17 mei 2026Bijgewerkt op Fathy Shalaby12 min leestijd
Voorbij tabellen: een knowledge graph voor productmanagement
Tabellen beantwoorden "hoeveel". Een knowledge graph beantwoordt wat met wat samenhangt. Wat een product knowledge graph bevat, welke vragen een PM ermee kan stellen en hoe je begint zonder nieuwe database.
Een knowledge graph voor productmanagement slaat op wat een productteam belangrijk vindt (accounts, gebruikers, features, feedback, beslissingen, experimenten) als knooppunten, en de relaties daartussen als getypeerde verbindingen. Daarmee kun je multi-hop-vragen stellen die een tabel niet goedkoop beantwoordt, zoals: "Welke features hebben we opgeleverd voor accounts die later zijn opgezegd, en hebben die accounts ze gebruikt?"
Belangrijkste punten
Google lanceerde zijn Knowledge Graph in mei 2012 met meer dan 500 miljoen objecten en 3,5 miljard feiten en relaties. De slogan "things, not strings" blijft de helderste samenvatting van het idee (Google, 2012).
Atlassians State of Teams 2025 ontdekte dat teams meer dan 25% van hun werkweek besteden aan het zoeken naar informatie (Atlassian, 2025). Productcontext die over tools verspreid is, vormt daar een groot deel van.
In Microsofts GraphRAG-onderzoek versloeg een op grafen gebaseerde aanpak gewone vector retrieval op volledigheid in 72-83% van de directe vergelijkingen op een dataset van 1 miljoen tokens (Edge et al., 2024).
Je hebt geen graafdatabase nodig om te beginnen. Een edges-tabel en een recursieve query in Postgres dekken de meeste productvragen.
Begin met één multi-hop-vraag die je nu niet kunt beantwoorden, niet met een datamigratie.
Wat is een knowledge graph voor productmanagement?
Neo4j definieert een knowledge graph als "an organized representation of real-world entities and their relationships" (Neo4j, 2024). Hij heeft drie onderdelen: knooppunten (de entiteiten), relaties (de verbindingen ertussen) en een ordeningsprincipe, oftewel een schema dat zegt welke soorten knooppunten en verbindingen bestaan.
Voor een productteam zijn de entiteiten de zelfstandige naamwoorden waar je in de planning al over discussieert: accounts, gebruikers, features, interviewnotities, supporttickets, insights, opportunities, beslissingen, experimenten en releases. De relaties zijn de werkwoorden: meldde, ondersteunt, spreekt tegen, afgeleid van, implementeert, .
Het verschil met een tabel zit in waar de betekenis zit. In een spreadsheet zit de link tussen een klantquote en de feature die erdoor is ontstaan in iemands hoofd of in een vrije-tekstkolom "notities". In een graph is die link een record dat je kunt bevragen, tellen en volgen.
Hoe verschilt een product graph van product analytics?
Het meeste "datagedreven" productwerk draait op event analytics: rijen events per gebruiker, samengevat in funnels en retentiecurves. Dat beantwoordt wat er gebeurde en hoe vaak. Een product knowledge graph voegt toe waarom we denken dat het gebeurde en wat we ermee deden, door gedrag te koppelen aan het kwalitatieve bewijs en de beslissingen eromheen. Analytics is een invoerbron voor de graph, geen vervanging ervan. We gaan dieper op dit onderscheid in bij product intelligence versus product analytics.
Knowledge graph-voorbeelden uit de praktijk
De lancering van Google in 2012 is het bekendste voorbeeld. In plaats van de ingetypte tekst te matchen, begon zoeken die te herleiden tot een entiteit (een persoon, een stad, een film) en bijbehorende feiten te tonen (Google, 2012). Een product knowledge graph past dezelfde stap toe op je eigen data: "Acme Ltd" is dan geen string meer die in 14 tools voorkomt, maar één knooppunt waaraan elk ticket, elk gesprek en elke beslissing hangt.
Waarom werken tabellen niet meer voor productvragen?
Relationele tabellen zijn uitstekend voor transacties en totalen. Ze worden onhandig zodra de vraag over paden gaat.
