DIKW数据信息知识智慧
dikw模型
DIKW模型DIKW模型是一种学习方法、是一种汇报逻辑、也是看待和阐述世界的不同角度。
•D：data，数据。
•I：information，信息。
•K：knowledge，知识。
•W：wisdom，智慧。
这个模型的历史可以追溯于托马斯·斯特尔那斯·艾略特所写的诗－《岩石》（The Rock）。
在首段，他写道：“知识中的智慧我们在哪里丢失？资讯中的知识我们在哪里丢失？”（Where is the wisdom we have lost in knowledge? / Where is the knowledge we have lost in information?）作者提出智慧、知识、信息，三者相去甚远。
智慧源于知识，知识源于信息，但是知识和智慧相比，缺失了很多内容；信息和知识相比，也缺失很多。
数据作为所有内容的支撑，它具有涉及面广、内容多、客观存在、孤立的数字和事实等特点。
数据的获取来源众多，对于它的最佳处理方式是集中汇总，不要缺失。
举例说明，以下是四条数据：A城市本周下雨三天，多云四天；B城市本周七天都是晴天。
A城市本周平均温度是18℃；B城市本周平均温度是25℃。
信息作为数据的上一层级，它的特征是客观性、组织性、以及开始具备独立表达的能力。
但是它并非完美，因为信息往往也是孤立的，而且是不适用的，信息的价值量不大。
它是对客观事实的提炼描述，但是除了描述外也是无能为力。
举例说明，以下是从四条数据中提炼的两条信息：B城市和A城市相比晴天的天数更多；B城市比A城市的平均温度要高7℃。
数据和信息都是客观存在的，数据是客观事物的直接表述，信息是客观事物的结构化表述。
但是无论如何，它们都是在描述客观事实。
而知识，就开始有所不同，它开始掺杂主观意识和分析。
举例说明，我们从两条信息中，可提炼出一点知识：天气和温度可能存在某种关联。
智慧智慧，区别于知识，可以理解为对于未来的预判。
即知识是对过往经验的积累和总结，智慧是通过已有的知识总结对未来做预判。
DIKW模型在笔记工具类产品设计中的应用与未来方向
37DIKW模型在笔记工具类产品设计中的应用与未来方向技术基因Technology gene2019.5.20ichina文 | 乔 迁 唐绮萱在知识管理界，一直有一个经典的金字塔理论——Data （数据）、Information （信息）、Knowledge （知识）、智慧（Wisdom ），他们由下至上，组成了DIKW 金字塔模型。
数据经过整理变成信息，综合信息能解决某个问题就形成了知识，知识通过反复实践就升华成了智慧。
这是知识管理的价值获取流程，也是人类的认知习惯。
知识管理研究者们一直在研究如何提升各个环节中的转化效率，获取最大限度的知识价值。
随着互联网技术的发展，数据爆炸式增长，信息却变得更加碎片化。
互联网聚焦于信息领域，极大地促进了信息的传播。
搜索引擎的强大，使得信息不受时间的限制，即时地呈现在人们眼前。
然而，面对如此轻易获取的数据与信息，人的主动思考能力往往被弱化，缺乏对信息的判断和处理，也就没有办法总结经验、进一步形成知识和智慧。
进入二十一世纪之后，随着技术的进一步发展，在知识管理领域涌现出了许多新型的软件服务，最具代表性的是方便用户在移动端和电脑桌面端保持信息同步的云笔记产品，例如微软的云笔记产品——OneNote ，网易的云笔记产品——有道云笔记，硅谷老牌的云笔记产品——印象笔记，以及近些年新推出的云端文档类服务——腾讯文档、石墨文档、谷歌文档。
纵观这些产品的发展历程，与DIKW 模型相互验证，我们都可以看到云笔记在产品设计上充分参考了DIKW 理论，使得用户无论进行数据与信息保存、获取，还是知识沉淀、建立知识体系，都得到有力的工具支持，在知识管理金字塔中更容易向上攀升，获取更大的价值。
