Social  Network Analysis  I

I  n h a l t s v e r z e i c h n i  

Abk  ürzungsverzeichnis.  II

Abbildungsverzeichnis.   III

Tabellenverzeichnis.   III

1.  Einleitung.  1

2.  Einordnung und Abgrenzung.  2

3.  Analyse- und Interpretationstechniken der SNA.  3

3.1  Graph.  3

3.2  Gewichteter Graph.  3

3.3  Abstandsbestimmung.  4

3.4  Zentralität.  4

3.5  Prestige.  6

3.6  Identifikation von Teilgruppen.  6

4.  Betriebliche Anwendungen.  8

4.1  Marketing.  9

4.2  Sozialkapital.  9

4.3  Organisationsentwicklung.  10

4.4  Datenschutzaspekte.  11

5.  Vorstellung eines Fallbeispiel.  11

5.1  Ausgangsbasis.  12

5.1  Implementierungslösung Condor.  12

5.2  Ergebnisse.  12

6.  Ausblick.  13

Literaturverzeichnis   i

Social Network Analysis Seite II

A b k ü r z u n g s v e r z e i c h n i s

Abkürzung vollständiger Begriff SNA Social Network Analysis IT Informationstechnologie G Graph V Vertices, Knoten E Edges, Kanten BI Business Intelligence A bis I Knoten in Beispielgraphen P Prestige n Anzahl d distance, Abstand I Einflusssphäre MIT Massachusetts Institute of Technology HICSS-41 41st Hawaii International International Conference on Systems Science

Social Network Analysis Seite III

A b b i l d u n g s v e r z e i c h n i s

Abbildung 1: Entwicklung der Publikationen zum Thema "social network"...........................1 Abbildung 2: Netzwerkformen (Zentralität)............................................................................5 Abbildung 3: Organigramm vor und nach Reorganisation...................................................13

T a b e l l e n v e r z e i c h n i s

Tabelle 1: SNA in Themenbereichen der Soziologie.............................................................2

Social Network Analysis Seite 1

1. Einleitung

Social Network Analysis (SNA) ist die Untersuchung (Messung, Zusammenfügung, Darstellung, usw.) von Verbindungen oder Beziehungen (Zugehörigkeit, Kontakt, Freundschaft, usw.) zwischen sozialen Einheiten (Menschen, Gruppen, Firmen, usw.). SNA ist als interdisziplinäres Forschungsgebiet zu verstehen. Die Untersuchung sozialer Beziehungen und das Forschungsgebiet selber haben frühen Ursprung. So werden z.B. Grundideen der SNA auf Georg Simmel zurückgeführt.(1) Bemerkenswert ist die Renaissance dieses Themas mit der Möglichkeit der Unterstützung durch Informationstechnologie (IT). Folgende Abbildung zeigt den exponentiellen Zuwachs der Publikationen der Soziologie mit dem Begriff „social network“ im Titel oder der Zusammenfassung (2):

Es ist anzunehmen, dass sich das Thema weiterhin positiv entwickelt. Eigene Auswertungen von Literaturdatenbanken(3) können einen proportional, teilweise auch exponentiell, ansteigenden Trend bestätigen. Ein stark exponentieller Trend wie in der Abbildung eingezeichnet scheint allerdings, zumindest in jüngster Zeit, übertrieben. Mit den zunehmenden Möglichkeiten der IT-gestützten Analyse wachsen die praktischen Einsatzmöglichkeiten und somit die Relevanz der SNA. Gerade die neu gegebene praktische Einsatzmöglichkeit erhöht das Interesse der Wirtschaft an dem Thema.

1) vgl. Wellmann (Structural Analysis), S. 25 und S. 37

2) Entnommen aus Borgatti (Network Organization), S.992

3) Auswertung der Datenbanken Business Source Premier und WISO in den Jahren 2002 bis 2007

Social Network Analysis Seite 2

2. Einordnung und Abgrenzung

Als interdisziplinäres Forschungsgebiet lässt sich SNA mehreren wissenschaftlichen Fächern zuordnen, wobei der Ursprung in der Soziologie liegt (siehe Kapitel 1). Durch das vermehrte Auftreten der SNA in der wirtschaftswissenschaftlichen und informationstechnischen Forschung, kann SNA auch zum Themenkomplex der Wirtschaftsinformatik zugeordnet werden.(4)

Folgende Tabelle zeigt Zuordnungen und der Häufigkeit von SNA im Bereich der Soziologie (5):

Die Häufigkeiten stellen das Vorkommen in Zeitschriften zur Soziologie dar. Von den soziologischen Richtungen lässt sich auch die Bedeutung in anderen Wissenschaften ableiten, z.B. die Ableitung der Wirtschaftswissenschaften aus dem Bereich der Wirtschaftssoziologie.

