Päätin (/sain aikaiseksi) vihdoin julkaista graduni Verkkoja ja innovaatioita – sosiaalisen verkoston analyysi organisaation viestinnän tutkimuksen apuna. Gradu on vuodelta 2009 ja tein siinä kyselytutkimuksen erään elintarviketeollisuuden jalostajalla. Vastaajia oli nelisenkymmentä.

Organisaation tiedonkulun verkosto.

Tutkimuskysymykset (joihin vastaukset löytyvät gradusta):

  1. Minkälainen on Yrityksen sisäisen kokonaisverkoston  sosiaalisen verkoston rakenne?
    a.    Muodostuuko Yrityksen neuvonhaun ja tiedonkulun verkostoon keskittymiä, mielipidejohtajia?
    b.    Ovatko mahdolliset keskittymät korkealla organisaation hierarkiassa?
  2. Kenen toimijan kautta tieto innovaatioista tulee verkostoon sisälle?
    a.    Muodostuuko tiedonkulun verkostoon yksi vain useampi silta (mielipidevälittäjä) eri ryhmien välille Yrityksen ulko- ja sisäpuolelle?
  3. Jos Yrityksen sosiaaliseen verkostoon muodostuu mielipidejohtajia ja mielipidevälittäjiä, ovatko nämä samoja henkilöitä?
    a.    Jos eivät ole samoja henkilöitä, ovatko mielipidejohtajat ja -välittäjät yhteydessä toisiinsa?

Tutkimusta oli mukava tehdä, ja samalla polulla tässä ollaan edelleen. Tosin polku on vienyt vahvasti yrittämiseen ja sosiaalisen median analyysiin. Tekstissä on liitteenä suomennettua verkostoanalyysin sanastoa sivulta 93 lähtien, ja mallit verkostokyselylomakkeesta.

Advertisements

When we look in to our past, we see different communities: schools, companies, teams etc. Most important thing in these communities is that we meet people; we network. One big community, UEFA European Championship 2012 is nearing its final: Spain vs. Italy.

Like all of us, the players in these teams have a past of different communities. In this case, the most interesting communities are football clubs. Like in my previous post of all of the teams, I ventured a guess: if two players have played in the same club, they share a connection (in this post they share a connection if they have played in the same club in the same year). Combine all those connections and you get a social network of the players.

Size of the players name represents the betweenness of the player: how important the player is to the experience flow of the team. We see that Pepe Reina is the most important player from the network perspective. Second and third are Christian Maggio and Álvaro Arbeloa. We see that most of the players are connected. Note: I only took in to account the prime league clubs.

The network structure of the both teams are similar in their density: both utilize about 20 % of all possible ties. Spain, however form almost twice the amount of cliques. This translates as more tightly connected groups. Data from team Spain from here and from team Italy here. Interesting is that Thiago Motta and Mario Balotelli are more connected to the Spanish team than to the Italian team. This may translate to better knowledge of the opposing team. The Spanish team does however have more players that have played together for several years. In other organizations this usually leads to better performance, so based on social network analysis, my money would be on Spain.

twitter: jattipaa

www.verkostoanatomia.fi

facebook: Verkostoanatomia

Visualized with Gephi.

The UEFA European Championship 2012 has some interesting statistics. For example its 16 teams have 368 players from 137 clubs. This means that in average each club has almost 3 of its players on the tournament. But averages are a poor tool when you can use social network analysis.

Like in 2010 World Cup the teams, clubs and players form a social network. In short, if a two players belong to the same team (country or club), they have a connection and this connection can be visualized. For similar visualizations, check out this viz from a Finnish newspaper Helsingin Sanomat (I also got the raw data used to do this analysis from the site).

The picture below is all the players, teams and clubs in the same network. The size of the node represents the amount of connections the node has.

Bayern München is the best represented club: it has 13 players in the tournament.