非结构化数据收集与长久以来各种软件所支持的结构化数据不同，笔记类产品在进行产品设计的之处，就面临着非结构化数据的大发展。
二十一世纪以来，人类的记录方式已经发生了极大的改变。
移动设备的普及，使得图片、声音甚至视频的记录变得非常方便，突破了人类数千年以来一直以文字为主的记录方式。
卫生信息学重点
卫生信息学重点----by 2014预防创新lsk名词解释：1.信息：信息是反映客观事物的现象、特征及其相互联系的一种普遍形式，是语言、文字、符号、声像、图形、消息、情报等的总称。
2.信息不对称理论：信息在交易双方之间呈不均匀，不对等的分布状态，交易双方对于各自在信息占有方面的相对地位清楚。
3.DIKW：即数据-信息-知识-智慧的DIKW体系，数据是记录下来可以被鉴别的符号，它是最原始的素材，没有经过加工解释，没有任何的意义，信息是已经被处理，具有逻辑关系的数据，是对数据的解释，这些信息对其接收者具有意义，知识是从相关的信息提炼出来的有用材料，基于推理和分析，还可能产生新的知识。
智慧是收集，加工，应用，传播知识的能力，以及对食物发展的前瞻性看法。
总之就是从噪声中分拣出数据，转化为信息，升级为知识，升华为智慧。
4.标准：是对重复性事物和概念所做的统一规定，它以科学，技术和实践经验的综合成果为基础，经有关方面协商一致，有主管机构批准，以特定形式发布，作为共同遵守的准则和依据。
5.信息源：组织或者个人为了满足其信息需要而获取信息的来源。
6.卫生信息标准：卫生事务处理过程中，信息采集，传输，交换和利用的时候所采用的统一的，规则，概念，名词，术语，代码和技术，包括信息表达标准和信息技术标准。
7.穆斯定律：指的是如果用户获取信息比不获取信息更加麻烦或者伤脑筋的时候，他就会放弃这一信息需求。
8.齐夫最小努力原则：受齐夫最小努力原则制约，人们力图把他们可能付出的平均工作消耗最小化。
用户希望在解决问题的前提下获取和吸收信息的工作量最小可见，既符合齐夫最小努力原则。
9.马太效应：对于为数不多的信息需求量大的用户，随着时间的推移，信息需求量将越来越高于平均水平。
他们在行为上表现为力图占有更多更新信息资源。
在信息资料来源不充分的情况下势必影响其他用户的信息需求。
103罗宾汉效应：大多数用户的信息需求水平总是比较平衡的。
dikw体系相关概念
dikw体系相关概念
DIKW体系是一种用于描述知识层次和价值的概念框架。
它由数据（Data）、信息（Information）、知识（Knowledge）和智慧（Wisdom）四个层次组成。
1、数据（Data）：数据是未经处理或解释的原始事实、数字、符号或观测结果的集合。
数据通常以离散的形式存在，没有明确的含义或上下文。
例如，一个数字列表、传感器读数或文本文件都可以被视为数据。
2、信息（Information）：信息是对数据进行组织、解释、加工和分析后得出的有意义的结果。
信息通过联系和关联数据元素来提供背景和上下文，从而使其有用和可理解。
信息具有结构和语义，并且能够提供答案、描述关系或解决问题。
3、知识（Knowledge）：知识是对信息的理解、应用和整合，以及与其他知识相连接的能力。
知识是通过经验、学习和推理获得的，它使人们能够理解事物的本质、原因和关系，并应用这些知识来解决问题和做出决策。
4、智慧（Wisdom）：智慧是在广泛的知识基础上形成的高级认知能力和洞察力。
智慧超越了个体的知识和经验，它涉及对伦理、价值观和社会影响的综合理解。
智慧使人们能够运用知识做出明智的决策，并利用智慧来帮助自己和他人。
DIKW体系强调了从数据到智慧的逐渐升级过程。
通过将数据转化为信息，再将信息转化为知识，最终发展为智慧，人们能够更好地理
