Využitelnost teorie sociálních sítí v managementu Eva Kubátová, Radoslav Škapa Katedra podnikového hospodářství www.agric-econ.uni-kiel.de/Abteilungen/II/PDFs/supply_chains.pdf Analýza sociálních sítí ­ akademické zázemí * Základní texty: Wasserman & Faust; Scott * Specializované časopisy: Connections; JoSS; Social Networks * Vědecké organizace: INSNA * Pravidelné konference: Sunbelt Social Network Conference * Letní školy: POLNET * Studijní programy a kurzy na renomovaných univerzitách Social network vs. ,,Agent based" http://www.google.com/trends?q=social+network%2C+agent+based+&ctab=0&geo=all&date=all&sort=0 Sociální sítě: texty na internetu Sociální sítě: texty na internetu Social network vs. Karl Marx Teorie grafů Uzly = prvky * Osoby * Skupiny * Organizace * Státy * Počítače * Města Hrany = vazby * Vztahy mezi lidmi ­ Neformální * Rady * Důvěra * Respekt * Výměna informací ­ formální * Pracovní příkazy * Výměna informací ­ Multiplexové (vícevrstvé, vícerozměrné) Počítače v síti internet Přímořský potravní řetězec na Aljašce [http://www.absc.usgs.gov/research/seabird_foragefish/marinehabitat/images/Food_Web3.gif] Příklad sociogramu (poprvé použili W.L.Warner a E.Mayo) Až do 60. let studie soc sítí kvalitativní charakter. I díky počítačům ­ dekompozice sítí formálně matematizovaná pomoci teorie grafů. Nejsložitější studie - dynamické modely vzniku a vývoje sítí, pomocí simulací. Síť únosců/atentátníků SOURCE: Valdis Krebs http://www.orgnet.com/ Facebook http://www.fi.muni.cz/~xpelanek/IV109 Další příklady komplexních sítí Formální a neformální síť http://www.robcross.org/network_ona.htm Náhodné grafy V padesátých letech maďarští matematici Pál Erdős a Afred Rényi vzali určitý počet vrcholů a ty zcela náhodně spojovali hranami. Později se zjistilo, že náhodné sítě hrají při stavbě našeho světa jen nepatrnou roli. Náhodné grafy Síla slabých vazeb Mark Granovetter: jakými cestami si lidé hledají zaměstnání? Prostřednictvím vzdálený známých (pohybují se v mně neznámém prostředí), nikoli nejbližších přátel (ti mají většinou podobné informace jako já) S. Milgram si stanovil za cíl zjistit vzdálenost mezi libovolnými dvěma lidmi v USA Prostřednictvím rozesílání dopisů zjistil, že průměrně stačilo pouhých 6 kroků (vazeb) Duncan Watts a Steven Strogatz: malý svět (small world networks) ­ největší počet vzájemných kontaktů je určen geografickou blízkostí ­ ALE kromě toho máme pár přátel a známých v jiných městech, jiných státech a na jiných kontinentech ­ dalekodosahové vazby vedou k tomu, že svět je ,,malý" kre.ef.jcu.cz/soubory/komunikace _a_site.ppt Náhodné grafy ­ Bezškálové grafy Analýza struktury internetu ­ rozdělení konektivity (Albert L. Barabási) Popření předchozích modelů ­ Náhodných grafů i ,,malé světy" Wattse a Strogatze Analýza (sociálních) sítí: úvod Sběr dat Matematicko-statistická analýza grafů ­ základní ukazatele Vizualizace grafů Počítačová podpora - UCINET ... na příkladu podniku z MANAHRY Sběr dat ­ Rozhovory ­ Písemné, elektronické dotazování ­ Pozorování ­ Dokumenty ­ Záznam transakcí (emaily) ­ ... Problémy: - Nelze zachovat anonymitu - Chybějící data výjimečně komplikují analýzu - Lze získat informace o lidech, kteří nebyli respondenty BĚHŮNKOVÁDAGMAR BENADALUDĚK DOSTÁLKOVÁHANA DVOŘÁKOVÁRADKA GALLOVÁVĚRA KADLECOVÁANETA KOHOUTKOVÁZUZANA KOLODĚJPAVEL KOPŘIVOVÁHELENA KŘESKOVÁVENDULA KUBINIOVÁIVA KUĽKOVÁLENKA KURÁŇOVÁLUCIE MARKOŠOVÁIVANA MOCHNÁČMATEJ MOTYČKAMARTIN MYŠKOVÁADÉLA NOVOTNÁMARTINA POLÓNYOVÁBRONISLAVA SKŘÍTECKÝJIŘÍ SLAVÍČEKJAN ŠENKPAVEL 1. S kým komunikujete každý den (nejen na téma Manahra)? 