DIKWモデルは、集めたデータをそのまま共有するのではなく、意味づけされた情報、再利用できる知識、状況に応じた判断へ段階的に高めるための考え方です。
DIKWは、一般に次の4段階で整理されます。
- Data:事実・数値・記録
- Information:文脈や意味が付いた情報
- Knowledge:再利用できるルール・パターン・ノウハウ
- Wisdom:目的や状況に応じた判断・選択
情報共有や知識継承でよくある失敗は、「資料を置いた」「FAQを増やした」「ログを残した」だけで終わることです。データが蓄積されても、次の担当者が判断に使えなければ、知識継承にはなりません。
この記事では、DIKWモデルを実務で使う手順を、各ステップの入力・行動・出力・判断基準と、問い合わせ対応業務の通し例で解説します。
DIKWモデルの意味や基本構造から確認したい場合は、DIKWモデルとは?を参照してください。
DIKWモデルを実務で使う全体像
実務では、次の順番で進めると扱いやすくなります。
- 何の判断や引継ぎに使うか目的を決める
- Dataとして事実を集める
- Informationとして文脈を付ける
- Knowledgeとして再利用できる形にまとめる
- Wisdomとして判断基準・選択肢へ落とす
- 実際に使って、足りないデータや知識を戻して更新する
重要なのは、DIKWを「上へ行くほど偉い階層」と見ることではありません。目的に応じて、どの段階まで整理すれば実務で使えるかを考えることです。
ステップ1|まず「何に使う情報か」を決める
最初に、共有や継承の目的を明確にします。
入力
- 現在の業務課題
- 引継ぎ対象
- 読み手・利用者
- 必要な判断
例
カスタマーサポートで、問い合わせ対応の属人化が問題になっているとします。
目的を、
新任担当者でも、よくある問い合わせに対して、必要な確認事項を押さえ、適切な対応方針を選べる状態にする
と定義します。
出力
- 利用者
- 利用場面
- 必要な判断
- 完了状態
判断基準
「何を共有するか」ではなく、「共有された人が何をできるようになるか」を1文で説明できるか確認します。
ステップ2|Dataとして事実を集める
次に、まだ解釈を加えず、実際に起きたことを集めます。
問い合わせ対応で集めるDataの例
- 問い合わせ日時
- 顧客属性
- 商品名・プラン
- 問い合わせ分類
- 問い合わせ本文
- 対応者
- 初回回答までの時間
- 解決までの時間
- エスカレーション有無
- 最終回答
- 再問い合わせ有無
行動
既存の問い合わせ管理システム、チャット履歴、メール、チケットを確認し、必要な項目を揃えます。
出力
事実ベースの記録一覧。
判断基準
- 推測や感想が混ざっていないか
- 日付・件数・分類などの事実が取れるか
- 後から追跡できるか
Dataの段階では、「この問い合わせは難しい」「顧客が怒っている」といった評価を入れすぎないようにします。
ステップ3|Informationとして文脈を付ける
Dataだけでは、何が重要か分かりません。
次に、集めたDataを分類・比較・要約し、意味のあるInformationにします。
例
100件の問い合わせ記録を集めた結果、次のような傾向が分かったとします。
- 40件:ログインできない
- 25件:請求金額に関する質問
- 15件:解約方法
- 20件:その他
さらに、「ログインできない」40件を分けると、
- パスワード忘れ:18件
- アカウントロック:12件
- メールアドレス誤入力:6件
- 障害発生中:4件
でした。
ここまで整理すると、単なるチケット一覧ではなく、頻出原因や件数が見えるInformationになります。
行動
- 分類する
- 集計する
- 比較する
- 時系列で見る
- 条件別に分ける
出力
「何がどのくらい起きているか」が分かる整理結果。
判断基準
- Dataに文脈や比較軸が付いたか
- 読み手が傾向を理解できるか
- 次の分析につながる単位で分類されているか
ステップ4|Knowledgeとして「再利用できる知識」に変える
Informationが分かっても、次にどう対応するかが分からなければ実務では使えません。
そこで、繰り返し使えるパターン・手順・判断ルールへ変えます。
例|ログインできない問い合わせ
Informationから、次のようなKnowledgeを作ります。
- 顧客の登録メールアドレスを確認する
- パスワード再設定メールが届くか確認する
- アカウントロック状態を確認する
- ロックなら解除手順へ案内する
- 障害情報が出ていれば個別操作ではなく障害案内へ切り替える
さらに、
- パスワード忘れとアカウントロックを最初に切り分ける
- 同一顧客で再問い合わせがある場合は、前回対応履歴を確認する
- 障害中は個別パスワード変更を案内しない
