MENU

DIKWモデルのやり方|情報共有・知識継承で使う手順をステップで解説

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。

目次

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。

  1. 何の判断や引継ぎに使うか目的を決める
  2. Dataとして事実を集める
  3. Informationとして文脈を付ける
  4. Knowledgeとして再利用できる形にまとめる
  5. Wisdomとして判断基準・選択肢へ落とす
  6. 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。

  1. 顧客の登録メールアドレスを確認する
  2. パスワード再設定メールが届くか確認する
  3. アカウントロック状態を確認する
  4. ロックなら解除手順へ案内する
  5. 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、

  1. 登録メール確認
  2. 再設定メール確認
  3. ロック状態確認
  4. 障害情報確認
  5. 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。

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!
目次