0 - NE 1 - ANO často 2 - ANO velmi často 2. S kým diskutujete podnikové záležitosti Manahry při poradách? 0 - NE 1 - ANO často 2 - ANO velmi často 3. S kým diskutujete podnikové záležitosti Manahry mimo čas porad? 0 - NE 1 - ANO často 2 - ANO velmi často 4. Kolikrát diskutujete s danou osobou Manahru v průběhu jednoho kola hry (do kolonky uveďte číslo kolikrát do týdne s danou osobou diskutujete)? 5. Koho byste chtěla (chtěl) dostat na svoji stranu v případě snahy prosadit nepopulární rozhodnutí? U příslušné osoby napište 1. 6. Komu byste svěřil pracovní tajemství? U příslušné osoby napište 1. Vyplňte prosím všechny buňky tabulky, pokud možno. Vaše jméno a příjmení: Příklad dotazníku pro MANAHRu Jak popsat vazby? * Síla (intenzita) * Frekvence * Délka trvání * Intimnost * ... * Binární ­ Vazba existuje/neexistuje * ,,Vážené" vazby ­ Popis sledované vlastnosti vazby na škále, číselné ohodnocení vazby * Neorientované ­ Vazby jsou symetrické = vzájemné * Orientované ­ Nesymetrické (omezení statistické výpočty pro takovýto typ vazeb) Příklad datového souboru Brázdová Chlup Džuberová Jadrničková Mandovec Mazúrová Pokorná Pšeničková Sedláček Vaisharová Vaněk Vojtová Zbíral Černovická Brázdová 2 1 1 1 2 Chlup 1 1 Džuberová Jadrničková 2 1 2 1 1 2 Mandovec 1 1 1 2 2 1 1 Mazúrová Pokorná 1 1 2 1 1 1 1 1 Pšeničková 2 1 1 1 1 Sedláček 2 2 2 2 2 1 2 2 Vaisharová 1 1 2 1 1 Vaněk 1 1 2 Vojtová 1 1 1 1 1 Zbíral 1 1 1 1 2 1 1 1 Černovická Grafické zobrazení sítě Grafické zobrazení sítě Grafické zobrazení sítě Základní ukazatele popisující sítě Charakteristiky prvků: Degree ­ Indegree/outdegree Centralita prvků Charakteristiky sítě jako celku Centralizace Hustota Fragmentace Charakteristiky částí sítě Kliky, Klastry Centralita prvkůˇ Degree ­ Počet vazeb, které mé prvek (přímý vliv) ­ Na rozdíl od následujících ukazatelů nebere v potaz širší okolí sítě * Closeness ­ Jak daleko je prvek od všech ostatních prvků v síti (jako daleko doputuje informace k prvku z ostatních prvků) * Betweenness ­ Nachází se prvek na důležitých spojovacích cestách mezi prvky sítě? (kontrola informací) * Eigenvector ­ Je prvek napojen na prvky s mnoha vazbami? (Má prvek vazby na populární prvky?) Příklady centrality prvků * Degree Centralita * Closeness Centralita * Betweeness Centralita Čtyři typy centralit v síti Degree Closeness Betweenness Eigenvector Centralizace sítě * Centralita prvku popisuje jeho pozici v síti X * Centralizace sítě ­ rozptyl center v síti * Centralizaci lze počítat na základě všech uvedených verzí centralit prvků 0% 100% 60% Skutečný počet vazeb ku všem teoreticky možným mezi body síti Density=.6 Density=1.0 Hustota sítě Blocks, Cutpoints, Bridges Cut-point - a node, removal of which would break up a