¿Cómo se construye un análisis de red?
Las redes sociales se pueden construir con base al grado de interacción entre los actores, o como una toma de información. La red también tiene su límite que se delimita por la población objetivo que se va a estudiar y cuáles son las relaciones que se buscan estudiar para establecer las conexiones.
¿Qué datos son los que tengo que buscar?
Están los datos convencionales y relacionales, los convencionales se utilizan para cuantificar o calificar los atributos de los actores, mientras que los datos relacionales permiten medir las relaciones entre los actores, estos datos son los contactos y conexiones que relacionan un actor con otro. Mientras que los convencionales son aquellos que están relacionados con actitudes, opiniones y comportamientos de actores sociales. Es importante destacar que los análisis de redes sociales se realizan mediante grados de relación más no en los atributos de cada uno.
Para el levantamiento de información necesaria para este tipo de análisis se puede continuar con el siguiente proceso. El proceso involucra:
- Recolectar información acerca de la relación de un grupo específico de personas. Durante este proceso se requiere:Identificar la red a analizar.Recolectar información específica de la red a través de entrevistas a actores clave.Definir objetivo y alcance de análisis.
Diseñar metodología para recolección de información sobre objeto y alcance de análisis (cuestionarios, entrevistas, encuestas).
- Generar base de datos con la información recolectada
- Utilización de software para análisis y visualización de los datos (EC-FAO).
Guía práctica de UCINET
UCINET es un programa utilizado para el análisis de redes sociales, ha tenido amplia utilización en temas de desarrollo rural y ciencias sociales. Para descargar el demo de prueba del programa ingresa aquí.
El manual para el mejor uso de esta herramienta puede ser descargado en el enlace.
A continuación, ejemplificaremos paso por paso un caso práctico para la utilización de este programa.
El caso a analizar es la relación directa existente entre los diferentes agentes involucrados en la ejecución del Programa Jester, además se realiza un análisis del tipo de institución que representa cada agente.
Paso No. 1.- Elaborar matriz e insertar datos e información.
Se ha obtenido la siguiente información:
Gráfico 1.- Información base para el análisis (Relaciones identificadas)
Gráfico 2.- Elaborar matriz en UCINET
Paso No. 2.- Configurar número de filas y columnas de la matriz. Se elabora una matriz cuadrada que contenga tanto en filas y en columnas a los agentes a analizar.
Gráfico 3.- Editor de matriz, configuración de dimensiones según agentes a analizar
Paso No. 3.- Configurar etiquetas de filas y columnas
Gráfico 4.- Configurar etiquetas de la matriz de forma automática
Paso No. 4.- Rellenar información. Esta información debe ser obtenida a través de encuestas, entrevistas, etc. Se deberá colocar el número 1 para la existencia de relación directa entre ambos actores y 0 para la ausencia.
Gráfico 5.- Insertar información en la matriz
Paso No. 5.- Rellenar valores con 0 de forma automática
Gráfico 6.- Rellenar de forma automática con 0 las celdas
Paso No. 6.- Graficar relación social
Gráfico 7.- Utilizar herramienta para graficar
Paso No. 7.- Abrir la matriz generada
Gráfico 8.- Ingresar datos de la matriz generada en la herramienta de gráficos
Gráfico 9.- Ingresar datos de la matriz generada en la herramienta de gráficos (2)
Gráfico 10.- Gráfico resultante
Paso No. 8.- Ingresar atributos a los nodos de la red. Los atributos pueden ser la edad, sexo, tipo de institución (en este caso práctico) que tengan los nodos, permitiendo un análisis más segregado y categorizado. Estos atributos deben ser ingresados en una matriz, otorgándole un valor a cada categoría. (1 para sector privado, 2 para administración pública, 3 para sector académico y 4 para sociedad civil).
Gráfico 11.-Elaboración de matriz con datos de atributos
Paso No. 9.- Configurar el gráfico según los datos de atributos. Ingresar información al gráfico.
Gráfico 12.- Ingresar datos de atributos en la herramienta para gráficos
Gráfico 13.- Ingresar datos de atributos en la herramienta para gráficos (2)
Paso No. 10.- Configurar el gráfico, otorgar color y forma a los nodos según atributo.
