El análisis de redes sociales (abreviado ARS o SNA, por el término en inglés, social network analysis) es un campo de estudio interdisciplinario enfocado en el estudio de las redes sociales, cuya motivación inicial es el modelamiento y estudio de fenómenos sociales. En el análisis de redes sociales convergen diversas disciplinas tales como las ciencias sociales y del comportamiento, matemáticas, estadística y ciencias de la computación. A diferencia de las ciencias sociales y del comportamiento, esta disciplina da una importancia preponderante a las interrelaciones existentes entre las entidades que interactúan en la red.
Los estudios relacionados con la medición de lazos interpersonales en grupos pequeños se remontan a 1934, con la creación de los sociogramas por parte de Jacob Levy Moreno. Los sociogramas, grafos utilizados para estudiar la dinámica de grupos, dieron origen a la sociometría. A fines de los años 1940 e inicios de los años 1950, junto con los primeros estudios formales de cliques o camarillas en sociomatrices y de centralidad en sociogramas, se introdujo además la teoría de grafos (creada por Leonhard Euler en 1736) como herramienta clave para el estudio de las estructuras sociales relacionales. Poco después, a partir de la sociometría y de la psicología de grupos pequeños desarrollada en los años 1950, surgió la psicología social, de forma paralela a la publicación de un artículo científico escrito por el antropólogo social John Arundel Barnes en 1954, a partir del cual se comenzó a utilizar sistemáticamente el término «red social». En 1963 y 1969, a la notación de las sociomatrices y los grafos se sumó la notación algebraica, para el estudio de relaciones múltiples y compuestas en redes sociales unimodales. Tanto la psicología social como la antropología social, la sociología, el desarrollo organizacional, entre otros campos, experimentaron un creciente desarrollo hacia finales de los años 1980, utilizando formalmente datos relacionales para sus análisis.
El análisis de redes sociales se fue gestando de este modo como disciplina interdisciplinaria desde mediados del siglo XX, a partir de la convergencia de la teoría social, la investigación empírica, las matemáticas, la estadística y la informática. De la necesidad de unificar conocimientos comunes de todas estas disciplinas, el análisis de redes sociales despegó como disciplina propia a partir de los años 1990. El desarrollo de las tecnologías de la información y la comunicación a fines del siglo XX y principios de los años 2000, vino de la mano con la creación de diversos softwares de aplicación para el análisis y visualización de redes sociales con grandes cantidades de datos. Actualmente, las redes sociales en línea generan un sinfín de datos relacionales que se estudian desde esta disciplina. Debido a lo anterior, en el análisis de redes sociales actualmente confluyen diversas disciplinas tales como las ciencias sociales y del comportamiento, matemáticas, estadística y ciencias de la computación. Por otra parte, también se le relaciona con la ciencia de datos. Asimismo, las redes sociales en línea han llevado a la generación de redes complejas, que son el objeto de estudio de la ciencia de redes.
El análisis de redes sociales busca modelar relaciones entre entidades de un sistema para poder describir la estructura de la red social resultante. Los objetivos generales clásicos de este modelamiento son obtener una representación visual de la estructura de la red, y un modelo probabilístico de resultados estructurales. La idea es estudiar, por ejemplo, el impacto de dicha estructura en el funcionamiento del sistema, la influencia que ejerce esta estructura sobre los distintos actores, o la evolución de la red en el tiempo (lo que se conoce como el estudio de redes temporales). Por lo tanto, el análisis de redes sociales puede abarcar tanto estudios transversales como longitudinales.
Esta disciplina considera dos tipos de variables:
Las variables estructurales son fundamentales para la disciplina, y se pueden complementar con las variables composicionales, que son las utilizadas en estudios no relacionales.
Esta disciplina favorece tanto la investigación teórica, como la empírica y la cuantitativa. Dentro de esta última, la teoría de grafos, la teoría de la probabilidad, la estadística y los modelos algebraicos son los principales enfoques matemáticos usados. No obstante lo anterior, en una red social no se puede suponer la independencia muestral de observaciones realizadas sobre sus actores, ya que estos se consideran interdependientes; por lo tanto, los métodos estadísticos difieren de los usados por ejemplo en las ciencias sociales y del comportamiento. Así, por ejemplo, no se suelen utilizar regresiones múltiples, test-t, correlaciones canónicas, ni modelos de ecuaciones estructurales, pero sí son comunes los modelos log-lineales, especialmente para el análisis de díadas. En el análisis de redes sociales, la estadística descriptiva permite comprender cómo se comporta la red, mientras que la estadística inferencial permite dirimir la veracidad de las pruebas de hipótesis.