network into disconnected parts Blocks ­ parts into which cut-points divide a network (components are disconnected, blocks are not; blocks are potential components) Bridge ­ a tie between two nodes, removal of which would break up a network into disconnected parts Cut-points may act as brokers among otherwise disconnected groups Cut-points and bridges are network's weak spots vulnerable to disruptions in the flow of information, resources, and influence No cut-points, no bridges a1 is a cut-point, no bridges Two blocks: (a5, a6) and (a2, a3, a4) 1 and 2 are cut-points a tie Tie between 1 and 2 is a bridge www.facweb.iitkgp.ernet.in/~niloy/COURSE/Spring2006/CNT/2009/L02-02- 09.ppt Příklad analýzy sítě podniku v rámci Manahry Otázky v dotazníku: 1. S kým komunikujete každý den (nejen na téma Manahra)? 2. S kým diskutujete podnikové záležitosti Manahry při poradách? 3. S kým diskutujete podnikové záležitosti Manahry mimo čas porad? 4. Kolikrát diskutujete s danou osobou Manahru v průběhu jednoho kola hry? 5. Koho byste chtěla (chtěl) dostat na svoji stranu v případě snahy prosadit nepopulární rozhodnutí? 6. Komu byste svěřil pracovní tajemství? Komunikace pracovní i mimopracovní ­ S kým komunikujete denně? Degree NrmDegree Share vážené pořadí ------------ ------------ ------------ ------------ - 20 Rokosova 7.000 28.000 0.071 Hornakova 6 Hornakova 7.000 28.000 0.071 Janko 17 Mrkvicova 7.000 28.000 0.071 Rokosova 7 Janko 6.000 24.000 0.061 Mrkvicova 25 Vlachova 6.000 24.000 0.061 Juraskova 13 Kourilova 6.000 24.000 0.061 Kasparkova 10 Kasparkova 6.000 24.000 0.061 Vlachova Jaká bude centralizace následujících sítí : 1. S kým komunikujete každý den (nejen na téma Manahra)? 2. S kým diskutujete podnikové záležitosti Manahry při poradách? Centralizace 1 = 14% Centralizace 2 = 30% Hustota = 20% (org struktura 7%) Centralita ­ betweeness a degree ,,Bílková" a ,,Horňáková" sehrály v simulovaném podniku výjimečnou roli, neboť jich zapojení ve hře (podle struktury komunikace) odpovídá topmanagementu podniku, kam ovšem nepatřily. Top-manažerka ,,Drápalová" patrně nesehrála roli odpovídající jejímu formálnímu začlenění: Podle Degree centrality byla pod podnikovým průměrem. Podle Betweeness byla důležitá. Při detailnějším pohledu zjistíme příčinu. Komunikovala totiž se 2 podřízenými, kteří s podnikovými kolegy nekomunikovali. Důležitost" osob podle dvou ukazatelů Degree Flow Betw. 1 2 3 4 5 6 7 Vlachova Lejskova Rokosova Juraskova Hornakova Bilkova Kasparkova Vlachova Lejskova Bilkova Hornakova Rokosova Drapalova Kasparkova Bilkova Binkova Drapalova Francova Hajkova Hornakova Janko Jankova Juraskova Kasparkova Knosova Kopkova Kourilova KUSEV Lejskova Micek Mrkvicova Pavisova Penn Rokosova Soukupova Sindlerova Sohajkova Urbankova Vlachova Vopelkova Kdo se denně baví, ale ne o MANAHŘE (podle oddělení) Bilkova Binkova Drapalova Francova Hajkova Hornakova Janko JankovaJuraskova Kasparkova Knosova Kopkova Kourilova KUSEV Lejskova Micek Mrkvicova PavisovaPenn Rokosova Soukupova Sindlerova Sohajkova Urbankova Vlachova Vopelkova Statistika v sítích * Při výpočtech v síti nejde o náhodný výběr * Neplatí Gaussovo rozdělení * Nezávislost výběrů * Často se pracuje s celou populací Korelace dvou sítí Síť 1: ,,Komu byste svěřil pracovní tajemství?" Síť 2: ,,Koho byste chtěl(a) dostat na svou stranu v případě snahy prosadit nepopulární rozhodnutí?" Vztah mezi důvěrou a vlivem 1 2 3 4 Value Signif Avg SD --------- --------- --------- --------- 1 Pearson Correlation: 0.520 0.000 -0.000 0.049 2 Simple Matching: 0.878 0.000 0.750 0.019 3 Jaccard Coefficient: 0.410 0.000 0.077 0.024 4 Goodman-Kruskal Gamma: 0.907 0.000 -0.020 0.200 5 Hamming Distance: 79.000 0.000 161.908 8.478 Problémy s SNA: etika * Anonymita respondentů nemožná (Při získávání dat, při zpracování, v případě komerčního poradenství i při aplikaci) -I když analýza prováděna na úrovni oddělení, lze někdy vydedukovat kdo je tou konkrétní osobou * Součástí analýzy mohou být i informace o ne- respondentech (Může dát člověk k dispozici pro analýzu informace i vztazích s lidmi, kteří o analýze neví, nejsou její součástí?) * Lze se ptát u komerčních výzkumů ptát na osobní věci? (přátelství) * Respondenti ještě nemají zkušenost s těmito výzkumy odpovídají, protože si plně nemusí uvědomovat důsledky. (Zlatý věk SNA). Jak na výzkum SNA? * Vysvětlit SNA respondentům ­ postup jak zacházeno s daty, jaké důsledky a přínosy pro respondenty * Dobrovolnost účasti na výzkumu * Upřednostnit pozorování, logy emailů * Pozměnit jména, analýza na úrovni oddělení * Časový odstup mezi zveřejněním (hlavně akademický výzkum) Teorie sociálních sítí * Součást sociálních věd * Jednotlivec jako součást sítí sociálních vztahů * Důležité je místo jednotlivce v síti jakožto i struktura sítě samotná * Sociální síť: množina uzlů, kterými mohou být osoby či organizace, spojené množinou sociálních vztahů, kterými jsou přátelství, komunikace, důvěra apod. (Granovetter, 1973) Dimenze zkoumání podmínky síť výstup Organizational Characteristics Location in Network Status Centrality Scope of services Degrees Number of clients served Betweenness Ownership/control Structural Equivalence Homophily Boundary Spanner Location in Network Organizational Outcome Centrality Community influence Degrees Adoption of innovations Betweenness R&D collaborations Structural Equivalence Coordination of patient care Boundary Spanner Intensity of care Užití sociálních sítí v managementu * Fluktuace, absentértsví ­ Snowball effect (Krackhardt, Porter, 1985) * Pracovní postoje, spokojenost ­ Postoj k novým technologiím, Odlišnost vnímaných a reálných postojů (Rice, Aydin, 1991) ­ Spokojenost = centralita ve skupině (Roberts, O´Reilly, 1973) ­ Nespokojenost = centralita(closeness) v organizaci u řadových zaměstnanců (Brass, 1981) ­ Nespokojenost = centralita (betweeness) v síti přátel (Kilduff, Krackhardt, 1993) * Leadership ­ LMX model (Graen 1976) ­ S kým rozvíjet silné vazby (Krackhardt, 1994) * Motivace ­ Výběr referenční skupiny, pro srovnání * Moc (vliv) Role centrální pozice ­ Vliv přátel při rozhodování (Krackhardt, 1992) ­ Homofilní vazby x duální vazby (Ibarra, 1993) * Inovace ­ Asymetrické vazby jako předpoklad úspěšného přijetí inovace v lékařském prostředí (Knoke, Burt, 1983) ­ Na closeness centralitu má vliv zavedení