de, aborda
Compromiso
Decisión, PRD, elemento de roadmap, ticket
basado en, implementa, bloquea
Resultado
Lanzamiento, experimento, cambio de métrica
lanzado en, medido por, valida
Dos reglas hacen que el grafo sea útil y no decorativo:
Separa la evidencia de la interpretación. Un nodo de insight debe apuntar a los tickets y transcripciones en bruto de los que deriva, nunca reemplazarlos. De lo contrario, un resumen de IA se convierte sin avisar en la «fuente».
Tipa cada arista. «Relacionado con» en todas partes produce una maraña. «Respalda» y «contradice» te permiten contar cuánta evidencia hay a cada lado de una decisión.
¿Qué puede hacer un PM con un knowledge graph que no pueda con una tabla?
Mapear el radio de impacto antes de cambiar algo
Antes de retirar una funcionalidad, renombrar un plan o cambiar un paso del onboarding, sigue las aristas hacia afuera: qué cuentas la usan, qué peticiones abiertas la mencionan, qué decisiones y specs dan por hecho que existe, qué experimentos corren sobre ella. «¿A quién afectará esto?» pasa de una semana de mensajes de Slack a un solo recorrido.
Rastrear cualquier decisión hasta su evidencia
Abre un elemento del roadmap, sigue basado en hasta la decisión y luego respalda hasta las entrevistas y los tickets que hay detrás. Si el rastro termina en «el CEO lo mencionó en una llamada», has aprendido algo. Nuestra lista de verificación del comprador de software de evidencia de clientes muestra cómo comprobar si una herramienta mantiene ese rastro intacto. El artículo complementario sobre grafos de decisiones para equipos pequeños de IA explica cómo registrar el lado de las decisiones para que el rastro exista desde el principio.
Encontrar indicadores adelantados en los caminos, no en los totales
Un total te dice que el 30 % de las cuentas en prueba se activaron. Un camino te dice qué secuencias ocurrieron antes de la activación, por ejemplo cuentas que conectaron una integración e invitaron a un compañero en su primera semana. Las tablas dan recuentos rezagados; los caminos dan el comportamiento que predice el siguiente recuento. Las preguntas de secuencia son preguntas de grafo.
Dar a los asistentes de IA un contexto fundamentado
Los modelos de lenguaje responden mejor cuando la recuperación sigue relaciones en lugar de solo buscar texto parecido. Investigadores de Microsoft construyeron un knowledge graph a partir de documentos fuente y lo compararon con la recuperación vectorial estándar en preguntas amplias sobre unos 1 millón de tokens de transcripciones de podcasts y 1,7 millones de tokens de artículos de noticias. El enfoque de grafos ganó en exhaustividad en el 72-83 % y el 72-80 % de las comparaciones, con un LLM como juez (Edge et al., 2024). En el trabajo de producto, esa es la diferencia entre «aquí tienes cinco tickets parecidos» y «aquí está el tema, las cuentas que hay detrás y lo que ya decidimos al respecto».
Ejemplo resuelto: una pregunta de churn, cinco saltos
Este ejemplo es ilustrativo. Supongamos que un equipo B2B de 6 personas tiene 40 notas de entrevistas, 1200 tickets de soporte, 85 cuentas y 18 decisiones de roadmap de los dos últimos trimestres. Siete cuentas están marcadas como riesgo de churn antes de sus renovaciones.
La pregunta: «¿Construimos algo para las siete cuentas en riesgo, y lo usaron?»
El enfoque con tablas. Exportar las cuentas del CRM, cruzar los tickets de soporte por dominio de correo, buscar los nombres de cuenta en los docs, contrastar las epics de Jira y luego sacar el uso por funcionalidad de la analítica. Realistamente, medio día, con errores de cruce en cada paso.
El enfoque con grafo.
Empieza en los 7 nodos de cuenta.
Sigue reportó hasta sus 46 tickets y 9 notas de entrevista.
Sigue respalda hasta los 4 insights que esos elementos sustentan.
Encuentra las 2 decisiones cuyas aristas basado en apuntan a esos insights.
Sigue implementa hasta las 3 funcionalidades que produjeron esas decisiones y lee el uso.
Resultado: de las 3 funcionalidades lanzadas en parte para estas cuentas, solo 1 de las 7 usó alguna en los últimos 30 días. Eso es una conversación de renovación y probablemente una brecha de discovery: el equipo construyó lo que se pidió, no lo que las habría retenido. Cada paso es una búsqueda a lo largo de un vínculo existente en lugar de un cruce difuso entre herramientas, y en eso consiste todo el argumento a favor de un knowledge graph para product management.
¿Necesitas una base de datos de grafos?
No al principio. Las bases de datos de grafos dedicadas, como Neo4j, Amazon Neptune y TigerGraph, están pensadas para recorridos profundos y de longitud variable sobre grafos muy grandes. La mayoría de los equipos de producto tienen miles o decenas de miles de nodos, no miles de millones.
Una simple tabla de aristas (from, to, type) en Postgres más consultas WITH RECURSIVE maneja bien los recorridos a ese tamaño. La documentación de PostgreSQL 18 incluso incorpora las cláusulas SEARCH y CYCLE para ordenar en profundidad o en anchura y detectar ciclos (PostgreSQL, 2025). El Product Graph de Specky funciona sobre Postgres de esta manera.
Gartner pronosticó en 2021 que la tecnología de grafos se usaría en el 80 % de las innovaciones de datos y analítica en 2025, frente al 10 % (TechTarget, 2021). Toma pronósticos así como una dirección, no como un motivo para migrar. La prueba útil es si tus propias preguntas tienen forma de camino.