4) vgl. Hansen (Wirtschaftsinformatik), S. 360

5) Teilweise entnommen aus Haas (Netzwerkanalyse Deutschland), S. 53 Tabelle 1

Social Network Analysis Seite 3

Methoden der SNA, welche zur Entscheidungsunterstützung im Unternehmen verwendet werden können, lassen sich dem Gebiet Business Intelligence zuordnen.(6)

3. Analyse- und Interpretationstechniken der SNA

Kern der SNA sind die Techniken, welche diesem Forschungsgebiet zugeordnet werden. Dazu gehören Techniken zur Herleitung, Darstellung und Interpretation von sozialen Netzwerken. Die Techniken werden im Folgenden in allgemeiner Art beschrieben, für eine konkrete Anwendung müssen diese Techniken allerdings immer an die Aufgabenstellung angepasst werden. Interpretationen erhalten erst einen Wert durch die Anpassung an den Anwendungsfall.

3.1 Graph

Ein Graph G ist ein Paar der Mengen aller Ecken (oder Knoten, V, engl. vertices) und aller Kanten (E, engl. Edges): G = (V, E). Die Knoten und Kanten sind disjunkt, wobei die Menge der Kanten eine 2-elementige Teilmenge der Knoten ist: E⊆[ V ]² .(7) Die Knoten werden oft als Punkte oder Kreise dargestellt und die Kanten als Verbindungen dieser. Einzelne Knoten v und Kanten e heißen inzident, wenn der Knoten Element der Kante ist. Zwei Knoten sind benachbart, wenn sie direkt durch Kanten verbunden sind.(8) Man unterscheidet Graphen auch in gerichtete und ungerichtete Graphen, Hypergraphen und Graphen mit und ohne Mehrfachkanten. Ungerichtete Graphen wurden bereits definiert. Gerichtete Graphen enthalten für jede Kante eine Zuweisung des Anfangs- und Endknotens. Ein Hypergraph ist allgemeiner gefasst als ein normaler Graph: In einem Hypergraph kann eine Kante mehrelementig sein, d.h. mehrere (oder auch nur einen) Knoten miteinander verbinden. Ein gerichteter Graph kann mehrere Kanten zwischen zwei Knoten haben (Mehrfachkanten). Diese können auch gleichgerichtet sein (parallel).(9)

3.2 Gewichteter Graph

Bei einem gewichteten Graphen werden den Kanten Gewichte zugewiesen. Die Semantik dieses Gewichts kann stark variieren: Es können eine Distanz eines Weges, eine Intensität einer Beziehung, eine Differenz oder andere Inhalte zugewiesen werden. Das Travel- 6)vgl. Putzke (Analyse Kommunikation), S. 217-218

7) dies gilt nur für ungerichtete Graphen mit einfachen Kanten

8) vgl. Diestel (Graphentheorie), S. 2-5

9) vgl. Diestel (Graphentheorie), S. 30

Social Network Analysis Seite 4

ling-Salesman-Problem wird z.B. durch einen gewichteten Graphen mit unterschiedlich langen Wegstrecken beschrieben.(10)

Die Gewichtung kann bei jedem zuvor vorgestellten Graphentyp ergänzt werden, sofern diese inhaltlich sinnvoll ist.

3.3 Abstandsbestimmung

Ein Abstand kommt als Gewichtung in einem gewichteten Graphen in Frage. Die Ab-standsbestimmung kann dem Clustering-Verfahren im Forschungsgebiet Data Mining zu-geordnet werden.

Unter Data Mining versteht man eine automatisierte Wissensbestimmung (z.B. Bestimmung von Korrelationen, Mustern und Trends) aus einer Datenmenge unter Benutzung von Mustererkennungsalgorithmen, statistischen oder anderen mathematischen Metho-den.(11)

Clustering ist eine mögliche Data Mining Technik: Bei dieser Technik werden gegebene atomare Einheiten in Gruppen eingeteilt. Die Einteilung erfolgt, indem Einheiten mit geringem Abstand in eine Gruppe und Einheiten mit großem Abstand zueinander in verschiedene Gruppen eingeteilt werden. Das wesentliche Kriterium zur Einteilung ist also das Ab-standsmaß der Einheiten.(12)

Ein solches Clustering ist auch in sozialen Netzwerken möglich, indem man eine Art sozialen Abstand als Abstandsmaß einführt. Häufige und intensive Kommunikation ist demnach ein Zeichen für geringen Abstand, bzw. große Nähe. Auch Attribute von Personen, wie Alter, Einkommen, Status, etc., können zur Abstandsbildung in sozialen Netzwerken eingesetzt werden.

3.4 Zentralität

Zentralität und Prestige sind Bewertungen für Elemente bzw. Akteure in einem Netzwerk, sie beschreiben die Prominenz des Akteurs. Zentralität basiert auf ungerichteten Verbindungen im Netzwerk.

