A前瞻官网
前瞻网
a 当前位置: 前瞻网 » 资讯 » 大咖

DIKW模型,给我的启发

分享到:
 王智远 • 2022-11-17 18:29:08 来源:王智远 E11612G0
100大行业全景图谱

作者|王智远同学 来源|王智远(ID:Z201440)

如何构建自我知识体系,问题比较大。

每个人思考逻辑,知识储备底子完全不同,加上从事行业、岗位的分工细化,更难找到万能解药,但是,有个全新视角可以与你分享,即DIKW 模型。

具体是什么呢?

诺贝尔文学奖得主,托马斯·斯特尔那斯·艾略特(Thomas Stearns Eliot)上个世纪就对信息泛滥的到来,产生焦虑。

他说,我们知识中的智慧去哪里了?我们信息中的知识去哪里了?该背景下,通过大量研究才提出该模型。

简单讲,DIKW 模型,将广义上的知识分为 Data(数据) - Information(信息) - Knowledge(知识) - Wisdom(智慧) 四层金字塔结构。

这个模型告诉我们,认知和学习是遵守获取数据、提炼核心信息,总结成知识,然后通悟智慧存入大脑的过程,每一层都比上层更深入。

就像做运营一样,你不可能上来就成为专家,唯有针对某个模块经过大量重复验证,才能扬长避短的将知识总结为方法,最后和别人分享底层逻辑。那么,如何简单通俗的理解并使用它呢?

首先,理解数据与信息的区别。

从理论而言,数据(data )也可以成为“资料”,它是关于事件的一种离散客观存在的事实描述,也就是原始资料。

信息(information )又称为讯息,我们目前看到信息基本分为「观点」和「事实」两种,前者是别人立场下带来的不同视角、看法,后者是某个事件本身的面目。

一般来说,与信息概念密切相关的包括约束(constraint)、沟通(communication)以及表达,是不是比较难懂一些,举几个现实案例。

比如:

每年双11,老板都会让运营统计店铺访问数,商品详情页点击率、网站(统计数据)记录的每一条访客(data数据),但一条数据对整体起不到关键性作用,怎么办?

当把某个商品,一天内全部时段的访客数值加起来时,才可以得到总访客数(infomation信息)。

你拿到这些信息,根据点击率、访问数,按照公式就可以得到转化率;哪些商品高、哪些低、哪些视觉用户爱点,得到的总结可以指导设计、投放人员在各方面进行优化。

或者:

开一家咖啡店,前期肯定要围绕某个商圈做调研,单天的流量(data数据)并不能让你做决定是否投入。

如果你找到房东,把全年12个月的数据拉出来进行汇总,并进行一定的处理(比如:加权平均),就可以得到平均每月的客流量,这就是(信息) information。

可能你会觉得从data到 information是一个显而易见,比较容易的过程。

但是,相比上述案例,在现实中有些隐形层面的东西,就没有那么容易,困难就在于,如何从海量数据中筛选出真正的(信息 information)。

拿这两年市场比较火热的私域流量而言,大家都在讲私域,你会发现各种类型的“干货文章”一大堆,我们看到一篇收藏一篇,最终整理时,会发现,重合率占80%。

由此,对于数据量特别大的情况下,如何去除「干扰信息」,就是一件非常棘手的问题,甚至拿电商而言,如果店铺爬虫也算访客记录,你想想会得到多少不精准的数据。

值得一提的是,我们得到的数据也会有所偏差。

比如:

我在从事市场工作时,每周会让新媒体伙伴统计微博、公众号等自媒体平台下面的留言,根据留言来跟踪用户行为、对品牌喜爱度等各项指标。

几个月后我发现,评论存在偏差,团队小伙伴为自身绩效问题,和品牌口碑,会把正向内容放出来,对于那些负面评价,我始终无法看到,这就与最终指标背道而驰。

所以,有时想要修正某些偏差很难,由于评论区中负面的评论被后台过滤掉,并不能接触到负面的数据(data)。

那么,全部是正面的评论,结果可想而知,如果我以此作为输入的data,自然最终也会提炼出错误的结论,对不对?

广义而言,信息(Information)在当下语境下更”短命“,而知识(Knowledge)更像底层知识,以几年维度看,前者生命周期比较短,后者可能更长一些。

比如:

我们每天看到各种不错的公众号文章会收集起来,可是年底时,你会发现他们毫无关联,虽然单篇看都有用,舍不得删掉,整体却很占手机空间;Knowledge不同,它可以整理成体系。

还以开店为主,区域基于各门店数据汇总大概能分析出整体人员活动情况,由此衍生出,区域流动人口规模、固定规模。

从信息到知识所面临的困难则在于体系化,如何将碎片化的信息梳理为体系化的知识,是对我们逻辑能力和思考能力的考验。

换言之,知识体系像图书馆,现在新来了一些信息(information),如何将他们分门别类安放在合适的位置形成知识(knowledge)。

就是,我们对知识体系本身完备性的一大考验,如果 information 无处安放,自然就暴露出离体系的不完备。

再者,如何从知识进阶到智慧?

