17 mai 2026Mis à jour le Fathy Shalaby12 min de lecture
Au-delà des tableaux : le knowledge graph au service du product management
Les tableaux répondent à « combien ». Un knowledge graph répond à « qu’est-ce qui est relié à quoi ». Ce que contient un knowledge graph produit, ce qu’il permet de demander à un PM, et comment démarrer sans nouvelle base de données.
Un knowledge graph pour le product management stocke les éléments qui comptent pour une équipe produit (comptes, utilisateurs, fonctionnalités, retours, décisions, expérimentations) sous forme de nœuds, et les relations entre eux sous forme d’arêtes typées. Vous pouvez ainsi poser des questions multi-sauts auxquelles un tableau ne répond pas à moindre coût, par exemple : « Quelles fonctionnalités avons-nous livrées pour des comptes qui ont ensuite résilié, et ces comptes les ont-ils utilisées ? »
L’essentiel
Google a lancé son Knowledge Graph en mai 2012 avec plus de 500 millions d’objets et 3,5 milliards de faits et de relations. Son slogan, « things, not strings », reste le résumé le plus clair de l’idée (Google, 2012).
L’étude State of Teams 2025 d’Atlassian a constaté que les équipes passent plus de 25 % de leur semaine de travail à chercher des informations (Atlassian, 2025). Le contexte produit dispersé entre les outils en est une part importante.
Dans l’étude GraphRAG de Microsoft, une approche fondée sur un graphe a battu la recherche vectorielle classique en exhaustivité dans 72 à 83 % des comparaisons directes sur un jeu de données de 1 million de tokens (Edge et al., 2024).
Vous n’avez pas besoin d’une base de données de graphes pour commencer. Une table d’arêtes et une requête récursive dans Postgres couvrent la plupart des questions produit.
Partez d’une question multi-sauts à laquelle vous ne savez pas répondre aujourd’hui, pas d’une migration de données.
Qu’est-ce qu’un knowledge graph pour le product management ?
Neo4j définit un knowledge graph comme « an organized representation of real-world entities and their relationships » (Neo4j, 2024). Il comporte trois éléments : des nœuds (les entités), des relations (les arêtes qui les relient) et un principe d’organisation, c’est-à-dire un schéma qui indique quels types de nœuds et d’arêtes existent.
Pour une équipe produit, les entités sont les noms dont vous débattez déjà en planification : comptes, utilisateurs, fonctionnalités, notes d’entretien, tickets de support, insights, opportunités, décisions, expérimentations et releases. Les relations sont les verbes : , , , , , .
La différence avec un tableau tient à l’endroit où loge le sens. Dans un tableur, le lien entre une citation client et la fonctionnalité qu’elle a inspirée se trouve dans la tête de quelqu’un ou dans une colonne « notes » en texte libre. Dans un graphe, ce lien est un enregistrement que l’on peut interroger, compter et suivre.
En quoi un product graph diffère-t-il des product analytics ?
La plupart du travail produit « piloté par les données » repose sur l’analytics d’événements : des lignes d’événements par utilisateur, agrégées en funnels et en courbes de rétention. Cela répond à ce qui s’est passé, et à quelle fréquence. Un knowledge graph produit ajoute pourquoi nous pensons que c’est arrivé et ce que nous avons fait ensuite, en reliant le comportement aux preuves qualitatives et aux décisions qui l’entourent. L’analytics est l’une des sources du graphe, pas un remplaçant. Nous détaillons cette distinction dans product intelligence vs product analytics.
Exemples concrets de knowledge graphs
Le lancement de Google en 2012 est l’exemple le plus connu. Au lieu de comparer le texte saisi, la recherche s’est mise à le rattacher à une entité (une personne, une ville, un film) et à afficher les faits qui y sont liés (Google, 2012). Un knowledge graph produit applique le même principe à vos propres données : « Acme Ltd » cesse d’être une chaîne de caractères présente dans 14 outils et devient un seul nœud auquel sont rattachés chaque ticket, chaque appel et chaque décision.
Pourquoi les tableaux atteignent-ils leurs limites pour les questions produit ?
Les tables relationnelles excellent pour les transactions et les totaux. Elles deviennent maladroites quand la question porte sur des chemins.