Zentralität kann anhand der folgenden idealtypischen Netzwerkformen beschrieben wer-

10)vgl.Deo (Graph Theory), S. 34

11)vgl. Hand (Principles Data Mining), S. 1-4

12)vgl. Hand (Principles Data Mining), S. 293-315

Social Network Analysis Seite 5 den (13):

Im Stern weist Akteur A die höchste Zentralität auf, die Zentralität aller anderen Akteure ist gleich. Der Kreis ist die umgekehrte Extremform zum Stern. Hier weisen alle Elemente eine gleichverteilt sehr geringe Zentralität auf. Im Doppelstern haben C, E und G eine höhere Zentralität als die anderen Knoten. Je nachdem, welches Zentralitätsmaß verwendet wird, sind entweder C und G zentraler als E oder umgekehrt. In der Kette sind die weiter innen liegenden Akteure (hier z.B. E) zentraler als die äußeren. Es werden folgende Zentralitätsmaße unterschieden(14):

- Degree-basierte Zentralität: Es wird die Anzahl der direkten Verbindungen des Akteurs gemessen (ungerichteter Graph). In gerichteten Graphen wird das Outdegree, also die Anzahl der hinausgehenden Verbindungen gemessen. Die Kennzahl tritt sowohl absolut als auch in Relation zur Anzahl Akteure im Netzwerk (-1) auf. - Nähebasierte Zentralität: Dies ist der Kehrwert aller aufsummierten Längen (Anzahl Kanten, die benötigt werden, um einen anderen Akteur zu erreichen). Dieser ist höher, je näher ein bestimmter Akteur zu allen anderen Akteuren ist. - Betweenness-basierte Zentralität: Es werden zuerst alle kürzesten Pfad aller möglichen Paare berechnet. Die Betweenness-basierte Zentralität gibt nun an, auf wie vielen dieser Pfade ein bestimmter Akteur anzutreffen ist. Dies zeigt eine Art Abhängigkeit der anderen Akteure zu diesem Akteur.

Die vorgestellten Kennzahlen können auch netzwerkbasiert (also nicht akteursbasiert) er- 13)vgl.Jansen (Netzwerkanalyse), S. 130

14)vgl. Freeman (Centrality), S. 218-226

Social Network Analysis Seite 6

mittelt werden. Die Degree-basierte Zentralisierung (netzwerkbezogen) beschreibt dabei die summierte Differenz aller Akteure mit dem Akteur mit der höchsten Degree-basierten Zentralität (akteursbezogen). Die nähebasierte Zentralisierung gibt Aufschluss über Unabhängigkeit und Effizienz des Netzwerks. Die Betweenness-basierte Zentralisierung macht eine Aussage über den Grad der Monopolisierung durch einen Akteur.(15)

3.5 Prestige

Prestige wird, im Gegensatz zu Zentralität, auf Basis gerichteter Verbindungen ermittelt. Ein hohes Prestige bedeutet z.B. Kontrolle über knappe Güter, wie Wertschätzung oder Autorität im Netzwerk.(16) Viele eingehende Verbindungen gehen mit hohem Prestige (akteursbasiert) einher, wenn ein positiver Relationsinhalt vorliegt.(17) Es gibt mehrere Kennzahlen für Prestige mit unterschiedlicher Aussage: Indegree-basiertes Prestige: Es wird die Anzahl der eingehenden Beziehungen (Indegree) zum Akteur ermittelt. Eine hohe Anzahl entspricht hohem Prestige. Proximity-Prestige: Dies ist das Pendant zur nähebasierten Zentralität. Es wird zunächst die Einflusssphäre (Anzahl der Akteure die einen bestimmten Akteur direkt oder indirekt erreichen können geteilt durch die Anzahl aller Akteure im Netzwerk außer dem bestimmten) des Akteurs bestimmt. Das Proximity-Prestige wird wie folgt berechnet:

wobei I die Einflusssphäre, n die Anzahl Akteure im Netzwerk und d die Distanz einer zum Akteur gerichteten Pfadkette ist.