解和应用信息，做出明智的决策，并为个人和社会创造价值。
数据,信息,知识,智慧分析与对比
数据，信息，知识，智慧分析与对比随着人类社会从工业经济时代进入知识经济时代，知识管理的出现为21世纪知识经济时代的企业组织提供必须的管理基础。
以彼得.德鲁克博士（Peter F. Drucker）和斯威比博士为代表提出的理论为知识管理领域的开拓和发展作出了杰出贡献。
知识管理（ Knowledge Management, KM ）是识别组织中的知识资产、并充分发挥知识资产的杠杆作用，来帮助企业获取竞争优势的过程。
毫无疑问，我们已经生活在知识经济和知识管理的环境当中。
每时每刻，我们身边都充满了各种各样的数据。
但只有将这些杂乱无章的数据，转换为信息和知识，才能帮助我们做出聪明的选择。
可见知识是从数据到智慧划分为不同层次的。
由于数据，信息，知识与智慧四者之间有着密切的相关性，他们常被混淆使用。
本文将重点对数据，信息，知识与智慧进行分析和对比。
一。
数据2.数据(Data) [Applehans, Globe&Laugero,1999]认为数据是一系列外部环境的事实，是未经组织的数字、词语、声音和图像等。
3.据是计算机程序加工的撛蠑。
例如，一个代数方程求解程序中所用的数据是整数和实数，而一个编译程序或文本编辑程序中使用的数据是字符串。
随着计算机软，硬件的发展，计算机的应用领域的扩大，数据的含义也扩大了。
例如，当今计算机可以处理的图象，声音等，它都被认为是数据的范畴。
4.数据泛指对客观事物的数量、属性、位置及其相互关系的抽象表示，以适合于用人工或自然的方式进行保存、传递和处理。
我们认为第四个定义较符合我们对数据的理解。
例如，水的温度是100℃，礼物的重量是500克，木头的长度是2米，大楼的高度时100层。
在这些表述中：水，温度，100℃，礼物，重量，500克，木头，长度，2米，大楼，高度，100层就是数据。
通过这些数据的描述我们的大脑里形成了对客观世界的清晰印象。
这些数据也可以同过编码被录入到计算机中。
智能制造之知识管理与知识工程体系
智能制造之知识管理与知识工程体系依据精益研发三维模型，知识（资源）是研发体系的重要维度，由五个层次构成：实物、数据、信息、智能和智慧[1]。
研发体系中知识积累和应用的层次决定了研发的智慧程度。
知识层次越高，研发智慧程度越高。
普通企业研发所用知识的层次通常是实物、数据和信息层面。
先进企业开始使用智能化知识，即将知识标准化和数字化改造之后，形成可自动运行、推理、判断和决策的知识。
可以预测，在未来工业4.0时代，基于大数据的智慧级知识将普遍应用，那时的研发将步入智慧研发时代。
[1]知识管理学术界提出DIKW（Data-Information-Knowledge-Wisdom，数据一信息一知识一智慧）模型。
出于工程实用考虑，并吸收知识工程的研究成果，本书将此模型进行发展，在底层增加“实物”，将“知识”更替为“智能”。
一、知识管理困局当前，在中国科技人才结构中，20世纪80年代毕业的大学生占比是13%，90年代毕业的大学生占比是17%，2000年以后毕业的大学生占70%。
80年代、90年代的大学生多数已经进入领导和管理岗位，所以当前在一线的技术人员中绝大多数是不足30岁的年轻人，这对中国企业来说不能不说是个严峻的问题。
因此在“十三五”期间，知识工程成为一项国家战略。
中国企业很多都曾经进行过知识管理工作，但是仍然没有走出困局：①无知识，知识梳理遇到问题，知识过于泛泛，资深员工不知如何把知识共享出来，甚至意识不到自己有知识；②弱知识，由于知识的梳理和挖掘存在问题，所以软件中的知识与工作的关系往往较弱，仅为闲来消遣之用；③死知识，当遇到问题时，设计人员通过搜索方式来寻找知识，要么搜索出太多的无关知识，要么搜索出来的知识很少，难以支持研发工作。