Gráfico 14.-Escoger colores para categorizar nodos según atributos
Gráfico 15.- Escoger colores para categorizar nodos según atributos (2)
Gráfico 16.- Escoger colores para categorizar nodos según atributos (3)
Gráfico 17.- Escoger forma de símbolo para categorizar nodos según atributos
Gráfico 18.- Escoger forma de símbolo para categorizar nodos según atributos (2)
Gráfico 19.- Gráfico resultante
Paso N0. 11.- Guardar la imagen en formato jpeg.
Gráfico 20.- Generación de archivo jpeg
Referencias bibliográficas:
Cardenas, J. (s.f.). Networks provide happiness. Obtenido de http://networksprovidehappiness.com/software-analisis-de-redes/
EC-FAO. (s.f.). Social Network Analysis: Practical Guide.
Lugo-Morin, D. (2011) Análisis de redes sociales en el mundo rural. Revista de Estudios Sociales No 38 pp 129-142. Bogotá Colombia.
Velázquez, A. Aguilar, N. (2005) Manual Introductorio al Análisis de Redes Sociales. Medidas de Centralidad. Centro de Capacitación y Evaluación al Desarrollo Rural. México DF. México.
¿En qué consiste un análisis de redes sociales?
Los análisis de redes sociales (término en inglés: Social Network Analysis) son procesos que estudian estructuras sociales a través del uso de teorías de redes y gráficos. Nacen como una herramienta capaz de comprender y explicar las conexiones entre las personas y grupos de personas que componen una estructura social, tratando de entender la relación entre los actores sociales, instituciones y las interrelaciones que surgen entre ellos.
Se trata de una herramienta que permite saber el grado de influencia de diferentes instituciones, comunidades o empresas en el momento de proponer proyectos, elaborarlos, evaluarlos y/o también para entender las causas de un fenómeno social, cómo funciona y se estructuran las sociedades, lo que conlleva una estrategia para proponer procesos de negociación, cooperación y subordinación, aliviar conflictos, manifestaciones culturales y estrategias de solidaridad, amistad y familiares. Nicolas Christakis muestra en una charla de TED Talk la influencia que tienen las redes sociales para el entendimiento de muchos fenómenos de la vida cotidiana de las sociedades
Ante las problemáticas que surgen en el mundo rural, varios autores han propuesto como solución a estos problemas la construcción de redes sociales entre los agentes implicados para establecer así una comunicación efectiva y colaborar así al desarrollo de zonas rurales (Lugo-Morin, 2011).
Definiciones importantes
Para llevar a cabo un análisis de redes se debe tener en cuenta algunas definiciones que presentamos a continuación.
- Definición de redes: grupo de individuos que en forma agrupada o individual se relacionan con otros con un fin específico, en el cual existe flujo de información. Las redes pueden considerar muchos o pocos actores teniendo relaciones básicas entre pares de actores. La red se compone de 3 elementos: Nodos, vínculos y flujos.
- Nodos: personas o grupos de personas que se encuentran conectadas por un objetivo común, mientras más nodos se tengan se aumentan el tamaño de la red. Están representados por círculos.
- Vínculo: lazos que existen entre los nodos (dos o más). Los vínculos se representan con líneas.
- Flujo: establece cual es la dirección del vínculo, los flujos y se representa por una flecha que te indica el sentido. Se pueden tener flujos dirigidos o unidireccionales representados por una flecha que indica el sentido, o flujos bidireccionales representados por una línea.
Indicadores para el análisis
Los indicadores son los que facilitan el análisis de las redes y son determinados por los valores de conectividad e influencia entre cada uno de los actores. En la siguiente tabla se presentan los indicadores más utilizados para analizar las redes.
Tabla 1.Indicadores utilizados para el análisis de redes sociales. Fuente: Velázquez y Aguilar, 2005.