Algunas de las métricas y propiedades utilizados en el análisis de redes sociales son la densidad de la red, el alcance, o la conexión, agrupabilidad y multiplicidad, centralidad de los actores y centralización de la red, equilibrio estructural, reciprocidad o mutualidad (en díadas o pares de actores), y transitividad (en tríadas o tríos de actores).
Usualmente se sugiere para el análisis de redes sociales un proceso iterativo de seis pasos:
En este paso se identifican los datos disponibles para enfocar el análisis. Los datos de redes sociales deben provenir al menos de una variable estructural referida a relaciones entre actores. A estos datos relacionales se les llama datos estructurales. Existen diversos aspectos a considerar para la identificación de datos:
Las fuentes de medios digitales para el análisis de redes sociales incluyen canales de redes sociales, blogs, foros, sitios para compartir imágenes, sitios para compartir videos, agregadores, clasificados, quejas, preguntas y respuestas, reseñas, Wikipedia y otros.
Los medios sociales tienen un mínimo de siete capas de datos. Entre ellas, algunas son visibles o fácilmente identificables (por ejemplo, texto y/o acciones), y otras son invisibles (por ejemplo, hipervínculos y redes).
Con el fin de hacer el proceso completo de análisis de medios sociales con éxito, es importante definir indicadores clave de rendimiento para evaluar objetivamente los datos. La homofilia se usa como una parte de la analítica, es una tendencia a que el contacto entre personas similares ocurra a un ritmo mayor que entre personas diferentes. De acuerdo con la investigación, dos usuarios que siguen recíprocamente comparten intereses actuales extrayendo sus miles de enlaces. Todos estos se utilizan para tomar decisiones comerciales importantes en los sectores de redes sociales.
La información en sí misma es inútil a menos que se interprete, una vez que comenzamos a analizar los datos, comienza a ser útil ya que transmite un mensaje. Cualquier conjunto de datos que transmite un mensaje significativo se convierte en información. En un nivel alto, los datos no procesados pueden ser: datos ruidosos; datos irrelevantes, datos filtrados; datos que transmiten un mensaje vago. Para extraer información de los datos debemos procesarlos, refinar el conjunto de datos a incluir y en los que queremos centrarnos, y organizarlos.
En el contexto del análisis de redes sociales, la identificación de datos significa definir qué contenido nos interesa. Los atributos de los datos que deben ser considerados son los siguientes:
Para determinar la población a partir de la cual se seleccionarán los actores de la red, se puede distinguir entre dos enfoques:
Para la selección de la muestra y proceso de recolección o extracción de datos, se pueden utilizar la mayoría de procedimientos estándares de las ciencias sociales: encuestas y cuestionarios, entrevistas, observaciones (comunes en trabajo de campo), registros de archivo (muy usados en estudios longitudinales), experimentos, etc. Sin embargo, existen algunas técnicas específicas para la recolección de datos relacionales, como por ejemplo las estructuras sociales cognitivas o los estudios experimentales. Si los límites de la población no están tan claros, se pueden utilizar técnicas de muestreo tales como el muestreo de bola de nieve (para redes egocéntricas), el enrutamiento de mundo pequeño o las redes aleatorias. Adicionalmente, a partir de la recolección de datos a lo largo del tiempo, también se pueden recolectar datos longitudinales para el análisis de redes temporales. Para esto último se puede utilizar igualmente cualquiera de los métodos descritos anteriormente.
En este paso es necesario diferenciar entre la estructura observada y la estructura verdadera de la red. Como en todo proceso de recolección de datos, se debe poner atención a la precisión y validez de los instrumentos de medición, así como a los posibles errores de medición y fiabilidad de los datos. Debido a la alta variabilidad de muchas redes sociales en el tiempo, algunos métodos para evaluar la fiabilidad, como el test-retest, pueden no ser recomendables.
El análisis de datos es el conjunto de actividades que ayudan a transformar los datos en bruto en conocimiento y valor de negocio. En otras palabras, el análisis de datos es la fase que toma los datos filtrados como entrada y los transforma en información para los analistas. Muchos tipos diferentes de análisis se pueden realizar con los datos de los medios sociales. El paso de análisis de datos comienza una vez que sabemos cuál es el problema que queremos resolver y saber que tenemos la suficiente cantidad de datos para generar un resultado significativo.
El desarrollo de un modelo de datos es un proceso o método que utilizamos para organizar los elementos de datos y normalizar el uso de los elementos de datos individuales que se relacionan entre sí. Este paso es importante porque queremos ejecutar un programa de ordenador sobre los datos; necesitamos una manera de decirle a la computadora qué palabras o temas son importantes y si ciertas palabras se relacionan con el tema que estamos explorando.
