8 februari 2026Bijgewerkt op Fathy Shalaby12 min leestijd
Product knowledge graph: één bron van waarheid voor productbeslissingen
Wat een product knowledge graph is, welke nodes en relaties je nodig hebt en een stapsgewijze methode om er de enige bron van waarheid voor productbeslissingen van te maken.
Een product knowledge graph slaat elk stukje productbewijs (klantgesprekken, feedback, tickets, metrics, beslissingen) op als verbonden nodes, gekoppeld door benoemde relaties zoals "ondersteunt" of "spreekt tegen". In tegenstelling tot een wiki kan hij de vraag "waarom hebben we dit gebouwd?" beantwoorden door de links te volgen van een opgeleverd ticket terug naar het klantbewijs. Die herleidbaarheid maakt er een werkende enige bron van waarheid van voor productbeslissingen.
Belangrijkste punten
Teams besteden meer dan 25% van hun werkweek aan het zoeken naar informatie, volgens het State of Teams 2025-onderzoek van Atlassian onder ongeveer 12.000 kenniswerkers (Atlassian, 2025).
30% van de developers zegt dat kennissilo's hun productiviteit 10 keer per week of vaker schaden (Stack Overflow, 2024).
Een knowledge graph is opgebouwd uit uitspraken van drie delen (onderwerp, relatie, object) die samen een netwerk vormen (W3C, 2014).
De graph moet bewijs indexeren, niet je tools vervangen: Jira, Gong en je analytics blijven het systeem van record.
Begin bij je laatste 10 beslissingen en koppel ze terug aan hun bewijs. Dat is genoeg om de waarde binnen een week aan te tonen.
Wat is een product knowledge graph?
Een product knowledge graph is een verbonden model van alles wat een team weet over zijn product en klanten. Elk item is een node met een type (een klantinterview, een featureverzoek, een beslissing, een ticket). Elke link is een getypeerde relatie ("dit interview ondersteunt dit inzicht", "deze beslissing pakt deze kans aan").
Het idee komt uit algemene knowledge graphs. Toen Google in mei 2012 zijn Knowledge Graph lanceerde, beschreef het de verschuiving als "things, not strings": zoeken zou entiteiten en de relaties daartussen begrijpen in plaats van zoekwoorden te matchen. Bij de lancering bevatte hij meer dan 500 miljoen objecten en meer dan 3,5 miljard feiten daarover (Google, 2012).
De onderliggende structuur is simpel. De RDF-primer van het W3C beschrijft elke uitspraak als een triple: twee dingen en de relatie ertussen. Omdat uitspraken dingen delen, groeien de triples samen tot een verbonden graph van nodes en bogen. Vertaald naar product:
Inzicht: "Admins bouwen elke week rapporten opnieuw op"
Inzicht: "Admins bouwen elke week rapporten opnieuw op"
bewijs voor
Kans: snellere terugkerende rapporten
Beslissing: opgeslagen filters bouwen
pakt aan
Kans: snellere terugkerende rapporten
Ticket: filter opslaan met een naam
implementeert
Beslissing: opgeslagen filters bouwen
Salesgesprek: "ze hebben een API nodig, geen filters"
spreekt tegen
Beslissing: opgeslagen filters bouwen
Vijf rijen, en je kunt al beantwoorden wie erom vroeg, waarom we ervoor kozen, wat we bouwden en wie het er niet mee eens was.
Waarom hebben productteams één bron van waarheid voor beslissingen nodig?
Productcontext is standaard verspreid. Klantbewijs staat in gespreksopnames en supporttools, de redenering in Slack-threads en de oplevering in Jira. Als iemand vraagt waarom een feature bestaat, moet het antwoord met de hand worden gereconstrueerd.
De kosten van die reconstructie zie je in elk onderzoek naar werk. Atlassian schat dat teams van Fortune 500-bedrijven 2,4 miljard uur verspillen aan het zoeken naar informatie. Uit de Stack Overflow-survey van 2024 bleek dat 61% van de developers meer dan 30 minuten per dag kwijt is aan het zoeken naar antwoorden of oplossingen. De Anatomy of Work Index van Asana, een onderzoek onder meer dan 10.000 kenniswerkers, vond dat 60% van de tijd opgaat aan "werk over werk", inclusief het zoeken naar documenten (Asana).
