A cura di Costanza Gabellini * 2021
1. Introduzione
In questo breve articolo tenteremo di spiegare e di rendere più accessibile la comprensione di uno strumento di grande impatto per lo studio delle dinamiche sociali dell’età contemporanea, la Social Network Analysis. La SNA infatti si rivela estremamente utile nell’analizzare la realtà odierna. Dominata da un numero di attori in crescita esponenziale e da rapporti sempre più frequenti e distanti nello spazio, è sempre più arduo il compito dell’analista di dare un ordine e un’effettiva comprensione alla realtà. In suo soccorso interviene la Social Network Analysis che fornisce all’analista uno strumento scientifico per studiare e verificare le sue teorie attraverso un metodo di ricerca quantitativo che ricorre a modelli – seppur approssimati – del mondo reale. Grazie a questo approccio, l’analista ottiene la possibilità di implementare lo studio qualitativo fatto di comparazioni intuitive (spesso prive di solide assunzioni) con numeri confrontabili e rigorosi
Forniremo quindi delle nozioni di base per la comprensione della SNA:
– una prima sezione presenterà la sua natura multidisciplinare e i numerosi campi di applicazione, la struttura della teoria delle reti e le parti più rilevanti che la compongono. Una breve introduzione verrà riservata anche al software che agevola la creazione delle reti, Gephi.
– successivamente verrà fornita al lettore una simulazione di utilizzo della Network Analysis nel contesto applicativo di un’impresa italiana. Prenderemo in esame i dipendenti, le proprietà generali dell’azienda e, grazie allo studio di alcuni processi scelti, potremo definire i comportamenti dei lavoratori e il generale andamento aziendale. Gli schemi comportamentali che otterremo sia in forma grafica che numerica provvederanno a fornire le risposte ai problemi dell’azienda e a suggerirle eventuali aspetti inediti sulle relazioni reali tra i lavoratori che la compongono.
– concluderemo con un’analisi finale dei risultati ottenuti evidenziando le proprietà e i limiti della SNA.
2. Social Network Analysis in breve
2.1. Teoria delle reti
Social Network Analysis (SNA) è il termine anglosassone con cui si fa riferimento alla Teoria delle Reti sociali. È una materia multidisciplinare che poggia su concetti di matematica, statistica e sociologia.
Nata negli anni 30 dello scorso secolo tra Manchester e Harvard, la SNA è una disciplina che consente di misurare e visualizzare le relazioni sociali tra soggetti, gruppi, o altre entità coinvolte in uno scambio di informazioni o di conoscenza. L’oggetto di studio della Social Network Analysis sono le reti che – nel loro significato più basilare – si definiscono come qualsiasi gruppo di oggetti tra i quali è presente un legame, una connessione o, più tecnicamente, un link. La definizione è tuttavia molto flessibile e l’aspetto assunto dalla rete dipenderà dalla proprietà che si decide di attribuire a un certo link. Questo lo vedremo nel seguito dove, considerando uno stesso gruppo di attori ma cambiando la tipologia del rapporto, l’aspetto della rete subirà delle modifiche.
La teoria delle reti sociali ha vari campi d’applicazione; la sociologia, l’economia e l’antropologia sono le più classiche. Di recente, l’utilizzo della Social Network Analysis è entrato anche nel campo del management, dove trova applicazione nello studio dei fenomeni del commercio internazionale, nel funzionamento delle istituzioni e nella divulgazione delle informazioni. La SNA, da oggetto di ricerca del mondo accademico, ha presto ricevuto riconoscimenti per il suo fondamentale supporto scientifico a studi in campo epidemiologico, imprenditoriale, nel mercato del lavoro e nell’ambito dello sviluppo economico, essa poteva inoltre produrre ottimi risultati anche in campo politico e istituzionale.
