Mô hình tháp thông tin DIKW - Con đường đưa doanh nghiệp lên đỉnh cao của sự thông thái

Tháp DIKW là gì?

(DIKW pyramid or DIKW hierarchy)

Đây là một mô hình rất nổi tiếng về các cấp bậc, sơ khai nhất là tầng dữ liệu thô Data (các số liệu, dữ kiện, ...) trải qua nhiều bước được nhào nặn, tổng hợp, nghiên cứu, các data "thô sơ" này trở thành Wisdom - Sự Thông Thái của con người!

Có thể hình dung Data như tầng "phân bón" cho cây, qua các bước chuyển đổi chất, data sẽ chuyển thành thông tin (information), tiếp đến được khái quát thành kiến thức (knowledge) và tổng hợp thành tri thức thông thái (wisdom). Wisdom chính là trái ngọt của cây kim tự tháp DIKW.

Với mô hình tháp, mỗi tầng trên đều là kết tinh, tinh hoa của các tầng dưới nó, là sự đột phá rất lớn trong quá trình chuyển đổi. Thông tin qua từng tầng sẽ được xử lý, phân loại, chuyển hóa trước khi đạt đến điểm "turning point" - điểm đột phá để dẫn thông tin lên tầng trên.

Giải mã mối quan hệ các thông tin được liên kết như thế nào khi đi qua các tầng
Giải mã mối quan hệ các thông tin được liên kết như thế nào khi đi qua các tầng


Level 1: Data

  • Là 1 dạng "thông tin" ở mức thấp.
  • Là các nguồn dữ liệu phục vụ nghiên cứu một vấn đề nào đó (liên quan đến số liệu, bảng biểu, ...)
  • Các dữ liệu "fact" như sự thật hiển nhiên, chân lý, có thể được chứng minh với bằng chứng.
     

Thật dễ hiểu, data chỉ là dữ liệu "thô" (có thể được thu thập từ trước, hoặc import từ các ứng dụng thứ 3, hoặc thông qua các thiết bị cảm biến truyền data theo thời gian thực)

Dạng này không thường gặp trên các nguồn đọc thông thường như sách báo, tạp chí (các sách báo khi rewrite sẽ phải xử lý data, thêm hình ảnh, video, infographics để có thể hấp dẫn, lôi cuốn được độc giả). Có thể xem đây là dữ liệu từ thượng nguồn (upstream) đổ về.

Thí dụ:

  • Các cảm biến thu thập dữ liệu về nhiệt độ, độ ẩm, tốc độ gió, ...
  • Câu trả lời đơn lẻ trong Bảng hỏi khảo sát - Questionnaire


Level 2: Information = Data + context

Tầng này giúp bạn hiểu rõ các mối quan hệ và cấu trúc dữ liệu.

Từ kho data khổng lồ này, bằng cách sắp xếp, tổ chức lại chúng theo nhóm taxonomy (category, tag...), theo thứ tự, theo mối quan hệ - Relation (nhân - quả, trước - sau) và được đặt trong bối cảnh - Context cụ thể mà chúng ta có được "Thông tin" - dạng data "hữu ích". Có rất nhiều công cụ để phân loại, thí dụ như Affinity Diagram dưới đây:

Thí dụ về Affinity Diagram
Thí dụ về Affinity Diagram
  • Thường thấy trên sách báo, giải trí, ... phục vụ nhu cầu trao đổi, xử lý thông tin của con người, chính là việc cung cấp thông tin về Ai, cái gì, xảy ra khi nào và ở đâu - Who? What? When? Where?
  • Kết nối với tầng Data ở mức sơ cấp nhất - Kết nối Trực tiếp (Physical)
  • Tất nhiên thông tin tồn tại ở cả 2 dạng: Thông tin ĐúngThông tin Sai (thậm chí còn là cố tình sai - Fake News)
  • Khi trình bày lại các thông tin này cho người khác thì chỉ đơn thuần là "nhắc lại" (repeat/forward).


Thí dụ:

  • Dựa trên các data thu được từ môi trường, có thể tiến hành Dự báo Thời tiết.
  • Dựa vào tập câu trả lời trong Questionnaire, có thể tiến hành thống kê về đặc điểm, xu hướng, phân nhóm ... của các đối tượng được hỏi.

Information is what we have after processing Data

Level 3: Knowledge = Information + meaning

Tầng này bao gồm các thông tin đã được khái quát thành mẫu chung (patterns), cùng các cấu trúc có khả năng nhận thức cao (cognitive structuring).

Bản chất của Knowldge là kết nối các miếng ghép thông tin với nhau.

Bạn còn nhớ triết lý "Connecting the Dots" của Steven Jobs - nhà sáng lập công ty Apple - không? Hãy kết nối các điểm mà bạn đã biết trước đây, bạn sẽ tạo ra điều kì diệu, có thể là sản phẩm, là kiến thức...