という判断ルールも残します。
出力
- 手順
- FAQ
- 判断ルール
- チェックリスト
- 例外条件
判断基準
新任担当者が見て「次に何をするか」を決められるか確認します。
単なる説明文ではなく、行動へつながる形になっていることが重要です。
ステップ5|Knowledgeに「例外」と「条件」を加える
知識継承が失敗しやすいのは、標準手順だけを書いて例外を残さないケースです。
例
通常はパスワード再設定を案内しますが、
- 法人契約で管理者制御がある
- SSOを利用している
- 不正アクセス疑いがある
- 全体障害が発生している
場合は、同じ手順を使えない可能性があります。
行動
- 標準ケース
- 例外ケース
- エスカレーション条件
- やってはいけないこと
をKnowledgeへ追記します。
判断基準
「この手順を使ってはいけない場面」が説明できるか確認します。
ステップ6|Wisdomとして「どう判断するか」へ落とす
Wisdomは、単なる手順の暗記ではありません。
目的や状況に応じて、どの知識を使うかを判断する段階です。
例
問い合わせが「ログインできない」でも、状況によって最初の一手は変わります。
#### ケースA
- 個人利用
- 障害情報なし
- パスワード忘れの可能性が高い
→ パスワード再設定を案内する。
#### ケースB
- 法人SSO利用
- 複数利用者で同時発生
→ 個別パスワードではなく、SSO設定や全体影響を確認する。
#### ケースC
- 短時間に多数のログイン失敗
- 不正アクセスの可能性
→ 通常FAQではなく、セキュリティ対応へエスカレーションする。
出力
- 判断基準
- 優先順位
- 選択肢
- エスカレーション条件
判断基準
「状況Aなら対応X、状況Bなら対応Y」と使い分けられるか確認します。
ステップ7|Data→Information→Knowledge→Wisdomを1セットで記録する
実務では、4段階を別々の資料にしすぎるとつながりが見えなくなります。
1つのテーマについて、次のように紐づけておくと使いやすくなります。
Data
ログイン不可問い合わせ40件。
Information
内訳は、パスワード忘れ18件、ロック12件、メール誤入力6件、障害4件。
Knowledge
最初に登録メール、再設定メール、ロック状態、障害有無を確認する。ロックなら解除、障害なら障害案内へ切り替える。
Wisdom
複数利用者で同時発生している場合は個人起因と決めつけず、障害・SSO・共通基盤の問題を優先確認する。
このセットがあると、「なぜその手順なのか」まで追いやすくなります。
ステップ8|知識の根拠を残す
KnowledgeやWisdomだけを残すと、時間が経ったときに「なぜこのルールなのか」が分からなくなることがあります。
そのため、
- 根拠となった問い合わせ件数
- 過去の事故・事例
- ルール変更日
- 対象バージョン
- 作成者・確認者
を残します。
判断基準
後任者が「この知識は今も使えるか」を確認できるか見ます。
ステップ9|共有先に合わせて粒度を変える
同じDIKWでも、読み手によって必要な粒度は異なります。
現場担当者向け
- 具体的な確認手順
- 判断条件
- 例外
- エスカレーション先
管理者向け
- 問い合わせ傾向
- 頻出原因
- 対応時間
- 改善優先順位
経営・企画向け
- 顧客影響
- 改善投資の必要性
- サービス上の重要課題
判断基準
同じデータを全員にそのまま見せるのではなく、「その人が何を判断するか」に合わせてInformation・Knowledge・Wisdomの粒度を変えます。
ステップ10|使った結果をDataへ戻す
DIKWは一方向に上がって終わりではありません。
KnowledgeやWisdomを使った結果、新しいDataが生まれます。
たとえば、ログイン対応手順を変更した後、
- 初回回答時間が短くなったか
- 再問い合わせ率が下がったか
- エスカレーション件数が変わったか
をDataとして取り直します。
効果がなければ、分類や手順、判断基準を見直します。
判断基準
知識を作って終わらず、実際に使った結果で更新しているか確認します。
通し例|問い合わせ対応の知識継承をDIKWで整理する
あるサポートチームでは、ベテラン担当者が異動することになり、ログイン関連問い合わせの引継ぎが必要になりました。
既存資料にはFAQがありましたが、項目が増えすぎて、新任担当者はどれを使えばよいか迷っていました。
1. 目的を設定
新任担当者が、ログイン不可問い合わせの原因を切り分け、標準対応かエスカレーションかを判断できる状態にする
としました。
2. Dataを収集
直近3か月のログイン関連40件について、
- 問い合わせ内容
- 顧客種別
- 原因
- 最終対応
- 解決時間
- 再問い合わせ
を集めました。