Pertanto, ogni qualvolta sia presente un contesto che coinvolga relazioni tra persone o entità in generale, questo può essere osservabile e studiato attraverso la Social Network Analysis. Il risultato sarà fondamentale per comprendere la gerarchia dei legami sociali e alla luce di questa, fornire risposte concrete a diversi tipi di problematiche, tra cui:
a) il flusso dell’informazione che può essere ridondante e quindi in alcuni casi superfluo oppure può scorrere fluida, in maniera efficiente senza inutili ripetizioni. Il monitoraggio del flusso informativo ci permette di individuare quali sono gli snodi principali della nostra struttura. Possiamo semplificare la visualizzazione immaginando una classica mappa della rete metropolitana, dove esistono stazioni (nodi) con una o più linee che svolgono una funzione fondamentale nel dirigere il traffico ferroviario. Se rimuovessimo una di queste stazioni, la linea salterebbe interrompendo la circolazione;
b) la centralità di un nodo che talvolta non rappresenta la nostra concezione aprioristica. È comune che dall’analisi emergano nodi/attori con ruoli teoricamente marginali in posizioni di inaspettata importanza e centralità rispetto alla rete. La loro individuazione è fondamentale per rivedere in ottica più efficace l’organizzazione del network. Il nodo che possiede una maggiore centralità ha una maggiore influenza su tutti gli altri. La sua individuazione è essenziale per comprendere dove è concentrato il potere all’interno della rete e, attraverso questa informazione, prendere le misure più adeguate.
Inoltre in situazioni di fusioni/acquisizioni la SNA è utilizzata in campo aziendale per studiare le reti informali della società acquisita, al fine di individuarne gli attori chiave. Tali informazioni sono poi utilizzate a supporto dei processi d’integrazione che seguono all’acquisizione e permettono grande risparmio di risorse e guadagno in termini di efficienza.
2.2. La forma della rete
Una volta spiegato in cosa consiste la SNA e cosa aspira a rappresentare possiamo passare a trattare i modi in cui una rete può essere visualizzata e come sia possibile interagire con essa. La rappresentazione dei dati relazionali avviene in forma visuale, ricorrendo a disegni che rappresentano gli attori come punti e i legami come linee che congiungono i punti tra i quali è presente la connessione.
La teoria dei grafi si fonda su vari elementi costitutivi; innanzitutto sulle informazioni relazionali (singole o multiple, pesate o non pesate, direzionate o non direzionate), sui gruppi di attori, se è presente solo un gruppo la rete avrà un singolo set di attori tra loro interconnessi, altrimenti avrà più gruppi di attori connessi o meno. Un grafo è quindi costituito da due insiemi (espressi in matrici), uno formato dai vertici, ossia dai nodi/attori, l’altro dalle linee o archi che collegano i vertici. Il grafo è definito semplice quando i nodi sono collegati da un singolo arco che può esprimere la direzionalità dell’informazione o meno (orientato, non orientato).
Il grafo qui in figura è un grafo semplice, non orientato e connesso dato che esiste un percorso tra ogni coppia di nodi del grafo. I tragitti possibili all’interno di un grafo sono caratterizzati da sequenze di nodi o linee che possono ripetersi tra loro o meno. Nei calcoli, generalmente, sono presi in considerazione i percorsi più brevi (shortest path) geodetici e il percorso più lungo che collega una coppia di nodi (largest path) calcolato attraverso il diametro. Entrambi questi percorsi mostrano nella fase di valutazione caratteristiche importanti in merito al passaggio dell’informazione nella rete studiata.
Un altro dato che scaturisce dal grafo in figura è rappresentato dall’arco A-B. La sua importanza è di immediata intuizione, tecnicamente si dice che l’arco A-B ha funzione da bridge in quanto è un nodo che se soppresso sconnette il grafico. Inoltre i nodi A e B sono anche quelli con il grado (degree) più alto. Il grado di un nodo è espressione del numero di link che ha. Infatti il nodo A e B hanno un grado pari a 4, seguono i nodi C- D- E con grado 3. Questo tipo d’informazione è rilevante per osservare la posizione sociale di un attore all’interno del grafo, sebbene qui non sia orientato possiamo comunque affermare che i nodi A e B detengono un’alta centralità e un’elevata influenza sugli altri nodi della rete. Se nell’esempio qui rappresentato gli archi rappresentassero le comunicazioni, i nodi A e B avrebbero un accesso diretto a molta più informazione rispetto ai nodi più periferici.