爱因斯坦说，问题永远不会在它发生的那个层面解决。
我们将知识管理、业务流程、人工智能等学科相融合，形成了由三个层次构成的知识工程体系，如图1所示。
知识工程体系的着眼点在于产品研发能力和质量的提升。
数据、信息、知识、智慧之间的理解,并举例说明。
数据、信息、知识、智慧之间的理解,并举例说明。
标题：数据、信息、知识、智慧之间的理解在当今信息爆炸的时代，我们常常听到关于数据、信息、知识和智慧这些词汇。
它们似乎相互关联，但又有着不同的含义和应用。
在本文中，我们将深入探讨这些概念之间的关系，并举例说明它们在现实生活中的运用。
希望通过本文的阐述，你能更深入地理解数据、信息、知识和智慧之间的区别和联系。
一、数据1. 数据的定义数据是对客观事物的描述和记录，它通常是未经加工和分析的原始素材。
它可以是数字、文字、图像、声音等形式，但在不经解释和整合的情况下，数据本身并不具有明确的意义。
一组数字“246810”就是数据，没有上下文和解释，我们无法得知它们代表什么。
2. 数据在现实中的例子在商业领域，每天产生大量的销售数据、客户数据和市场数据。
这些数据可能包括销售额、客户尊称、产品库存等。
但如果没有经过分析和解释，这些数据对企业来说并没有太大的价值。
二、信息3. 信息的定义当数据经过加工、分析和解释后，就会变成信息。
信息是具有明确意义和用途的数据，它可以帮助人们做出决策、了解情况、获取知识等。
继续以上面的例子，如果我们将销售数据分析后得出结论：“某产品在市场上的销售额持续增长”，那么这个结论就是信息。
4. 信息在现实中的例子在日常生活中，我们接触到的新闻报道、市场分析、科研成果等都属于信息的范畴。
这些信息是对客观事实和数据的解释和概括，能够为人们提供有用的参考和指导。
三、知识5. 知识的定义知识是在认知、理解和分析信息的基础上形成的经验和智慧。
它是人类对自然、社会和人生规律的理解和总结，是人类智慧的结晶。
继续以上面的例子，当企业利用市场分析的信息，形成了关于产品销售趋势和市场需求的经验和规律性认识，这就属于知识。
6. 知识在现实中的例子知识可以体现在各个领域和行业，例如科学研究、经济管理、艺术创作等。
科学家对自然规律的研究成果、企业家对市场的判断、艺术家对人生境界的领悟，都是知识的具体表现。
强化平均数的“虚拟性”特征，理解其作为“代表”的合理性
科学有效的决策日益依赖于客观数据和数据分析，数据驱动决策的理念已经成为现代决策理论的基本原则[1]。
数据素养的“DIKW”金字塔模型即“数据（Data）—信息（Information）—知识（Knowledge）—智慧（Wisdom）”[2]是统计教学的理论基础，其中，数据与信息是重中之重。
获得数据、知其蕴含的信息是小学阶段统计教学的重要内容。
只有对数据进行加工才能获得信息，平均数就是对一组原始数据加工后所得到的、能代表这组数据平均水平的信息，是小学阶段所学习的唯一的表示数据“集中趋势”的统计量。
“理解平均数的统计意义”是数据意识的重要内容，其统计意义主要体现在“理解平均数‘代表’一组数据平均水平的合理性”“如何用样本平均数推断总体水平”等方面。
小学阶段主要是前者，在课堂教学中如何落实呢？宋煜阳老师执教的《平均数（第一课时）》有许多独特思考和做法，重点体现在以下三个方面。
一、遵从学生对数据的朴素加工方式，体会存在不同的代表量加工数据的方式方法有很多种。
例如，最原始、最朴素的加工包括：将原始数据进行分类并累计每一类的个数，对数据进行排序，描述不同数据之间最基本的数量关系等；较深度的加工包括：寻找原始数据的分布样态、集中趋势（求算术平均数、中位数、众数、中程数等）、离散趋势（极差、方差、标准差等）等；还有其他更为复杂的加工，例如，数据建模，即在不同组数据之间建立结构方程，寻找各变量（数据）之间的深层次关系或蕴含的规律等。