Neem een vraag die een Head of Product kan stellen vóór een verlengingsreview: "Welke features hebben we dit jaar opgeleverd vanwege verzoeken van accounts die nu risico lopen, en hebben die accounts ze gebruikt?" Dat zijn vijf hops: account → feedback → insight → beslissing → feature → gebruik. In een typische stack zit elke hop in een andere tool (CRM, supportdesk, docs, Jira, analytics). Het antwoord vraagt om exports, opzoekwerk en vertrouwen in wie de ID's heeft gekoppeld.
Binnen één SQL-database is elke hop een join. Vijf joins is prima als het pad vaststaat. Het wordt pijnlijk als de padlengte onbekend is, zoals bij "toon me alles wat binnen drie stappen met dit account verbonden is". Recursieve SQL en graph-querytalen bestaan precies voor dat soort vragen.
Wat kost losgekoppelde context een team?
Het dagelijkse symptoom is geen trage query. Het is mensen die zoeken. Atlassians State of Teams 2025 ondervroeg 12.000 kenniswerkers en 200 leidinggevenden en ontdekte dat teams meer dan 25% van hun werkweek aan het zoeken naar informatie besteden; de kosten voor Fortune 500-bedrijven schatte het onderzoek op 2,4 miljard uur per jaar (Atlassian, 2025). Productmanagers voelen dit sterker dan de meeste anderen, omdat hun grondstof (wat klanten zeiden, wat er besloten is en waarom) over meer tools verspreid zit dan bij bijna elke andere functie.
Wat zit er in een product knowledge graph?
Vijf families knooppunten dekken het meeste productwerk. Houd de eerste versie zo klein.
Twee regels maken de graph nuttig in plaats van decoratief:
Houd bewijs gescheiden van interpretatie. Een insight-knooppunt moet terugwijzen naar de ruwe tickets en transcripten waaruit het is afgeleid en ze nooit vervangen. Anders wordt een AI-samenvatting ongemerkt de "bron".
Type elke verbinding. "Gerelateerd aan" overal levert een kluwen op. Met "ondersteunt" en "spreekt tegen" kun je tellen hoeveel bewijs er aan elke kant van een beslissing zit.
Wat kan een PM met een knowledge graph wat met een tabel niet kan?
De impactzone in kaart brengen voordat je iets wijzigt
Voordat je een feature uitfaseert, een plan hernoemt of een onboardingstap wijzigt, volg je de verbindingen naar buiten: welke accounts gebruiken het, welke openstaande verzoeken noemen het, welke beslissingen en specs gaan ervan uit dat het bestaat, welke experimenten draaien erop. "Wie raakt dit?" gaat van een week Slack-berichten naar één traversal.
Elke beslissing terugvoeren naar het bewijs
Open een roadmap-item, volg gebaseerd op naar de beslissing en daarna ondersteunt naar de interviews en tickets erachter. Als het spoor eindigt bij "de CEO noemde het in een call", dan heb je iets geleerd. Onze koperschecklist voor software voor klantbewijs laat zien hoe je test of een tool dat spoor intact houdt. Het begeleidende stuk over decision graphs voor kleine AI-teams behandelt hoe je de beslissingskant vastlegt, zodat het spoor er überhaupt is.
Leading indicators vinden in paden, niet in totalen
Een totaal vertelt je dat 30% van de trialaccounts is geactiveerd. Een pad vertelt je welke reeksen voor de activatie kwamen, bijvoorbeeld accounts die in hun eerste week een integratie koppelden en een collega uitnodigden. Tabellen geven achterlopende tellingen; paden geven het gedrag dat de volgende telling voorspelt. Volgordevragen zijn graph-vragen.
AI-assistenten gegronde context geven
Taalmodellen antwoorden beter wanneer retrieval relaties volgt in plaats van alleen vergelijkbare tekst te matchen. Onderzoekers van Microsoft bouwden een knowledge graph uit brondocumenten en vergeleken die met standaard vector retrieval op brede vragen over ongeveer 1 miljoen tokens aan podcasttranscripten en 1,7 miljoen tokens aan nieuwsartikelen. De graph-aanpak won op volledigheid in 72-83% en 72-80% van de vergelijkingen, met een LLM als beoordelaar (Edge et al., 2024). Voor productwerk is dat het verschil tussen "hier zijn vijf vergelijkbare tickets" en "hier is het thema, de accounts erachter en wat we er al over besloten hebben".