Considera una base de datos de grafos dedicada cuando:
Tus analistas escriben con regularidad consultas con más de cinco joins para responder preguntas básicas de producto.
Las preguntas implican longitudes de camino variables («cualquier cosa a tres saltos de esta cuenta»).
Los datos de marketing, soporte y producto están en esquemas separados y no puedes armar una vista única de un cliente.
Las recomendaciones en tiempo real o las experiencias personalizadas agotan el tiempo o van con retraso.
¿Cómo empezar? Un plan en cuatro pasos
La forma más barata de saber si un knowledge graph para product management vale la pena es un camino y cinco preguntas, no un proyecto de plataforma.
Mapea un camino. Elige un flujo central, como feedback → decisión → lanzamiento → uso, y dibújalo como nodos y aristas con tu responsable de datos o ingeniería. Detente en 5 a 8 tipos de nodo.
Haz una lista de las preguntas multi-salto que no puedes responder. Anota 5 preguntas que hoy llevan más de una hora. Buenos candidatos: si un canal de marketing afecta la retención a largo plazo, si la adopción de la funcionalidad A predice la adopción de la B, qué decisiones dependen de un único cliente.
Elige el stack más barato que las responda. Empieza en Postgres o en tu almacén de datos. Pasa a Neo4j, Neptune o TigerGraph solo cuando las preguntas lo exijan.
Haz un piloto con un lanzamiento. Conecta la evidencia, la decisión, los tickets y la métrica posterior al lanzamiento de tu próxima funcionalidad. A los 30 días, comprueba si el grafo respondió preguntas más rápido que la forma anterior. Si no lo hizo, averigua qué vínculo faltaba antes de añadir más.
Modelarlo todo. Una ontología de 40 tipos que nadie mantiene es peor que 6 tipos que todos usan.
Aristas sin tipo. «Relacionado con» en todas partes da una imagen bonita y ninguna respuesta.
Sin procedencia. Si los nodos no conservan un enlace a su fuente (la URL del ticket, la marca de tiempo de la transcripción), nadie puede contrastar el grafo con la realidad.
Contar datos de demostración. El contenido de muestra o de seed debe etiquetarse para que nunca se cuente como evidencia real de clientes.
Esperar que decida. Un grafo muestra qué se conecta. Juzgar qué importa sigue siendo trabajo del equipo.
Mantenimiento manual. Si nada escribe en el grafo de forma automática, se degrada como cualquier wiki.
Dónde encaja Specky
Specky construye este grafo por ti. Lee llamadas con clientes, feedback, Slack, Jira y analítica para formar un Product Graph, guarda cada señal, insight, decisión y experimento como un nodo tipado y los enlaza con aristas tipadas como respalda, contradice y deriva de. Las specs y los tickets conservan citas en línea que remiten a la evidencia, y tras el lanzamiento puedes comprobar si la apuesta funcionó. Para ver cómo es ese mapa en uso, lee el Product Graph como mapa vivo de tu producto, o consulta cómo funciona la product intelligence.
Preguntas frecuentes
¿Cuál es la diferencia entre un knowledge graph y un product graph?
Un product graph es un knowledge graph acotado al trabajo de un producto. La idea general, entidades conectadas por relaciones tipadas, es la misma. Cambian los tipos de nodo: un product graph contiene cuentas, feedback, insights, decisiones, specs, tickets, lanzamientos y métricas, para que el equipo pueda rastrear cualquier trabajo hasta la evidencia de clientes que lo respalda y seguirlo hasta su resultado.
¿Un knowledge graph es lo mismo que una base de datos de grafos?
No. Un knowledge graph es un modelo de datos: nodos, aristas tipadas y un esquema. Una base de datos de grafos es una forma de almacenarlo. Puedes mantener un knowledge graph en Postgres con una tabla de aristas y consultas recursivas, lo que basta para la mayoría de los equipos de producto. Las bases de datos de grafos dedicadas se justifican a escala muy grande o con recorridos profundos de longitud variable.
¿Qué es una pregunta multi-salto en product management?
Una pregunta multi-salto sigue varias relaciones seguidas. «¿Qué decisiones citan feedback de cuentas que se dieron de baja?» va de cuenta → feedback → decisión, es decir, tres saltos. Las herramientas de una sola tabla responden bien un salto. Cada salto extra entre herramientas separadas añade una exportación y un cruce manual, que es donde las respuestas se ralentizan y se cuelan los errores.
¿Qué tamaño alcanza un knowledge graph de producto?
Menor de lo que la gente espera. Un equipo con 85 cuentas, 1200 tickets, 40 entrevistas y un año de decisiones tiene unos pocos miles de nodos y quizá diez mil aristas. Es un conjunto de datos pequeño para Postgres. El tamaño importa menos que la disciplina: aristas tipadas, enlaces a la fuente en cada nodo de evidencia e ingesta automática para que el grafo se mantenga al día.
¿Puedo construir un knowledge graph de producto en Notion o en una hoja de cálculo?
Puedes aproximar uno con propiedades de relación o columnas de ID, y es una buena manera de aprender qué vínculos importan. Los límites aparecen con las preguntas multi-salto y el mantenimiento: las relaciones se mantienen a mano y no puedes consultar fácilmente varios saltos a la vez. Empieza por ahí si te ayuda, pero planifica la ingesta automática cuando el equipo crezca.
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