“平均水平”是一组数据蕴含的重要信息，它是对不同组数据做比较、做判断、下结论的重要依据。
获得一组数据后，谁可以代表或者描述这组数据的平均水平呢？无论从加工数据的难易程度、还是从学生已有的生活经验来看，平均数作为代表都不是“朴素”的、学生最易接受的。
强化平均数的“虚拟性”特征，理解其作为“代表”的合理性刘加霞只有对数据进行加工才能获得信息，平均数就是对一组原始数据加工后所得到的、能代表这组数据平均水平的信息，是小学阶段所学习的唯一的表示数据“集中趋势”的统计量。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
在数据的世界里，为了信息，为了知识，为了智慧，最终目标，应该是真正和有意义生活。
这个世界上，失败的人除了天分太差之外，只有以下几点，懒，方向不对，方法不对，没有坚持。
你是哪一种呢？方向、方法是否正确取决于你的知识面、视野、思考(总结)、摸索等，而知识对多数人而言是最重要的成功基础。
所以此文值得你多多阅读几遍，理解它。
DIKW体系中文名DIKW体系定义关于数据信息知识及智慧的体系作用常用于资讯科学及知识管理.提出简介DIKW体系就是关于数据、信息、知识及智慧的体系。
当中每一层比下一层赋予某些特质。
资料层是最基本的。
资讯层加入内容。
知识层加入“如何去使用”，智慧层加入“什么时候才用”。
如此，DIKW体系是一个模型让我们了解分析、重要性及概念工作上的极限。
DIKW体系常用于资讯科学及知识管理.历史这个模型可以追溯于所写的诗－《岩石》（The Rock）。
在首段，他写道：“知识中的智慧我们在那里丢失？资讯中的知识我们在那里丢失？”（Where is the wisdom we have lost in knowledge / Where is the knowledge we have lost in information）。
哈蓝·克利夫兰根据这个1982年12月在《未来主义者》杂志中的文章－“资讯有如资源”的基础来建设这个体系。
后来这个体系得到米兰·瑟兰尼（Milan Zeleny）及（Russell .L. Ackoff）不断的扩展。
应用DIKW体系透过以下的步骤来协助研究及分析：原始观察及量度获得了资料。
分析资料间的关系获得了资讯。
这些资讯可以回答简单问题，譬如：谁？什么？哪里？什么时候？为什么？资讯是信息，意味着有听众及目的。
在行动上应用资讯产生了知识。
知识可以回答“如何？”的问题。
知识是一些可行的关系及习惯工作方式。
透过智者间的沟通及自我反省而利用知识会产生了智慧。
我们可以利用智慧解答关于行动的为什么及什么时候的问题。
智慧是关心未来。
它含有暗示及滞后影响的意味。
DIKW：数据、信息、知识、智慧的金字塔层次体系2013-10-11 10:38:55来源：CIO时代网摘要：应用DIKW体系基于对数据、信息、知识进行对比分析，可以得出知识内涵的主要内容，即知识来源于信息，但又不是信息的子集......关键词：前言知识对于个人、组织的重要性已经不言而喻。
可以说，管理与应用知识的能力已经成为企业的核心竞争力。
知识如此重要，那么，究竟何为知识呢？目前不论在学术界还是在企业界，对知识的内涵还没有一个统一的认识。
关于知识的定义，相信今后很长一段时间，也不会有一致的定义。
“知识是什么”这个问题之所以难于回答，一个重要原因在于知识紧密地依赖语境及在这个语境中的知识接收者。
与知识类似，我们通常提到的数据、信息等同样与语境密切关联，而且在实际应用中，这三个词汇经常会被混用，这恰好也为我们提供了另外一个对于知识的内涵进行描述的思路，即通过对数据、信息、知识进行比较分析，来描述而非准确定义知识。