Recursos y herramientas para el análisis de redes sociales
Existe una gran cantidad de información sobre el análisis de redes, diferenciada en:
- Revistas especializadas en análisis de redes
- Grupos de trabajo para el análisis de redes
- Programas informáticos (Existen más de 100 software y aplicaciones sobre Análisis de Redes. Los principales software para realizar Análisis de Redes en el ámbito rural son UCINET y PAJEK)
Revistas especializadas
Son pocas las revistas especializadas que tengan como tema central el análisis de redes, entre ellas destacan:
- La revista REDES. Revista hispana para el análisis de redes sociales. Esta revista es de acceso libre.
- Social Networks, journal publicada por Elsevier Science. Esta revista es de acceso restringido.
- Journal of Social Structure. Esta revista es de acceso libre.
- Connections, revista de la International Network Society of Social Network Analysts (INSNA). Esta revista es de acceso libre.
Otras abordan la temática de manera secundaria y la mayoría son de acceso restringido; entre ellas se destacan:
- Social Forces, Journal
- Internacional Sociology
- Sociological Methodology
- Rural Sociology
- International Journal of Behavioral Development
- American Journal Sociology
- American Anthropologist
- American Sociological Review
- Annual Review of Anthropology
- Journal of Rural Studies
- Academy of Management Journal
Grupos de trabajo para el análisis de redes mundiales
- International Sunbelt Social Network Conferences. Esta instancia fue creada en 1997 y desde entonces hace una reunión anual, donde se abordan temáticas específicas del análisis de redes; éstas abarcan desde avances epistemológicos hasta el desarrollo de nuevos criterios metodológicos.
- International Network Society of Social Network Analysts (INSNA). Esta instancia fue creada en 1978; es un referente importante de los estudios de análisis de redes sociales mundiales. Publica una revista (Connections) de acceso libre como órgano difusor de sus actividades.
- Como contraparte del INSNA están los portales en español Egoredes y REDES web, que han tenido un crecimiento importante en el estudio de análisis de redes sociales. Su órgano difusor es la revista REDES.
- Por último, está el grupo de trabajo del Dr. Mark Granovetter, que a través de su página personal ofrece artículos clásicos sobre la temática de manera gratuita, para comprender las redes sociales completas o sistemas.
Programas informáticos
Uno de los avances más importante en el análisis de redes sociales ha sido el manejo de la información sustentada en la Teoría de Grafos; esta teoría ha sido la base para el desarrollo de una diversidad de programas informáticos, que permiten un manejo relativamente fácil de los datos relacionales. Para la presente guía se destacan los más importantes y de acceso libre, de tal forma que los interesados puedan descargarlos directamente desde sus computadoras.
Los más importantes para realizar Análisis de Redes son UCINET y PAJEK (sobre todo para el medio rural). A continuación se presenta en la Tabla No. 2, las principales ventajas y desventajas de los principales programas informáticos, ya que existen otros programas para el análisis de redes sociales, pero debido a sus complejidades, su uso en el medio rural puede ser problemático.
Tabla 2 Ventajas y desventajas de los principales programas informáticos para análisis de redes. Fuente: Cardenas, s.f.
Bibliografía:
Cardenas, J. (s.f.). Networks provide happiness.
EC-FAO. (s.f.). Social Network Analysis: Practical Guide.
Lugo-Morin, D. (2011) Análisis de redes sociales en el mundo rural. Revista de Estudios Sociales No 38 pp 129-142. Bogotá Colombia.
Velázquez, A. Aguilar, N. (2005) Manual Introductorio al Análisis de Redes Sociales. Medidas de Centralidad. Centro de Capacitación y Evaluación al Desarrollo Rural. México DF. México.