La centralità rappresenta dunque un altro parametro di fondamentale importanza nello studio dei grafi. Oltre alla centralità basata sul degree, sono rilevanti ai fini dell’analisi la closeness centrality e la betweeness centrality. La prima, sulla vicinanza, implica che un nodo è più centrale se occupa una posizione in cui è alla distanza più breve da molti altri attori. La seconda, di interposizione, indica il livello di un nodo nella funzione di intermediario tra varie coppie di nodi. Ognuna di queste è osservabile per ogni singolo nodo e ci fornisce informazioni importanti per le conclusioni da trarre.
2.3. Gephi: un software per l’analisi di rete
Gephi è un software opensource per l’analisi e la visualizzazione delle reti sociali scritto in Java.
Attraverso l’utilizzo di questo software è possibile creare delle reti sociali e rappresentarle nel modo più consono alle proprie esigenze calcolandone facilmente i dati più utili all’interpretazione delle particolari esigenze.
La prima operazione da fare è l’inserimento dei dati che costituiranno la nostra rete, è possibile farlo direttamente da Gephi o caricando un file Excel contenente le informazioni di ogni singolo nodo e arco. Una volta inseriti i dati, è possibile procedere a rendere più evidente e intuitiva la rappresentazione grafica; questo è possibile attraverso il calcolo immediato dei vari indici (a cui si è accennato nella sezione precedente) e alla scelta di ordinare i vari elementi del grafo secondo questi parametri.
Le due figure rappresentano la stessa rete ordinata però secondo parametri differenti, nella prima i nodi sono ordinati in base alla loro betweenness centrality, nella seconda invece, i nodi seguono l’ordine del loro degree centrality. Notiamo infatti come le dimensioni dei nodi nelle due figure sia differente (un esempio ben visibile è rappresentato dal nodo 64 e 21), infatti al variare del parametro scelto, varia anche la struttura della rete.
Ultima funzionalità di Gephi è quella stilistica che permette di indicare colori, font e sfondi per perfezionare il grafo.
Tra i vari software in circolazione Gephi rappresenta uno dei più facilmente fruibili dato il suo codice opensource e la sua interfaccia intuitiva. Infatti è utilizzato da scienziati e analisti che hanno bisogno di modi più evidenti per visualizzare le loro informazioni.
3. ACME: un caso d’uso di SNA
La teoria delle reti può essere applicata allo studio delle dinamiche informali presenti in un contesto lavorativo. Abbiamo scelto come esempio una rete che fa riferimento a una media azienda italiana, denominata ACME, che ha la necessità di monitorare l’efficienza della comunicazione tra i suoi membri. Questa necessità è dettata dall’esigenza di verificare se sono presenti comunicazioni superflue e chi, tra le persone che compongono l’azienda, rappresenta una figura importante in termini di comunicazione.
Ai due quesiti posti all’azienda e riportati sotto, la SNA risponde con la produzione di una rete per ciascuna domanda. Andremo ad analizzare ciascuna rete secondo i parametri più adatti a fornire una risposta appropriata e al termine di queste operazioni, opereremo un confronto tra le due.
RETE 1: Con chi ha scambiato informazioni tecnico-operative nell’ultimo trimestre?
RETE 2: Con chi ha scambiato informazioni amministrative nell’ultimo trimestre?
Entrambe le reti sono impostate seguendo gli stessi parametri per la rappresentazione visiva, i nodi sono ordinati secondo l’indice del grado di centralità. L’algoritmo scelto per il layout è ForceAtlas particolarmente indicato per la rappresentazione delle reti sociali, infatti permette di raggruppare i nodi in modo immediatamente visibile in base all’indice scelto come riferimento. I nodi sono di dimensione e colore proporzionale all’indice del grado di centralità così come gli archi, proporzionali al loro peso.