而且，幸运的是，在实际应用中，我们同样不必纠结于学术层面知识的准确定义。
本文试图通过数据-信息-知识-智慧的DIKW层次体系，分析四者之间的联系与区别，以及在实际应用中的作用，对知识的内涵和价值进行阐述。
关于DIKW体系DIKW体系是关于数据、信息、知识及智慧的体系，可以追溯至托马斯·斯特尔那斯·艾略特所写的诗--《岩石》。
在首段，他写道：“我们在哪里丢失了知识中的智慧？又在哪里丢失了信息中的知识？”（Where is the wisdom we have lost in knowledge？/ Where is the knowledge we have lost in information？）。
1982年12月，美国教育家哈蓝·克利夫兰引用艾略特的这些诗句在其出版的《未来主义者》一书提出了“信息即资源”（Information as a Resource）的主张。
其后，教育家米兰·瑟兰尼、管理思想家罗素·艾可夫进一步对此理论发扬光大，前者在1987年撰写了《管理支援系统：迈向整合知识管理》（Management Support Systems: Towards Integrated Knowledge Management ），后者在1989年撰写了《从数据到智慧》（“From Data to Wisdom”，Human Systems Management ）。
DIKW体系将数据、信息、知识、智慧纳入到一种金字塔形的层次体系，每一层比下一层都赋予的一些特质。
原始观察及量度获得了数据、分析数据间的关系获得了信息。
在行动上应用信息产生了知识。
智慧关心未来，它含有暗示及滞后影响的意味。
数据、信息、知识与智慧的关系通过DIKW模型分析，可以看到数据、信息、知识与智慧之间既有联系，又有区别。
数据是记录下来可以被鉴别的符号。
它是最原始的素材，未被加工解释，没有回答特定的问题，没有任何意义；信息是已经被处理、具有逻辑关系的数据，是对数据的解释，这种信息对其接收者具有意义。
举个例子，数据：37.5通过这个你能看出什么吗？估计很难？信息：姓名：陈浩男年龄：1.5岁性别：女地址：广东省广州市天河区时间：2006年6月8日13点20分腋下体温：37.5摄氏度自述：孩子在楼下玩，回来后看到小脸特别红，测量体温为37.5度这个时候，这个37.5有意义了，是一个广州的1岁半的小女孩在夏天午后玩了后测试的体温。
在这样的背景下，37.5成为了有意义的信息中的一个关键指标。
知识是从相关信息中过滤、提炼及加工而得到的有用资料。
特殊背景/语境下，知识将数据与信息、信息与信息在行动中的应用之间建立有意义的联系，它体现了信息的本质、原则和经验。
此外，知识基于推理和分析，还可能产生新的知识。
最后来看智慧，智慧，是人类所表现出来的一种独有的能力，主要表现为收集、加工、应用、传播知识的能力，以及对事物发展的前瞻性看法。
在知识的基础之上，通过经验、阅历、见识的累积，而形成的对事物的深刻认识、远见，体现为一种卓越的判断力。
整体来看，知识的演进层次，可以双向演进。
从噪音中分拣出来数据，转化为信息，升级为知识，升华为智慧。
这样一个过程，是信息的管理和分类过程，让信息从庞大无序到分类有序，各取所需。
这就是一个知识管理的过程。
反过来，随着信息生产与传播手段的极大丰富，知识生产的过程其实也是一个不断衰退的过程，从智慧传播为知识，从知识普及为信息，从信息变为记录的数据。