The next picture has only the clubs and teams. They are connected through players. The size of the node represents the “importance” (or eigenvector centrality) of the node. This means that the players from the Netherlands team are best connected throughout the network. Surprisingly Sweden is second. As the number of common players increase, so does the thickness of the line between the club and the team. They also get closer they get on the map. For example Spain and Portugal both have lot of players from Real Madrid and these two countries end up close to each other on the map. From the clubs’ perspective the players from Arsenal, Bayern München and Manchester City are central to the network.

To take the analysis even further here is the network of all the players in the tournament. A connections here means a shared team or a club membership. The size of the node represent the importance (or a good position) of the player. The color represents the “community” of players; a clique of sorts.

Franck Ribéry and Arjen Robben are the most well positioned players in the network. Every player can reach every other player in max 5 steps. A more clearer picture emerges after we remove all the players that play with less than 27 other players (22 from their team + 5 from the club). A sort of crème de la crème of players.


For you SNA enthusiasts here is the .net file of the players, teams and all of the actors. Visualized with Gephi.

twitter: jattipaa

www.verkostoanatomia.fi

facebook: Verkostoanatomia

Suomalaisessa twitterissä kuluneen kuukauden aikana on vaikea ollut välttyä #mmkisat-tägiltä. En itse ole aiemmin kohdannut näin laajassa käytössä olevaa ja pitkäikäistä tägi-meemiä (tuleeko muille mieleen mitään?).

No, luonnollisesti minua kiinnostaa myös se, mitä toistuvia rakenteita tweettien taustalla on: kuinka paljon puhutaan, milloin puhutaan ja ketkä puhuvat. Kysymykset eivät ole vähäpätöisiä sillä mielestäni twitterin ja sosiaalisen median järjestelmällistä seurantaa tehdään aivan liian vähän. Tässä on kerätty muutama esimerkki, mitä twitter-tapahtumasta voidaan saada irti.

Keräsin kaikki #mmkisat-tägillä varustetut tweetit ajalla 5.5.-23.5.2012 yourTwapperKeeper-työkalulla. Verkostot visualisoin Gephillä.

Perustietoja:  18 päivän ajanjaksolla tuli huimat 38064 tweettiä, eli keskimäärin yli 2000 tweettiä per päivä! Yhteensä 3399 eri toimijaa tweettasi jokainen keskimäärin 11 kertaa. Yli puolet tweettasi kuitenkin vain kaksi kertaa. Tweettajista 130 ahkerinta tuottivat yli puolet tweeteistä, eli loppujen lopuksi äänessä oli eniten pienehkö joukko (4 % kokonaisjoukosta), jotka onnistuivat tuomaan mukaan loputkin kolmisen tuhatta henkilöä. Ahkerin tweettaaja oli Urheilulehden uutispäällikkö @EskoSeppanen 994:llä tweetillä, toisena @Valonkuvaaja 810 tweetillä ja kolmantena Jääkiekkoliiton virallinen tili @leijonat 759 tweettiä.

Suurimmat piikit päivistä olivat sunnuntaisin, jolloin tuli neljännes kaikista tweeteistä.

Toukokuun 17. päivä oli taas kiivain tweettauspäivä. Iltapelit saivat aikaan eniten tweettejä.



Tweettaajista 2310 mainitsi jonkun toisen. Tästä saamme keskusteluun osallistumisprosentiksi 68 %. Eli yli kaksi kolmannesta tweettaajista otti twitterin sosiaalisen ulottuvuuden käyttöön.

Alla oleva kuvat on tehty keräämällä tweettien sisällä olevat maininnat. Jos esimerkiksi @KKammola mainitsee @leijonat, piirretään toimijoiden välille yhteys. Toistetaan prosessi kaikkien toimijoiden kesken ja saamme lopulta alla olevan kuvan, jossa tweettaajan nimen kokoa kasvattaa tämän saama mainintojen lukumäärä. Väri määrittää “yhteisön”, eli tässä tapauksessa taipumuksen mainita samoja henkilöitä ristiin.