technologické inovace (Burkhardt, Brass, 1990) * Sociální kapitál Sociální kapitál P. Bourdieau (1986): ­ Sociální kapitál je "kapitál sociálních konexí, počestnosti a vážnosti" (Bourdieu 1984:122), který může být směněn na ekonomické, politické nebo sociální výhody J.S. Coleman (1990): základní formy SK: ­ závazky a očekávání, které závisí na důvěryhodnosti sociálního prostředí (struktury); ­ informační kanály-kapacita sociální struktury zhlediska toku informací ­ Normy doprovázené účinnými sankcemi ­ Sociální kapitál je vyšší v případě hustých vazeb mezi aktéry v síti ­ Obdobně chápal Putnam (2000) R. Burt (1992): Social capital as a function of brokerage opportunity, structural holes Vlastní šetření s využitím teorie sociálních sítí * Liší se úspěšné organizace od neúspěšných ve struktuře sítě? * Simulované prostředí MANAHRA, data z roku 2004 * Dotazník * Putnam, Coleman, Burt, Pappa Komunikace napříč odděleními (H1): Úspěšnější (výkonnější) podniky mají vyšší hustotu komunikačních vazeb zaměřených výhradně na pracovní záležitosti a zároveň přesahujících jednotlivé útvary (H2): Úspěšnější podniky vykazují nižší centralizaci komunikačních vazeb, které přesahují jednotlivé útvary a které nevyplývají z organizační struktury ­ Vychází z Papa (1990), dále Nelson (1981) ­ Hypotézy nelze vyvrátit Density (question No.5) Centralization (question No.5) Normalized centralization (question No.5) Companys' assets Company 11 0,2868 31,25 1,89 63324747 Company 12 0,0779 17,62 5,10 72202823 Company 13 0,3077 35,90 2,68 73664190 Company 14 0,2026 30,15 2,88 69150054 Company 15 0,2667 22,86 2,19 75494752 Company 16 0,2952 15,38 0,72 80860837 Komunikace napříč odděleními (H3): Čím je vyšší korelace mezi sociálními skupinami na začátku hry a vytvořenou organizační strukturou, tím je nižší hustota komunikace napříč odděleními ­ Nepotvrdilo se Compan y No. Density of cross- border communic ation Pearson c.oef. of correlation-/signif Simple Matching/signif Jaccard/signif 11 0,2868 0,436 0,000 0,515 0,000 0,431 0,000 12 0,0779 0,521 0,000 0,649 0,000 0,500 0,000 13 0,3077 0,231 0,035 0,538 0,006 0,365 0,005 14 0,2026 0,255 0,004 0,425 0,000 0,389 0,000 15 0,2667 0,227 0,029 0,558 0,000 0,375 0,000 16 0,2952 0,412 0,000 0,467 0,000 0,438 0,000 Compan y No. Density of cross- border communic ation Pearson c.oef. of correlation-/signif Simple Matching/signif Jaccard/signif 11 0,2868 0,436 0,000 0,515 0,000 0,431 0,000 12 0,0779 0,521 0,000 0,649 0,000 0,500 0,000 13 0,3077 0,231 0,035 0,538 0,006 0,365 0,005 14 0,2026 0,255 0,004 0,425 0,000 0,389 0,000 15 0,2667 0,227 0,029 0,558 0,000 0,375 0,000 16 0,2952 0,412 0,000 0,467 0,000 0,438 0,000 Hustota komunikační sítě (H4): V úspěšnějších podnicích je hustota komunikačních vazeb vyšší než u podniků, které skončily ve hře s horšími ekonomickými výsledky (H5): V úspěšnějších podnicích je centralita komunikačních vazeb nižší než u podniků, které skončily ve hře s horšími ekonomickými výsledky ­ Vychází z Coleman (1990) ­ H4 potvrzeno, H5 nepotvrzeno Company Density (question No.5) Network Centralization (question No.5) Normalized (question No.5) Accumulated profit A11 0,2905 39,74 1,76 