3.1. Analisi degli indici
Spiegati i propositi della nostra analisi, procederemo ora a fornire un dettagliato approfondimento indice per indice delle caratteristiche delle nostre reti. Questa analisi puntuale ci fornirà gli strumenti per dare una corretta interpretazione dei risultati ottenuti.
Network Diameter: questo indice misura la distanza del percorso (path) più lungo possibile della rete. Le due reti prese ad esempio sono composte da un totale di 69 nodi ciascuna. La prima, sullo scambio di informazioni tecnico amministrative ha come numero indice del diametro 12, la seconda 7. I valori del diametro delle due reti risultano significativamente alti vista la bassa quantità di nodi che compongono la rete. Inoltre, la teoria del piccolo mondo (small world phenomenon) sostiene che una qualsiasi coppia di nodi nella rete globale possa essere unita da un numero molto basso di collegamenti, in media 6 gradi di separazione. Risulta evidente che, se nella rete di nodi globale il path più lungo ha un valore medio di 6, nella nostra rete da 69 nodi un path di diametro 12 è una cifra esagerata. A questo punto è necessario considerare un altro parametro per non incorrere in un’analisi precipitosa e inesatta, la media dei percorsi tra coppie di nodi.
Average path length è la media dei percorsi tra ogni coppia di nodi. Questa misura mostra, in media, quanto sono distanti i nodi della rete. Minore è il valore dell’average path length, maggiore è la vicinanza dei nodi. Nella prima rete il valore è pari a 4.48 e nella seconda di 3.35. Il confronto tra l’alto valore di diametro della rete (percorso più lungo) e i bassi valori del percorso medio ci permette di dedurre che esistono senz’altro percorsi molto lunghi ma che in media coinvolgono poche coppie di nodi, pertanto la connessione delle reti analizzate è piuttosto efficiente.
Average Degree: all’interno di una rete non direzionata è la somma dei gradi di tutti i nodi divisa per il numero di nodi presenti. È il grado medio dei nodi della rete che misura la connessione della rete e la sua coesione. La media dei gradi della prima rete è pari a 4,58 così come quella della seconda. Le due reti si riferiscono infatti alla stessa azienda, con lo stesso numero di attori, ma ciascun nodo possiede un grado diverso tra l’una e l’altra rete. Infatti prendendo in esame il nodo 56 possiamo notare come il suo grado nella prima rete sia pari a 6 e nella seconda a 10.
Il Weighted Degree invece è la somma del peso di ciascun arco corrispondente a un nodo. Questo valore cambia nelle due reti, nella prima è pari a 9 mentre nella seconda è di 7.8. Rispetto all’average degree permette di approfondire lo studio del grado tenendo conto del peso degli archi.
Average Clustering Coefficient: il coefficiente di clustering di una rete sociale è un numero compreso tra 0 e 1 ed è strettamente connesso alla proprietà transitiva del grafico. Dati tre nodi x, y e z, con xy e xz collegati da un arco, più il coefficiente si avvicina al valore 1 più è probabile che anche yz siano collegati da un arco. Nella prima rete infatti possiamo vedere come il nodo 50 con coefficiente di clustering pari a 0 non riesca a costruire un triangolo tra le sue relazioni, mentre il nodo 1 con coefficiente pari a 1 costruisce ben 15 triangoli. Questo indice misura quindi quanti, tra tutti i possibili triangoli, ce ne sono realmente nella rete. La formazione di triangoli fornisce solidità e stabilità ai rapporti sociali della rete. Nella prima rete il peso del coefficiente di clustering è pari a 0.506 e nella seconda 0.248, possiamo affermare quindi che la prima rete è caratterizzata da una saldezza maggiore della seconda.
Centralità: permette di definire la posizione di un attore in un dato network in termini relazionali. La centralità di un nodo può essere espressa in tre modi diversi che possono non coincidere tra loro, nel senso che l’attore più centrale dipende da come viene intesa la centralità nel particolare caso. È possibile basare la centralità di un attore sul suo grado, sulla sua interposizione (ovvero sul suo essere in posizione intermedia tra ogni punto), ed infine sulla sua vicinanza o prossimità a qualsiasi altro punto del grafo e quindi sull’efficienza con cui può raggiungere tutti gli altri nodi della rete. Questi tre diversi livelli di centralità possiedono propri indici analitici che permettono di cogliere queste tre diverse modalità secondo le quali un attore può essere considerato centrale.
