Social Network Analysis

Inhaltsverzeichnis

Abkürzungsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1. Einleitung

2. Einordnung und Abgrenzung

3. Analyse- und Interpretationstechniken der SNA
3.1 Graph
3.2 Gewichteter Graph
3.3 Abstandsbestimmung
3.4 Zentralität
3.5 Prestige
3.6 Identifikation von Teilgruppen

4. Betriebliche Anwendungen
4.1 Marketing
4.2 Sozialkapital
4.3 Organisationsentwicklung
4.4 Datenschutzaspekte

5. Vorstellung eines Fallbeispiel
5.1 Ausgangsbasis
5.1 Implementierungslösung Condor
5.2 Ergebnisse

6. Ausblick

Literaturverzeichnis

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abbildung 1: Entwicklung der Publikationen zum Thema "social network"

Abbildung 2: Netzwerkformen (Zentralität)

Abbildung 3: Organigramm vor und nach Reorganisation

Tabellenverzeichnis

Tabelle 1: SNA in Themenbereichen der Soziologie

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]:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Entwicklung der Publikatio- nen zum Thema "social network"

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.

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 Soziolo- gie ^[5]:

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: SNA in Themenbereichen der Soziologie

Die Häufigkeiten stellen das Vorkommen in Zeitschriften zur Soziologie dar. Von den so- ziologischen Richtungen lässt sich auch die Bedeutung in anderen Wissenschaften ablei- ten, z.B. die Ableitung der Wirtschaftswissenschaften aus dem Bereich der Wirtschaftsso- ziologie.

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 Netz- werken. Die Techniken werden im Folgenden in allgemeiner Art beschrieben, für eine kon- krete Anwendung müssen diese Techniken allerdings immer an die Aufgabenstellung an- gepasst 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 Men- ge 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 defi- niert. Gerichtete Graphen enthalten für jede Kante eine Zuweisung des Anfangs- und End- knotens. Ein Hypergraph ist allgemeiner gefasst als ein normaler Graph: In einem Hyper- graph kann eine Kante mehrelementig sein, d.h. mehrere (oder auch nur einen) Knoten miteinander verbinden. Ein gerichteter Graph kann mehrere Kanten zwischen zwei Kno- ten 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 Intensi- tät einer Beziehung, eine Differenz oder andere Inhalte zugewiesen werden. Das Travel- 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 Abstandsbestimmung kann dem Clustering-Verfahren im Forschungsgebiet Data Mining zugeordnet werden.

Unter Data Mining versteht man eine automatisierte Wissensbestimmung (z.B. Bestim- mung 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 Abstandsmaß der Einheiten.^[12]

Ein solches Clustering ist auch in sozialen Netzwerken möglich, indem man eine Art sozia- len Abstand als Abstandsmaß einführt. Häufige und intensive Kommunikation ist demnach ein Zeichen für geringen Abstand, bzw. große Nähe. Auch Attribute von Personen, wie Al- ter, Einkommen, Status, etc., können zur Abstandsbildung in sozialen Netzwerken einge- setzt 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-den (13):

[...]

^[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

^[4] vgl. Hansen (Wirtschaftsinformatik), S. 360

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

^[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

^[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