Py biết đến DIKW trong chương trình học MBA, và thú thật mà nói, nếu không đi học, chắc Py sẽ chẳng có dịp tiếp xúc với framework này. Đối chiếu với hành trình làm nghề, theo Py, đây là một trong những cách giải thích đơn giản nhưng hiệu quả về “khoảng cách” giữa người chỉ báo cáo số liệu và người thật sự hiểu chuyện gì đang xảy ra – và với PO, đó cũng là tầng kiến thức nền tảng để củng cố kỹ năng làm số.

DIKW là gì?
(Phần này được tổng hợp với sự hỗ trợ của AI)

DIKW là viết tắt của Data – Information – Knowledge – Wisdom. Bốn tầng này xếp thành hình kim tự tháp, với Data ở đáy và Wisdom ở đỉnh.

Nguồn gốc của framework này thú vị hơn Py tưởng. Nhiều tác giả cho rằng hạt nhân của ý tưởng bắt đầu từ hai dòng thơ của T. S. Eliot năm 1934:

“Where is the wisdom we have lost in knowledge? Where is the knowledge we have lost in information?”¹

Sau đó đến năm 1989, Russell Ackoff hệ thống hóa lại thành bốn tầng rõ ràng trong bài “From Data to Wisdom” – và từ đó framework này bắt đầu được dùng rộng rãi trong information science lẫn knowledge management.²

Cách đọc đơn giản nhất là: càng lên cao, càng ít người làm được – và càng có giá trị hơn.

Data là dữ liệu thô. Thuần túy. Không có ngữ cảnh. Tự thân, data không nói lên điều gì. Như trong bài Làm số, Py có đề cập đến vanity metrics – những con số dễ đo, trông có vẻ ấn tượng, nhưng thực chất vẫn chỉ đang nằm ở tầng Data nếu không được đặt vào đúng ngữ cảnh.

Information là data đã được gắn ngữ cảnh, đã trả lời được câu hỏi “So what?” – câu hỏi mà Py hay dùng như một phản xạ khi đọc bất kỳ con số nào. Lúc này data bắt đầu có hình dạng và bắt đầu có ích.

Knowledge là bước tiếp theo – khi bạn hiểu được tại sao. Đây là lúc leading và lagging indicators phát huy tác dụng cùng nhau: leading indicators gợi ý điều gì đó đang thay đổi, lagging indicators xác nhận xu hướng đó có thật không.³ Knowledge là thứ được tích lũy theo thời gian, từ trải nghiệm thực tế lẫn việc kết nối các information lại với nhau.

Wisdom là tầng cao nhất. Nếu Knowledge là hiểu tại sao, thì Wisdom là biết phải làm gì – không chỉ trong tình huống hiện tại, mà còn có thể áp dụng cho những tình huống chưa từng xảy ra. Ackoff mô tả wisdom là khả năng hành động hiệu quả trong bối cảnh dài hạn, dựa trên nền tảng kinh nghiệm tích lũy.²

PO cần DIKW ở đâu?

Với Py, câu trả lời là: ở khắp nơi – nhưng quan trọng nhất là ở khâu định nghĩa vấn đề và ra quyết định.

Thử lấy Xsy-peasy làm ví dụ – một workshop booking platform giả tưởng hướng đến những người trẻ thành thị muốn tìm hoạt động thư giãn sau giờ làm, như làm gốm, vẽ tranh hay cắm hoa. Với đặc thù của một trang booking, user journey khá tuyến tính: browse workshop → xem chi tiết → đặt chỗ → tham dự → để lại review. Ở mỗi bước đều có data. Nhưng data đó có nghĩa gì thì lại là chuyện khác.

Giả sử dashboard tuần này báo: “Tỷ lệ hoàn tất booking chỉ đạt 35%.” Đó là Data – và nếu dừng lại ở đây, con số này không khác gì một vanity metric: nhìn vào thì thấy “có vấn đề”, nhưng không biết làm gì tiếp theo.

Bước sang Information: sau khi nhìn thêm vào funnel, PO phát hiện 65% drop-off tập trung ở bước chọn lịch – cụ thể là sau khi user đã chọn được workshop ưa thích. Không phải ở trang browse, không phải ở trang thanh toán. Lúc này data đã được đặt vào ngữ cảnh, câu hỏi “so what?” bắt đầu có câu trả lời.