Degree Centrality: nella nostra rete non direzionata, la centralità basata sul grado non può essere suddivisa in indegree e outdegree ma semplicemente nel numero di interazioni che instaura ciascun nodo. Guardando i dati della prima rete notiamo che il nodo che detiene un maggior grado di centralità è il 4 che sviluppa 10 legami con gli altri nodi. Nella seconda rete il nodo 28 con ben 11 legami è il più centrale secondo il grado.
Closeness Centrality: la centralità basata sulla vicinanza fra i nodi è espressa in termini di distanza tra gli stessi. Significa che un nodo è più centrale se si trova alla più breve distanza da molti altri attori, cioè è vicino a molti degli altri nodi. La vicinanza è rappresentata dalla somma delle distanze più brevi di ciascun attore da tutti gli altri. In base a questo diverso parametro osserviamo se i nodi più centrali delle nostre reti cambiano o meno. Nella prima il nodo 11 ha la centralità più alta, 0.34. Nella seconda ancora una volta il nodo 28 ha la centralità più alta, 0.43. Il nodo 4 quindi, che secondo l’indice di degree risultava il più centrale (nella prima rete), non possiede una vicinanza tale agli altri nodi da soddisfare questo parametro, mentre, il nodo 28 risulta il più centrale secondo entrambi i parametri analizzati finora.
Betweenness Centrality: la centralità come interposizione indica la frequenza con cui ogni singolo nodo si trova nel percorso più breve che collega ogni altra coppia di nodi. Indica quanto un attore è intermediario tra altre due persone all’interno di una rete sociale e in che misura permette il passaggio di un’informazione da una parte all’altra della rete. Nella prima rete vediamo in posizione dominante lo stesso nodo 11 con un valore pari a 0.4, nella seconda invece il nodo che risulta più centrale per betweenness è il 56 con valore 0.23. Più è alto il valore di betweenness di un nodo più questo è di importanza cruciale nella rete.
3.2. Interpretazione dei risultati
Una volta passati in rassegna i dati fondamentali dell’analisi di rete, è opportuno dotarli di un applicazione pratica. Innanzitutto è da chiarire che l’azienda sotto analisi (ACME) rappresenta una classica medio-piccola impresa italiana. Gli strumenti messi in campo dalla larga maggioranza di queste imprese in Italia, per far fronte a cambiamenti o a revisioni a livello gestionale, sono composti da procedure molto formali, manuali, check-list, disegni e riorganizzazioni della struttura aziendale. Molte volte però questi interventi si sono rivelati inutili e soprattutto difformi rispetto alla realtà del dinamismo dell’impresa. Come evidenziato fino a questo punto, la SNA permette proprio di oltrepassare questo ostacolo. Analizzando le reali dinamiche sociali porta all’attenzione del manager la struttura informale dell’impresa che può convergere o meno con l’organigramma. La Social Network Analysis non fornisce valutazioni qualitative in termini assoluti ma, appunto, svela realtà di cui è necessario essere al corrente per apportare un qualsiasi cambiamento funzionale all’impresa.
Fatte queste premesse, osserviamo cosa ci suggeriscono i dati raccolti attraverso la SNA.
Le domande, attraverso cui sono state costruite le reti, riguardano entrambe lo scambio di informazioni all’interno dell’azienda. Ad essere sotto esame è dunque la connessione aziendale che, alla luce dei calcoli della SNA, rende possibile una valutazione in termini di efficienza. La connessione infatti, essendo diventata uno dei principali paradigmi dei nostri tempi, è anche un aspetto chiave per le aziende.