Inteligencia Colectiva en la toma de decisiones y la Evaluación
Un referente temprano del concepto de inteligencia colectiva (IC) es el libro del Apoyo Mutuo de Krotpokin (1902), al utilizar el concepto para mostrar las ventajas que poseen los pequeños grupos de personas y los animales e insectos sociales. Otro precursor del concepto de inteligencia colectiva es el entomólogo William Morton Wheeler (1910) que estudió el comportamiento de las hormigas. William observó que trabajaban tan coordinadas que llegaban a parecer un solo organismo. Las hormigas eran comparables a las células de un animal generando también una mente colectiva. A esta gran criatura la llamó superorganismo. Según Pierre Levy (1997), escritor, filósofo y profesor tunecino que desarrolló la noción de inteligencia colectiva, la definió como una inteligencia repartida en todas partes, valorizada constantemente, coordinada en tiempo real, que conduce a una movilización efectiva de las competencias. Las nuevas tecnologías están generando una gran revolución en este concepto. Es imposible que todos seamos sabios de todo, pero sí podemos ser expertos en un área específica y a través de las nuevas tecnologías podemos juntar todos esos microsaberes creando un enfoque común. La inteligencia colectiva tiene la ventaja superar sesgos cognitivos individuales logrando lo que lo que Howard Bloom (1995) llamó el cociente Intelectual grupal.
Actualmente es un término generalizado de la cibercultura o la sociedad del conocimiento, vinculado a la toma de decisiones consensuada aplicable en bacterias, animales, seres humanos y computadoras. La inteligencia colectiva se destaca notablemente dentro de la Sociología, de las ciencias de la computación y del comportamiento de masas. Peter Russell en su libro Global Brain en 1983 explica como Internet está uniendo a la humanidad en una sola comunidad mundial, en un “cerebro global”. Tom Atlee (1993) trabajo en la co-inteligencia, una forma de inteligencia compartida e integrada que encontramos dentro y alrededor de nosotros que aparece al unir nuestras inteligencias personales para producir resultados más perspicaces y poderosos que la suma de nuestras perspectivas individuales. En este sentido, la tecnología facilita la interacción de los actores sociales de un grupo aunándolos bajo un denominador socio-cultural de saberes y conocimientos que permiten generar un vínculo cognitivo entre los mismos.
La inteligencia colectiva en la Evaluación
La participación de los implicados es un pilar fundamental en las evaluaciones de proyectos. Esta realidad refuerza la idea de utilizar la inteligencia colectiva como otra pata más de la participación o quizá, como la pata central de la participación. El hecho de poder contar con un mayor número de opiniones sobre las necesidades, los resultados o los impactos de un proyecto, permitirá al evaluador tener una idea más global de la visión de la población sobre el proyecto. Con la Web 2.0 aparecen nuevas formas de relacionarse, en las que los consumidores pasan a ser también creadores, acuñándose el término prosumidores, con espacios dedicados exclusivamente a la creación de contenidos a través de una inteligencia colectiva, como por ejemplo, la creación de software colaborativo de la plataforma Arduino, de fuente abierta y hardware abierto así como un proyecto y comunidad internacional que diseña y manufactura placas de desarrollo de hardware iniciada en 2005. Sin embargo, también existen también controversias en este campo. Hugo Pardo Kuklinski, Doctor en Comunicación por la Universidad de Barcelona, expone el peligro de la aparición de “imprecisiones intelectuales” en los medios al aportar nuevos contenidos o modificarlos. Hugo compara la IC con la comida rápida. Bajo este concepto, se situarían en el mismo nivel a expertos amateurs y expertos profesionales“. Pierre Lévy plantea que la opinión promedio puede perder racionalidad, porque se basa en tendencias, lo que hace que la objetividad se desdibuje.
Aplicaciones de la IC
Se pueden realizar estudios que recopilan datos proporcionados por usuarios de la web, redefiniendo el conocimiento y con una actualización constante. Mediante el análisis de las redes sociales se puede estudiar las preferencias de consumo de los usuarios para efectuarles diversas sugerencias. El beneficio de la inteligencia colectiva en la web, reside en que se obtiene una diversidad de opiniones proveniente de distintas personas, pertenecientes a distintas culturas, residentes en otras partes del mundo. Es entonces como la diversidad de los aportes permite obtener una idea o un dato más cercano a la realidad, abriendo un espacio hacia distintas cuestiones de manera global.