Voor productteams is de schade specifieker dan verloren tijd:
Beslissingen worden opnieuw bevochten. Zonder het oorspronkelijke bewijs en de afgewezen alternatieven opent elke nieuwe stakeholder de vraag opnieuw.
Bewijs wordt selectief gekozen. Het luidste klantcitaat wint, omdat niemand de 20 tickets ziet die de andere kant op wijzen.
Opgeleverd werk wordt nooit gecontroleerd. Een gesloten ticket in Jira zegt dat de code live staat, niet dat het klantprobleem weg is.
AI-tools hallucineren context. Een assistent of coding agent zonder toegang tot het echte bewijs vult het gat met plausibele gokken.
"Enige bron van waarheid" betekent niet dat één tool alles bevat. Het betekent één plek waar de verbindingen leven, zodat elke bewering naar haar bewijs te herleiden is.
Wat zit er in een productgraph?
Hou het schema klein. De meeste teams hebben acht tot tien nodetypes en vijf of zes relatietypes nodig. Teresa Torres' opportunity solution tree is een handig skelet: bovenaan een gewenst resultaat, daaronder klantkansen (onvervulde behoeften, pijnpunten en wensen), dan oplossingen en dan aannametests (Product Talk, 2023). Een knowledge graph voegt daaronder het ruwe bewijs toe en aan de andere kant het leverwerk.
Nodetypes
Nodetype
Wat het is
Typische bron
Signaal
Ruw bewijs: een fragment uit een gesprek, een supportticket, een enquêteantwoord, een metricverandering
Gong, Zendesk, Intercom, PostHog, Slack
Inzicht
Een gesynthetiseerde bevinding, gedragen door meerdere signalen
Researchsynthese
Kans
Een onvervulde klantbehoefte die het oplossen waard is
Discovery-werk
Aanname
Iets wat waar moet zijn om een oplossing te laten werken
Deze beslissing of oplossing richt zich op die kans
Verbindt strategie met klantbehoefte
implementeert
Dit ticket levert die beslissing of spec op
Verbindt oplevering met redenering
gemeten door
Deze beslissing wordt beoordeeld op die uitkomst
Sluit de loop
"Spreekt tegen" is de relatie die de meeste teams overslaan en die zichzelf terugbetaalt. Een graph die alleen ondersteunend bewijs vastlegt, is een confirmation-biasmachine.
Hoe verhoudt een knowledge graph zich tot een wiki, Jira of een datawarehouse?
Elke tool beantwoordt een andere vraag. De graph is de enige die gebouwd is om "waarom" te beantwoorden.
Wiki (Notion, Confluence)
Jira / Linear
Datawarehouse
Productgraph
Sterk in
Lange documenten
Oplevering volgen
Metrics aggregeren
Redenen over bronnen heen herleiden
Structuur
Pagina's en mappen
Issues en velden
Tabellen
Getypeerde nodes en relaties
Beantwoordt "waarom hebben we dit gebouwd?"
Alleen als iemand het heeft opgeschreven en jij de pagina vindt
Zelden
Nee
Ja, door de links te volgen
Legt meningsverschil vast
In comments, zonder link
In comments, zonder link
Nee
Als "spreekt tegen"-relaties
Raakt verouderd als
Niemand de pagina bijwerkt
Tickets sluiten
Pipelines breken
Niemand nieuw bewijs koppelt
De graph vervangt geen van deze tools. Hij verwijst ernaar. Een goede vuistregel: als een feit al een thuis heeft in een andere tool, slaat de graph een korte samenvatting en een link op, geen kopie.
Hoe bouw je een knowledge graph voor productbeslissingen?
Je kunt beginnen met een spreadsheet of een database met relaties voordat je iets koopt. De methode telt zwaarder dan de tool.
Kies je node- en relatietypes. Begin met de lijsten hierboven en schrap wat je niet nodig hebt. Schrijf voor elk type een definitie van één regel.
Begin bij je laatste 10 beslissingen. Zet ze op een rij en koppel elke beslissing terug aan het bewijs dat haar rechtvaardigde. Dat gaat sneller dan alles vooruit inlezen en laat meteen de waarde zien.