Uno degli impieghi della network analysis in ambito organizzativo aziendale è infatti quello dell’ottimizzazione dei processi. Per far fronte a questo intento, le tecniche di analisi delle reti sociali sono impiegate per identificare i flussi d’informazioni o di materiali in azienda e rilevarne eventuali inefficienze. In base ai dati, il manager può intervenire modificando la struttura spaziale in azienda (ad esempio avvicinando due risorse strategiche), investendo in infrastrutture tecnologiche (l’inserimento di intranet per facilitare la comunicazione) o inserendo nuove figure aziendali in aree problematiche.
Osservando le due reti e concentrandosi su l’indice di clustering possiamo rilevare un’informazione molto utile per risolvere un eventuale problema di connessione. Abbiamo già specificato che l’indice di clustering ha un valore compreso tra 0 e 1 e mostra quanti triangoli si formano realmente nella rete, questi triangoli danno solidità alla relazione sociale ma quando si tratta di passaggio dell’informazione? In questo caso, un alto coefficiente di clustering (alto numero di triangoli) più che solidità, denota una ridondanza nel passaggio dell’informazione, un viluppo che mette a rischio il corretto passaggio e il contenuto stesso dell’informazione.
La densità della rete è un altro parametro che permette di esprimere delle valutazioni sul passaggio dell’informazione. Tecnicamente la densità esprime il rapporto tra la quantità di legami esistenti tra gli attori e la quantità di legami potenziali. Ci mostra quanto scambio di informazione (connessione) è presente effettivamente nella rete, rispetto a quanto potrebbe essercene. La densità assume valori compresi tra 0 e 1, nelle due reti ha il medesimo valore: 0,067. Si rileva una bassa densità, e dunque, un basso livello di coesione delle nostre reti. Questo però non rappresenta un elemento negativo per le reti poiché rivela che l’informazione non si irradia a tutti i nodi indiscriminatamente, ma che correttamente è presente uno schema che regola il passaggio dell’informazione.
Il diametro della rete, che come già detto rappresenta il longest path, cambia sensibilmente nelle due reti senza modificare il risultato. Nella prima il suo valore di 12 indica che l’informazione prima di arrivare a un destinatario è destinata a disperdersi, nella seconda, il valore 7 è comunque alto e quindi anche in questa rete si troverà dispersione dell’informazione.
Se si concentra l’attenzione sui singoli nodi, altri elementi utili all’analisi emergono in tutta la loro importanza. Il grado di un nodo mostra quanti ordini arrivano/partono da ogni singolo attore. La betweenness se possiede un valore alto denota che gran parte del flusso dell’informazione passa da quel nodo e che dunque questo è di fondamentale importanza nella rete. Nelle due reti analizzate i nodi con valori di betweenness più elevati variano leggermente. Nella prima domina il nodo 11, seguito dal 64 e 56. Nella seconda il 56 (con valore molto più basso rispetto all’11 della prima rete), 35 e 28. Il nodo 56 risulta cruciale per la diffusione dell’informazione in entrambe le reti ed ha anche un alto degree. Prendere atto della sua centralità risulterà molto utile nella riorganizzazione dell’impresa, specialmente se tale centralità non era riscontrabile dall’organigramma aziendale.
Riassumendo i dati estrapolati dall’analisi è possibile affermare che:
a) Prevedibilmente le due reti non presentano grosse differenze l’una dall’altra, la struttura è infatti la stessa.
b) La bassa densità mostra che è presente una struttura gerarchica nelle reti e che il passaggio dell’informazione segue tale schema senza inutili dispersioni.
c) L’indice di clustering e il diametro rivelano che è presente ridondanza dell’informazione (attraverso i triangoli) e l’esistenza di dispersione con conseguente rischio di distorsione dell’informazione (longest path).
d) Ci sono attori più centrali di altri nel flusso dell’informazione, i quali assumono una posizione cardinale all’interno della rete data dalla betweenness e dal degree. La loro individuazione permette di vedere se sono presenti delle loro personali inefficienze che distribuiscono poi al resto della rete o se, riconoscendogli un valore operativo oltre che reale, abbiano successo nell’implementare l’efficienza della rete.