Rangprestige: Beim Rangprestige wird zusätzlich die Qualität der eingehenden Verbindungen betrachtet. Das Prestige eines Akteurs ist demnach die summierten Prestigekennzahlen derjenigen Akteure, welche den Akteur „wählen“ (eine gerichtete Verbindung zu ihm wählen). Das Prestige kann also nur durch Aufstellen eines Gleichungssystems oder durch ein iteratives Verfahren ermittelt werden.(18)

3.6 Identifikation von Teilgruppen

Es soll im Folgenden vor allem die Identifikation von Cliquen vorgestellt werden. Teilgruppen können auch durch strukturelle Äquivalenz begründet sein. Eine Clique ist demnach 15)vgl. Freeman (Centrality), S. 226-237 und Jansen (Netzwerkanalyse), S. 126-142

16)vgl. Jansen (Netzwerkanalyse), S. 143-147

17)vgl. Trappmann (Strukturanalyse), S. 25

18)vgl. Jansen (Netzwerkanalyse), S. 142-153

Social Network Analysis Seite 7

eine mögliche Ausprägung einer Teilgruppe. Unter einer Clique versteht man eine überschaubare Anzahl Akteure mit engen Beziehungen untereinander. Für die Netzwerkanalyse stellt sich die Frage der genauen Abgrenzung und Definition einer Clique. Es gibt folgende Definitionen von Cliquen:(19)

- Clique, n-Clique: eine Clique wird hier als Sonderfall der n-Clique aufgefasst, als 1-Clique. Eine n-Clique ist eine Menge von Akteuren, wobei jeder Akteur jeden anderen Akteur in höchstens n Schritten erreichen kann.

- soziometrische n-Clique: der Durchmesser der Clique darf nicht größer als n sein. Der Durchmesser wird auch anhand der Pfadlänge von Akteur zu Akteur gemessen. Allerdings ist diese Forderung restriktiver, da die Pfade nicht über cliquenexterne Akteure gehen dürfen.(20)

- k-Plex: hier müssen mindestens (n-k) direkte Verbindungen unter den Akteuren der Clique bestehen, wobei n die Anzahl Akteure im k-Plex beschreibt. Ein 0-Plex wäre demnach übereinstimmend mit der strengen Cliquendefinition (1-Clique). Genau umgekehrt sind k-Cores definiert.(21)

- soziale Kreise: werden iterativ gebildet. Im ersten Schritt wird das Netzwerk in soziometrische n-Cliquen aufgeteilt. Es werden dabei Baumstrukturen und Cliquen außen vor gelassen gesondert, welche sich nicht in ihrer internen Dichte von der Umgebung abheben. Im zweiten Schritt werden Cliquen zusammengelegt, welche sich nur in einer Person unterscheiden. Falls weitere größere Überlappungen existieren, werden auch diese sich überlappenden Cliquen zusammengefasst.(22)

Im Vergleich der Definition der sozialen Kreise mit den anderen vorher vorgestellten Definitionen erkennt man, dass Abgrenzungsalgorithmen schnell eine hohe Komplexität erreichen können. Die höhere Komplexität entsteht durch problematische Effekte der einfacheren Abgrenzung. Im Beispiel der sozialen Kreise wird versucht das Problem der starken Überlappung der vorherigen Verfahren zu lösen. Ein solcher Abgrenzungsalgorithmus bedarf einer gezielten Ausrichtung auf die Problemstellung, welche durch die Abgrenzung gelöst werden soll. Je nach Anwendungsfall kommen somit unterschiedliche Abgrenzungsal-gorithmen mit unterschiedlichen Parametern oder sogar individuell erarbeitete Algorithmen in Frage.

19)vgl. Jansen (Netzwerkanalyse), S. 193-200

20)vgl. Alba (Sociometric Clique), S. 119-121

21)vgl. Seidman (Minimum Degree), S. 272-277

22)vgl. Kadushin (Social Circles), S. 792-799

Social Network Analysis Seite 8

4. Betriebliche Anwendungen

In diesem Kapitel sollen Möglichkeiten des Einsatzes der SNA in der betrieblichen Praxis aufgezeigt werden. Bisher werden Methoden und Techniken der SNA in ersten Forschungsprojekten in Unternehmen eingesetzt. Ein Grund für die bisher geringe Verbreitung ist sicherlich die problematische Datenerhebung, sowohl in technischer aber auch in rechtlicher Hinsicht. Aus rechtlicher Sicht sind die Belange des Datenschutzes ausschlag-gebend.(23) Aus technischer Sicht gibt es sicherlich Gebiete, für welche eine einfache Datenerhebung ausreichend ist, so z.B. E-Mail-Verkehr und Telefonverbindungen (ohne Sprachauswertung). Für die Erfassung der persönlichen Kommunikation, welche einen hohen Anteil in der betrieblichen Kommunikation, ist die Datenerhebung anspruchsvoller. Es gibt aber auch dort bereits erste erfolgreiche Projekte.(24) Neben dieser Weiterentwicklung sprechen folgende Gründe für den zukünftigen Einsatz der SNA im Unternehmen:

- durch höhere Rechen- und Speicherleistung der IT-Systeme(25) werden auch komplexe und speicherintensive Operationen für Unternehmen finanzierbar - die Verfügbarkeit geeigneter Software nimmt zu(26)

