In den vergangenen Jahren ist dem Netzwerkbegriff nicht nur in seiner sprachlichen Verwendung eine wachsende Bedeutung zugekommen. Vernetzung ist in allen Bereichen der Gesellschaft gegenwärtig – sei es am Arbeitsplatz, im Privatleben oder der Öffentlichkeit. Es stellt sich die Frage: Wie können die Daten unserer interkonnektiven Umwelt bestmöglich für Analyseprozesse genutzt werden, um Erkenntnisse über soziale, wirtschaftliche und kommunikative Zusammenhänge zu erhalten und das gewonnene Meta-Wissen über informelle Netzwerke zielgerichtet einzusetzen?
Ziel dieser Arbeit ist es, einen grundlegenden Überblick über die Methodik und den State-of-the-Art der sozialen Netzwerkanalyse zu bieten.
Insbesondere sollen sowohl der Umgang, wie auch Relevanz und Potenziale von Daten als Wissensrohstoff thematisiert werden. Auf technischer Ebene wird nach einer Einordnung auf die Eignung von Graphdatenbanken für Analytics eingegangen. Anschließend werden ausgewählte Anwendungsfelder in einer Netzwerksicht betrachtet und es soll ausgelotet werden, inwieweit Einsatzmöglichkeiten sowie Erkenntnisgewinne durch SNA bestehen.
Inhaltsverzeichnis
1. Einleitung
2. Analyse sozialer Netzwerke
3. Grundlagen zu Graphdatenbanken
4. Graphdatenbanken in der SNA
5. Anwendungsfelder
5.1 Das Unternehmen als soziales Netzwerk
5.2 Auswirkungen auf die Marktforschung
6. Fazit
Zielsetzung & Themen
Ziel dieser Arbeit ist es, einen grundlegenden Überblick über die methodische Arbeit sowie den aktuellen Stand der sozialen Netzwerkanalyse (SNA) zu geben und deren technische Umsetzung mittels Graphdatenbanken zu beleuchten.
- Grundlagen und Definitionen der Analyse sozialer Netzwerke (SNA)
- Technische Spezifikationen und Modellierungsansätze von Graphdatenbanken
- Synergieeffekte zwischen SNA und graphbasierten Speichersystemen
- Einsatzmöglichkeiten der SNA in Unternehmensorganisationen
- Bedeutung der SNA für moderne Ansätze in der digitalen Marktforschung
Auszug aus dem Buch
1. Einleitung
In den vergangenen Jahren ist dem Netzwerkbegriff nicht nur in seiner sprachlichen Verwendung eine wachsende Bedeutung zugekommen. Vernetzung ist in allen Bereichen der Gesellschaft gegenwärtig – sei es am Arbeitsplatz, im Privatleben oder der Öffentlichkeit. Mit dem Aufkommen und ständiger Verfügbarkeit sozialer Medien entwickelte sich ein Bewusstsein für diese vielfältigen Beziehungen, die der Mensch als soziales Wesen seit jeher pflegt. Der eigene Alltag beschäftigt sich durch Plattformen wie Instagram oder LinkedIn zusehends mit dem Gegenstand „Netzwerk“ an sich, was sich nicht zuletzt in Modewörtern wie „socializing“ oder „networken“ niederschlägt.
Dieses neue Bewusstsein über die Bedeutung sozialer Strukturen, kombiniert mit einer nie dagewesenen Transparenz früher unzugänglicher Wirkungsgeflechte befeuert einen Paradigmenwechsel von der Informationsgesellschaft hinein in eine Netzperspektive. Es stellt sich die Frage: Wie können die Daten unserer interkonnektiven Umwelt bestmöglich für Analyseprozesse genutzt werden, um Erkenntnisse über soziale, wirtschaftliche und kommunikative Zusammenhänge zu erhalten und das gewonnene Meta-Wissen über (informelle) Netzwerke zielgerichtet, z.B. in Form von Optimierung oder Manipulation, einzusetzen?
Im Zuge der digitalen Transformation setzen sich viele Unternehmen daher mit den Themen Big Data und sozialer Netzwerkanalyse (SNA) auseinander mit dem Ziel, darin enthaltene Informationen offenzulegen und als Wissen nutzbar zu machen. Da solche Datenbestände nach den Dimensionen der 3 V‘s in großer Menge, in unstrukturierter oder auch unterschiedlich strukturierter Form vorliegen und sich in der benötigten Verarbeitungszeit unterscheiden, kommt der Auswahl geeigneter Werkzeuge eine große Bedeutung zu, um einen effektiven und effizienten Datenbearbeitungs- und Analyseprozess zu gewährleisten. Hier haben sich im Bereich der Datenbanksysteme Graphen als nützliche Form erwiesen, Daten übersichtlich und nachvollziehbar zu visualisieren.
