NOTE
کجاست خردی که در دانش گم کرده‌ایم؟ کجاست دانشی که در اطلاعات گم کرده‌ایم؟ – تی. اس. الیوت، شعر «صخره» (The Rock)، ۱۹۳۴
🏔️ هرمی که همه جا هست، ولی کمتر کسی درست نگاهش می‌کند
اگر تا امروز اسم DIKW (مخفف Data–Information–Knowledge–Wisdom) به گوشتان نخورده، تصویرش را حتماً دیده‌اید: هرمی چهارطبقه که از پایین به بالا، داده را به بصیرت تبدیل می‌کند. این مدل، یکی از پرکاربردترین چارچوب‌ها در علم اطلاعات و مدیریت دانش است — و جالب اینجاست که خاستگاهش نه یک متخصصِ IT، بلکه یکی از پیشگامان تفکر سیستمی بوده است.
📚 از کجا آمد؟
نسخه‌ی شعری و فلسفیِ این ایده را تی. اس. الیوت در سال ۱۹۳۴ در شعر «صخره» سروده بود — همان بیتی که بالای این متن آمد. اما صورت‌بندیِ رسمی و کاربردیِ آن به‌عنوان یک مدل، به راسل آکاف (Russell L. Ackoff) برمی‌گردد؛ در مقاله‌ای به نام «از داده تا خرد» (From Data to Wisdom) که در سال ۱۹۸۹ منتشر شد.
نکته‌ای که ارزش تأکید دارد: آکاف یک نظریه‌پرداز پژوهش عملیاتی (Operations Research) و از چهره‌های مهمِ تفکر سیستمی بود — دقیقاً همان سنتی که سیستوفیا از دلش حرف می‌زند. یعنی این مدل، از ابتدا برای فهمِ سازمان‌ها و سیستم‌ها ساخته شده، نه صرفاً برای دیتابیس و IT.
🧱 چهار طبقه‌ی هرم
| طبقه | تعریف | مثال سازمانی |
|---|---|---|
| داده (Data) | نماد خام، بدون تفسیر | «۱۲۰» |
| اطلاعات (Information) | داده + زمینه (Context) — پاسخ به «چه، کِی، کجا، چند» | «۱۲۰ سفارش در تیر ۱۴۰۵ ثبت شد» |
| دانش (Knowledge) | الگوی تکرارشونده در اطلاعات — پاسخ به «چگونه» | «سفارش‌ها هر پنجشنبه اوج می‌گیرد» |
| بصیرت/خرد (Wisdom) | قضاوت درباره‌ی «چرا» و «چه باید کرد» | «چون پنجشنبه‌ها اوج تقاضاست، نیروی انبار را برای آن روز افزایش بده» |
آکاف بعدها یک طبقه‌ی پنجم هم اضافه کرد: فهم (Understanding)، بینِ دانش و خرد — جایی که آدم می‌فهمد چرا الگو، همان الگوست، نه فقط اینکه الگو چیست.
⚠️ نقدی که نباید نادیده گرفت
این هرم آنقدر ساده و زیباست که خطرِ باور کورکورانه بهش هم زیاد است. چند نقد جدی به آن وارد است:
- خطیِ نیست: در عمل، مسیر از داده به خرد، پلکانیِ یک‌طرفه نیست؛ بارها پیش می‌آید که یک بصیرت قبلی، تعیین می‌کند اصلاً چه دیتایی جمع‌آوری شود (که دقیقاً پیوند می‌خورد به بحثِ نظریه اول یا داده اول).
- مرزها روشن نیستند: خط فاصل بین «اطلاعات» و «دانش» در عمل، همیشه واضح نیست.
- «خرد» قابل‌عملیاتی‌سازی نیست: داده و اطلاعات را می‌شود اندازه گرفت؛ خرد را نه — و همین باعث می‌شود خیلی از پروژه‌های «تبدیل داده به بصیرت» در همان لایه‌ی دوم و سوم (اطلاعات و دانش) گیر بمانند و ادعای بصیرت بدهند.
🎯 چرا برای تحلیل‌گر سیستم مهم است؟
بیشتر شکست‌های پروژه‌های داده‌محور (از جمله در استقرار سیستم‌های سازمانی) از همین‌جا می‌آید: سازمان فکر می‌کند چون داده و گزارش (Information) دارد، پس بصیرت هم دارد. اما گزارش داشتن، با فهمیدنِ چرا و تصمیم‌گرفتنِ درست، خیلی فاصله دارد. این دقیقاً همان چیزی است که در هوشمندسازی روی فرایند معیوب، یعنی اتوماسیونِ بوی بد هم گفته شد: داشتنِ داده و حتی گزارش خودکار، اگر فرایند و تصمیم‌گیریِ پشتش معیوب باشد، به بصیرت نمی‌رسد.
DIKWداده_اطلاعات_دانش_خردراسل_آکافتفکر_سیستمیمدیریت_دانش
مرتبط: نظریه اول یا داده اول؛ دو نگاه به تحلیل داده، هوشمندسازی روی فرایند معیوب، یعنی اتوماسیونِ بوی بد