- die zügig voran schreitende Verbreitung anderer Business Intelligence Lösungen(27) bieten ideale Voraussetzungen zur Anwendung von Techniken der SNA, da damit schon Erfahrungen in Gebieten der Datenintegration und -aufbereitung gesammelt wurden und in Teilen auch schon verwendbare Daten existieren. - Die Verbreitung von elektronischen Kommunikationswegen begünstigt die strukturierte Auswertung, da diese Daten bereits elektronisch vorliegen.(28) - Es ergeben sich in vielen erfolgskritischen Gebieten der BWL Einsatzmöglichkeiten der SNA

Anwendungsfelder der SNA sind u.a. Organisationsgestaltung und -entwicklung, Personalentwicklung, Marketing, Forschung und Entwicklung, Wissensmanagement und Unterneh-

23)vgl.Fischbach (Analyse der Dynamik), S.344

24)vgl. Fischbach (Analyse der Dynamik), S. 339-340

25)vgl. Moore (Cramming components), S. 114

26)vgl. Huisman (Statistical Software), S. 3

27)vgl. Born (Lohnende Geschäfte), S. 38

28)vgl. Fischbach (Analyse der Dynamik), S.337

Social Network Analysis Seite 9

menskommunikation. Im Folgenden sollen diese ausschnittsweise beschrieben werden.

4.1 Marketing

Großes Potenzial bietet die Verfahren der SNA im Marketing. Vor allem durch Untersuchung virtueller Gemeinschaften (Communities) können Erkenntnisse gewonnen werden. Die Untersuchung hat einen schwerwiegenden Vorteil: Die Daten können mit sehr geringem Aufwand erfasst und aufbereitet werden, da diese bereits digitalisiert vorliegen. Die Auswertung kann mehreren Zwecken dienen:

- Erkennung von Produkttrends durch die Analyse von Online-Communities: Dadurch werden Einblicke in die Nutzermeinungen möglich und durch die Beobachtung von Schlagworten werden Trends verfolgbar(29)

- Verbesserung der Prognose der Kundenabwanderung insbesondere in schrumpfenden Märkten(30)

- Verbesserung von Kundenwertberechnungen durch Mitberücksichtigung des Einflusses von Kunden auf andere potentielle oder vorhandene Kunden(31) - Verbesserung von Kampagnenwirkung: z.B. durch Entdeckung von Personen, welche einen meinungsbildenden Charakter haben, um diesen Personen das Produkt zu empfehlen und zur weiteren Empfehlung zu verleiten(32)

4.2 Sozialkapital

Es gibt mehrere Begriffe und Auffassungen, die den Wert der Personen und ihrer Eigenschaften als Kapital betrachten. Marx versteht unter dem Begriff des sozialen Kapitals den Mehrwert eines Produkts, der dem Kapitalisten zugute kommt und dadurch entsteht, dass es diesem ermöglicht wird, durch ungerechte soziale Strukturen, einen niedrigeren Preis für die Arbeit zu zahlen, als diese Wert ist. Weiterhin wird häufig der Begriff des Humankapitals verwendet, welcher vorwiegend die Fähigkeiten der Mitarbeiter als Kapital ansieht, welche durch Investition in Schulungen erhöht werden können.

Hier soll allerdings unter dem Begriff Sozialkapital der Wert eines sozialen Netzwerks ver- 29)vgl.Hück (Community Research), S. 187-199

30)vgl. Doyle (Telco Marketing), S. 132-133

31)vgl. Doyle (Telco Marketing), S. 133

32)vgl. Warmbrodt (Blogger Community), S. 8 , House (Recommendations), S. 334-335 und Doyle (Telco

Marketing), S. 133-134

Social Network Analysis Seite 10

standen werden: z.B. kann durch ein höheres Vertrauen in einem Netzwerk ein Effizienzgewinn erzielt werden, da Informationen nicht zurückgehalten werden. Wenn der Wert eines sozialen Netzwerks messbar wird, dann können auch Investitionen in dieses Netzwerk praktisch erprobt und beurteilt werden. Bisher werden viele Maßnahmen zur Teambildung oder unternehmensweite Workshops durchgeführt aufgrund der Annahme, dass diese Maßnahmen das Vertrauen und die Effizienz des Firmennetzwerkes steigern. Wenn Vertrauen und Effizienz im Netzwerk messbar werden, so können z.B. auch die Korrelationen der Ausgaben in Schulung oder für teambildende Maßnahmen errechnet werden und somit die Kosten und der Nutzen dieser Maßnahmen gegenübergestellt werden.

