如上所述，在谈到什么是知识时，人们经常会提到数据、信息、智慧等概念，许多人混淆不清，搞不明白这些概念或名词之间的区别。
这是很正常的。一方面，由于知识本身的复杂性，要解释清楚这些概念并不太容易；另一方面，由于每个人的理解不同、对各个名词赋予的定义有差别，导致人们众说纷纭，从而莫衷一是。
对此，我建议大家参考如图2-3所示的“智慧漏斗”模型，从四个层面来界定和理解知识的构成。
图2-3 智慧漏斗示意图
1.数据
知识最基本的存在形态与来源是数据（data）。简言之，数据是关于实践的一些离散的、互不关联的客观事实、图片或数字，没有特定的环境，其本身缺乏关联性和目的性。如果离开了特定的场景，孤立的数据是没有意义的，例如小明、1.78、2008、北京等，但数据是产生信息的基本原始材料。如数字1.78，如果没有任何场景，只是一个空洞的概念。如果用于测量，加上长度单位，无论是1.78cm，还是1.78km，都有了意义。
2.信息
将相互关联的数据联系起来，进行适当的组合、分析，人们通常将其称为信息（information），可以传播、复制。
正如德鲁克（Drucker，1970）所说，信息是“具有关联性和目的性的数据”，是编制好的数据，是一定情境之下的数据。例如“小明的身高是1.78m”“北京2008年举办过奥运会”等，它们都是不同数据的集成和按照一定规则的组合，其本身是有意义的。通过分类、计算、浓缩、更正等多种不同的方式（Davenport & Prusak，1997），对数据附加价值后，可以把数据转化为信息。信息必须反映出数据的准确性，应能被及时地发送和方便地访问，以及适用于用户解决问题的需要。
3.知识
在特定的场景中，把相关的信息联系起来，融入自己的理解，对其进行解释、讨论，形成对自己有价值的行动决策。此时，信息就被转化为了知识（knowledge）。正如南希·迪克逊（Dixon，1999）所讲，知识是特定场景下，人们在头脑中对信息及其在行动中的应用之间所建立的有意义的联系。
在某种程度上讲，区分信息与知识并不容易。对此，著名知识管理学者野中郁次郎（Nonaka，1994）指出，虽然知识与信息常被交替使用，但二者有着明确的区别：信息是数据流，而知识是通过信息的流转被创造和组织起来的，并被锚定在持有者的承诺与信念中。伯恩（Bohn，1994）认为，数据直接来源于传感器，反映了变量的测量值；信息是“组织化或结构化的数据，也就是说要放在上下文中，并赋予其特定含义”；而知识则深刻地反映事物的本质，可以利用它进行预测、关联分析、制定决策。彼得·圣吉（Senge，2000）则认为，知识是产生有效行动所需的能力，信息则是帮助我们产生有效行动的资料。因此，信息与知识是有区别的，尽管这种区分并不非常明显。
简言之，知识是结构化的经验、价值观念、关联信息及专家见识的流动组合，是有一定环境的信息，加上对于怎样运用它的理解。它为评估和吸纳新的经验和信息提供了一种构架。知识产生并运用于知识工作者的大脑中。在组织中，知识不仅仅存在于文件或文件库中，也大量存在于员工的头脑之中，并根植于组织机构的日常工作、程序、惯例和规范之中。可以通过比较、联系上下文、连接、交谈等方式（Davenport & Prusak，1997），将信息转换为知识。
4.智慧
当个人学习、积累了一定的知识，并深入探寻、相互连接，可能发现隐藏在知识背后更深层次的智慧（wisdom）。如艾利（Allee，1996）认为，知识是能够沟通和共享的经验，智慧是获得和运用知识的能力。
由此，广义上看，知识是一个从数据到智慧的连续综合体：许多相关的数据构成了信息，信息加以提炼就构成了知识，知识的长期积累与应用、升华可以形成智慧。这样，从数据到智慧，层层递进，紧密相连，形成了一个“漏斗”（参见图2-3）。
当然，也有不少学者认为，这种分类方法并不科学。一方面，数据、信息、知识、智慧是一个连续分布体，并不存在明显的界限，很难将其截然区分开来；另一方面，许多人对知识抱有模糊的看法，而广义的知识，事实上包含了上述几种类型的不同组合。