知识(knowledge)和智慧(Wisdom)有很大差异,智慧属于人类基于已有的知识体系,针对现实世界,运动过程中产生问题,根据现有信息进行分析、对比,演绎,找出方案的能力。

该能力运用结果,是将信息的有价值部分,挖掘出来,并使之成为知识框架的一部分;也可以简单归纳为,做正确判断和决定的能力,它通常来回答工作、生活中的为什么。

比如:

我会西红柿炒鸡蛋、青椒炒肉、水煮鱼,仅代表本人技能;我专门写了一本讲如何烹饪的书、里面包括108道湘菜的烹饪方法,供诸多需要的人学习,这就属于智慧。

或者:

现在我们使用的5G、区块链技术,人工智能等,均是基于大量知识体系,诸多人的眼光判断,然后布局实干而成,这也是智慧。

在智慧层,我们知道,学科层面不论任何知识体系,都可以汇总成为知识(knowledge),那还有没有知识层以上不能解释的东西吗?当然有,就像最近大家热议的「元宇宙」。

人们会使用黄金圈法则(What -How- Why )进行表达表达一件事,通常“是什么”代表what部分,你可以把它当做信息( information)。

How部分可以当做体系化的东西,已经被验证过的,你可以把它理解成知识(knowledge),而why代表已知中的未知部分,为什么要做,也就是智慧(Wisdom)。

比如:

知识(knowledge)更像是一款APP的功能,拼团、秒杀、联系人、社群;而智慧(wisdom)探讨的本质是“为什么要做朋友圈”,为什么要做微信这件事,人与人社交的本质又是什么等。

智慧方面市面争议相对比较大,但我个人更觉得智慧属于高深,看不见摸不着,然而这种摸不着每个人特性不同,就像那句话所述:你的顿悟只是被人的基本功。

也正是因为如此,wisdom 类的 why 问题往往没有标准答案。

因为这类问题本身,就已经指导着认识本身(每个人属性不同),难以有很明确的标准答案,所以,有的只是能否回答上与回答不上的区别。

就像:

往大的说,近些年来很多交叉学科,就是将不同领域间的 wisdom 相互融合,用在一个领域的视角进入到另一个领域,从而获得不同的启发。

前三者都比较容易理解,而从知识(knowledge)到 智慧(wisdom)最大的难点在于好奇心,毕竟“你就是自己的边界”。

这给我们带来什么启发呢?也就是,我们每天在大量观点类的内容中遨游,其实他们都是单篇文章,不成体系。

真正需要的应属于被提炼过的「知识」,和成体系化的「知识」,唯有吸收它们二者,才能带来认识提高。

首先我认为,大家都会存在一种知识幻觉,即看到的就是自己的。

然而并非这样,现实是:1)你能够看到并写出来的才是自己,2)看到并可以指导行动,被验证过的才是自己的。

因此,知识管理本身在于“输出和执行“。

不要再去想什么知识体系,你电脑里一个文件夹套一个文件夹,收藏夹里永远看不完的文件,如果没有自己编码,所有的文件都是垃圾,找东西时东西榔头西一棒槌,说不上用不上,至少很麻烦。

就像:

即便是你快速刷几本书,也仅代表浅印象,不信你过10 天,过 1 个月,过 1 年再试着回想一下?越是跨界的知识收藏,越容易遗忘,因为自己编码太费劲了。

然而,输出和执行却不同,需要调用更深层的认知资源处理,一旦在脑海里试着给自己讲一遍,再试着给别人讲一遍,这样练习后的记忆,想忘记都很难忘掉。

看到这里,其实应该很明白,不读书、依靠别人指点的打洞式读书、依靠自己搜索而来的打洞式读书的各种问题,仅代表低阶思维。

那高阶思维是什么样呢?

人类书籍,是包含一代人又一代人突破智慧边界的方法,回到过去,看什么时间提出、问题的由来以及解决方式才是,当年反常识的解决问题,即是人类认知的边界。

然后基于已有的再去推演没有的,才会诞生出新的框架体系,如同,你能回到历史中和伟人做朋友,你的经济学一定会学的很好。

所以,知识不需要管理,学到的知识内化成为体系,才是管理;想要突破自我已有体系,就要不断询问为什么,毕竟“为什么”牵引着我们向前。

工作中,我一般使用两种方法:1)自下而上,2)自上而下

前者,我会将自己看到不错的文章、素材进行收集,然后把它们进行提炼,注意一定要找到主线,所谓主线基本要包括“为什么、是什么,怎么做“三者。

拿私域来说,我一般觉得某个方法很好,那我就在备忘录中备注,为什么要用这种方法,然后对应回答,再是方法论。

积累的过程比较困难,毕竟素材都是局限在不同框架下的珠子,我们要利用别人的珠子、找到自我框架进行归类和排序,再到内容提炼和逻辑排布,最终串联在一起。

换言之:

珠子就是素材(Data数据),但因为不同的内容会在不同场景下出现,所以素材会存在不同「内容层级」中,就像一本书有章节、小节、章节、段落都不是同一个「内容层级」就无法关联,做逻辑梳理。

后者,就相对比较好用,也就是先定主题框架,然后在框架中填充内容,问题在于有的知识和框架并不是我们自己总结的,假设你原搬不动的拿过来,就无法驾驭。

怎么办呢?很多人喜欢模仿别人的框架,后来我发现”别人的东西“你即便拿走,也仅是形式上,真正实质性的很难,并且他的框架也未必适合你现实中的问题。

说白了,你按照自己的经验、工作去梳理框架,然后把它纳入到「已知」范畴中去写,才是巩固加深,为我所用最快捷方法。

比如:

虽然我看很多有关心理学方面的内容,但都不是我的。

我就会从自己在某方面遇到的问题(焦虑怎么办,压力太大怎么办等)然后做框架,根据自己框架后,在把一些知识理解后补充进去。

所以,自下而上属于发散型,自上而下属于收敛型。

发散时讲究真实、具体、流畅、收敛时讲究逻辑严谨;我在工作中积累的大部分思考是基于自上而下,也就是先围绕问题展开,这样就很明确的拥有主线,平常就属于自下而上,认为不错就收藏下来,交替进行。

比如:

当积累足够多私域知识时,我就会整体看下都有哪些问题,梳理一个提纲,当中不乏有重合部分,怎么办呢?查漏补缺。

最终你会发现,针对某个问题的角度,以及解决方案完善度都会高很多。

日常阅读和创作是等号关系,如果光想着把思考输出出来,是完全不具备观点、场景论证、依据三要素的。

20世纪初,美国福特公司高速发展时期,一台电机出现问题,几乎整个车间都不能运转。

公司调来大量检修工作人员都没有找到问题出在哪里;这时,有人提议去请著名物理学家、电机专家斯坦门茨帮助。

大家一听有理,急忙派专人把斯坦门茨请来,斯坦门茨仔细检查电机后,用粉笔在电机外壳上画了一条线,对工作人员说:“打开电机,在记号处吧里面的线圈减少16圈”。

人们照搬后,故障竟然排除了,最终其收费1万美元,其中画线费用1美元,而知道在哪儿画线值 9999 美元。

可以说,构建自我知识体系,不是简单体力劳动,做知识搬运工价值也不大,简单模仿只是廉价复制,想成为一个知识渊博的智者,需要源源不断的「输入-输出」。

总体而言

DIKW模型,不是工具,是思维。

互联网让data 与 information 的传播速度,广度加快,却使得深度降低。

很多文字与资讯,要么停留在information 层面(热点,八卦类等),要么过于碎片而难以体系化(短科普视频,信息流等),而真正可被内化为 knowledge 层面的成体系的信息则越来越少。 

编者按:本文转载自微信公众号:王智远(ID:Z201440),作者:王智远同学 

本文来源王智远,内容仅代表作者本人观点,不代表前瞻网的立场。本站只提供参考并不构成任何投资及应用建议。(若存在内容、版权或其它问题,请联系:service@qianzhan.com) 品牌合作与广告投放请联系:0755-33069875 或 hezuo@qianzhan.com

p21 q0 我要投稿

分享:
标签: 模型 思考

品牌、内容合作请点这里:寻求合作 ››

前瞻经济学人微信二维码

前瞻经济学人

专注于中国各行业市场分析、未来发展趋势等。扫一扫立即关注。

前瞻产业研究院微信二维码

前瞻产业研究院

如何抓准行业的下一个风口?未来5年10年行业趋势如何把握?扫一扫立即关注。

前瞻经济学人 让您成为更懂趋势的人

想看更多前瞻的文章?扫描右侧二维码,还可以获得以下福利:

  • 10000+ 行业干货 免费领取
  • 500+ 行业研究员 解答你的问题
  • 1000000+ 行业数据 任君使用
  • 365+ 每日全球财经大事 一手掌握
  • 下载APP

  • 关注微信号

前瞻数据库
企查猫
前瞻经济学人App二维码

扫一扫下载APP

与资深行业研究员/经济学家互动交流让您成为更懂趋势的人

下载APP
前瞻经济学人APP

下载前瞻经济学人APP

关注我们
前瞻经济秀人微信号

扫一扫关注我们

我要投稿

×
J