Un ejemplo de inteligencia colectiva que está llevando a cabo el Ayuntamiento de Madrid con su plataforma Decide Madrid para la toma de decisiones de una parte de sus presupuestos. Es lo que se denominan presupuestos participativos en los que toda la población censada puede participar con su voto para elegir en que se invertirán determinadas partidas del presupuesto. Otra iniciativa interesante de esta ciudad son los laboratorios ciudadanos como el Media Lab Prado un laboratorio ciudadano que funciona como lugar de encuentro para la producción de proyectos culturales abiertos. La ventaja de estos lugares es que cualquier persona, aunque carezcan de formación sobre una de formación técnica específica puede hacer propuestas o sumarse a otras y llevarlas a cabo de manera colaborativa. La actividad se estructura en grupos de trabajo, convocatorias abiertas para la producción de proyectos, investigación colaborativa y comunidades de aprendizaje en torno a temas muy diversos. Este tipo de espacios permite crear organismos sociales de trabajo con diferentes perspectivas tanto de ciudadanos de a pie como de personas expertas. Se unen aquí los experimentados y los expertos creando un ambiente a mitad de camino entre la IC y la participación.
Evaluación de Proyectos con Big Data
Big data es un término cuya definición se dio por primera vez en 2001, por el analista Doug Laney de Gartner: “El conjunto de técnicas y tecnologías para el tratamiento de datos, en entornos de gran volumen, variedad de orígenes y en los que la velocidad de respuesta es crítica”. Aunque los datos han sido siempre útiles en la toma de decisiones, no está tan claro cuando es interesante aplicar una solución basada en datos de tipo Big Data. Para reconocer si hay que trabajar con estos macrodatos hay que valorar si es interesante analizar un gran volumen de datos de alta velocidad de generación y con mucha variabilidad, pero no es necesario que se cumplan las tres condiciones. Esta condición que poseen los Big Data, se denomina Regla de las “3 V”: volumen, variabilidad y velocidad. Con volumen, se refieren a grandes cantidades de información y conocimiento que se maneja. Con variabilidad, a la estructura de la composición que tiene ese gran volumen de datos. Y con velocidad, a la rapidez con que ese volumen de datos es transportado y analizado. Algunos expertos, como IBM incluyen la Veracidad como una cuarta V pero no hay unanimidad al respecto por parte de todos los expertos.
Existen dos antecedentes principales del Big Data: por un lado, el Business Intelligence, que utiliza los datos para la realización de análisis y consecuentemente una serie de previsiones; por otro lado, está la Minería de Datos, basada en dos métodos que permiten el análisis y la utilización de los datos: la Inteligencia Artificial; y la estadística, mediante la cual realiza estimaciones.
La cantidad de datos que existe en la actualidad es inmensa y los análisis se complejizan bastante. Estos datos se encuentran en internet y en las relaciones que las nuevas tecnologías de la información ofrecen, el internet de las cosas a través de grabaciones de sonido y video, drones, robots, satélites, smartphones, etc. Hay que tener en cuenta el incremento de complejidad y coste respecto a un análisis tradicional. Los macro datos hay que buscarlos, clasificarlos, organizarlos y analizarlos para que logren tener una utilidad y calidad adecuada a lo que se quiere analizar. Los avances tecnológicos recientes han reducido exponencialmente el coste del gestión y almacenamiento de datos, siendo cada vez más fácil y más barato. En la práctica existen técnicas como minería de datos, cálculo lingüístico, aprendizaje automático, creación de algoritmos para trabajar en la búsqueda y clasificación de la información (Janssen, Vander, & Huayudi, 2016, pág. 5). Es también muy importante la veracidad de los datos, que se refiere a cuánto puede confiar en ellos. Además de los pasos anteriores, el valor del Big Data radica sobre todo en plantearse las preguntas correctas para identificar patrones que puedan predecir comportamientos. Bizer, Boncz, Brodie y Erling (2012) han identificado 6 fases en el Big Data:
Recolección
Para determinar si nos encontramos en el camino correcto, debemos preguntarnos en qué medida el Big Data respalda y habilita las necesidades del proyecto o la evaluación. Se deberá alinear la necesidad de trabajar con Big Data con los objetivos específicos del proyecto o la evaluación. Algunas actividades previas incluyen entender cómo filtrar los registros web para comprender el comportamiento del comercio electrónico, extraer el sentimiento de las redes sociales, de las interacciones de atención al cliente, así como entender los métodos de correlación estadística.
