متن کاوی

آیا از هرم DIKW چیزی شنیده اید؟ اگر نه ، شما تنها نیستید چون من هم کمی پیش مثل شما بودم. اما اگر شما در پی چگونگی تصمیم گیری مبتنی بر داده هستید ، ادامه مطلب را بخوانید.

هرم DIKW مخفف (Data,Information,Knowledge,wisdom)یا همان هرم دانش(Knowledge pyramid)است.

هرم DIKW روابط بین داده ، اطلاعات ، دانش و خرد را نشان می دهد. هر بلوک ساختمانی گامی به سوی سطح بالاتر است .ابتدا داده می آید ، سپس اطلاعات ، بعدی دانش است و سرانجام خرد می آید. هر مرحله به سوالات مختلف در مورد داده های اولیه پاسخ می دهد و به آنها ارزش می دهد. هرچه اطلاعات خود را با معنی و زمینه، غنی کنیم ، دانش و بینش بیشتری از آنها می گیریم تا بتوانیم تصمیمات بهتر ، آگاهانه و مبتنی بر داده اتخاذ کنیم.

بنابراین ، بیایید نگاهی بیندازیم به اجزای جداگانه هرم دانش و نحوه حرکت ما از یک سطح به دیگری.

داده (Data)

در بنیان هرم داده ها هستند ، همان چیزی است که هر چیز دیگری بر اساس آن ساخته شده است. داده ها مجموعه ای از واقعیت ها به شکل خام یا غیر سازمان یافته مانند اعداد یا حروف است.

چیزی که باید توجه داشته باشیم ،درک این داده ها برای هدایت تصمیمات استراتژیک رشد، ضروری است ، اما درک ، تمیز کردن و به روزرسانی این داده ها کار دشواری است و به یک انرژی فوق العاده متمرکز و اختصاصی نیاز دارد. همچنین بسیار مهم است که اطمینان حاصل کنید که از داده های صحیح سوال درستی می پرسید ، مسئله ای رایج که غالباً رفع نمی شود. اما اگر از داده های اشتباه برای پاسخ به یک سوال برای رسیدن به رشد استفاده می کنید ، ممکن است بخشهای مهمی از جمعیت خود را در تجزیه و تحلیل خود از دست داده و با استفاده از داده های منسوخ یا قدیمی درخطرقرار بگیرید و از صحنه رقابت خارج شوید.

با این حال ، بدون زمینه ، داده ها می توانند معنی کمی داشته باشند. به عنوان مثال ، 20120112 فقط دنباله ای از اعداد بدون اهمیت ظاهری است. اما اگر آن را در متن "این یک تاریخ است" مشاهده کنیم ، می توانیم 12 ژانویه 2012 را به راحتی تشخیص دهیم. با افزودن زمینه و مقدار به اعداد ، آنها اکنون معنای بیشتری پیدا می کنند.

به این ترتیب ، توالی خام اعداد را تبدیل کرده ایم به 

اطلاعات(Information)

اطلاعات سطح بعدی هرم DIKW است. اطلاعات داده هایی است که از خطاها "پاک" شده و بیشتر به روشی پردازش شده است که اندازه گیری ، تجسم و تجزیه و تحلیل برای یک هدف خاص را آسان می کند و همچنین داده هایی است که از طریق یک سکوی تحلیلی مورد پرس و جو قرار گرفته یا توسط یک تیم تحلیلی رمزگشایی شده است ،که شروع به دادن معنا و هدف به داده ها می کند.

بسته به این منظور ، پردازش داده می تواند شامل عملیات مختلفی از جمله ترکیب مجموعه های مختلف داده (تجمیع) ، اطمینان از مناسب و دقیق بودن داده های جمع آوری شده (اعتبار سنجی) و غیره باشد. به عنوان مثال ، ما می توانیم داده های خود را به گونه ای سازمان دهیم که روابط بین نقاط مختلف داده به ظاهر متفاوت و جدا از هم به گونه ای شفاف نشان داده شود. به طور خاص ، ما می توانیم عملکرد شاخص بازار سهام را با ایجاد یک نمودار از نقاط داده برای یک دوره زمانی خاص ، بر اساس داده ها در هر روز ، تجزیه و تحلیل کنیم.

با پرسیدن سوالات مرتبط در مورد "چه کسی" ، "چه" ، "چه زمانی" ، "کجا" و غیره ، می توانیم اطلاعات ارزشمندی را از داده ها بدست آوریم و آنها را برای ما مفیدتر کنیم.

