Lead in VUCA times

Estrategia e Inteligencia para la acción a=[ei]2

Eigenvector y Betweenness

Captura de pantalla 2014-12-20 a las 13.35.14

El análisis de redes sociales implementada en Cosmos nos ayuda a conocer en profundidad cómo se han desarrollado conversaciones alrededor de un determinado tema:

Las redes sociales son objeto de estudio particular en diversos campos que van desde la sociología hasta la gestión del conocimiento en las empresas. El estudio se centra en la asociación y medida de las relaciones y flujos entre las personas, grupos, organizaciones, computadoras, sitios web, así como cualquier otra entidad de procesamiento de información/conocimiento. Los nodos en la red en este caso son personas y grupos mientras que los enlaces muestran relaciones o flujos entre los nodos. El análisis de redes sociales proporciona herramientas tanto visuales como matemáticas para el estudio de de las relaciones humanas.

En muchos casos el análisis de redes sociales se fundamenta en el estudio de los agentes en la estructura de la red, para ello se hace un análisis de las medidas de centralidad de los actores de la propia red social con el objetivo de ver las relaciones de poder, de protagonismo, confianza, etc. Así como la detección de comunidades, grupos, etc. debido a la existencia de clusteres específicos.

Vía Wikipedia

Para determinar la relevancia e influencia de los usuarios utilizamos las llamadas medidas de centralidad:

En teoría de grafos y análisis de redes la centralidad en un grafo se refiere a una medida posible de un vértice en dicho grafo, que determina su importancia relativa dentro de éste.

Poder reconocer la centralidad de un nodo puede ayudar a determinar, por ejemplo, el impacto de una persona involucrada en una red social, la relevancia de una habitación en un edificio representado en sintaxis del espacio, la importancia de una carretera en una red urbana, o los componentes esenciales de una red de computadoras.

La centralidad no es un atributo intrínseco de los nodos o actores de una red, como podrían serlo la autoestima, la temperatura, el ingreso monetario, etc. sino un atributo estructural, es decir, un valor asignado que depende estrictamente de su localización en la red. La centralidad mide según un cierto criterio la contribución de un nodo según su ubicación en la red, independientemente de si se está evaluando su importancia, influencia, relevancia o prominencia.

Por ejemplo, de acuerdo con una medida de centralidad razonable, en un grafo estrella el nodo central debería ocupar un valor máximo de centralidad, mientras que los nodos de las puntas ocuparían un valor de centralidad inferior.

Vía Wikipedia

Dentro de las medidas de centralidad existentes, en Cosmos, utilizamos dos de manera habitual:

Intermediación o Betweenness: Mide el número de conversaciones (o caminos más cortos entre nodos aleatorios) que potencialmente pueden pasar por un nodo de la red. Indica en cierta manera si ese nodo es un punto de distribución entre comunidades. Por lo tanto mide la capacidad de mover información dentro de un grupo por parte de un usuario determinado. Si tenemos el siguiente grupo de usuarios (A, B, C, D, E, F, G) relacionados entre si, como se ve en la imagen, quien tendrá más capacidad de intermediación será B ya que es el “usuario puente” entre el grupo conformado por A y por C. Sin B la comunicación entre esos dos grupos sería imposible. Test para aprender que es Betweenness.

Medida de centralidad Betweenness o de intermediación

Relevancia o Eigenvector: Mide la capacidad de influir de un nodo en la red. Si un nodo está unido a nodos importantes tendrá un “eigenvector” o “relevancia” más alta que otro que aunque teniendo igual número de enlaces, sus usuarios son menos importantes. Si partimos del grupo anterior y le añadimos más usuarios, enlazando a nodos que ya enlazan a A, éste es el que tendrá más relevancia, aunque por número de enlaces A y C tengan los mismos. Pero F que enlaza A, que tiene a su vez a I y H enlazándola. Test para aprender que es Eigenvector.

Medida de centralidad Eigenvector o de vector propio

Entender bien qué significan estas dos medidas de centralidad; eigenvectorBetweenness no es sencillo. Cada vez que se lo presentamos a un cliente hay que explicarlo. Aunque la representación gráfica de los resultados mediante grafos ayuda bastante.

El valor resultante eigenvector nos mostrará, por lo tanto, la relevancia o autoridad que un usuario llega a tener en la red analizada, en nuestro caso, en una conversación de Twitter. Mientras que el valor Betweenness nos indicará qué usuarios son los que tienen una mayor capacidad para controlar la difusión de un mensaje.

 En los grafos que se extraen de gephi, es posible extraer los nodos más importantes, es decir, lo que nos interesa conocer es cuales son los nodos que realmente están influyendo sobre los demás.

Si analizamos la misma conversación en función de estas dos medidas de centralidad podemos ver claramente (tamaño de los nodos) qué usuarios son los más importantes para cada una de ellas.

Por ejemplo para la conversación que se produjo en Twitter alrededor del hashtag #culturaLH, el siguiente grafo sería la representación en función de Betweenness:

Importancia por Betweenness

 

O en función de la medida de centralidad eigenvector:

Importancia según Eigenvector

Tags: , , , ,

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Categories

Tags

actuar amigos amor anglofilia apple arquitectura atraccion autoridad Autoritas blackberry blogs Cambio change Clientes Comunicacion convergencia IT democracia deutsche telekom e government empresas 2.0 Estadisticas Estrategia excelencia felicidad Formación General Governance y Comunicación habitos human resources Internet IT Business management Marketing mascaros Open Government outsourcing Personal projects public sector redes S.R.Covey Tecnologia telcos Tiempo web 2.0