如何用 DIKW 模型建立知识体系，作者结合相关应用，分享了相关方法，希望对你有所帮助。
今天分享一种用 DIKW 模型建立知识体系的方法。
什么是 DIKW 模型？
DIKW 模型是以下四个英文单词的首字母缩写：
我画了一张简单的示意图，表示从数据新手，到信息高手，再到知识专家，最终成为智慧大师，形成「点、线、面、体」的共振，这是一个从无知到了解、再到熟悉和精通的过程。
数据是原始的、未经处理的事实，不经分析的数据，就如同地底下未经开采的石油，存在却没有价值，需要运用数据分析的思维，才能把它的价值充分挖掘出来。
比如：上海的温度是 39 ℃，如果缺乏相关的背景信息，就不知道这个数据想要说明什么。
信息是带有逻辑的数据组合，帮助我们「知其然」。
比如：上海的温度是 39 ℃，比前一天上升了 6 ℃，天气很热。
知识是基于信息的理解，帮助我们「知其所以然」，知道信息背后的原因，从而建立起对世界的正确认知。
比如，上海的温度是 39 ℃，比前一天上升了 6 ℃，天气很热，主要是因为夏天的阳光直射到地面。
智慧是预见事物发展的规律，帮助我们见微知著，预测未来，知道哪种选择是更好的，并且知道怎么把知识应用到实际工作和生活中，做到知行合一。
比如，通过天气预报，预测明天的天气状况，就能提前做好相应的准备，例如：下雨要带伞，高温天气要预防中暑等。
数据就像一些零散的点，看不出有什么用；信息就像连点成线，找到数据之间的联系或线索；知识就像把线条组成平面或网络，发现信息背后的东西。
比如，人们把天上的星星想象成星座，发展出十二星座等学说。
智慧是一种比较高级的思维能力和认知能力，包括理解、分析、判断、创造、思考等能力，体现为能够更好地化解难题。
从数据中获得有用的信息（点→线），从信息中获得有效的知识（线→面），从知识中获得有益的智慧（面→体），这是一个价值从小到大、难度由易到难的过程，也是发现问题、分析问题和解决问题的过程。
要想创造更大的价值，需要经过三次跃迁。而每一次跃迁，都能带来更大的收益。
第一次跃迁，是从数据到信息，也就是从点到线的过程。数据就像是一些零散的拼图，杂乱无章地堆放在一起，如果没有特定的应用环境，数据本身并没有什么价值。
第二次跃迁，是从信息到知识，也就是从线到面的过程。当数据之间建立联系之后，就上升到信息层级，拼图开始出现形状。当两块拼图合在一起的时候，就像两个点连成了一条线。当我们在某种特定的环境中，对信息进行分组，生成一个更复杂的实体时，就创造了知识，让我们能够从拼图中可以看到更有意义的事物。
第三次跃迁，是从知识到智慧，也就是从面到体的过程。当多块拼图合在一起的时候，就好像有很多条线组成了一个面。只有经过 3 次跃迁，才能看到一幅包含立体画面的拼图。
一个有智慧的人，通常会从当下的数据「点」出发，找准自己的位置，朝着正确的方向划「线」，获得有用的信息线索，扩大自己的知识「面」，形成三位一「体」，经过日积月累，就能取得更大的成就。
按照数学的思维逻辑，空间中的点是 0 维的，线是 1 维的，面是 2 维的，体是 3 维的，如果再加上时间的维度，那么我们所处的时空就是 4 维的。
假设在 0 维空间中，最高只有 0 分，在 1 维空间中，最高是 100 分，那么在 2 维空间中，即使每个维度各自都只有 30 分，面积也有 900；如果是在 3 维空间中，每个维度 30 分，那么体积就是 27000；如果是在 4 维空间中，每个维度 30 分，4 个维度相乘，得到的结果是 810000，它是 1 维空间最高分的 8100 倍。
虽然这些都只是理论上的数字，但是却能够说明数据、信息、知识、智慧之间存在的巨大差异。
知识体系
选择和时间做朋友，在时间的积累作用下，形成自己的知识体系，成为一个有智慧的人，由内而外散发出的能量，产生的影响力将会是巨大的。
如何用 DIKW 模型建立知识体系呢？
我参考《打开心智》书中介绍的 INKP 知识管理法，其中 INKP 是以下四个英文单词的首字母缩写：
为了方便理解，我结合《卡片笔记写作法》，对某些概念做了微调，比如，把「概念笔记」换成「概念卡片」，这样能更好地与「主题笔记」进行区分，也能更加形象。就像一本笔记本，其中有很多页，每一页就相当于一张卡片。
具体来讲，建立知识体系的过程，可以分成以下 5 个步骤：
1、收集数据
把学习到的东西，以及内心产生的灵感和想法，统统放进「数据」文件夹，形成一个「数据库」，它们是原始的数据。
为了避免打断阅读状态，让自己更加专注在学习中，此时不用花太多的时间和精力用来进行分类整理，只要直接快速记录，放进「数据」这个文件夹中即可。
2、整理信息
定期安排一个时间（比如每天晚上），集中整理自己的「数据库」，如果对某个概念感兴趣，就主动去学习相关的知识，把它们汇总整理到「信息」文件夹，形成「概念卡片」，这是知识体系的素材，主要用来查阅和补充信息，等待下一步被「主题笔记」所引用。
当信息存在缺口的时候，可以提醒自己继续学习，补充完善这些概念卡片。
3、提炼知识
