DIKW模型 — 数据，信息，知识和智慧
DIKW模型 — 数据，信息，知识和智慧
DIKW模型是信息科学领域中一个广泛应用的知识管理框架，由英国信息学家泽勒于1987年提出。该模型将信息的处理过程分为四个层次：数据、信息、知识和智慧。本文将详细介绍DIKW模型的各个层次及其在企业架构中的应用，帮助读者理解如何通过构建数据架构、业务架构、知识模型和智慧模型来实现数字化转型。
信息金字塔 (DIKW) 层级模型
数据是指任何一种符号化的记录，可以是数字、文字、图形、声音等形式。数据是事实的原始记录，是对现象或事物的客观描述，但它本身并不具有意义。例如，“黑色、150、红色、100”就是一组数据，但并没有表达任何信息。
当数据被加工、组织或者以某种方式解释时，它就转化为信息。信息是在数据的基础上添加了解释和解读的过程，使得数据变得有意义。例如，结合上下文“在A4高速公路上的车速”后，数据就有了含义“黑色车时速150公里；红色车时速100公里”。在业务架构中，上下文就是“能力项”。
知识则是在信息的基础上添加了经验、理解、洞察和判断等高级思维过程，使得信息变得更加具有实用价值。经验通常可以显性化为规则，在信息的基础上增加规则：“A4高速公司限速120公里/小时”，可以得到分析结果：“黑色车超速了”。在增加规则：“超速需罚款200元，扣分2分”，则可以驱动对黑色车的处罚动作，即触发某一个职能流程或流程中的某一个活动。
知识层级的分析结果及触发的行动，通常是执行类的动作，这些行动通常马上就会产生效果，或者马上可以被验证是否正确。
智慧是在知识的基础上通过经验、价值观和洞察力形成的，帮助人们做出明智的决策，并发现新的知识和知识背后的根因。人类的智慧不仅仅在于拥有知识，还在于能够利用这些知识来做出更深刻、更具创造性的决策。例如，某保险公司在上述知识的基础上，经过分析得到一系列的成果，包括：“一年中因超速被处罚超过3次的人，发生车祸的概率较其他人高出30%；今年参保人中已有20% 符合上述标签；现有保费如不变化，明年亏损的概率超过50%。”这些成果都是基于过往的“知识”分析出来的，因此触发某一个职能流程或流程中的某一个活动，对未来进行计划、预测或者决策。本示例中，形成了一个决策和计划，即“所有符合此标签的参保人，明年续保的保费应至少提升20%.”。
智慧层级的分析结果触发的行动，通常是预测、计划或决策类的动作，这些行动通常不会马上有效果，而是在未来的某个时间点才会产生实际效果。
数据是信息的基础，信息是知识的原料，而知识则是智慧的基石。只有在充分理解并能应用知识的基础上，智慧才能显现。每个层级都在前一个层级的基础上增加了更多的意义、上下文和价值。
模型是攀登信息金字塔的台阶
在数字化世界中，“模型”是攀登DIKW 金字塔的台阶，从数据底座开始，每一层级都需要构建模型才能向高一级迈进。
数据：数据是数字化世界的基础和底座，需要通过构建 <数据架构>模型实现对数据的有效治理。
比如，采集到“CN0001、SO02、90…”这组原始数据，其本身是看不出什么具体的意义和价值的，但这些数据是整个数字化世界的基础和底座。采集哪些数据、从哪儿采集、采集到的数据如何处理，处理后的数据如何使用，这些基础工作都非常重要。组织需要构建<数据架构模型>，并基于此模型对数据实现有效的管控，从而为建设数字化大厦打下坚实的基础。
信息：通过构建<业务架构>模型，将“数据”和<业务架构>相关联，从而使“数据”转化为“信息”。
将“数据”与“业务能力”相关联，通常就可以回答数据表达何事（What）、何时(When)、何地(Where)、何人(Who) 的问题。比如，将“CN0001、SO02、90…”这组数据与<销售竞标报价>这个<能力事项>相关联，这组数据就有了具体的业务含义：“在线上投标系统中，向编号为CN0001的客户，针对 SO02 这个销售订单的需求，提交竞标报价 90万元”。
知识：通过构建<知识模型>打造应用“信息”完成某项工作的能力。当人或系统在流程中使用“业务信息”来完成某项具体工作时，“业务信息”就转化为“业务知识”，即人或系统是掌握了某种“知识”所以才具备完成此项工作的能力。
比如，根据“客户编号CN0001及其所包含的客户信息 、销售订单SO02及其所包含的需求信息”，销售员、销售经理等相关人员通过运行<销售报价流程>最终对外报价“90万”。这一具体工作事项的完成，体现了组织具备对外进行销售报价的能力。而这种能力是建立在相关人员掌握了“如何基于输入的业务信息对外进行报价”的“业务知识”的基础上的。