Prenons une question qu’un Head of Product pourrait poser avant une revue de renouvellement : « Quelles fonctionnalités avons-nous livrées cette année à la demande de comptes aujourd’hui à risque, et ces comptes les ont-ils utilisées ? » Cela représente cinq sauts : compte → retour → insight → décision → fonctionnalité → usage. Dans une stack typique, chaque saut vit dans un outil différent (CRM, outil de support, docs, Jira, analytics). La réponse exige des exports, des recherches et la confiance envers la personne qui a rapproché les identifiants.
Au sein d’une seule base SQL, chaque saut est une jointure. Cinq jointures, c’est acceptable quand le chemin est fixe. Cela devient pénible quand la longueur du chemin est inconnue, comme dans « montre-moi tout ce qui est relié à ce compte à moins de trois pas ». Le SQL récursif et les langages de requête de graphes existent précisément pour ce type de question.
Que coûte un contexte éclaté à une équipe ?
Le symptôme du quotidien n’est pas une requête lente. C’est le temps passé à chercher. L’étude State of Teams 2025 d’Atlassian, menée auprès de 12 000 travailleurs du savoir et 200 dirigeants, a constaté que les équipes passent plus de 25 % de leur semaine à chercher des informations ; elle chiffre le coût pour les entreprises du Fortune 500 à 2,4 milliards d’heures par an (Atlassian, 2025). Les product managers le ressentent plus que la plupart, car leur matière première (ce que les clients ont dit, ce qui a été décidé et pourquoi) est répartie sur plus d’outils que dans presque toute autre fonction.
Que contient un knowledge graph produit ?
Cinq familles de nœuds couvrent l’essentiel du travail produit. Gardez la première version aussi réduite.
Type de nœud
Exemples
Arêtes typiques
Client
Compte, utilisateur, segment
appartient à, a signalé, utilise
Preuve
Note d’entretien, ticket de support, fil Slack, transcription d’appel, réponse à une enquête
signalé par, appuie, contredit
Interprétation
Insight, thème, opportunité, hypothèse
dérive de, adresse
Engagement
Décision, PRD, élément de roadmap, ticket
fondé sur, met en œuvre, bloque
Résultat
Release, expérimentation, variation d’une métrique
livré dans, mesuré par, valide
Deux règles rendent le graphe utile plutôt que décoratif :
Séparez la preuve de l’interprétation. Un nœud d’insight doit renvoyer vers les tickets et transcriptions bruts dont il dérive, sans jamais les remplacer. Sinon, un résumé produit par l’IA devient discrètement la « source ».
Typez chaque arête. Mettre « lié à » partout produit une pelote de laine. « Appuie » et « contredit » permettent de compter combien de preuves se trouvent de chaque côté d’une décision.
Que peut faire un PM avec un knowledge graph qu’un tableau ne permet pas ?
Cartographier le rayon d’impact avant de changer quelque chose
Avant de retirer une fonctionnalité, de renommer une offre ou de modifier une étape d’onboarding, suivez les arêtes vers l’extérieur : quels comptes l’utilisent, quelles demandes ouvertes la mentionnent, quelles décisions et quelles specs supposent qu’elle existe, quelles expérimentations tournent dessus. « Qui sera touché ? » passe d’une semaine de messages Slack à un seul parcours.
Remonter de n’importe quelle décision à ses preuves
Ouvrez un élément de roadmap, suivez fondé sur jusqu’à la décision, puis appuie vers les entretiens et les tickets qui la sous-tendent. Si la piste s’arrête à « le CEO l’a mentionné lors d’un appel », vous avez appris quelque chose. Notre checklist d’acheteur pour les logiciels de preuves clients montre comment vérifier qu’un outil garde cette piste intacte. L’article complémentaire sur les graphes de décisions pour les petites équipes IA explique comment consigner le côté décision pour que la piste existe au départ.
Repérer les indicateurs avancés dans les chemins, pas dans les totaux
Un total vous dit que 30 % des comptes en essai se sont activés. Un chemin vous dit quelles séquences ont précédé l’activation, par exemple des comptes qui ont connecté une intégration et invité un collègue dès la première semaine. Les tableaux donnent des comptages retardés ; les chemins donnent le comportement qui prédit le prochain comptage. Les questions de séquence sont des questions de graphe.