Der Wert der Netzwerks kann zunächst durch den Wert der Elemente dieses Netzwerks erfasst werden. Dazu gehört z.B. das Bildungsniveau der Teilnehmer. Einen engeren Bezug zur Netzwerkanalyse haben aber Werte, welche das Netzwerk als solches beurteilen können:

- Erreichbarkeit: Wertvoll für ein Netzwerk ist es, wenn die Ressourcen des Netzwerks für alle erreichbar sind. Ist dies nicht der Fall, spricht man von strukturellen Löchern (diese beschreiben nicht verbundene Teilgruppen eines Netzwerks(33)) - Stärke der Verbindung: Netzwerkbrücke (Knoten, welche strukturelles Loch überbrückt) oder Intimität, Intensität, Interaktion und Wechselseitigkeit(34) Die Netzwerkstruktur reflektiert geistiges Eigentum der Firma, daher ist eine Aussage über Autonomie, Überlebensfähigkeit und kurz- und langfristige Performance möglich.(35)

4.3 Organisationsentwicklung

Die Organisationsentwicklung hat als Ziel die Verbesserung der Problemlösungs- und Erneuerungsprozesse der Organisation.(36)

Organisationsentwicklungsmaßnahmen, welche durch Netzwerkanalyse ausgelöst oder begleitet werden haben bereits eine theoretische Fundierung erhalten.(37)

33)vgl. Burt (Structural Holes), S. 30-34

34)vgl. Lin (Network Capital), S. 3-15

35)vgl. Gay (Importance Economics), S. 55

36)vgl. Becker (Organisationsentwicklung), S. 5-17

37)vgl. Wald (Führungsforschung), S.493

Social Network Analysis Seite 11

Eine Netzwerkanalyse kann Gründe für eine Organisationsentwicklungsmaßnahme aufzeigen, durch:

- Messung des sozialen Kapitals, durch Messung von Werten wie Effizienz und Stärke eines Netzwerks

- Erkennung von Schwachstellen des Netzwerks: z.B. Aufzeigen von strukturellen Löchern

Der Einsatz der SNA im Themenbereich der Organisation wird teilweise auch als Organizational Network Analysis (ONA) bezeichnet. SNA kann in allen Organisationsbereichen zur Erkenntnisgewinnung beitragen, so z.B. auch in der Projektorganisation.(38) Eine bereits verwirklichte Reorganisationsmaßnahme ist im Fallbeispiel in Kapitel 5.3 dargestellt.

Allerdings sollten Organisationsmaßnahmen auch durch weitere Überlegungen, außerhalb der SNA, begleitet werden, um unerwünschte Nebeneffekte zu vermeiden. Eine Steigerung der Kommunikationseffizienz kann auch Nachteile im Bereich der Motivation haben, wenn bisher gewohnte soziale Kommunikation unter Mitarbeitern wegfält.

4.4 Datenschutzaspekte

Die Analyse sozialer Netzwerk berührt zwangsläufig das Thema Datenschutz, da immer Daten über Personen oder soziale Einrichtungen (deren Mitglieder auch wieder Personen sind) erhoben und ausgewertet werden. Viele Anwendungsfelder betreffen Informationen über Personen, welche einen intimen, schutzwürdigen Charakter haben. Problematisch wird dieser Umstand, wenn die ausgewerteten Personen sich nicht dieser Auswertung bewusst sind. In mehreren virtuellen Communities genießen die persönlichen Daten nicht den notwendigen Schutz.(39)

5. Vorstellung eines Fallbeispiel

Zur Veranschaulichung der in Kapitel 3 und 4 dargestellten Techniken und Anwendung der SNA und zur Beschreibung praktischer Herausforderungen bei der Umsetzung soll hier ein Fallbeispiel gezeigt werden. Es handelt sich dabei um ein Projekt der Universität Köln, zweier Forschungszentren des Massachusetts Institute of Technology (MIT Center for Col-

38)vgl.Behrend (Organizational Analysis), S. 24-26

39)vgl. Birk (Schnapp mich), S. 44-52

Social Network Analysis Seite 12

lective Intelligence und MIT Media Laboratory), der Hitachi Ltd. Corporation und der Sparkasse Köln. Innerhalb der Marketingabteilung der Sparkasse Köln wurden 300 Mitarbeiter mit sogenannten „Social Badges“ ausgestattet. Die Social Badges dienten zur Erfassung persönlicher Kommunikation. Anschließend wurde auf Basis der erfassten Daten ein Netzwerk erstellt. Die Analyse des Netzwerks führte als Resultat zu einer Organisationsanpassung der betrachteten Marketingabteilung.(40)

5.1 Ausgangsbasis

Technische Ausgangsbasis sind Mikrocomputer, Social Badges, welche an den zu untersuchenden Personen angebracht werden und folgende Informationen erfassen: - Erfassung der räumlichen Position über Bluetooth - Bewegungserfassung durch Beschleunigungsaufnehmer - Interaktionserkennung über Infrarot - und Erfassung der Stimmung über Mikrofon und Sprachanalyse Die Daten von 22 Mitarbeitern der Bank wurden über den Zeitraum von einem Monat erfasst. Zusätzlich zu diesen Daten der persönlichen Kommunikation wurden E-Mail Daten der Bank und Leistungsdaten zur Analyse hinzugezogen.(41)