Uitgewerkt voorbeeld: één churnvraag, vijf hops
Dit voorbeeld is illustratief. Stel dat een B2B-team van 6 mensen uit de laatste twee kwartalen 40 interviewnotities, 1.200 supporttickets, 85 accounts en 18 roadmapbeslissingen heeft. Zeven accounts zijn vóór hun verlengingen gemarkeerd als churnrisico.
De vraag: "Hebben we iets gebouwd voor de zeven risicoaccounts, en hebben ze het gebruikt?"
De tabelaanpak. Accounts uit het CRM exporteren, supporttickets koppelen via e-maildomein, de docs doorzoeken op accountnamen, Jira-epics natrekken en dan het gebruik per feature uit analytics halen. Realistisch een halve dag, met koppelfouten bij elke stap.
De graph-aanpak.
Begin bij de 7 account-knooppunten.
Volg meldde naar hun 46 tickets en 9 interviewnotities.
Volg ondersteunt naar de 4 insights die die items onderbouwen.
Zoek de 2 beslissingen waarvan de gebaseerd op-verbindingen naar die insights wijzen.
Volg implementeert naar de 3 features die uit die beslissingen voortkwamen en lees dan het gebruik.
Resultaat: van de 3 features die deels voor deze accounts zijn opgeleverd, heeft in de afgelopen 30 dagen slechts 1 van de 7 accounts er een gebruikt. Dat is een verlengingsgesprek en waarschijnlijk een discovery-gat: het team bouwde wat gevraagd werd, niet wat ze had behouden. Elke stap is een opzoeking langs een bestaande link in plaats van een vage match tussen tools, en dat is de hele reden voor een knowledge graph voor productmanagement.
Heb je een graafdatabase nodig?
In het begin niet. Speciale graafdatabases zoals Neo4j, Amazon Neptune en TigerGraph zijn gebouwd voor diepe traversals van variabele lengte over zeer grote grafen. De meeste productteams hebben duizenden of tienduizenden knooppunten, geen miljarden.
Een gewone edges-tabel (from, to, type) in Postgres plus WITH RECURSIVE-queries regelt traversal op die schaal prima. De documentatie van PostgreSQL 18 bevat zelfs ingebouwde SEARCH- en CYCLE-clausules voor depth-first- of breadth-first-volgorde en lusdetectie (PostgreSQL, 2025). Specky's eigen Product Graph draait op deze manier op Postgres.
Gartner voorspelde in 2021 dat graaftechnologie in 2025 gebruikt zou worden in 80% van de data- en analyticsinnovaties, tegenover 10% (TechTarget, 2021). Zie zulke voorspellingen als richting, niet als reden om te migreren. De bruikbare test is of je eigen vragen padvormig zijn.
Overweeg een speciale graafdatabase wanneer:
Je analisten regelmatig queries met meer dan vijf joins schrijven om basale productvragen te beantwoorden.
Vragen variabele padlengtes bevatten ("alles binnen drie hops van dit account").
Marketing-, support- en productdata in aparte schema's staan en je geen enkel overzicht van een klant kunt samenstellen.
Realtime aanbevelingen of gepersonaliseerde ervaringen time-outs geven of achterlopen.
Hoe begin je? Een plan in vier stappen
De goedkoopste manier om te ontdekken of een knowledge graph voor productmanagement de moeite waard is, is één pad en vijf vragen, geen platformproject.
Breng één pad in kaart. Kies een kernflow, zoals feedback → beslissing → release → gebruik, en teken die als knooppunten en verbindingen met je data- of engineeringlead. Stop bij 5 tot 8 typen knooppunten.
Maak een lijst van de multi-hop-vragen die je niet kunt beantwoorden. Schrijf 5 vragen op die nu meer dan een uur kosten. Goede kandidaten: beïnvloedt een marketingkanaal de retentie op lange termijn, voorspelt adoptie van feature A adoptie van feature B, welke beslissingen steunen op één enkele klant.
Kies de goedkoopste stack die ze beantwoordt. Begin in Postgres of je datawarehouse. Stap pas over op Neo4j, Neptune of TigerGraph als de vragen erom vragen.