Donner aux assistants IA un contexte ancré
Les modèles de langage répondent mieux quand la recherche suit des relations au lieu de se contenter de rapprocher des textes similaires. Des chercheurs de Microsoft ont construit un knowledge graph à partir de documents sources et l’ont comparé à une recherche vectorielle standard sur des questions larges portant sur environ 1 million de tokens de transcriptions de podcasts et 1,7 million de tokens d’articles de presse. L’approche par graphe l’a emporté en exhaustivité dans 72 à 83 % et 72 à 80 % des comparaisons, avec un LLM comme juge (Edge et al., 2024). Pour le travail produit, c’est l’écart entre « voici cinq tickets similaires » et « voici le thème, les comptes qui le portent, et ce que nous avons déjà décidé à son sujet ».
Exemple chiffré : une question sur le churn, cinq sauts
Cet exemple est illustratif. Supposons qu’une équipe B2B de 6 personnes dispose, sur les deux derniers trimestres, de 40 notes d’entretien, 1 200 tickets de support, 85 comptes et 18 décisions de roadmap. Sept comptes sont signalés comme risques de churn avant leurs renouvellements.
La question : « Avons-nous construit quelque chose pour les sept comptes à risque, et l’ont-ils utilisé ? »
L’approche par tableaux. Exporter les comptes du CRM, rapprocher les tickets de support par domaine d’e-mail, chercher les noms de comptes dans les docs, recouper les epics Jira, puis extraire l’usage par fonctionnalité depuis l’analytics. Réalistement une demi-journée, avec des erreurs de rapprochement à chaque étape.
L’approche par graphe.
Partir des 7 nœuds de comptes.
Suivre a signalé vers leurs 46 tickets et 9 notes d’entretien.
Suivre appuie vers les 4 insights que ces éléments étayent.
Trouver les 2 décisions dont les arêtes fondé sur pointent vers ces insights.
Suivre met en œuvre vers les 3 fonctionnalités issues de ces décisions, puis lire l’usage.
Résultat : sur les 3 fonctionnalités livrées en partie pour ces comptes, un seul des 7 comptes en a utilisé une au cours des 30 derniers jours. C’est une conversation de renouvellement et probablement une lacune de discovery : l’équipe a construit ce qu’on lui demandait, pas ce qui les aurait retenus. Chaque étape est une recherche le long d’un lien existant plutôt qu’un rapprochement approximatif entre outils, ce qui résume tout l’intérêt d’un knowledge graph pour le product management.
Avez-vous besoin d’une base de données de graphes ?
Pas au départ. Les bases de données de graphes dédiées comme Neo4j, Amazon Neptune et TigerGraph sont conçues pour des parcours profonds de longueur variable sur de très grands graphes. La plupart des équipes produit manipulent des milliers ou des dizaines de milliers de nœuds, pas des milliards.
Une simple table d’arêtes (from, to, type) dans Postgres associée à des requêtes WITH RECURSIVE gère bien les parcours à cette échelle. La documentation de PostgreSQL 18 inclut même des clauses SEARCH et CYCLE intégrées pour l’ordre en profondeur ou en largeur et la détection de boucles (PostgreSQL, 2025). Le Product Graph de Specky fonctionne ainsi sur Postgres.
Gartner prévoyait en 2021 que la technologie des graphes serait utilisée dans 80 % des innovations en données et analytique d’ici 2025, contre 10 % (TechTarget, 2021). Considérez ce genre de prévision comme une direction, pas comme une raison de migrer. Le test utile consiste à vérifier si vos propres questions ont la forme de chemins.
Envisagez une base de données de graphes dédiée lorsque :
Vos analystes écrivent régulièrement des requêtes de plus de cinq jointures pour répondre à des questions produit de base.
Les questions impliquent des longueurs de chemin variables (« tout ce qui est à moins de trois sauts de ce compte »).
Les données marketing, support et produit se trouvent dans des schémas séparés et vous ne parvenez pas à reconstituer une vue unique d’un client.
Les recommandations en temps réel ou les expériences personnalisées expirent ou accusent du retard.
Comment démarrer ? Un plan en quatre étapes
La façon la moins chère de savoir si un knowledge graph pour le product management en vaut la peine est de partir d’un chemin et de cinq questions, pas d’un projet de plateforme.
Cartographiez un chemin. Choisissez un flux central, comme retour → décision → release → usage, et dessinez-le en nœuds et arêtes avec votre responsable data ou engineering. Arrêtez-vous à 5 à 8 types de nœuds.
Listez les questions multi-sauts auxquelles vous ne savez pas répondre. Notez 5 questions qui prennent aujourd’hui plus d’une heure. Bons candidats : un canal marketing influence-t-il la rétention à long terme, l’adoption de la fonctionnalité A prédit-elle celle de la fonctionnalité B, quelles décisions reposent sur un seul client.