You can’t connect the dots looking forward; you can only connect them looking backward.

Xem thêm: Triết lý "Connecting the Dots" và những câu nói đáng nhớ của Steve Jobs

  • Tiến lên bậc thang tiếp theo là đến mức 3: Kiến thức - Chính là các thông tin được đi kèm với các giải thích ý nghĩa của chúng (Meaning).
  • Là kết quả sau một thời gian đủ dài học tập, thảo luận, tiếp nhận xử lý thông tin, idea, concept, cũng như đối chiếu, so sánh ... để tìm ra được các thông tin đúng, hữu ích, từ đò bồi đắp tri thức nền tảng!
  • Kiến thức Sai cần phải được loại bỏ bởi các Kiến thức Đúng.
  • Đi trả lời 2 câu hỏi khó hơn so là: Bằng cách nào? Giả sử? - How? What if?
  • Đi vào tìm hiểu các Mô hình, mô-típ, dạng thức (Pattern(, để từ một lượng thông tin đầu vào, sau quá trình nghiên cứu, suy nghĩ cho ra các Kiến thức (Knowledge) và Sự am hiểu (Insight) ở một mức nhất định về một đề tài, lĩnh vực, chuyên ngành nào đó.
  • Kết nối với tầng Information ở mức độ cao hơn - Kết nối ở tầm Nhận thức (Cognitive)
  • Tiến dần dần thông tin bên ngoài và kiến thức của người khác trở thành kiến thức của bản thân mình, để khi trình bày lại các kiến thức đó thì nó sẽ ở dưới dạng ngôn ngữ của bản thân mình.

Chất lượng thông tin chỉ có thể được cải thiện khi nhận thức của con người tăng, với sự hỗ trợ của công nghệ.


Level 4: Wisdom = Knowledge + insight

Tầng này cung cấp các nguyên tắc (principles), các cơ chế, niềm tin (Belief structuring) được xây dựng trên nền tảng các tri thức ở tầng 3. Đây là tầng rất quan trọng, giúp các lãnh đạo đưa ra quyết định nhanh và chính xác.

  • Là tầng cao nhất của tháp DIKW: Tư duy - Trí tuệ - Sự Thông Thái
  • Đây là tài sản lớn nhất, bảo vật dữ liệu vàng mà chỉ loài người mới có. Là tập hợp của một lượng tri thức đầy đủ về một lĩnh vực, ngành nào đó được tiếp tục nâng cấp, đào sâu, áp dụng, phản biện, phân tích, ... để dẫn đến sự thấu hiểu - Insight
  • Insight: Chính là các sự thật ngầm hiểu, góc nhìn sâu sắc (ai làm marketing hoặc kinh doanh cũng đều biết đến cụm từ: Business Insight, Customer Insight)
  • Một người có thể rất thông tuệ ở ngành này nhưng lại là zero về ngành khác. Tháp DIKW hoàn toàn có thể giải thích được hiện tượng này.
  • Tìm hiểu ở mức độ cao nhất: Nguyên lý, Bản chất, Mối quan hệ nội tại (Relation => Pattern => Principle), đi sâu vào bản chất đến tận cùng của vấn đề, cái gì mới là nguyên nhân gốc rễ, nguồn gốc nền tảng của toàn bộ điều này, trả lời câu hỏi khó nhất: Tại sao? - Why?
     

Thí dụ về mô hình rât nổi tiếng RFM (Recency, Frequency, Monetary) trong thương mại điện tử. Các dữ liệu về khách hàng đã được phân tích và chọn lọc để đưa đến các góc nhìn về phân khúc khách hàng, qua đó giúp doanh nghiệp tiếp cận hiệu quả và đưa ra các chiến lược marketing phù hợp.

Xem thêm: Phân tích phân khúc khách hàng với mô hình RFM



Cuối cùng, các bạn cùng xem video ngắn về mô phỏng tháp DIKW với các số liệu phân tích rất thực tế.


Đến đây, mọi tri thức được tổng hợp, hòa thành 1 thể, họ có được cái nhìn toàn cảnh, sâu sắc, chi tiết cũng như sự tự tin khi trình bày, tranh luận gần như mọi khía cạnh xoay quanh lĩnh vực của mình, được coi là "chuyên gia" trong lĩnh vực đó. Ngoài ra các tri thức thông thái giúp các lãnh đạo cao cấp của doanh nghiệp đưa ra quyết định nhanh và chính xác, đây cũng chính là nền tảng cốt lõi của chuyển đổi số trong doanh nghiệp khi mà các lãnh đạo mong muốn mọi kết quả phải được thực hiện bởi các chiến lược định hướng dữ liệu (data-driven).

Category