Gestión y Almacenamiento
Lo primero que se debe hacer es almacenar los datos. Su solución de almacenamiento puede residir en la nube, on premise o ambas. La nube es la forma que más está aumentando.
Análisis: Manipulación, limpieza, transformación de datos
Una vez localizados y clasificados existen técnicas y programas específicos que ayudan a organizarlos y analizarlos, ya que los datos poseen un valor intrínseco que no tendrá utilidad hasta que dicho valor se descubra. Los modelos y procesos analíticos de Big Data pueden ser tanto humanos como automáticos. Las capacidades de análisis de Big Data incluyen estadísticas, análisis especiales, semántica, detección interactiva y visualización. Mediante el uso de modelos analíticos, puede relacionar distintos tipos y fuentes de datos para realizar asociaciones y hallazgos significativos.
Utilidad real en Evaluación y limitaciones del Big Data
El análisis de grandes datos es muy útil para las organizaciones en la calidad de su toma de decisiones y, por tanto, también son útiles en la evaluación. El cambio de paradigma está arrastrando los modelos tradicionales de análisis de datos hacia el Big Data de manera rápida y se podría decir que descontrolada. En primer lugar, se crea un nuevo software que tenga la capacidad de sustentar esa cantidad de información, se establecen nuevos modelos de análisis de la misma y se avanza considerablemente en el análisis semántico. Se fomenta el uso de aplicaciones como Hadoop, Apache Hadoop, Apache Spark semejante a Excel pero que permite utilizar miles de nodos distribuidos y con pentabytes de información. Hay que tener en cuenta que el crecimiento de las “3 V” en menos de 10 años pasó de contabilizar la información en Megabytes y Gigabytes a hacerlo en una serie de unidades de medida de un valor considerablemente más alto. Aparece el Pentabyte (1015 bytes), Exabyte (1018 bytes) y el Zettabyte (1021 bytes). También la velocidad del tratamiento de datos aumentó de manera exponencial.
Campos de aplicación
El modelo Big Data es aplicable a casi cualquier campo moderno en el que se precise un análisis de un volumen de datos elevado, a tiempo real, y con la posterior de generación de correlaciones, esto es, casi cualquier ámbito público-privado. En el esquema inferior se destacan las principales áreas en las que se utiliza este modelo.
Más concretamente, en el ámbito público se ha generado un nuevo concepto de, las denominadas Smart Cities (o ciudades inteligentes); que, basadas en el uso de software de análisis de Big Data, monitorizan todos los procesos llevados a cabo en las grandes ciudades con el fin de llevar a cabo medidas con mayor eficacia, eficiencia y sostenibilidad.
Bibliografía:
Brown, B., Chui, M., & Manyika, J. (2011). Are you ready for the era of ‘big data’. McKinsey Quarterly
Chen, Y. -C., & Hsieh, T. -C. (2014). Big data for digital government: Opportunities, challenges, and strategies. International Journal of Public Administration in the Digital Age
Coble, K., Griffin, T., Ahear, M., Ferrel, S., Mcfadden, J., Sonka, S., & Fulton, J. (2016). Avance de la competitividad agrícola de los Estados Unidos Con grandes datos y la economía agrícola Información de mercado, análisis e investigación. Obtenido de www.cfare.org: www.cfare.org
Janssen, M., Vander, H., & Huayudi, A. (8 de 2016). Factores que influyen en la calidad de los datos. Obtenido de journal on buisness research-ELSEVIER: www.sciencedirect.org
Joyanes, L. (2013). Análisis de grandes volúmenes de datos en organizaciones
Raghunathan, S. (1999). Impact of information quality and decision-maker quality on decision quality: A theoretical model and simulation analysis. Decision Support Systems
Zhou, Z. H., Chawla, N. V., Jin, Y., & Williams, G. J. (2014). Big data opportunities and challenges: Discussions from data analytics perspectives. IEEE Computational Intelligence Magazine