Algunas herramientas pueden hacer un buen trabajo para determinar sentimientos, mientras otras pueden hacer un mejor trabajo en descomponer el texto en una forma gramatical, lo que permite entender mejor el significado y uso de distintas palabras o frases. En el análisis de nuestros datos, es útil tener varias herramientas disponibles a nuestro alcance para obtener una perspectiva diferente sobre los debates que tienen lugar en torno al tema. El objetivo aquí es configurar las herramientas para enfocar en una tarea en particular. Es un enfoque iterativo, ya que no hay forma establecida de hacer las cosas.
La taxonomía y el perspectivas derivados de dicho análisis son los siguientes:
La manera más usual de visualizar redes sociales es por medio de grafos, siendo frecuentes tanto las representaciones espaciales bidimensionales como las tridimensionales. Los sociogramas también se siguen utilizando ampliamente. Sin embargo, a partir de la teoría de grafos, otros tipos de representaciones, como las matriciales (matrices de adyacencia, de incidencia, laplacianas, entre otras) también son frecuentes.
En la medida en que usuarios no técnicos serán los receptores de la información, la forma de presentación de los datos se convierte en algo importante. ¿Cómo podrían los datos dar sentido de manera eficiente para que pudieran ser utilizados en la toma de decisiones buena? La visualización de gráficos de la información es la respuesta a esta pregunta.
Los mejores visualizaciones son las que exponen algo nuevo sobre los patrones y relaciones que contienen los datos. La exposición de los patrones y la comprensión de ellos juegan un papel clave en el proceso de toma de decisiones. Principalmente existen tres criterios a considerar en la visualización de los datos.
Siguientes son algunos de los gráficos que se utilizan para la visualización de la información:
Los principales software de análisis de redes sociales desarrollados entre fines de los años 1980 e inicios de los años 1990 son los siguientes:
De todas ellas, KrackPlot y FATCAT son las únicas que no utilizan matrices para sus análisis, mientras que GRADAP es la única que utiliza explícitamente herramientas de la teoría de grafos. Pese a la lista anterior, las principales aplicaciones comenzaron a desarrollarse especialmente desde fines de los años 1990 e inicios de los años 2000. Su objetivo es analizar y visualizar redes sociales utilizando grandes cantidades de datos. Entre las aplicaciones más reconocidas hacia inicios de los años 2000 se encontraban UCInet-NetDraw, Pajek, Visone, Gephi, entre otras.
El análisis de medios digitales es un área interdisciplinaria que se utiliza en ciencias sociales y ciencias de la computación de manera intercambiable. Provee una huella humana de seguimiento para el científico social que podría utilizarse en una amplia gama de disciplinas tales como la sociología, la ciencia política y la geografía. Las redes sociales brindan dos contextos amplios desde la perspectiva de los científicos sociales: proporciona una amplia gama de datos en disciplinas ya bien establecidas, y, a veces, pueden ser un insumo fundamental para validar o rechazar supuestos subyacentes a la teoría social. Los científicos políticos pueden seguir el desarrollo de la protesta política en línea y el intercambio de información entre comunidades de diferentes idiomas. Mientras tanto, es muy difícil conectar la comprensión científica de lo social a los datos de los medios sociales. Por ejemplo, el concepto convencional de amistad casi no se aplica al concepto de amistad de las redes sociales.
El análisis de redes sociales es una práctica cada vez más habitual en la industria. Es utilizada en diferentes enfoques sobre las decisiones de negocio, marketing, servicio al cliente, gestión de la reputación, ventas y otros. Hay una variedad de herramientas que ofrecen análisis de medios sociales. La lógica detrás de los algoritmos que están diseñados para estas herramientas es la selección, el procesamiento previo de datos, la transformación, la minería y la evaluación de patrones ocultos.
Dependiendo de los objetivos de negocio, se pueden adoptar cuatro formas diferentes, a saber: análisis descriptivo, análisis de diagnóstico, análisis predictivo y análisis prescriptivo.
La inteligencia de negocios puede ser descrita como "un conjunto de técnicas y herramientas para la adquisición y transformación de los datos en bruto en información práctica y útil para el análisis de negocio".
¿Quiénes son los defensores o influencers para la marca o producto?
Partidarios
Información
negocios emergentes?
¿Están emergiendo nuevas comunidades de influencia?
Procesamiento de eventos complejos
Relación de sentimiento
¿Qué medios sociales están siendo utilizados
para la discusión?
Procesamiento de Lenguaje Natural
Participación de la audiencia
Comportamiento
¿Cuáles son las causas para la intención de compra?
Agrupación de datos
Minería de datos
preferencias
Correlación de temas
Matrices de afinidad
Escribe un comentario o lo que quieras sobre Análisis de redes (directo, no tienes que registrarte)
Comentarios
(de más nuevos a más antiguos)