知识的内涵与价值应用DIKW体系基于对数据、信息、知识进行对比分析，可以得出知识内涵的主要内容，即知识来源于信息，但又不是信息的子集，它是经过“理解”后，关联了具体情境的、可以指导“如何”行动的信息，它具有如下几个特征：·隐性特征：需要从信息中进行归纳、总结、提炼；·行动导向特征：知识是信息的具体应用，能够直接推动人的决策和行为，加速行动过程；·资本特征：是企业重要资产，可以通过应用获得价值；·情境特征：在规定的情境下起作用；·延展生长特征：知识在应用、交流的过程中，被不断丰富和拓展；·生命特征：知识是有产生、发展、衰退的生命周期。
这种内涵下，知识的价值又是什么呢？如前所述，数据是数字、文字、图像、符号等，在没有被处理之前，本身不代表任何潜在的意义。
而当通过某种方式对数据进行组织和分析时，数据的意义才显示出来，从而演变为信息，信息可以对某些简单的问题给予解答，譬如：谁？什么？哪里？什么时候？知识是在对信息进行了筛选、综合、分析等等过程之后产生的。
它不是信息的简单累加，往往还需要加入基于以往的经验所作的判断。
因此，知识可以解决较为复杂的问题，可以回答“如何？”的问题，能够积极地指导任务的执行和管理，进行决策和解决问题。
综上，在当今海量数据、信息爆炸时代下，知识起到去伪存真、去粗存精的作用。
知识使信息变得有用，可以在具体工作环境中，对于特定接收者解决“如何”开展工作的问题，提高工作的效率和质量。
同时，知识的积累和应用，对于启迪智慧，引领未来起到了非常重要的作用。
最后，有一点需要补充说明的是，数据、信息、知识依赖于语境、依赖于接收者本身，三者之间的区别并非泾渭分明。
某个经过加工的数据对某个人来说是信息，而对另外一个人来说则可能是数据；一个系统或一次处理所输出的信息，可能是另一个系统或另一次处理的原始数据。
同时，在某个语境下是知识的内容，在另外的语境中，可能就是信息，甚至是无意义的数据。
因此，在进行数据、信息与知识的研究与应用时，要与特定语境（即人、任务等）进行结合才有意义。
数据，信息，知识，智慧分析与对比随着人类社会从工业经济时代进入知识经济时代，知识管理的出现为21世纪知识经济时代的企业组织提供必须的管理基础。
以彼得.德鲁克博士（Peter F. Drucker）和斯威比博士为代表提出的理论为知识管理领域的开拓和发展作出了杰出贡献。
知识管理（Knowledge Management, KM ）是识别组织中的知识资产、并充分发挥知识资产的杠杆作用，来帮助企业获取竞争优势的过程。
毫无疑问，我们已经生活在知识经济和知识管理的环境当中。
每时每刻，我们身边都充满了各种各样的数据。
但只有将这些杂乱无章的数据，转换为信息和知识，才能帮助我们做出聪明的选择。
可见知识是从数据到智慧划分为不同层次的。
由于数据，信息，知识与智慧四者之间有着密切的相关性，他们常被混淆使用。
本文将重点对数据，信息，知识与智慧进行分析和对比。
一。
数据从图一我们可以看到，数据是知识阶层中最底层也是最基础的一个概念。
数据是形成信息，知识和智慧的源泉。
关于数据的定义，比较典型的我们可以看到以下几种：1.数据是对现实生活的理性描述，尽可能地从数量上反映现实世界。
也包括汇总、排序、比例、等等处理。
2.数据(Data) [Applehans, Globe&Laugero,1999]认为数据是一系列外部环境的事实，是未经组织的数字、词语、声音和图像等。
3.据是计算机程序加工的“原料”。
例如，一个代数方程求解程序中所用的数据是整数和实数，而一个编译程序或文本编辑程序中使用的数据是字符串。
随着计算机软，硬件的发展，计算机的应用领域的扩大，数据的含义也扩大了。
例如，当今计算机可以处理的图象，声音等，它都被认为是数据的范畴。
4.数据泛指对客观事物的数量、属性、位置及其相互关系的抽象表示，以适合于用人工或自然的方式进行保存、传递和处理。
我们认为第四个定义较符合我们对数据的理解。
例如，水的温度是100℃，礼物的重量是500克，木头的长度是2米，大楼的高度时100层。