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung beleuchtet die zunehmende Bedeutung von Netzwerken in der modernen Gesellschaft und führt in die Thematik der digitalen Transformation sowie die Relevanz der SNA ein.
2. Analyse sozialer Netzwerke: Dieses Kapitel definiert soziale Netzwerke wissenschaftlich und erläutert verschiedene Ansätze zur Klassifizierung sowie Messziele innerhalb der SNA.
3. Grundlagen zu Graphdatenbanken: Hier werden technische Grundlagen sowie Modellierungsansätze wie RDF und Labeled Property Graphs vorgestellt, die für die Speicherung komplexer Netzwerkdaten notwendig sind.
4. Graphdatenbanken in der SNA: Das Kapitel vergleicht die Effizienz von Graphdatenbanken gegenüber relationalen Systemen bei der Analyse hochvernetzter Datenstrukturen.
5. Anwendungsfelder: Es wird der praktische Einsatz der SNA in Unternehmen zur Organisationsanalyse sowie in der modernen Marktforschung zur Kundensegmentierung diskutiert.
6. Fazit: Das Fazit fasst die Potenziale der SNA zusammen, mahnt aber gleichzeitig zu einem ethisch bewussten und methodisch sauberen Umgang mit den Daten.
Schlüsselwörter
Soziale Netzwerkanalyse, SNA, Graphdatenbanken, Big Data, Digitale Transformation, Soziale Strukturen, Netzperspektive, Labeled Property Graph, RDF, Unternehmensanalyse, Marktforschung, Wissensmanagement, Recommender-Systeme, Datenqualität, Informatik.
Häufig gestellte Fragen
Was ist das grundlegende Thema der Arbeit?
Die Arbeit untersucht die Synergien zwischen der sozialen Netzwerkanalyse (SNA) und Graphdatenbanken als technisches Speichersystem.
Welche zentralen Themenfelder werden abgedeckt?
Die Arbeit umfasst theoretische Grundlagen sozialer Netzwerke, technische Eigenschaften von Graphdatenbanken sowie deren praktische Anwendung in der Wirtschaft.
Was ist das primäre Ziel der Untersuchung?
Das Hauptziel ist es, einen Überblick über den aktuellen Stand der SNA zu geben und aufzuzeigen, wie Graphdatenbanken die Analyse komplexer Datenstrukturen effizienter gestalten.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit stützt sich auf eine Literaturanalyse sowie die methodische Aufarbeitung aktueller Forschungsstände zur Netzwerktheorie und Datenbanksystemen.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung der SNA, technische Grundlagen zu Graphdatenbanken und die praktische Erörterung in den Bereichen Organisation und Marktforschung.
Welche Schlagworte charakterisieren diese Publikation?
Wichtige Begriffe sind insbesondere Soziale Netzwerkanalyse, Graphdatenbanken, Big Data, Organisationsentwicklung und Predictive Analytics.
Warum sind Graphdatenbanken besser für die SNA geeignet als relationale Datenbanken?
Graphdatenbanken speichern Beziehungen explizit als Elemente, was bei hochvernetzten Daten ein schnelleres Traversieren und Auswerten ohne aufwendige Joins ermöglicht.
Welche Rolle spielen "Broker" in sozialen Netzwerken innerhalb von Unternehmen?
Broker agieren als Brücken zwischen ansonsten isolierten Subsystemen und sind daher kritisch für den Informationsfluss und die abteilungsübergreifende Kommunikation.
Inwiefern beeinflusst der "Markets-as-Networks"-Ansatz die Marktforschung?
Dieser Ansatz betrachtet jede Markttransaktion in einem größeren sozialen Kontext, was Instrumente wie Influencer-Marketing und Peergroup-Targeting ermöglicht.
Welche ethische Herausforderung wird im Fazit angesprochen?
Da die SNA persönliches Mitarbeiterverhalten abbildet, wird vor einer unsensiblen Einführung gewarnt, um die Ethik und das Arbeitsklima in einer Organisation nicht zu gefährden.
- Quote paper
- Marius Neumann (Author), 2019, Social Network Analysis und Graphdatenbanken, Munich, GRIN Verlag, https://www.grin.com/document/462520
