17 maggio 2026Aggiornato il Fathy Shalaby12 min di lettura
Oltre le tabelle: un knowledge graph per il product management
Le tabelle rispondono a "quanti". Un knowledge graph risponde a cosa si collega a cosa. Cosa contiene un knowledge graph di prodotto, cosa permette di chiedere a un PM e come iniziare senza un nuovo database.
Un knowledge graph per il product management memorizza ciò che interessa a un team di prodotto (account, utenti, feature, feedback, decisioni, esperimenti) come nodi, e le relazioni tra di essi come archi tipizzati. Così puoi porre domande multi-hop a cui una tabella non risponde a basso costo, come: "Quali feature abbiamo rilasciato per account che poi hanno abbandonato, e quegli account le hanno usate?"
Punti chiave
Google ha lanciato il suo Knowledge Graph a maggio 2012 con più di 500 milioni di oggetti e 3,5 miliardi di fatti e relazioni. Lo slogan "things, not strings" resta la sintesi più chiara dell'idea (Google, 2012).
Lo State of Teams 2025 di Atlassian ha rilevato che i team dedicano oltre il 25% della settimana lavorativa alla ricerca di informazioni (Atlassian, 2025). Il contesto di prodotto sparso tra gli strumenti ne è una parte consistente.
Nello studio GraphRAG di Microsoft, un approccio basato su grafi ha battuto il semplice recupero vettoriale in completezza nel 72-83% dei confronti diretti su un dataset da 1 milione di token (Edge et al., 2024).
Non serve un database a grafo per iniziare. Una tabella di archi e una query ricorsiva in Postgres coprono la maggior parte delle domande di prodotto.
Parti da una domanda multi-hop a cui oggi non sai rispondere, non da una migrazione di dati.
Che cos'è un knowledge graph per il product management?
Neo4j definisce un knowledge graph come "an organized representation of real-world entities and their relationships" (Neo4j, 2024). Ha tre parti: nodi (le entità), relazioni (gli archi tra di essi) e un principio organizzativo, cioè uno schema che stabilisce quali tipi di nodi e archi esistono.
Per un team di prodotto, le entità sono i sostantivi di cui già discuti in fase di pianificazione: account, utenti, feature, note di interviste, ticket di supporto, insight, opportunità, decisioni, esperimenti e release. Le relazioni sono i verbi: ha segnalato, supporta, contraddice, deriva da, implementa, misurato da.
La differenza rispetto a una tabella è dove risiede il significato. In un foglio di calcolo, il legame tra una citazione di un cliente e la feature che ha ispirato sta nella testa di qualcuno o in una colonna di "note" a testo libero. In un grafo, quel legame è un record che puoi interrogare, contare e seguire.
In cosa un product graph è diverso dalle product analytics?
Gran parte del lavoro di prodotto "data-driven" si basa sulle analytics a eventi: righe di eventi per utente, aggregate in funnel e curve di retention. Questo risponde a cosa è successo e quante volte. Un knowledge graph di prodotto aggiunge perché pensiamo sia successo e cosa abbiamo fatto al riguardo, collegando il comportamento alle evidenze qualitative e alle decisioni che lo circondano. Le analytics sono un input del grafo, non un suo sostituto. Approfondiamo la distinzione in product intelligence vs product analytics.
Esempi reali di knowledge graph
Il lancio di Google nel 2012 è l'esempio più noto. Invece di confrontare il testo digitato, la ricerca ha iniziato a ricondurlo a un'entità (una persona, una città, un film) e a mostrare i fatti collegati (Google, 2012). Un knowledge graph di prodotto applica la stessa mossa ai tuoi dati: "Acme Ltd" smette di essere una stringa che compare in 14 strumenti e diventa un unico nodo con tutti i ticket, le chiamate e le decisioni collegati.
Perché le tabelle smettono di funzionare per le domande di prodotto?
Le tabelle relazionali sono eccellenti per le transazioni e i totali. Diventano scomode quando la domanda riguarda percorsi.
Prendi una domanda che un Head of Product potrebbe porre prima di una revisione dei rinnovi: "Quali feature abbiamo rilasciato quest'anno per richieste di account che ora sono a rischio, e quegli account le hanno usate?" Sono cinque hop: account → feedback → insight → decisione → feature → utilizzo. In uno stack tipico, ogni hop vive in uno strumento diverso (CRM, help desk, docs, Jira, analytics). La risposta richiede export, ricerche e fiducia in chi ha incrociato gli ID.