4. Conclusione
Attraverso l’utilizzo della Social Network Analysis è stato possibile fornire delle risposte al quesito aziendale attraverso un’analisi quantitativa. Ciò che il committente si troverà di fronte al termine dell’analisi saranno dei dati attraverso i quali comprendere, e se necessario modificare, la struttura della rete. I parametri analizzati nella sezione precedente forniscono una fotografia delle dinamiche sociali presenti all’interno dell’impresa ACME che regolano il passaggio dell’informazione. Alcuni indici hanno evidenziato che la struttura scalare attraverso cui passa l’informazione permette un flusso regolato della stessa senza dispersioni. Allo stesso tempo però l’alto coefficiente di clustering ha dimostrato che in alcune sezioni della rete l’informazione si ripete producendo un possibile problema di distorsione. Inoltre ha reso evidenti quali sono gli attori che svolgono un ruolo leader nelle reti in questo determinato contesto.
Il manager grazie all’analisi di rete avrà la possibilità di osservare attraverso una lente d’ingrandimento la struttura reale che regola la comunicazione nella sua azienda. Ogni singolo nodo, arco e indice saranno direttamente fruibili ed essenziali per avere una fotografia dell’impresa con la maggior risoluzione possibile.
L’analisi di rete opera dunque su più livelli, attraverso la scomposizione del problema, fornisce un risultato accurato e dettagliato su ogni singola componente che costituisce il quesito iniziale. Ricordiamo tuttavia che la SNA si limita a fornire una fotografia della struttura ad un dato momento. Il manager quindi, dopo aver commissionato un’analisi per la sua azienda, avrà la possibilità di osservare la reale situazione delle dinamiche sociali, di modificare se necessario la componente inefficiente ma dovrà verificare le ripercussioni delle sue scelte attraverso una nuova analisi.
Questi vincoli non inficiano l’innovativo contributo della SNA quanto piuttosto avvertono sui suoi costi, rendendo consapevoli che per un’analisi maggiormente attendibile non basterà usufruire della SNA una tantum ma si dovrà farne uno strumento di analisi continua che permette di prendere decisioni consapevoli basate sui dati. Inoltre, i continui progressi tecnico-informatici favoriranno il superamento del limite temporale applicando per esempio algoritmi predittivi elaborati dall’intelligenza artificiale capaci di trasformare i risultati dell’analisi di rete da fotografie a video.
Glossario
Nodo: componente più elementare dell’analisi di rete. è rappresentato da un punto che simboleggia un singolo attore o un entità.
Arco (link): è una linea tra una coppia di nodi che rappresenta una connessione.
Grafo: è l’insieme dei nodi e degli archi che li uniscono.
Grado: il grado di un nodo è rappresentato dal totale dei suoi archi.
Bridge: è rappresentato da un nodo o un arco che se soppressi sconnettono il grafico.
Largest Path: percorso più lungo che collega una coppia di nodi misurato attraverso il diametro.
Shortest Path: percorsi più brevi detti geodetici.
Average Path Length: è la media dei percorsi tra ogni coppia di nodi.
Average Degree: è il grado medio dei nodi della rete.
Weighted Degree: è la somma del peso di ciascun arco corrispondente a un nodo.
Average Clustering Coefficient: è la misura del grado in cui i nodi di un grafo tendono ad essere connessi tra loro. Ha valore compreso tra 0 e 1.
Degree Centrality: misura il numero di interazioni instaurate da ciascun nodo.
Closeness Centrality: rappresenta la centralità basata sulla vicinanza espressa come somma delle distanze più brevi di ciascun attore da tutti gli altri.
Betweenness Centrality: la centralità come interposizione indica la frequenza con cui ogni singolo nodo si trova nel percorso più breve che collega ogni altra coppia di nodi.
===
* Costanza Gabellini ha seguito un tirocinio presso Klink Srl attraverso una Convenzione per tirocini di formazione e orientamento curriculari (ai sensi della L. 24 24/06/1997, N° 196 (Art. 18) e del D.I. 25/03/1998, N° 142) siglata con l’Università di Pisa – Dipartimento di Scienze politiche.