数据，信息，知识与管理

在大数据时代，数据，信息，知识都是常被提及的词语。DIKW金字塔(Data, Information, Knowledge, Wisdom)在80年代就被提出来了。然而，数据、信息、知识、智慧的关系到今天依然没有理清。撇开智慧不谈（大概是通用人工智能的层级），本文主要厘清一下数据、信息、知识的关系。

今天，学术界和业界大谈数据管理，数据分析，信息管理，知识工程，知识管理。在业界，数据、信息、知识许多时候表示的是同一个意思；在学术界，学者们努力区分数据、信息、知识，然而尚未达成共识。虽然所有人都可以隐约感觉到这三个概念之中的区别。根据DAMA-BOK，数据，信息，知识的定义如下：

数据是以文本、数字、图形、图像、声音和视频等格式对事实进行表现。

信息是指有上下文的数据。上下文包括：（1）数据元素和相关术语的业务含义；（2）数据表达的格式；（3）数据所处的时间范围；（4）数据与特定用法的相关性。我们作为消费者不断解释数据，从而创造出信息。

知识是对情境的理解、意识、认识、识别，以及对其复杂性的把握。知识是基于某一角度的信息整合形成的一种观点。这种观点是基于对模式（例如由其他信息和经验形成的趋势）的承认和解释。知识还可能包括假设和有关推理的力量。知识可以是显示的，也可以是隐式的。当我们认识到信息的意义时，我们就获得了知识。

举个例子，网购中一个消费者购买了件1000元的商品。在市场部人员看来，1000元是数据，表示了购买金额的实事；消费者购买1000元这件事（包括时间、具体商品等）是信息，包含了1000元购买产生的上下文；而购买1000元的客户最终被归结为高价值客户，这是知识，包含了对情境的理解。我们发现，越高的层级就越抽象，层级的界限就越难厘清。我们不考虑哲学层面的区分（往往涉及到认识论），从企业实践角度关注数据，信息，知识之间的区别：

数据与信息的关键区别在于上下文情境；

信息与知识关键区别在于可操作性。

区分了数据、信息、知识后，有啥好处？厘清概念最大的好处在于作为讨论和交流的基础，和对事物分而治之的深入认识。在此基础上，我们可以理解企业之中的数据管理，信息管理和知识管理。

数据管理是信息管理和知识管理的基础。其要点在于，数据范围规定，数据质量维护，数据安全管理，数据系统构建。

信息管理帮助信息消费者解释数据。其要点在于，让人能够接触到有价值的上下文，增加信息的可得性，从而增强信息消费者的理解。

知识管理的要点在于可操作性。知识可以是显性的（在机器中）和隐性的（在人脑中）。在通用人工智能出现之前，不是所有隐性知识都能被转化为显性知识。因此，在人工智能时代，知识管理的要点在于，第一，尽可能将隐性知识转化为显性知识。例如，当前很多金融领域通过NLP技术，用机器对财报和新闻进行初步理解，将结果呈现给使用者，即是将从前需要人通过阅读完成的简单知识工作的自动化；第二，尽可能促进隐性知识的交流，即增强人与人之间的交流，例如AR技术可使学习者身临其境。

未来，企业将会越来越重视数据，信息，知识与其管理。