Geef elke node een stabiel ID en een link naar zijn bron. De graph moet naar het Gong-gesprek of Jira-ticket wijzen, het niet erin plakken.
Leg bij elke beslissing alternatieven en status vast. Het decision-recordformat van Michael Nygard markeert elke beslissing als voorgesteld, geaccepteerd, verouderd of vervangen, met de gevolgen (Michael Nygard, 2011). Vervangen beslissingen blijven in de graph, gekoppeld aan hun opvolger.
Koppel tegensprekend bewijs bewust. Als nieuw bewijs ingaat tegen een geaccepteerde beslissing, voeg dan een "spreekt tegen"-link toe en markeer die voor review.
Voeg na elke release een uitkomstnode toe. Plan vier tot zes weken na de lancering een check in en koppel het metricresultaat aan de beslissing.
Automatiseer de inname, laat het koppelen reviewen. Signalen binnenhalen kan geautomatiseerd; beweren dat een signaal een beslissing ondersteunt moet door een mens worden gereviewd, in elk geval tot je de automatisering vertrouwt.
Uitgewerkt voorbeeld: één beslissing herleiden (ter illustratie)
Stel dat een b2b-saasteam van 10 mensen in Q1 besluit geplande rapportexports te bouwen. Zes maanden later vraagt de nieuwe head of sales waarom er niet in plaats daarvan een publieke API is gebouwd. Dit laat de graph zien:
Node
Detail
Link met de beslissing
23 supporttickets
Klanten die vragen om rapporten te exporteren, over 60 dagen
samengevat tot een inzicht
4 van 9 discovery-interviews
Admins bouwen elke maandag hetzelfde rapport opnieuw op
ondersteunt het inzicht
2 vertrokken accounts
Opzegnotities noemen de tijd die handmatig rapporteren kost
ondersteunen het inzicht
1 salesgesprek
"Enterprise-prospects willen een API"
spreekt de beslissing tegen
Beslissing
Geplande exports bouwen; API uitgesteld naar H2, heroverwegen als 3+ enterprise-deals erop vastlopen
pakt de kans aan
PRD + 7 tickets
Scope, acceptatiecriteria, oplevering
implementeren de beslissing
Uitkomst
Exportgerelateerde tickets daalden van 23 naar 6 in de 60 dagen na de release
gemeten door
De nieuwe head of sales heeft het antwoord in twee minuten, inclusief de tegenstem en de voorwaarde om het te heroverwegen. Zonder de graph betekent hetzelfde antwoord Slack doorzoeken, een PRD vinden die mogelijk verouderd is en vragen aan wie het zich nog herinnert. De beslissing houdt stand of wordt met bewijs heropend, en dat is precies de bedoeling.
Hoe voorkom je dat een bron van waarheid verouderd raakt?
Maak koppelen onderdeel van bestaande rituelen. Koppel bewijs tijdens interviewsynthese en beslissingsreviews (zoals het synthese-blok op donderdag in een voorbeeldweekschema van een PM), niet in een aparte sessie "graph-onderhoud" waar niemand naartoe komt.
Wijs per beslissing een eigenaar aan. Wie de knoop doorhakte, houdt de status actueel.
Sla samenvattingen op, geen kopieën. Hele tickets en transcripties kopiëren creëert een tweede warehouse dat gaat afwijken. Bewaar een compact fragment en een link.
Review tegenspraak wekelijks. Een kwartier kijken naar nieuwe "spreekt tegen"-links vangt beslissingen op die heropend moeten worden.
Label demo- en voorbeelddata. Als gezaaide of voorbeeldinhoud voor een echt klantsignaal kan worden aangezien, is de graph niet meer betrouwbaar.
Sluit de loop. Elke beslissing zonder uitkomstnode na de release is een open vraag, geen afgeronde.
Wanneer is een knowledge graph overkill?
Een solo-oprichter met één product, vijf klanten en alle beslissingen in zijn hoofd heeft nog geen graph nodig. Een beslissingenlogboek van één pagina volstaat. De graph begint zich terug te verdienen wanneer meer dan één persoon productbeslissingen neemt, wanneer bewijs uit drie of meer tools komt of wanneer je werk overdraagt aan AI-codingagents die context nodig hebben die ze niet kunnen opvragen.