Verkostossa @EskoSeppanen, sai yhteensä 1301 mainintaa 645:ltä tweettaajalta, @KKammolla 1018 mainintaa 521 tweettaajalta. Virallinen @leijonat oli kolmas 764 maininnalla ja nämä maininnat tulivat 233 eri tweettaajalta. Aikaisemmin mainittu 4 %:n joukko, joka tuotti suurimman osan sisällöstä muodosti myös puolet eniten mainintoja saaneesta joukosta. Jos mainintojen lukumäärä katsottaisiin tässä onnistumisen mittariksi (kuinka suuren huomioarvon tweettaaja saa), niin @ESkoSeppanen sai yhdellä omalla tweetillä keskimäärin 1,31 vastausta, @leijonat 1,01 ja @KKammola todella hyvän 2,83. Tästä saa jonkinlaisen ROC-arvon siis laskettua.

Kuva muistuttaa kuitenkin jotain, mitä Nyan Cat rykäisisi matolle. Pohjalla olevan rakenteen selvittääksemme siivosin kuvasta pois sellaiset toimijat, jotka eivät saaneet yhtään mainitaa ja sellaiset yhteydet, jotka toistuivat alle kolme kertaa. Tuloksena on selkeämpi kuva mm2012-twitter-keskustelua tukevasta vuorovaikutus- ja viestintäsuhteista.

Itselle mielenkiintoisin havainto oli, että alle 5 % tuotti suurimman osan sisällöstä ja että itse asiassa tämä aktiivisten joukko herätti myös eniten keskustelua. Mutta ei kuitenkaan kaikkea keskustelua, ja tämä tulee muistaa kun mietitään viestinnän analyysissä äänekkäimpien huomioista: huutajat eivät aina välttämättä muodosta keskustelua. Yhtäkaikki, hauskaa nähdä, että twitter alkaa ottaa paikkaansa myös suomalaisessa mediakentässä.

EDIT: Korjasin #mm2012 -> #mmkisat-tägiksi (oli alunperinkin). Edit 2: Esko Seppänen korjattu päätoimittajasta uutispäälliköksi, kiitos Niku.

twitter: jattipaa

www.verkostoanatomia.fi

facebook: Verkostoanatomia

EDIT: English summary as the Google’s translation makes me look like an illiterate git. Mapping the Facebook friendship network and visualizing it with Gephi. The size of the node represents the amount of friends the MP has amongst other MP’s and the color represents the party.

Nyt kun presidentinvaalit ovat ohitse ja sosiaalisen median vaikutukset poliittiseen kampanjointiin on punnittu, voimme siirtyä suomalaisen arjen olennaisimpaan peruskysymykseen: kenellä eduskunnassa on eniten kavereita?

Usealla kansanedustajalla on joko henkilökohtainen profiili tai oma sivunsa, jonka kautta he pitävät yhteyttä äänestäjiinsä. Näistä profiileista ja sivuista raportoinut on esimerkiksi Verkkouutiset. Itseäni kiinnostaa pelkkien sivujen olemassaolon lisäksi se, miten kansanedustajat ovat toistensa kavereita. Jos tiedät kahden henkilön Facebook-id:n, voit kysyä Facebookilta, ovatko nämä kaksi kavereita keskenään. Tämän tiedon avulla voin hakea kaikkien Facebookissa olevien kansanedustajien kaverisuhteet toisiinsa.

Kuvassa pallon koko vastaa kavereiden lukumäärää ja väri puoluetta. Viiva edustajien välillä tarkoittaa kaverisuhdetta. Voimme todeta, että Arto Satonen (kok) voitti eduskunnan kaverikisan 124:llä kaverillaan. Miapetra Kumpula-Natri (sd) oli kakkonen 111 ja Merja Kyllönen (vas) täpärä kolmonen 110:llä kaverillaan. Jos ei muuta voi sanoa, niin nämä kolme ovat kansanedustajien keskuudessa ainakin aktiivisimpia kaverikutsujen lähettäjiä.

Keskimäärin kavereita edustajilla oli 42 kappaletta ja kaveriverkoston halkaisija (eli kuinka monella askeleella kaksi kauimmaista edustajaa tavoittavat toisensa) oli neljä askelta. Puoleilla keskimäärin kavereita: sd 56, kok 50, kesk 42, vihr 42, vas 40, ps 30, kd 25, r 20. Siis RKP, mars kavereita kyselemään!