当我们发现概念卡片有内在的关联时，就可以整合起来，经过排列组合，补充完善之后，就可以提炼成「主题笔记」，放进「知识」文件夹，它保存了自己对某个领域所知道的一切知识，这知识体系的核心和中枢。
如果有些琐碎的细节，不需要放在主题笔记中，但又想在需要时能快速找到，就可以单独建一张概念卡片，关联到主题笔记中。
我们建立知识体系的目标，是尽可能去丰富和完善这些主题笔记，而不是去积累大量的概念卡片。
4、产生智慧
当我们需要解决某个问题、完成某个任务目标或执行某个项目时，就可以打开「智慧」文件夹，新建一个「项目」。
在一段时间内，让「项目」成为我们行动的总控室，用知识去解决实际的问题，在不断化解难题的过程中，让自己逐渐成为一个更有智慧的人，最终达成自己的目标。
5、复盘总结
在项目执行完成之后，可以再做一个总的复盘，把有用的信息整理到对应的概念和主题中去，这些又可以成为我们新的知识，用来解决更加复杂的难题，形成自我成长的闭环。
举个例子，我对「数据分析」这个主题比较感兴趣，平时会看很多相关的书籍和文章，包括数据分析的思维、工具、方法、模型……
首先，我会把自己平时看到的内容当成原始数据，统一放进「数据」文件夹，简要记录自己当时的思考，可以是自己的想法、感受或评论，等等。
其次，我会定期进行复盘，每天晚上整理一次「数据」文件夹，把其中值得总结的内容，按照自己的理解，用自己的语言进行重新组织，经过丰富和完善，把它们变成「概念卡片」，放进「信息」文件夹。
对于比较复杂、需要进一步学习的信息，就先放进「待处理」文件夹，等有空的时候再进行完善，完善之后再转移到「信息」文件夹中。
接下来，我会运用相关思维，发现不同概念卡片的内在联系，经过思考之后，写成「主题笔记」，放进「知识」文件夹。
一个概念卡片，可能被引用到多个不同的「主题笔记」中，起到不同的作用，回答不同的问题。比如，我经常在文章中引用的「二八法则」，适用于很多不同的场景。在二次加工的过程中，可以对信息进行拆分、重组和完善，让它变得更加全面。
每当我遇到「数据分析」相关的信息，第一时间就考虑到：这条信息是否可以写进「数据分析」的主题笔记中？
如果可以，就直接写进去；如果不行，就写成一条概念卡片，引用到这个主题笔记中，以便将来查阅使用。
通过这种方式，经过长期的积累，我逐渐总结了一系列丰富的主题笔记，其中包括若干个问题，每个问题下面有相应的回答，再往下是每个回答背后的证据，接着是每个论据对应的概念卡片，包括：术语、理论、原理、模型……形成一个自上而下、高度有序的知识体系。
当我收到出版社编辑的邀请，让我写一本数据分析主题相关的书时，我就在「智慧」文件夹下面建立一个名为《数据化分析》的项目，把相关的知识内容写进去，最终就真的写成了一本书，这本书目前正在出版中，希望将来能帮助读者成为更有智慧的人。
在写完《数据化分析》这本书之后，我经过复盘总结，应用书中的知识，结合其他项目的实践经验，去解决其他的难题。
比如，我运用数据分析的 9 种思维，去解读一些看过的好书，这样可以帮我加深对知识的理解和应用，从而不断丰富和完善我的知识体系。
书中还有很多知识没有具体展开，这是我未来想要持续补充完善的地方，希望让自己的知识体系变得更加丰富。
就像一棵大树，要让根系足够深，主干足够粗，枝叶足够多，无论经历什么样的风吹雨打，都能长期屹立不倒。
这一套建立知识体系的方法和流程，我认为与《卡片笔记写作法》的思路是相似的。它提醒我们，不要做知识的「搬运工」，也不要做知识的「收藏家」，而要做知识的「践行者」，让知识真正流动起来。
当你需要使用知识的时候，可以按图索骥，快速找到自己所需的知识，让知识变得更有价值。
数据是构成信息的原材料，信息是知识的源泉，而知识是整个知识体系的主干，需要不断去增补、删减、提炼、加工和复习，你可以通过不断完善自己的知识体系，更加专注、深入、系统地研究某个细分领域，最终成为精通某个细分领域的人。
运用数据分析的目标思维，按照「以终为始」的习惯，先明确自己的目标，然后自上而下，建立属于自己的知识体系，这样就可以避免漫无目的地去接收一些系统算法推荐的碎片化信息，导致知识体系过于零散，无法形成深度的思考。
每个人都可以结合自己的实际情况，找到更加适合自己的方法。
比如，我喜欢把自上而下和自下而上结合起来，当我能够坐下来认真读书的时候，就采用自上而下的方法，围绕自己感兴趣的主题进行阅读。当我在通勤路上或者健身运动的时候，就采用自下而上的方法，随机听一些书的精华解读，拓展自己的知识面。
总之，记录数据和收集信息只是基础，而深度思考和付诸行动才是关键。努力把别人的知识，内化到自己的知识体系中，经过不断完善、修改和丰富，用来指导决策和行动，才能创造更大的价值。
作者：林骥，微信公众号：林骥，《数据化分析》作者
本文由 @林骥 原创发布于人人都是产品经理。未经作者许可，禁止转载。
题图来自Unsplash，基于CC0协议。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。