5.2 Implementierungslösung Condor

Mit Condor lässt sich die Kommunikationsstruktur eines virtuellen Teams analysieren. Es wird von Condor ein zeitveränderlicher Graph erstellt. Dabei werden Personen als Kreise (Knoten) und Beziehungen als Verbindungen (Kanten) dargestellt. Je intensiver die Beziehung der verbundenen Personen, desto dicker wird die Verbindungslinie dargestellt. Dabei wird die Intensität der Beziehung z.B. durch die Anzahl der zwischen den beiden Personen verschickten E-Mails bemessen.(42)

5.3 Ergebnisse

Das erste Ergebnis ist, dass durch Berücksichtigung mehrerer Kommunikationskanäle, ein realistischeres Kommunikationsnetzwerk erstellt werden kann. Das Netzwerk der E-Mail

40)vgl. Putzke (Analyse Kommunikation), S. 217-219

41)vgl. Putzke (Analyse Kommunikation), S. 218-221

42)vgl. Putzke (Analyse Kommunikation), S.221

Social Network Analysis Seite 13

Kommunikation ist nur teilweise kongruent mit dem Netzwerk der persönlichen Interaktion. Erst die Kombination beider Kommunikationskanäle liefert ein reelles Bild der Kommunikation im Unternehmen.

Das Ergebnis, in Bezug zur Sparkasse Köln, ist eine Reorganisationsmaßnahme, welche die teamübergreifende Kommunikation reduziert und gleichmäßiger verteilt. Die folgende Abbildung zeigt die alte und neue Organisation im Vergleich (43):

Es bleibt weiter zu beobachten, ob diese Reorganisationsmaßnahme Vorteile für das Unternehmen bringt. Es scheint aber so, dass eine Netzwerkanalyse auch Ursprung für eine wertsteigernde Reorganisationsmaßnahme sein kann.

6. Ausblick

Aufgrund der in Kapitel 4 vorgestellten Impulse wird sich die SNA weiterentwickeln. Da sich die SNA im Kontext der Wirtschaftsinformatik zur Business Intelligence zuordnen lässt (siehe Kapitel 2) ist zu vermuten, dass sich das Thema mit schrumpfendem Zeitverzug dem Wachstum anderer BI Werkzeuge anschließen wird. BI Werkzeuge traten zunächst als Individualentwicklungen in Großunternehmen auf höherer Managementebene auf. Von diesem Ausgangspunkt aus werden folgende Trends verfolgt: - von der Individualentwicklung hin zu Standardsoftware(44)

43)Entnommen aus Putzke (Analyse Kommunikation), S. 224

44)vgl. Chamoni (klamme Kassen), S. 3

Social Network Analysis Seite 14

- von der Top-Level Managementunterstützung hin zur Unterstützung des operativen Managements(45) - von Großunternehmen hin zu KMU(46)

Die Entwicklung von SNA im Bereich BI werden große end-to-end BI Anbieter beschleunigen, indem sie SNA Funktionalitäten in ihren Werkzeugkasten aufnehmen. Die gerechtfertigten Datenschutzhemmnisse werden bremsend auf den Einsatz der SNA Werkzeuge wirken, vor allem in Ländern mit hoher Datenschutzsensibilität. Es gibt allerdings nicht nur Potenzial auf wirtschaftlicher Seite, sondern auch in der wissenschaftlichen Forschung.(47)

45)vgl. Keny (Operational BI), S. 20

46)vgl. Chamoni (klamme Kassen), S. 3 und Härting (BI im Mittelstand), S. 51-53

47)vgl. Jansen (Netzwerkanalyse), S. 275-281

Social Network Analysis Seite i

L i t e r a t u r v e r z e i c h n i s

Alba, R. D. (Sociometric Clique), A graph theoretic definition of a sociometric clique, Journal of Mathematical sociology, 1973, 3, S. 113-126

Becker, H. und Langosch, I. (Organisationsentwicklung), Produktivität und Menschlichkeit : Organisationsentwicklung und ihre Anw. , Stuttgart, 2008 Behrend, F. D. und Ellmann, S. (Organizational Analysis), Organizational Network

Bichler, M. (Hrsg.) Hess, T. (Hrsg.) Krcmar, H. (Hrsg.) u.a. (Multikonferenz), Multikonferenz Wirtschaftsinformatik , Berlin, 2008

Birk, D. , Gröbert, F. und Wegener, C. (Schnapp mich), Schnapp mich - Wie Web 2.0 den automatisierten Missbrauch ermöglicht, iX, 2008, 09, S. 44-52 Borgatti, S. und Foster, P. (Network Organization), The Network Paradigm in

