DIKWモデル

DIKWモデル
DIKWモデルは、
データの世界を学ぶときに必ず出てくる概念図になります。 

「情報」を解釈する概念は、
下記の4つに分類され、
各頭文字をとったものになります。
Data(データ)
Information(情報)
Knowledge(知識)
Wisdom(知恵)


まずは、言葉の説明から。

Dataは、
整理されていない状態。
生データやローデータと呼ばれています。

Informationは、
何らかの基準で分類された状態。
Data解析等はDataを
Information化する手段です。

Knowledgeは、
Informationから規則性などが分かる状態。

Wisdomは、
Knowledgeを活用して判断できる状態。
Knowledgeがないと判断力は育たない。
{1404888B-EBEB-4890-81B9-C2DE641069C1}
図にあるように、
階層構造になっていて
上の階層に行くほど価値が高まる
という考えです。

すべてのデータ(情報)は、
人間の判断のためにあるという立ち位置です。

なので、
集めたDataを知覚しやすいInformationにし、
そこからKnowledgeを見出す。

Knowledgeを蓄積していくことで、
個人や組織のWisdomを高めていく。

これって、自分たちの日常にも当てはまる考え方だと思っています。

例えとして、
人の話している内容で考えて見たいと思います。

ランチで食べたものや話題、好き嫌い、
家族構成、趣味、お小遣いの額、性別、天気とかはDataと言えます。
それら自体はまだお互いに独立した状態です。

そしてそれを集計してInformation化すると、
お小遣いはこの額が多いんだとか
ランチではパスタが人気があるとか、
独身の人が多いとか、
最近晴れの日が多い、
とかが分かります。

そしてそこから何らかの規則性を見出したものをKnowledgeと言います。

AであるとBといったことが分かるんです。

ランチにパスタを食べるのは女性が多い、
家族構成によって小遣いに影響がありそうだ、
独身男性は雨の日にコンビニで済ます、
といったことが見えてきます。

Knowledgeをたくさん集めると、
多くの場面での判断に利用できます。

例えば、
好きな女性とランチするらパスタにするとか、
(でもパスタが多いから、和食にするのもあり)
雨の日にお弁当を作って、
気になる男子と一緒に食べる、
と活用することができるようになります。

この階層は一方通行ではなく、
何度も行き来して精度を高めたり、
もしくは修正してより正しい状態にします。

好きな女性は何曜日にパスタを食べるの?
なぜ男子は雨の日は外に出ないの?

こうした疑問が途中で沸くので、
それを解決するために新しいデータを取りに行ったり、
あるデータで考えてみたりします。


データって数値だけを言うのではなく、
先ほどの例のように食べたものや買ったものもレッキとしたデータなんです。

データが万能だとは思わないですが、
でもデータを使って考えるきっかけを得るという
ありがたい側面があるもの事実なんです。

なので、こうした流れで考えてみて、
そこにひとつまみの「本当に?」という疑問を加えてみると、
データが生き生きとしたものであることがわかるのではないかと思います。

思い当たる節ありますか?