Dowiedz się jak prowadzi się zaawansowane analizy sieci społecznościowych.
Serwis społecznościowy Facebook dostarcza nam dosyć dobre, anonimowe, zbiorcze statystyki, dzięki którym możemy dosyć trafnie oceniać, które treści są dla społeczności interesujące, które powodują konwersję na sprzedaż albo przejście na stronę internetową.
Jednak statystyki te mają dosyć istotny mankament. Nie pozwalają one w bliższy sposób przeanalizować struktury społeczności skupionej wokół fanpage’a. Jak wiemy społeczność taka nie zawsze jest jednorodna demograficznie. Nie zawsze ma takie same zainteresowania. Określenie struktury takiej społeczności pozwala lepiej dopasować treści do każdej grupy, tak aby żadna z nich nie została pominięta przez analizowanie jedynie ogólnych statystyk.
Kolejna kwestia dotyczy struktury osób, które nie zawsze aktywnie uczestniczą, z punktu widzenia fanpage’a, w jego życiu. Przez osoby aktywnie uczestniczące rozumiem tutaj osoby, które klikają podane linki, dodają komentarze czy głosują na ulubione wpisy.
Nie można zapomnieć, że jest to zaledwie ułamek spośród całej społeczności skupionej wokół fanpage’a. Co prawda daje on informacje o osobach najbardziej zaangażowanych, jednak nie jest to jedyna grupa, o którą powinniśmy dbać. Są bowiem osoby, które nie lajkują, nie komentują, nie klikają, a jednak obserwują fanpage i uwzględniają informacje z niego płynące w podejmowaniu decyzji zakupowych, czy też w innych kwestiach.
Zmierzenie wpływu fanpage’a na decyzje tej grupy jest trudne (chociaż nie niemożliwe!). Dokładniejsza analiza struktury społeczności może prowadzić do lepszych wniosków odnośnie tego co społeczność potrzebuje, co społeczności się przydaje.
Oczywiście ze względów na charakter serwisu Facebook i względy prywatności jedyne do czego mamy dostęp (i słusznie!) to dane, które są publicznie dostępne. Na tych danych możemy jednak opierać analizę dokładniejszą niż to , co oferuje Facebook.
Narzędzia do tego typu analiz są względnie nowe. Jest to młoda dziedzina badawcza, która jeszcze sama określa stojące przed nią wyzwania i rozwiązania.
Mamy tu do czynienia z kilkoma aspektami. Po pierwsze badania te muszą opierać się na zgromadzonych danych. Wyzwaniem jest problem technicznego pozyskania danych z serwisu społecznościowego. Wymaga to wiedzy programistycznej, znajomości API serwisów społecznościowych.
Drugie wyzwanie dotyczy sposobu zapisu tych danych, definiowania krawędzi i wierzchołków grafu, decydowania co jest krawędzią a co nie. Wartościowania tych krawędzi.
Trzecie wyzwanie, chyba największe na ten moment to sposób wizualizacji tych danych.
Grafy społecznościowe są dosyć złożonymi strukturami i wymagają narzędzi, które potrafią wyodrębnić wizualnie (a nie tylko ilościowo i jakościowo) interesujące nas informacje.
Oczywiście teoria kreślenia grafów została zapoczątkowana już w latach 70 XX wieku, jednak sieci społecznościowe są pierwszymi, które dostarczają nam tak interesujących grafów do analizy. Nic więc dziwnego, że metody rysowania grafów rozwijają się niezwykle dynamicznie w ostatnich latach.
Nie brak tutaj inspiracji naturą, a w szczególności fizyką klasyczną. Wierzchołki grafu (którymi mogą być na przykład osoby) przyciągają się lub odpychają w zależności od tych jakie krawędzie je łączą i z kim (np. zalajkowanie tego samego wpisu, dyskusja w tej samej dyskusji, posiadanie osoby wśród znajomych itd.). Metoda ta nazywana rysowaniem grafu kierowanego siłą następnie analizuje jak wszechświat relacji zachowa się po zastosowaniu wobec niego znajomych z fizyki reguł, w tym grawitacji.
Efekty są zdumiewające. A jest to tylko jedno z możliwych podejść do tematu. Co ciekawe nie tylko w kwestii efektowności, ale także naukowej efektywności. Takie grafy potrafią lepiej zrozumieć dynamikę panującą w społeczności.
Dla porównania przedstawiam prosty graf wygenerowany dla Twittera przez anonimowego użytkownika:
Wizualizacja ta niewiele jest nam w stanie powiedzieć o tej społeczności.
Tutaj z kolei mamy przedstawiony graf społeczności mówiącej o GlobalFund, organizacji wspierającej filantropię i etyczne gromadzenie środków na cele społeczne na Twitterze. Rozdzielenie jej względem klastrów metodą Clauset-Newman-Moore i użycie algorytmu Harel-Koren pozwoliło Marcowi Smithowi na ustalenie istotnych elementów społeczności:
Możemy na podstawie tego grafu rozróżnić trzy istotne tematy podejmowane przez osoby wokół misji GlobalFund. Są to choroby, z którymi walka trwa od lat na świecie: gruźlica, HIV i malaria.
Widzimy, że zachodzi komunikacja między tymi grupami. Pierwsza grupa oznaczona jako G1, jak naturalnie ma miejsce w przypadku takich analiz, ma w centrum GlobalFund. Naturalny rozkład społeczności wokół GlobalFund jest trochę odmienny w przypadku MSF Espana, które jest połączone z kolejnymi kilkunastoma osobami, które z GlobalFund bezpośredniej interakcji nie mają. O takich krawędziach grafu mówi się, że są togate-keepers (bramkarze?). Są to osoby, czy też organizacje, firmy, które są niejako pomostem między społecznością bazową, a zupełnie inną drugą społecznością. Pomostem, który komunikuje między tymi społecznościami i jest integralny w celu zapewnienia takiej komunikacji. Bez takiego mostu bowiem społeczności te nie mają ze sobą odpowiedniego kontaktu.
W tym przypadku, czy to ze względu na język, czy inny czynnik, hiszpański oddział Lekarzy Bez Barier okazuje się nie tylko znosić bariery w dostępie do leczenia, ale też w dostępie do informacji.
To tylko jeden drobny przykład pokazujący jak istotne wnioski można wyciągnąć na bazie nawet najbardziej złożonej sieci społecznościowej dzięki nowoczesnym narzędziom badawczym. Lepsze zrozumienie sieci społecznościowych pozwoli nam na lepsze nawiązanie relacji i dbanie o te relacje, które są dla nas najbardziej istotne. Nie tylko dotyczy to organizacji społecznych, NGO, ale też organizacji państwowych, publicznych, firm i przedsiębiorstw prywatnych.