DIKWモデルは、ばらばらの事実や記録を、意味のある情報、再利用できる知識、状況に応じた判断へ段階的に変えていく考え方です。
Data、Information、Knowledge、Wisdomの4段階で整理することで、「記録はたくさんあるのに、現場で使える知識になっていない」「ベテランは判断できるが、新任担当者は迷う」といった情報共有・知識継承の課題を構造的に整理できます。
この記事では、カスタマーサポートで繰り返し発生していた「ログインできない」という問い合わせを題材に、DIKWモデルをどのように適用し、問い合わせログから判断基準まで変換したかを、背景、課題、実際の整理、判断、結果、学びまで通して解説します。
DIKWモデルの基本概念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。実務での作り方を手順で確認したい場合は、DIKWモデルのやり方が役立ちます。
ケースの背景|問い合わせ履歴は大量にあるのに、新任担当者が毎回迷っていた
あるSaaS企業のカスタマーサポート部門では、「ログインできない」という問い合わせが毎週のように発生していました。
問い合わせ管理システムには過去の対応履歴が多数残っています。担当者名、問い合わせ日時、顧客種別、問い合わせ内容、原因、最終対応、対応時間なども記録されていました。
しかし、新任担当者からは次の声が出ていました。
- 過去ログを検索しても、似た事例が多すぎてどれを見ればよいか分からない
- パスワード忘れとアカウントロックをどう切り分けるか迷う
- 法人SSO利用者のとき、どこまで自社側で確認すべきか分からない
- 複数ユーザーから同時に問い合わせが来たとき、個別対応でよいか判断できない
- ベテランはすぐ判断するが、その根拠が文書化されていない
つまり、Dataは豊富にあるものの、現場で再利用できるKnowledgeやWisdomになっていませんでした。
課題|「記録」と「使える知識」が分断されていた
問い合わせ履歴には事実が残っています。
ただし、事実が多いだけでは、次に同じような問い合わせが来たときの判断には直接使えません。
必要だったのは、
- どの事実を集めるか
- どの観点で分類するか
- どんな対応パターンが再利用できるか
- 例外時に何を確認するか
- 状況によって判断を変える基準は何か
を明確にすることでした。
なぜDIKWモデルを使ったのか
このケースでは、単にマニュアルを追加するだけでは足りませんでした。
マニュアルの元になる事実や分類が整理されていなければ、ルールが古くなったときに更新できません。また、一般的な手順だけでは、障害やセキュリティ懸念のような例外に対応できません。
そこで、Data→Information→Knowledge→Wisdomの順で、情報の意味と利用目的を段階的に整理することにしました。
1. Data|まず「起きた事実」を揃えた
最初に、直近1か月のログイン不可問い合わせ40件を抽出しました。
収集した主な項目は次のとおりです。
- 問い合わせ日時
- 顧客種別
- 利用プラン
- 個人利用か法人利用か
- 認証方式
- 問い合わせ文面
- 画面に表示されたエラー
- 最終的に判明した原因
- 実施した対応
- 解決までの時間
- エスカレーション有無
この段階では、解釈を加えすぎません。
たとえば「顧客が操作に慣れていない」といった評価ではなく、「パスワード再設定メールが見つからないと申告」「5回連続でログイン失敗」といった確認できる事実を残しました。
ここでの判断
Data段階では、「後で分類や比較に使える事実か」を重視しました。
2. Information|40件を意味のあるまとまりに分類した
次に、40件を原因別に分類しました。
結果は次のようになりました。
- パスワード忘れ:18件
- アカウントロック:12件
- 登録メールアドレスの誤入力:6件
- サービス側の障害:4件
さらに、法人顧客の一部ではSSO利用があり、一般ログインとは確認経路が異なることも分かりました。
Dataの状態では40件の個別事例でしたが、Informationにすると、
- どの原因が多いか
- どの条件で別経路になるか
- どこに例外があるか
が見えてきます。
ここでの判断
分類は「数えるため」だけでなく、次のKnowledgeへ変換できる軸になっているかを確認しました。
3. Informationを比較し、対応の共通パターンを見つけた
各分類ごとに、どの順序で確認すると早く切り分けられるかを比較しました。
ベテラン担当者の対応を見返すと、実際には次の順で確認していることが多いと分かりました。
- 登録メールアドレスが正しいか
- パスワード再設定メールが届くか
- アカウントがロックされていないか
- 障害情報が出ていないか
- 法人SSOの場合は契約・認証方式を確認する