如果这样的“业务知识”存在于销售人员头脑里，那么这种知识在组织内就是隐性的，是不能数字化的。反之，如果基于成本核算、利润要求、客户价值、客户类型和竞争策略等因素，组织先行制定了一套对外报价的规则，相关人员是基于这套规则和输入的业务信息对外进行报价，那么这样的“业务知识”就是显性的。显性的“业务知识”可以采用数字化技术转化为数字化的模型，EBPM方法论称之为“知识模型”。“知识模型”有助于实现工作任务的自动化，也是流程自动化的重点关注方向。
“知识”相对来说是具体和明确的，是可以描述成规则的，哪怕规则很复杂。“知识模型”的特点是在没有修改模型的前提下，输入完全相同的信息时，得到的输出通常是相同的或者相差不大的。如果不进行人为修改，“知识模型”本身是基本不变的。数字化的世界里，“知识模型”体现了对“业务信息”的应用能力。
智慧：通过构建<智慧模型>将使用“知识”过程中积累的经验形成一种学习模式，通过学习模式完成计划、预测或决策。
所谓学习模式（learning pattern），通俗地说就是可以基于过往使用“知识”的经验，通过联想、举一反三和分析推理，自动构建逻辑规则体系，并基于自动构建的规则模型完成计划、预测或决策。
比如，不是基于一套既定的规则进行报价，而是基于过往历次销售报价及成交情况、竞争对手的信息，结合最新的业务信息，即时生成报价规则并完成报价，这就是所谓的“商业智慧”。在<销售竞标报价>这个例子中，往往基于“知识模型”输出的是一个范围，比如“80-100万”，最终报价很多情况下是由销售主管根据收集到的最新的商业信息，以及与竞争对手的博弈状况进行决策的，这样的决策通常没有什么固定的逻辑规则，凭借的是销售主管的临场判断，甚至是感觉。这种情况下，组织对外提供最终报价的“商业智慧”完全取决于人。
同样，如果这样的“商业智慧”是组织通过构建数字化模型实现的，即最终报价是通过模型决策的，那么这套模型就是所谓的“智慧模型”。“智慧模型”的最大特点是输入完全相同的信息时，得到的输出可能是不同的，因为“智慧模型”不是基于一套既定的规则进行判断，而是自身具备学习“知识”能力，因此模型本身会自动构建和调整规则并完成计划、预测或决策。
信息金字塔 (DIKW) 与企业架构（EA）的关系
组织需要构建<数据架构>模型实现对数据的有效治理。而构建什么样的<数据架构>则是由<业务架构>模型决定的；采集到的数据也要回传到<业务架构>模型中，从而使“业务数据”转化为“业务信息”。实现上述转化的关键要素元模型是<业务架构>中的“业务能力”及与能力相关联的“业务对象”和“管理记录”，并最终与“业务流程”和“业务活动”实现连结。
从“业务信息”到“业务知识”，需要构建<知识模型>这个台阶；从“业务知识”到“商业智慧”，需要构建<智慧模型>这个台阶。组织构建了哪些数字化的<知识模型>和<智慧模型>是在企业架构的<应用架构>模型中描述的，并最终与“业务流程”和“业务活动”实现连结，从而驱动“端到端流程运营体系”的运转。
建模是组织数智化赋能的必由之路
“数字化模型”是攀登“数据-信息-知识-智慧”金字塔的台阶，而企业架构 (EA) 模型是组织数字化转型需要构建的最大模型，这套大模型中包含了攀登DIKW金字塔所需的所有模型。
如上图所示，<数据架构>模型是底座，对应DIKW金字塔的第一层即“数据”，组织需要构建由<数据架构>模型驱动的数据治理体系。
<业务架构>模型对应 DIKW 金字塔的第二层即信息。通过“数据实体-业务对象-业务活动-职能流程-业务能力”这条路径，数据与业务能力产生关联，采集到的数据应回传到业务架构模型进行分析和处理，从而使得“数据”管理转化为“信息”管理。
<应用架构>模型对应 DIKW 金字塔的第三、第四层即知识和智慧。在数字化世界里，所谓的“知识”和“智慧”都需要沉淀和转化为数字化模型。这些模型是通过数字化系统构建的，因此在<应用架构>模型中进行设计和描述。然后，组织应基于<应用架构>模型构建一套《模型管理系统》，凭借数字化系统对所有知识类和智慧类模型加以管理。通过“业务活动-职能流程-业务能力”这条路径，知识和智慧类模型与业务能力产生了关联，从而给组织赋予了数智化能力。