3. Informationへ整理
原因別に、
- パスワード忘れ18件
- アカウントロック12件
- メール誤入力6件
- 障害4件
と分類しました。
また、ロック案件では、最初にパスワード再設定を案内したケースほど解決が遅い傾向がありました。
4. Knowledgeを作成
標準確認順を、
- 登録メール確認
- 再設定メール確認
- ロック状態確認
- 障害情報確認
- 契約・認証方式確認
としました。
さらに、
- ロックなら解除手順
- 障害中は個別変更を案内しない
- 法人SSOなら管理者・認証基盤を確認
という分岐を加えました。
5. Wisdomへ落とす
「複数利用者で同時発生」「法人SSO」「短時間の多数失敗」などの場合は、通常FAQより共通基盤・セキュリティ確認を優先する、と判断基準を決めました。
6. 新任担当者で試す
新任担当者に5件の過去ケースを使って対応判断してもらいました。
すると、「メール誤入力」と「ロック」の切り分けはできましたが、「複数ユーザー同時発生」を個別障害として扱うケースがありました。
7. KnowledgeとWisdomを更新
そこで、最初の確認項目に、
- 同じ現象が他利用者にも出ていないか
を追加しました。
また、複数利用者で同時発生した場合は、個別対応より障害・認証基盤確認を優先する、と判断基準を強調しました。
結果
資料を増やすのではなく、
- 事実を集める
- 傾向を整理する
- 再利用できる手順へする
- 状況別の判断基準へする
という流れで、引継ぎ資料を「読む資料」から「判断に使える知識」へ変えられました。
情報共有でDIKWを使うときの判断基準
Dataで止まっている状態
- ログや数値はある
- 何が多いか分からない
- 読み手ごとに解釈が違う
Informationまで進んだ状態
- 分類・集計されている
- 傾向が分かる
- 比較できる
Knowledgeまで進んだ状態
- 再利用できる手順・ルールがある
- 例外が整理されている
- 新しい担当者が行動できる
Wisdomまで進んだ状態
- 状況に応じて手順を使い分けられる
- 優先順位やエスカレーションを判断できる
- 目的に照らして選択できる
DIKWでつまずきやすいポイント
Dataを集めること自体が目的になる
件数やログを増やしても、利用場面が決まっていなければ価値が出ません。
InformationとKnowledgeを混同する
「ログイン問い合わせの45%がパスワード関連」はInformationです。「まず再設定メールとロック状態を確認する」はKnowledgeです。
Knowledgeを手順書だけにする
例外や判断条件がないと、少し違う状況で使えません。
Wisdomを経験者の勘のまま残す
ベテランが「なんとなく危ない」と判断しているなら、何を見てそう判断したか言語化します。
古い知識を更新しない
サービス仕様や顧客構成が変われば、以前のKnowledgeやWisdomが使えなくなることがあります。
よくある失敗は、DIKWモデルで失敗しやすいポイントで詳しく確認できます。
関連記事で実践を深める
そのまま使える記入形式が必要なら、DIKWモデルテンプレートが役立ちます。
具体案件への適用イメージを追いたい場合は、DIKWモデルの具体例を参照してください。
生成AIを補助的に使って、Dataの分類、Informationの要約、Knowledge候補の整理を効率化したい場合は、生成AIでDIKWモデルを使う方法も確認してください。
実務で使うためのチェックリスト
- 何の判断・引継ぎに使うか決めたか
- Dataを事実として集めたか
- Dataに推測や評価を混ぜていないか
- Informationとして分類・比較・集計したか
- Knowledgeとして再利用できる手順にしたか
- 標準だけでなく例外条件を入れたか
- Wisdomとして状況別の判断基準を作ったか
- KnowledgeやWisdomの根拠を残したか
- 読み手ごとに粒度を変えたか
- 実際に使った結果を新しいDataとして取り直したか
- 古い知識を定期的に見直しているか
まとめ
DIKWモデルを実務で使うときは、Dataを集めるだけで終わらず、Informationとして意味づけし、Knowledgeとして再利用できる手順やルールへ変え、Wisdomとして状況に応じた判断基準へ落とすことが重要です。
情報共有では「何を見せるか」だけでなく、「相手が何を判断できるようになるか」から逆算します。知識継承では、標準手順だけでなく例外、エスカレーション条件、根拠まで残すことで、経験者の判断を引き継ぎやすくなります。
DIKWは一方向の階段ではありません。KnowledgeやWisdomを使った結果を新しいDataとして集め、分類・手順・判断基準を更新していくことで、情報共有と知識継承を継続的に改善できます。