All'interno di un unico database SQL, ogni hop è una join. Cinque join vanno bene quando il percorso è fisso. Diventa penoso quando la lunghezza del percorso è ignota, come in "mostrami tutto ciò che è collegato a questo account entro tre passi". L'SQL ricorsivo e i linguaggi di interrogazione dei grafi esistono proprio per questa forma di domanda.
Quanto costa a un team il contesto disconnesso?
Il sintomo quotidiano non è una query lenta. Sono le persone che cercano. Lo State of Teams 2025 di Atlassian ha intervistato 12.000 knowledge worker e 200 dirigenti e ha rilevato che i team dedicano oltre il 25% della settimana lavorativa alla ricerca di informazioni; ha stimato il costo per le aziende Fortune 500 in 2,4 miliardi di ore l'anno (Atlassian, 2025). I product manager lo sentono più di altri, perché la loro materia prima (cosa hanno detto i clienti, cosa è stato deciso e perché) è sparsa su più strumenti di quasi qualsiasi altra funzione.
Cosa entra in un knowledge graph di prodotto?
Cinque famiglie di nodi coprono la maggior parte del lavoro di prodotto. Tieni la prima versione così piccola.
Tipo di nodo
Esempi
Archi tipici
Cliente
Account, utente, segmento
appartiene a, ha segnalato, usa
Evidenza
Nota di intervista, ticket di supporto, thread Slack, trascrizione di chiamata, risposta a un sondaggio
segnalato da, supporta, contraddice
Interpretazione
Insight, tema, opportunità, ipotesi
deriva da, affronta
Impegno
Decisione, PRD, elemento di roadmap, ticket
basato su, implementa, blocca
Risultato
Release, esperimento, variazione di metrica
rilasciato in, misurato da, convalida
Due regole rendono il grafo utile anziché decorativo:
Tieni separata l'evidenza dall'interpretazione. Un nodo insight deve rimandare ai ticket e alle trascrizioni grezze da cui deriva, mai sostituirli. Altrimenti un riassunto dell'AI diventa silenziosamente la "fonte".
Tipizza ogni arco. "Correlato a" ovunque produce un groviglio. "Supporta" e "contraddice" ti permettono di contare quante evidenze stanno da ciascun lato di una decisione.
Cosa può fare un PM con un knowledge graph che con una tabella non può?
Mappare il raggio d'azione prima di cambiare qualcosa
Prima di dismettere una feature, rinominare un piano o cambiare un passaggio dell'onboarding, segui gli archi verso l'esterno: quali account la usano, quali richieste aperte la menzionano, quali decisioni e specifiche presuppongono che esista, quali esperimenti ci girano sopra. "Chi coinvolgerà?" passa da una settimana di messaggi Slack a un unico attraversamento.
Risalire da qualsiasi decisione alle sue evidenze
Apri un elemento di roadmap, segui basato su fino alla decisione, poi supporta fino alle interviste e ai ticket che ci stanno dietro. Se la traccia finisce a "il CEO l'ha citato durante una chiamata", hai imparato qualcosa. La nostra checklist per l'acquirente di software per le evidenze dei clienti mostra come verificare se uno strumento mantiene intatta quella traccia. L'articolo di accompagnamento sui decision graph per piccoli team AI spiega come registrare il lato delle decisioni, affinché la traccia esista in primo luogo.
Trovare indicatori anticipatori nei percorsi, non nei totali
Un totale ti dice che il 30% degli account in prova si è attivato. Un percorso ti dice quali sequenze hanno preceduto l'attivazione, per esempio account che hanno collegato un'integrazione e invitato un collega nella prima settimana. Le tabelle forniscono conteggi in ritardo; i percorsi forniscono il comportamento che prevede il conteggio successivo. Le domande di sequenza sono domande da grafo.