Wees ook eerlijk over de grenzen. Een graph is maar zo goed als zijn links: foute "ondersteunt"-relaties geven schijnzekerheid. Automatisch koppelen maakt fouten, dus behandel door AI voorgestelde links als suggesties. En klantbewijs bevat vaak persoonsgegevens; sla alleen op wat je nodig hebt en zorg dat je op verzoek de gegevens van een persoon kunt verwijderen.
Waar past Specky in?
De Product Graph van Specky is zo gebouwd. Hij leest klantgesprekken, feedback, Slack, Jira, analytics en andere bronnen in als getypeerde nodes, bewaart compact bewijs met links terug naar de brontools en legt relaties vast zoals ondersteunt, spreekt tegen en afgeleid van. Wanneer nieuw bewijs botst met bestaand bewijs, markeert AI dat als tegenspraak. PRD's citeren hun bewijs inline, tickets blijven gekoppeld aan hun PRD en codingagents kunnen dezelfde context lezen via MCP. Voorbeelddata wordt altijd als voorbeeld gelabeld. Bekijk hoe Specky zich verhoudt tot andere tools die beslissingen aan klantbewijs koppelen.
Veelgestelde vragen
Wat is het verschil tussen een knowledge graph en een database?
Een knowledge graph is een database die rond relaties is gebouwd. Een relationele database slaat rijen op in tabellen en voegt ze samen bij een query; een knowledge graph slaat dingen en benoemde links ertussen op als volwaardige data. Dat maakt vragen in meerdere stappen, zoals "welk klantbewijs leidde tot dit ticket?", veel makkelijker te stellen. Veel productgraphs draaien in de praktijk gewoon op een gewone relationele database.
Is een knowledge graph hetzelfde als een wiki?
Nee. Een wiki slaat documenten op; een knowledge graph slaat verbindingen op tussen bewijs, beslissingen en werk. Een wikipagina kan een beslissing uitleggen, maar kan niet laten zien welke 23 supporttickets haar onderbouwden of welk salesgesprek het er niet mee eens was, tenzij iemand die links met de hand bijhoudt. De twee werken goed samen: de wiki bevat het lange schrijfwerk, de graph koppelt het aan al het andere.
Wat zou de enige bron van waarheid voor productbeslissingen moeten zijn?
De enige bron van waarheid voor productbeslissingen zou een beslissingsrecord moeten zijn, gekoppeld aan bewijs, alternatieven, eigenaar, status en uitkomst. Dat kan in een beslissingenlogboek of een product knowledge graph staan. Het zou niet Slack of vergadernotities moeten zijn, omdat geen van beide status vastlegt of naar het bewijs linkt. Leveringstools zoals Jira blijven de bron van waarheid voor het werk, niet voor de redenen.
Heb je een graphdatabase nodig om een productgraph te bouwen?
Nee. Een spreadsheet met ID-kolommen of een database met relatievelden is genoeg om te beginnen, zolang elke node een stabiel ID, een type en een link naar zijn bron heeft. Speciale graphdatabases helpen wanneer je diepe queries in meerdere stappen draait over miljoenen nodes. De meeste productteams lopen tegen organisatorische grenzen aan, zoals wie de links bijhoudt, lang voordat ze technische tegenkomen.
Hoe gebruiken AI-tools een productgraph?
AI-tools gebruiken een productgraph om relevant bewijs op te halen voordat ze antwoorden of schrijven. In plaats van te gokken kan een assistent de interviews, tickets en beslissingen ophalen die aan een onderwerp gekoppeld zijn en ze citeren. Dat vermindert verzonnen context in specs en tickets. Het helpt ook codingagents, die midden in een taak geen vervolgvraag aan de PM kunnen stellen.
Hoe koppel je klantfeedback aan productbeslissingen?
Koppel klantfeedback aan productbeslissingen door elk stukje feedback te koppelen aan een inzicht, elk inzicht aan een kans en elke beslissing aan de kansen die ze aanpakt. Leg tegensprekende feedback net zo goed vast als ondersteunende. Voeg daarna na de release een uitkomst toe. De gids over klantfeedback omzetten in een roadmap loopt de eerste twee stappen met je door.
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