この順序は、単なる事実の集計ではありません。複数事例から抽出した「再利用できるパターン」です。
4. Knowledge|再利用できる確認手順へ変えた
Informationから、ログイン不可時の標準確認手順を作りました。
基本手順
- 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を送信できるか確認する
- アカウントロック状態を確認する
- サービス障害情報を確認する
- 法人顧客の場合はSSO・認証方式を確認する
追加した例外条件
- 同じ法人から複数ユーザーが同時に問い合わせている
- 短時間に多数のログイン失敗が発生している
- 本人確認が成立しない
- SSO利用企業でIdP側の障害が疑われる
このように、Knowledgeでは「よくあるケースの手順」と「例外時の分岐」をセットで作りました。
ここでの判断
Knowledgeの合格条件は、新任担当者が見て再現できるかです。
説明文だけでなく、確認順と分岐条件まで具体化しました。
5. Knowledgeを過去ケースで試した
作成した確認手順を、新任担当者3名に過去の問い合わせケースで使ってもらいました。
多くのケースは手順どおりに切り分けられました。
ただし、1つ見落としがありました。
同じ法人の複数ユーザーから同時に「ログインできない」と問い合わせが来たケースで、新任担当者は個別のパスワード問題として処理しようとしました。
ベテラン担当者は、「複数ユーザーが同時に発生しているなら、個別アカウントより共通認証基盤やSSO障害を先に疑うべき」と判断しました。
ここで、標準手順だけでは足りず、状況に応じた判断基準が必要だと分かりました。
6. Wisdom|状況に応じた優先判断へ変えた
そこで、Wisdomとして次の判断基準を追加しました。
単独ユーザーだけで発生
まず、登録メール、パスワード、アカウントロックを確認する。
同じ法人の複数ユーザーで同時発生
個別アカウントより、SSOや認証基盤、契約設定の共通要因を優先確認する。
複数企業で同時発生
個別対応より、サービス障害や共通基盤障害を優先確認する。
短時間に多数の失敗が集中
通常のパスワード忘れだけでなく、不正アクセスやセキュリティ異常の可能性を確認する。
本人確認が成立しない
アカウント復旧を進めず、本人確認ルールに従ってエスカレーションする。
Knowledgeが「何を確認するか」だとすれば、Wisdomは「この状況なら何を先に確認するか」「どこで通常手順を止めるか」という判断です。
7. 4段階を紐づけて保存した
DIKWモデルを使うとき、4段階を別々の資料にすると、更新時に関係が切れやすくなります。
そこで、次の対応関係を残しました。
- Data:どの問い合わせ記録が根拠か
- Information:どの分類・集計から傾向を見たか
- Knowledge:どの確認手順へ変換したか
- Wisdom:どの状況判断へ変換したか
たとえば、「同一企業で複数ユーザーが同時発生したらSSOや共通認証を優先する」というWisdomには、その判断の元になった過去ケースを紐づけました。
ここでの判断
後から「なぜこのルールなのか」を確認できる状態にしました。
8. 実務で使う文書は、読み手別に粒度を変えた
DIKWの整理結果を、そのまま全員に同じ形で見せたわけではありません。
新任担当者向け
- 標準確認手順
- 例外条件
- エスカレーション条件
を中心にしました。
チームリーダー向け
- 原因別件数
- 例外発生傾向
- ルール変更履歴
- 障害・セキュリティ判断
を含めました。
ナレッジ管理担当向け
- Dataの根拠
- 分類ルール
- Knowledge・Wisdomの更新日
- 更新理由
まで残しました。
同じDIKWでも、利用者によって必要な粒度は異なります。
9. 運用結果を新しいDataとして戻した
完成した手順を使い始めた後も、それで終わりにはしませんでした。
新任担当者が実際に対応した結果を、新しいDataとして蓄積しました。
その中で、
- パスワード再設定メールが迷惑メールに入るケースが多い
- 法人SSOで証明書更新後にログイン失敗が増える
- 特定ブラウザだけで認証が失敗するケースがある
といった新しい事実が見つかりました。
その結果、Informationの分類軸とKnowledgeの確認項目を更新しました。
DIKWモデルは、一度上に登ったら終わる階段ではありません。Wisdomを使った結果が新しいDataとなり、次の改善につながります。
適用後の結果|「検索する履歴」から「判断に使える知識」へ変わった
結果1|新任担当者の確認順がそろった
過去ログを手探りで検索するのではなく、基本確認順に沿って切り分けられるようになりました。
結果2|例外時の判断が早くなった
複数ユーザー同時発生やSSO利用時に、個別アカウント確認を延々と続けることが減りました。