Doe een pilot met één lancering. Koppel het bewijs, de beslissing, de tickets en de metric na de lancering voor je volgende feature. Controleer na 30 dagen of de graph vragen sneller beantwoordde dan de oude manier. Zo niet, zoek dan uit welke link ontbrak voordat je meer toevoegt.
Alles modelleren. Een ontologie met 40 typen die niemand bijhoudt is slechter dan 6 typen die iedereen gebruikt.
Ongetypeerde verbindingen. "Gerelateerd aan" overal geeft je een mooi plaatje en geen antwoorden.
Geen herkomst. Als knooppunten geen link naar hun bron bewaren (de ticket-URL, het tijdstip in het transcript), kan niemand de graph aan de werkelijkheid toetsen.
Demodata meetellen. Voorbeeld- of seedcontent moet gelabeld zijn, zodat het nooit als echt klantbewijs meetelt.
Verwachten dat hij beslist. Een graph laat zien wat samenhangt. Beoordelen wat ertoe doet blijft het werk van het team.
Handmatig onderhoud. Als niets automatisch naar de graph schrijft, verval hij zoals elke wiki.
Waar Specky past
Specky bouwt deze graph voor je. Het leest klantgesprekken, feedback, Slack, Jira en analytics in een Product Graph, slaat elk signaal, elke insight, beslissing en elk experiment op als getypeerd knooppunt en koppelt ze met getypeerde verbindingen zoals ondersteunt, spreekt tegen en afgeleid van. Specs en tickets houden inline citaten terug naar het bewijs, en na de lancering kun je controleren of de gok werkte. Voor een rondleiding door hoe die kaart er in gebruik uitziet, lees de Product Graph als levende kaart van je product, of bekijk hoe product intelligence werkt.
Veelgestelde vragen
Wat is het verschil tussen een knowledge graph en een product graph?
Een product graph is een knowledge graph die is afgebakend tot het werk aan één product. Het algemene idee, entiteiten verbonden door getypeerde relaties, is hetzelfde. De typen knooppunten verschillen: een product graph bevat accounts, feedback, insights, beslissingen, specs, tickets, releases en metrics, zodat het team elk stuk werk kan terugvoeren naar het klantbewijs erachter en vooruit naar de uitkomst.
Is een knowledge graph hetzelfde als een graafdatabase?
Nee. Een knowledge graph is een datamodel: knooppunten, getypeerde verbindingen en een schema. Een graafdatabase is één manier om het op te slaan. Je kunt een knowledge graph in Postgres houden met een edges-tabel en recursieve queries, wat voor de meeste productteams genoeg is. Speciale graafdatabases verdienen hun plek op zeer grote schaal of bij diepe traversals van variabele lengte.
Wat is een multi-hop-vraag in productmanagement?
Een multi-hop-vraag volgt meerdere relaties achter elkaar. "Welke beslissingen verwijzen naar feedback van accounts die zijn opgezegd?" gaat van account → feedback → beslissing, dus drie hops. Tools met één tabel beantwoorden één hop goed. Elke extra hop over losse tools heen voegt een export en een handmatige koppeling toe, en dat is waar antwoorden vertragen en fouten insluipen.
Hoe groot wordt een product knowledge graph?
Kleiner dan mensen verwachten. Een team met 85 accounts, 1.200 tickets, 40 interviews en een jaar aan beslissingen heeft een paar duizend knooppunten en misschien tienduizend verbindingen. Dat is een kleine dataset voor Postgres. Omvang is minder belangrijk dan discipline: getypeerde verbindingen, bronlinks op elk bewijsknooppunt en automatische inname zodat de graph actueel blijft.
Kan ik een product knowledge graph bouwen in Notion of een spreadsheet?
Je kunt er een benaderen met relatie-eigenschappen of ID-kolommen, en het is een goede manier om te leren welke links ertoe doen. De grenzen komen naar voren bij multi-hop-vragen en onderhoud: relaties worden met de hand bijgehouden en je kunt niet gemakkelijk meerdere hops tegelijk bevragen. Begin daar als het helpt, maar plan automatische inname zodra het team groeit.
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