Dare agli assistenti AI un contesto fondato
I modelli linguistici rispondono meglio quando il recupero segue le relazioni invece di limitarsi a confrontare testi simili. I ricercatori di Microsoft hanno costruito un knowledge graph dai documenti sorgente e lo hanno confrontato con il recupero vettoriale standard su domande ampie relative a circa 1 milione di token di trascrizioni di podcast e 1,7 milioni di token di articoli di cronaca. L'approccio a grafo ha vinto in completezza nel 72-83% e nel 72-80% dei confronti, con un LLM come giudice (Edge et al., 2024). Per il lavoro di prodotto, è la differenza tra "ecco cinque ticket simili" ed "ecco il tema, gli account che lo sostengono e cosa abbiamo già deciso a riguardo".
Esempio svolto: una domanda sul churn, cinque hop
Questo esempio è illustrativo. Supponiamo che un team B2B di 6 persone abbia 40 note di interviste, 1.200 ticket di supporto, 85 account e 18 decisioni di roadmap degli ultimi due trimestri. Sette account sono segnalati come a rischio di churn in vista dei rinnovi.
La domanda: "Abbiamo costruito qualcosa per i sette account a rischio, e l'hanno usato?"
L'approccio con le tabelle. Esportare gli account dal CRM, abbinare i ticket di supporto per dominio e-mail, cercare i nomi degli account nei docs, incrociare le epic di Jira, poi estrarre l'utilizzo per feature dalle analytics. Realisticamente mezza giornata, con errori di abbinamento a ogni passaggio.
L'approccio con il grafo.
Parti dai 7 nodi account.
Segui ha segnalato verso i loro 46 ticket e 9 note di intervista.
Segui supporta verso i 4 insight che quegli elementi sostengono.
Trova le 2 decisioni i cui archi basato su puntano a quegli insight.
Segui implementa verso le 3 feature prodotte da quelle decisioni, poi leggi l'utilizzo.
Risultato: delle 3 feature rilasciate in parte per questi account, solo 1 dei 7 account ne ha usata una negli ultimi 30 giorni. È una conversazione di rinnovo e probabilmente una lacuna di discovery: il team ha costruito ciò che era stato chiesto, non ciò che li avrebbe trattenuti. Ogni passaggio è una ricerca lungo un legame esistente invece di un abbinamento approssimativo tra strumenti, ed è tutto qui il senso di un knowledge graph per il product management.
Ti serve un database a grafo?
All'inizio no. I database a grafo dedicati come Neo4j, Amazon Neptune e TigerGraph sono pensati per attraversamenti profondi e di lunghezza variabile su grafi molto grandi. La maggior parte dei team di prodotto ha migliaia o decine di migliaia di nodi, non miliardi.
Una semplice tabella di archi (from, to, type) in Postgres più query WITH RECURSIVE gestisce bene gli attraversamenti a questa scala. La documentazione di PostgreSQL 18 include persino clausole SEARCH e CYCLE integrate per l'ordinamento in profondità o in ampiezza e il rilevamento dei cicli (PostgreSQL, 2025). Il Product Graph di Specky gira su Postgres proprio così.
Gartner prevedeva nel 2021 che la tecnologia dei grafi sarebbe stata usata nell'80% delle innovazioni di dati e analytics entro il 2025, rispetto al 10% (TechTarget, 2021). Considera previsioni come questa una direzione, non un motivo per migrare. Il test utile è se le tue domande hanno la forma di percorsi.
Valuta un database a grafo dedicato quando:
I tuoi analisti scrivono regolarmente query con più di cinque join per rispondere a domande di prodotto di base.
Le domande implicano lunghezze di percorso variabili ("tutto ciò che è entro tre hop da questo account").
I dati di marketing, supporto e prodotto stanno in schemi separati e non riesci a ottenere una vista unica di un cliente.
Le raccomandazioni in tempo reale o le esperienze personalizzate vanno in timeout o accumulano ritardo.
Come si inizia? Un piano in quattro passaggi
Il modo più economico per capire se un knowledge graph per il product management vale la pena è un percorso e cinque domande, non un progetto di piattaforma.
Mappa un percorso. Scegli un flusso centrale, come feedback → decisione → release → utilizzo, e disegnalo come nodi e archi con il tuo responsabile dati o engineering. Fermati a 5-8 tipi di nodo.
Elenca le domande multi-hop a cui non sai rispondere. Annota 5 domande che oggi richiedono più di un'ora. Buoni candidati: un canale di marketing influisce sulla retention a lungo termine, l'adozione della feature A predice l'adozione della feature B, quali decisioni poggiano su un solo cliente.