結果3|ベテランの暗黙知を言語化できた
「この状況なら共通基盤を疑う」という判断を、再利用できる基準として残せました。
結果4|ルール変更の根拠を追えるようになった
どのData・InformationからKnowledgeやWisdomを作ったかを紐づけたため、更新時に根拠を確認できます。
別の業務へ置き換えるときの考え方
このケースはカスタマーサポートですが、同じ構造は他の業務でも使えます。
営業
- Data:商談記録、失注理由、顧客属性
- Information:失注理由の分類、顧客別傾向
- Knowledge:提案準備やヒアリングの標準手順
- Wisdom:案件条件ごとの優先戦略
品質管理
- Data:不具合記録、発生条件、工程
- Information:原因別件数、工程別傾向
- Knowledge:標準的な確認・再発防止手順
- Wisdom:重大度や再発性に応じた優先判断
人材育成
- Data:研修記録、質問、評価結果
- Information:理解不足のテーマや受講者傾向
- Knowledge:指導手順や教材
- Wisdom:対象者の経験・状況に応じた教え方の選択
DIKWモデルを使うときの注意点
DataとInformationを混同しない
「問い合わせが40件あった」は事実ですが、「パスワード忘れが最多」は分類・集計して得たInformationです。
Knowledgeを説明文だけにしない
現場で再利用するなら、手順、条件、例外、確認順まで落とします。
Wisdomを抽象論にしない
「状況に応じて判断する」だけでは使えません。「複数ユーザー同時発生なら共通基盤を優先確認」のように条件と判断を結びます。
上位段階を固定化しない
KnowledgeやWisdomも、運用結果で更新します。
よくある失敗を先に確認したい場合は、DIKWモデルで失敗しやすいポイントも参考になります。生成AIを補助的に使って分類候補やKnowledge化のたたき台を作りたい場合は、生成AIでDIKWモデルを使う方法も確認してください。
関連フレームワークとの使い分け
DIKWモデルは、Dataから判断可能なWisdomまで段階的に高めることに向きます。一方、知識そのものを組織内で創造・共有する流れを見たい場合は、SECIモデルとDIKWモデルの違いを確認すると整理しやすくなります。
実施後の振り返りから学びを作ることが中心なら、AARとDIKWモデルの違いが参考になります。
問い合わせ対応のように、現場で知識を使いながらナレッジを更新する運用を重視する場合は、DIKWモデルとKCSの違いも確認してください。
SECIモデル、AAR、DIKWモデルの3つから目的に合うものを選びたい場合は、SECIモデル・AAR・DIKWモデルの使い分けで判断軸を整理できます。
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を使うと、Data、Information、Knowledge、Wisdom、根拠、更新内容まで一つの型で管理しやすくなります。
自分の業務へ置き換えるチェックリスト
- 利用目的を先に決めたか
- Dataとして事実を集めているか
- 評価や推測をDataへ混ぜていないか
- Informationで分類・集計・文脈付与をしているか
- Knowledgeを再利用可能な手順やルールにしているか
- 例外条件を入れているか
- Wisdomで状況別の判断基準を作っているか
- 各段階の根拠を辿れるか
- 読み手に応じて粒度を変えているか
- 実際に新任者などで使って検証したか
- 運用結果を新しいDataとして戻しているか
まとめ
このケースでは、カスタマーサポートに40件のログイン不可問い合わせ履歴があったものの、新任担当者は毎回過去ログを検索し、ベテランの判断に頼っていました。
DIKWモデルを使い、Dataとして問い合わせ事実を収集し、Informationとしてパスワード忘れ18件、アカウントロック12件、メール誤入力6件、障害4件へ分類しました。そこからKnowledgeとして、登録メール→再設定メール→ロック状態→障害情報→契約・認証方式という確認順と例外条件を作りました。
さらに、新任担当者による過去ケース検証で「同じ法人の複数ユーザーが同時発生した場合」の見落としが分かり、Wisdomとして、単独発生・同一法人複数発生・複数企業同時発生・短時間多数失敗・本人確認不成立ごとの優先判断を追加しました。
その結果、問い合わせ履歴は単なる検索対象ではなく、再利用できる確認手順と状況別判断基準へ変わりました。
DIKWモデルの価値は、情報を4つに分類すること自体ではありません。DataからInformation、Knowledge、Wisdomへ意味を加え、実際の判断に使い、その結果を新しいDataへ戻しながら知識を更新できる循環を作ることにあります。