اما وقتی به سوال "چگونه" می رسیم ، این همان چیزی است که باعث جهش از اطلاعات به سمت دانش می شود.

دانش(Knowledge)

دانش آن دسته از داده هاییست که درست هستند و بیانگر ترکیب چندین منبع اطلاعات در طول زمان است. دانش اغلب به صورت چارچوب ، تئوری و راه حل های بالقوه برای مشکلات یا تصمیمات موجود است.

سوالاتی مثل:

"چگونه" اطلاعات حاصل از داده های جمع آوری شده با اهداف ما مرتبط است؟ "چگونه" قطعات این اطلاعات برای افزودن معنی و ارزش بیشتر به سایر قطعات متصل می شوند؟ و ، شاید مهمتر از همه ، "چگونه" می توانیم اطلاعات را برای رسیدن به هدف خود اعمال کنیم؟

در واقع هنگامی که ما فقط اطلاعات را به عنوان توصیف واقعیت های جمع آوری شده مشاهده نمی کنیم ، بلکه می فهمیم که چگونه آنها را برای دستیابی به اهداف خود اعمال می کنیم ، آنها را به دانش تبدیل می کنیم. این دانش غالباً همان برتری است که بنگاهها نسبت به رقبا دارند و مزیت رقابتی آنها محسوب می شود مخصوصا در دنیای امروز که دانش در سازمان ها حرف اول را می زند و مدیریت این دانش در سطح سازمان و محیط بیرونی سازمان از اهمیت بالایی برای سازمان برخوردار است. همانطور که روابطی را که صریحاً به عنوان اطلاعات بیان نشده اند کشف می کنیم ، بینش عمیق تری پیدا می کنیم که ما را بالاتر در هرم DIKW قرار می دهد.

اما فقط وقتی از دانش و بینش به دست آمده از اطلاعات برای تصمیم گیری های فعال استفاده می کنیم ، می توان گفت که به مرحله نهایی "خرد" هرم دانش رسیده ایم.

خرد(Wisdom)

چگونه می توان داده ها را با استفاده از خرد هرم دانش مقیاس بندی کرد؟

خرد ، حالت ایده آل است و در راس سلسله مراتب DIKW است و برای رسیدن به آنجا ، ما باید به سوالاتی مانند "چرا کاری انجام دهیم" و "بهترین کار چیست" پاسخ دهیم. به عبارت دیگر ، خرد علمی است که در عمل به کار می رود.و در طول زمان ما علاوه بر IQ به EQ هم نیاز داریم تا به خرد برسیم.

همچنین می توانیم بگوییم ، اگر داده ها و اطلاعات مانند نگاهی به گذشته باشد ، دانش و خرد با آنچه اکنون انجام می دهیم و آنچه می خواهیم در آینده به دست آوریم مرتبط است. در واقع به زبانی ساده تر داده و اطلاعات گذشته نگر و دانش و خرد حال نگر وآینده نگرهستند.

ما معتقدیم که مشتریان ما متخصصان واقعی بازار هستند و به همین ترتیب ، آنها تنها کسانی هستند که خرد تصمیم گیری صحیح استراتژیک برای بازار خود را دارند ، فقط لازم است که برای انجام این کار توانمند شوند. هدف ما بازگرداندن وقت از دست رفته به بازاریابان ، برنامه ریزان استراتژیک ، تیم های توسعه کسب و کار و تصمیم گیری استراتژیک بهتر با سرعت بیشتر و نتایج معنی دارتر است.

چگونه بنگاه ها و سازمان ها در هرم دانش بالا می برند؟

بازاریاب ها و استراتژیست های بیشتر سازمان ها اغلب درگیر علف های هرز داده ها می شوند و بیشتر وقت خود را در پایین این هرم می گذرانند ، به تفسیر ، تمیز کردن ، به روزرسانی و تلاش برای درک اطلاعات خود می پردازند. در این صورت زمان کمتری را برای تفکر استراتژیک بالاتر ( زمان صرف شده در فضای دانش و خرد )جایی که بهترین تصمیمات گرفته می شود ، باقی می گذارد.

یکی از روشهای آسان و سریع شرکت ها در برداشتن گامها از داده ها به اطلاعات تا دانش ، استفاده از فن آوری های معنایی مانند داده های پیوندی و پایگاه داده های نمودار معنایی است. این فن آوری ها می توانند بین داده های متفاوت و ناهمگن پیوند ایجاد کرده و دانش جدید را از واقعیت های موجود استنتاج کنند.

منبع:https://www.forbes.com/