Verkostoanalyytikolle mielenkiintoista on edellämainittujen lisäksi puolueiden väliset kaverisuhteet. Kuvassa olivat kansanedustajat sijoittuneet selkeästi kaveriporukoihin. Mitä keskemmällä henkilö on, sitä useammassa kaveriporukassa tällä on kavereita. Kaveriporukat näyttävät muodostuvan puoluerajojen mukaisesti.  Silmiin pomppaa RKP:n ja Perussuomalaisten kaverisuhteiden puute.  Alla olevassa kuvassa on visualisoitu puolueiden välisten kaverisuhteiden lukumäärä (viivan paksuus ja luku vastaavat kaverisuhteiden lukumäärää).

Määrällisesti demareiden ja kokoomuksen välillä on eniten kaverisuhteita. RKP ja Perussuomalaiset eivät ole kovinkaan läheisissä väleissä keskenään, mutta Vihreiden ja KD:nkään välillä ei liiemmin kaveripyyntöjä ole lähetelty.

Kiitos Teemo Tebestille, joka auttoi kaivamaan kansanedustajien yhteystietoja. Jos joku haluaa itse kokeilla kansanedustajien kaverisuhteiden visualisoimista, tässä tiedosto. Verkostot on visualisoitu Gephillä, ja apua visualisointiin voi hakea näiden ohjeiden loppupäästä.

Jos kiinnostaa tietää enemmän, mitä Facebookissa ja sosiaalisessa mediassa tapahtuu, käykää kirjautumassa Sometrik-palvelun betaversioon (maksuton eikä vaadi mitään asennuksia).

twitter: jattipaa

www.verkostoanatomia.fi

facebook: http://www.facebook.com/pages/Verkostoanatomia/189756439160

Edit: I’ve jumped the gun: the Markkinointiviestinnän viikot #-tag was changed. This is the new version. Note self: check the #-tag beforehand…

Everything seems to happen sporadically . This is also true in Finland as the Mindtrek event in Tampere and – aptly named two day event – Markkinointiviestinnän viikko (Week of marketing communications) in Helsinki coincide in the same week. Luckily one is able to follow both via twitter with the #tags #mindtrek and #2011mvv   (+  #mvv2011). Moreover we can visualize the conversations happening in both. Do they overlap, which event activates more people and conversation and who orchestrates the communication etc? In this picture I have combined the tweets of the two events (at 2.20 PM).

The two events seem to overlap but two distinctive groups are formed: Mindtrek on the left and MVV on the right. There are total 446 tweeters combined.  The size of the node represents the bridgespanning role of the person: the bigger the node the between the two groups tweets the person is. We see that   @vesilola, @pauliinamakela, @mindtrek_ and @arimarjamaki ‘s tweets connect the two events.

Looking at the two events separately we can detect the most mentioned people. The size of the node represents the amount of tweets received and the color of the node the persons activity in mentioning others.

In Mindtrek there are at the moment 187 different tweeters. @mindtrek_@vesilola are the most mentioned while @mindtrek is the most active.

In Markkinointiviestinnän viikot there are at the moment 289 different tweeters. @vesilola, @socialdistrict and @greenpeacesuomi are the most mentioned while @pauliinamakela and @eisoma the most active. The overall structure seems more dense than Mindtrek’s so there seems to be more going on in Helsinki.

This is a a snapshot of the situations. If you want to do similar analysis yourself instructions can be found in these slides. The tweets were gathered with NodeXL and visualized with Gephi.

twitter/jattipaa

www.verkostoanatomia.fi

Visualizing Twitter networks can make sense in the constant stream of tweets. We can detect different communities or active Tweeters. I have made a quick hands on guide for twitter hashtag visualization using Gephi and NodeXL:

 

twitter: jattipaa

www.verkostoanatomia.fi

facebook: http://www.facebook.com/pages/Verkostoanatomia/189756439160