38426335 A12 0,1773 19,31 1,04 9733637 A13 0,1994 28,31 1,01 37419838 A14 0,2185 28,33 1,33 7364664 A15 0,2944 37,42 0,57 31212051 A16 0,2278 37,63 0,90 31346522 A21 0,3250 31,43 1,64 30320983 A22 0,3333 72,00 1,02 29805250 A23 0,2735 32,77 0,81 28102509 A24 0,2635 36,90 1,24 33412117 A25 0,2646 39,32 0,90 1584459 A26 0,2328 34,76 1,55 -1834851 Vliv množství sociálních vazeb na rozhodování (H6): Studenti s větším počtem sociálních vazeb na počátku hry dosáhli vyššího příjmu v rámci hry (H7):Korelace mezi odměňováním a počtem sociálních vazeb zaměstnanců je nižší u úspěšných podniků ­ H6 potvrzeno, H7 jiný směr závislosti 0,164Variable part, year no. 49 0,3351Fixed part, year no. 48 0,2312Total incomes160,0931Variable part, year no. 37 -0,2469Variable part, year no. 7150,3402Fixed part, year no. 36 0,3077Fixed part, year no. 7140,1212Variable part, year no. 25 -0,087Variable part, year no. 6130,4383Fixed part, year no. 24 0,3605Fixed part, year no. 6120,1979Variable part, year no. 13 0,1843Variable part, year no. 5110,4139Fixed part, year no. 12 0,3604Fixed part, year no. 5100,4518Income class1 CorrelationVariableLine no.CorrelationVariableLine no. 0,164Variable part, year no. 49 0,3351Fixed part, year no. 48 0,2312Total incomes160,0931Variable part, year no. 37 -0,2469Variable part, year no. 7150,3402Fixed part, year no. 36 0,3077Fixed part, year no. 7140,1212Variable part, year no. 25 -0,087Variable part, year no. 6130,4383Fixed part, year no. 24 0,3605Fixed part, year no. 6120,1979Variable part, year no. 13 0,1843Variable part, year no. 5110,4139Fixed part, year no. 12 0,3604Fixed part, year no. 5100,4518Income class1 CorrelationVariableLine no.CorrelationVariableLine no. Successful companies Less successful companies Income class -0,535 -0,413 Fixed part, year no. 1 0,628 0,515 Variable part, year no. 1 0,334 0,184 Fixed part, year no. 2 0,572 0,503 Variable part, year no. 2 0,124 0,181 Fixed part, year no. 3 0,517 0,440 Variable part, year no. 3 0,176 0,133 Fixed part, year no. 4 0,549 0,454 Variable part, year no. 4 0,137 0,317 Fixed part, year no. 5 0,572 0,480 Variable part, year no. 5 0,244 0,199 Fixed part, year no. 6 0,572 0,481 Variable part, year no. 6 -0,158 -0,027 Fixed part, year no. 7 0,572 0,380 Variable part, year no. 7 -0,493 -0,100 Total incomes 0,528 0,463 10 Principles of SNWs 1) Networks are Invisible ­ privacy is protected but marketers are in the dark 2) People link with others who are Similar ­ homophily matters 3) People talk with those who are Physically Close ­ proximity matters 4) People who are Similar & Close form Clusters 5) Info quickly Spreads within Dense Clusters ­ people in the same clique know the same info 10 Principles of SNWs 6) Information gets Trapped in Clusters 7) "Bridging Ties" assist Info Flow between Clusters ­ "opinion leaders" have connections to multiple clusters 8) Weak Ties are Surprisingly Strong ­ acquaintances are important sources of novel information 9) The Net Nurtures Weak Ties ­ explains why information travels much faster today 10) Networks go Across Markets ­ users and non-users talk about multiple product categories Děkujeme za pozornost