Born, A. (Lohnende Geschäfte), Lohnende Geschäfte - Standardsoftware in Deutschland, iX, 2008, 7, S. 38-40

Burt, R. S. (Structural Holes), Structural holes : the social structure of competition , Cambridge u.a., 1992

Chamoni, P. (Hrsg.) (klamme Kassen), Standardlösungen für klamme Kassen, BI SPEKTRUM, 2008, 4, S. 3

Deo, N. (Graph Theory), Graph Theory with Applications to Engineering and Computer Science , New Delhi, 2004

Diestel, R. (Graphentheorie), Graphentheorie , 3. Auflage, Berlin u.a., 2006 Doyle, S. (Telco Marketing), Social network analysis in the Telco sector — Marketing

Social Network Analysis Seite ii

Fischbach, K. , Gloor, P. A. , Putzke, J. und Oster, D. (Analyse der Dynamik), Analyse der

Freeman, L. C. (Centrality), Centrality in social networks conceptual clarification, Social Networks, 1, 1979, 3, S. 215-239

Gay, B. (Importance Economics), Importance of Social Network Analysis in Economics, Serdült, U. (Hrsg.) Täube, V. (Hrsg.), (Applications), S. 33-59 Haas, J. und Mützel, S. (Netzwerkanalyse Deutschland), Netzwerkanalyse und

Hand, D. Mannila, H. Smyth, P. (Principles Data Mining), Principles of data mining , Cambridge u.a., 2001

Hansen, H.R. und Neumann, G. (Wirtschaftsinformatik), Arbeitsbuch Wirtschaftsinformatik - IT Lexikon, Aufgaben und Lösungen , Stuttgart, 2007

Härting, R. und Steinecker, M. (BI im Mittelstand), Große Potenziale für Business Intelligence im Mittelstand, is report, 2008, 9, S. 51-53

House, L. , House, M. und Mullady, J. (Recommendations), Do recommendations matter?

Hück, S. , Füller, J. , Bartl, M. und Leckenwalter, R. (Community Research), Community

Huisman, M. und van Duijn, M. (Statistical Software), Software for statistical analysis of social networks, in 6th International Conference on Logic and Method., 2004 Jansen, D. (Netzwerkanalyse), Einführung in die Netzwerkanalyse , 3. Auflage, Wiesbaden, 2006

Kadushin, C. (Social Circles), Friends and Supporters of Psychotherapy: On Social Circles in Urban Life, American sociological review,, 31 1966, 6, S. 786-802 Kaul, H. (Hrsg.) , Steinmann, C. (Hrsg.) u.a. (Community Marketing), Community Marketing , Stuttgart, 2008

Social Network Analysis Seite iii

Keny, P. und Chemburkar, A. (Operational BI), Trends in Operational BI, DM Review, 16, 2006, 7, S. 20-23

Lin, N. (Hrsg.) (Network Capital), Building a Network Theory of Social Capital, Lin, N. (Hrsg.) u.a., (Social Capital: Theory and Research), S. 3-29

Lin, N. (Hrsg.) u.a. (Social Capital), Social Capital: Theory and Research , London u.a., 2001

Moore, G. E. (Cramming components), Cramming more components onto integrated circuits, Electronics, 38, 1965, 8, S. 114-117

Putzke, J. Fischbach, K. Schoder, D. Oster, D. (Analyse Kommunikation), Business

Seidman, S. B. (Minimum Degree), Network structure and minimum degree, Social Networks,, 5 1983, 3, S. 269-287

Serdült, U. (Hrsg.) Täube, V. (Hrsg.), Nagel, A. (Applications), Applications of Social Network Analysis ASNA 2005 , Berlin, 2008 Simmel, G. (Soziologie), Soziologie , Leipzig, 1908

Stegbauer, C. (Hrsg.), u.a. (Netzwerktheorie), Netzwerkanalyse und Netzwerktheorie , Wiesbaden, 2008

Trappmann, M. Hummell, H. Sodeur, W. (Strukturanalyse), Strukturanalyse sozialer Netzwerke , Wiesbaden, 2005

Wald A. (Führungsforschung), Der Netzwerkansatz in der Führungsforschung, Stegbauer, (Netzwerkanalyse und Netzwerktheorie), S. 493-502

Warmbrodt, J. , Sheng, H. und Hall, R. (Blogger Community), Social Network Analysis of Video Bloggers’ Community, in HICSS-412008

Wellmann, B. (Hrsg.) (Structural Analysis), Structural Analysis: From Method and

Wellmann, B. (Hrsg.) Berkowitz, S. (Hrsg.) (Social Structures), Social Structures: A Network Approach , Cambridge u.a., 1988