Scegli lo stack più economico che risponde. Parti da Postgres o dal tuo data warehouse. Passa a Neo4j, Neptune o TigerGraph solo quando le domande lo richiedono.
Fai un pilota su un lancio. Collega evidenza, decisione, ticket e metrica post-lancio per la tua prossima feature. Dopo 30 giorni, verifica se il grafo ha risposto alle domande più in fretta del metodo precedente. In caso contrario, scopri quale legame mancava prima di aggiungerne altri.
Modellare tutto. Un'ontologia di 40 tipi che nessuno mantiene è peggio di 6 tipi che tutti usano.
Archi non tipizzati. "Correlato a" ovunque ti dà una bella immagine e nessuna risposta.
Nessuna provenienza. Se i nodi non conservano un link alla loro fonte (l'URL del ticket, il timestamp della trascrizione), nessuno può confrontare il grafo con la realtà.
Contare i dati demo. I contenuti di esempio o di seed devono essere etichettati in modo che non vengano mai conteggiati come vere evidenze dei clienti.
Aspettarsi che decida. Un grafo mostra cosa è collegato. Giudicare cosa conta resta compito del team.
Manutenzione manuale. Se nulla scrive nel grafo in automatico, decade come qualsiasi wiki.
Dove si inserisce Specky
Specky costruisce questo grafo per te. Legge chiamate con i clienti, feedback, Slack, Jira e analytics in un Product Graph, memorizza ogni segnale, insight, decisione ed esperimento come nodo tipizzato e li collega con archi tipizzati come supporta, contraddice e deriva da. Specifiche e ticket mantengono citazioni inline che rimandano alle evidenze, e dopo il lancio puoi verificare se la scommessa ha funzionato. Per un giro di come appare quella mappa in uso, leggi il Product Graph come mappa viva del tuo prodotto, oppure scopri come funziona la product intelligence.
Domande frequenti
Qual è la differenza tra un knowledge graph e un product graph?
Un product graph è un knowledge graph circoscritto al lavoro su un prodotto. L'idea generale, entità collegate da relazioni tipizzate, è la stessa. Cambiano i tipi di nodo: un product graph contiene account, feedback, insight, decisioni, specifiche, ticket, release e metriche, così il team può risalire da qualsiasi lavoro alle evidenze dei clienti che lo sostengono e seguirlo fino al suo risultato.
Un knowledge graph è la stessa cosa di un database a grafo?
No. Un knowledge graph è un modello di dati: nodi, archi tipizzati e uno schema. Un database a grafo è un modo di memorizzarlo. Puoi tenere un knowledge graph in Postgres con una tabella di archi e query ricorsive, il che basta alla maggior parte dei team di prodotto. I database a grafo dedicati si giustificano su scala molto grande o con attraversamenti profondi di lunghezza variabile.
Che cos'è una domanda multi-hop nel product management?
Una domanda multi-hop segue più relazioni di fila. "Quali decisioni citano il feedback di account che hanno abbandonato?" va da account → feedback → decisione, cioè tre hop. Gli strumenti a tabella singola rispondono bene a un hop. Ogni hop in più tra strumenti separati aggiunge un export e un abbinamento manuale, ed è lì che le risposte rallentano e si insinuano gli errori.
Quanto diventa grande un knowledge graph di prodotto?
Più piccolo di quanto la gente si aspetti. Un team con 85 account, 1.200 ticket, 40 interviste e un anno di decisioni ha alcune migliaia di nodi e forse diecimila archi. È un dataset piccolo per Postgres. Le dimensioni contano meno della disciplina: archi tipizzati, link alla fonte su ogni nodo di evidenza e acquisizione automatica perché il grafo resti aggiornato.
Posso costruire un knowledge graph di prodotto in Notion o in un foglio di calcolo?
Puoi approssimarne uno con proprietà di relazione o colonne di ID, ed è un buon modo per capire quali legami contano. I limiti emergono con le domande multi-hop e la manutenzione: le relazioni sono mantenute a mano e non puoi interrogare facilmente più hop alla volta. Parti da lì se ti aiuta, ma pianifica l'acquisizione automatica quando il team cresce.
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