Choisissez la stack la moins chère qui y répond. Commencez dans Postgres ou votre entrepôt de données. Ne passez à Neo4j, Neptune ou TigerGraph que si les questions l’exigent.
Faites un pilote sur un lancement. Reliez la preuve, la décision, les tickets et la métrique post-lancement de votre prochaine fonctionnalité. Après 30 jours, vérifiez si le graphe a répondu aux questions plus vite que l’ancienne méthode. Sinon, cherchez quel lien manquait avant d’en ajouter d’autres.
Tout modéliser. Une ontologie de 40 types que personne ne maintient est pire que 6 types que tout le monde utilise.
Des arêtes non typées. « Lié à » partout donne une jolie image et aucune réponse.
Aucune provenance. Si les nœuds ne conservent pas de lien vers leur source (l’URL du ticket, l’horodatage de la transcription), personne ne peut confronter le graphe à la réalité.
Compter les données de démo. Les contenus d’exemple ou de seed doivent être étiquetés pour ne jamais être comptés comme de vraies preuves clients.
Attendre qu’il décide. Un graphe montre ce qui est relié. Juger de ce qui compte reste le travail de l’équipe.
Une maintenance manuelle. Si rien n’alimente le graphe automatiquement, il se dégrade comme n’importe quel wiki.
Où Specky intervient
Specky construit ce graphe pour vous. Il lit les appels clients, les retours, Slack, Jira et l’analytics pour alimenter un Product Graph, stocke chaque signal, insight, décision et expérimentation sous forme de nœud typé, et les relie par des arêtes typées comme appuie, contredit et dérive de. Les specs et les tickets conservent des citations en ligne renvoyant aux preuves, et après le lancement vous pouvez vérifier si le pari a fonctionné. Pour voir à quoi ressemble cette carte en usage, lisez le Product Graph comme carte vivante de votre produit, ou découvrez comment fonctionne la product intelligence.
Questions fréquentes
Quelle est la différence entre un knowledge graph et un product graph ?
Un product graph est un knowledge graph circonscrit au travail d’un produit. L’idée générale, des entités reliées par des relations typées, est la même. Ce sont les types de nœuds qui diffèrent : un product graph contient des comptes, des retours, des insights, des décisions, des specs, des tickets, des releases et des métriques, afin que l’équipe puisse remonter de n’importe quel travail aux preuves clients qui le fondent, et le suivre jusqu’à son résultat.
Un knowledge graph est-il la même chose qu’une base de données de graphes ?
Non. Un knowledge graph est un modèle de données : des nœuds, des arêtes typées et un schéma. Une base de données de graphes est une façon de le stocker. Vous pouvez héberger un knowledge graph dans Postgres avec une table d’arêtes et des requêtes récursives, ce qui suffit à la plupart des équipes produit. Les bases de données de graphes dédiées justifient leur place à très grande échelle ou pour des parcours profonds de longueur variable.
Qu’est-ce qu’une question multi-sauts en product management ?
Une question multi-sauts suit plusieurs relations d’affilée. « Quelles décisions s’appuient sur les retours de comptes qui ont résilié ? » va de compte → retour → décision, soit trois sauts. Les outils à table unique répondent bien à un saut. Chaque saut supplémentaire entre des outils séparés ajoute un export et un rapprochement manuel, et c’est là que les réponses ralentissent et que les erreurs s’invitent.
Quelle taille atteint un knowledge graph produit ?
Plus petite qu’on ne le croit. Une équipe avec 85 comptes, 1 200 tickets, 40 entretiens et un an de décisions représente quelques milliers de nœuds et peut-être dix mille arêtes. C’est un petit jeu de données pour Postgres. La taille compte moins que la discipline : des arêtes typées, des liens vers la source sur chaque nœud de preuve et une ingestion automatique pour que le graphe reste à jour.
Puis-je construire un knowledge graph produit dans Notion ou un tableur ?
Vous pouvez en approcher un avec des propriétés de relation ou des colonnes d’identifiants, et c’est une bonne manière d’apprendre quels liens comptent. Les limites apparaissent avec les questions multi-sauts et l’entretien : les relations sont maintenues à la main, et il est difficile d’interroger plusieurs sauts à la fois. Commencez par là si cela vous aide, mais prévoyez une ingestion automatique dès que l’équipe grandit.
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