Bước sang Knowledge: khi kết hợp thêm behavior data và phỏng vấn nhanh một số users, có thể PO sẽ nhận ra pattern – phần lớn người dùng Xsy-peasy là dân văn phòng, lịch rảnh của họ thường chỉ xác định được vào cuối tuần trước, nhưng các workshop phổ biến lại hết slot từ sớm trong tuần. Họ không bỏ đi vì không thích – họ bỏ vì không còn lựa chọn phù hợp vào thời điểm họ quyết định đặt. Đây là lúc leading indicator (số lượt xem trang chi tiết workshop) và lagging indicator (tỷ lệ hoàn tất booking) cùng kể một câu chuyện thống nhất.

Wisdom là khi từ pattern đó, PO không đề xuất “mở thêm nhiều workshop hơn” hay “nhắc nhở user đặt sớm” – mà nhận ra bài toán thật sự là về inventory và timing: cần một cơ chế waitlist thông minh, cho phép user đăng ký chờ và nhận thông báo ngay khi có slot mới mở. Không build thêm tính năng hoành tráng, chỉ giải đúng điểm nghẽn. Đó là quyết định dựa trên hiểu biết về hành vi người dùng, không chỉ dựa trên con số drop-off ban đầu.

Có lẽ sự khác biệt giữa một PO chỉ báo cáo số và một PO thật sự ảnh hưởng đến quyết định của team – phần lớn nằm ở chỗ người đó dừng lại ở tầng nào trong cái kim tự tháp này.

Một vài ứng dụng khác

Py hay dùng DIKW như một checklist ngầm khi chuẩn bị bất kỳ buổi họp nào liên quan đến ra quyết định. Trước tiên là tự hỏi: mình đang ở tầng nào? Nếu chỉ có data, thì chưa đủ để present. Nếu đã có information, thì cần thêm một bước nữa – pattern này nói lên điều gì? Và nếu đã có knowledge, thì câu hỏi cuối là: mình suggest gì, và tại sao đó là hướng đi hợp lý?

Ngoài ra, DIKW cũng giúp Py “quản lý” kỳ vọng khi làm việc với các team khác. Dev thường làm việc ở tầng Data và Information – họ cần thông tin chính xác, rõ ràng để build. Business thường muốn Wisdom ngay – “nên làm gì bây giờ?” PO đứng ở giữa, và một phần quan trọng của nghề là biết dịch knowledge thành ngôn ngữ mà mỗi bên có thể tiếp nhận. Và như Py hay nhắc trong Làm số: để kiểm chứng một giả định, nên dùng ít nhất 2-3 metrics cùng giải thích cho một luận điểm – vì số liệu sẽ tự giải thích cho chính nó.

Đường đến wisdom

Thật ra không ít lần Py chỉ dựa vào “data” để đưa ra nhận định rồi hành động – và kết quả sau cùng lại không được như kỳ vọng. Qua những lần đó, Py thường unlock thêm một tầng mới về information: biết thêm về nghiệp vụ của CS, hiểu hơn về operation flow giữa các bên liên quan… Từ đó dần củng cố thêm phần nền cho những quyết định về sau.

Theo Rowley, wisdom gắn liền với experience – không phải chỉ đọc nhiều hay biết nhiều, mà là đã từng sai, từng đúng, và từng chịu trách nhiệm với quyết định của mình.⁴ Cũng tức là, sau mỗi quyết định – đúng hay sai – đều cần dành thời gian nhìn lại: mình đã có đủ knowledge chưa? mình đã bỏ qua signal nào?

Đó cũng là lý do Py viết blog – như một cách buộc mình đi từ Information về lại tới Knowledge, và thỉnh thoảng chạm được vào tầng thứ tư.

¹ Eliot, T. S. (1934). Choruses from “The Rock.” Faber & Faber. Được trích dẫn trong: Wikipedia. (2025). DIKW pyramid. Link

² Ackoff, R. L. (1989). From data to wisdom. Journal of Applied Systems Analysis, 16, 3–9.

³ Xu, A. (2024). Leading vs. Lagging Indicators, Plus Examples. Amplitude. Link

⁴ Rowley, J. (2007). The wisdom hierarchy: representations of the DIKW hierarchy. Journal of Information Science, 33(2), 163–180.

Cám ơn bạn đã nán lại cho đến những dòng cuối cùng này.

Chúc bạn nhiều may mắn và bình an.

Anpy