thumb|Estructura de una red social representada como grafo. El vértice destacado corresponde a un actor que bajo ciertos criterios es considerado central en la red.
El análisis de redes sociales (abreviado ARS o SNA, por el término en inglés social network analysis) es un campo de estudio interdisciplinario enfocado en el estudio de las redes sociales, cuya motivación inicial es el modelamiento y estudio de fenómenos sociales. En el análisis de redes sociales convergen diversas disciplinas tales como las ciencias sociales y matemáticas, estadística y ciencias de la computación. A diferencia de las ciencias sociales y del comportamiento, esta disciplina da una importancia preponderante a las interrelaciones existentes entre las entidades que interactúan en la red.
Historia
Los estudios relacionados con la medición de lazos interpersonales en grupos pequeños se remontan a 1934, con la creación de los sociogramas por parte de Jacob Levy Moreno. Los sociogramas, grafos utilizados para estudiar la dinámica de grupos, dieron origen a la sociometría. A fines de los años 1940 e inicios de los años 1950, junto con los primeros estudios formales de cliques o camarillas en sociomatrices y de centralidad en sociogramas, se introdujo además la teoría de grafos (creada por Leonhard Euler en 1736) como herramienta clave para el estudio de las estructuras sociales relacionales. Poco después, a partir de la sociometría y de la psicología de grupos pequeños desarrollada en los años 1950, surgió la psicología social, de forma paralela a la publicación de un artículo científico escrito por el antropólogo social John Arundel Barnes en 1954, a partir del cual se comenzó a utilizar sistemáticamente el término «red social». En 1963 y 1969, a la notación de las sociomatrices y los grafos se sumó la notación algebraica, para el estudio de relaciones múltiples y compuestas en redes sociales unimodales. Tanto la psicología social, como la antropología social, la sociología, el desarrollo organizacional, entre otros campos, experimentaron un creciente desarrollo hacia finales de los años 1980, utilizando formalmente datos relacionales para sus análisis.
El análisis de redes sociales se fue gestando de este modo como disciplina interdisciplinaria desde mediados del , a partir de la convergencia de la teoría social, la investigación empírica, las matemáticas, la estadística y la informática. De la necesidad de unificar conocimientos comunes de todas estas disciplinas, el análisis de redes sociales despegó como disciplina propia a partir de los años 1990. El desarrollo de las tecnologías de la información y la comunicación a fines del y principios de los años 2000, vino de la mano con la creación de diversos softwares de aplicación para el análisis y visualización de redes sociales con grandes cantidades de datos. Actualmente, las redes sociales en línea generan un sinfín de datos relacionales que se estudian desde esta disciplina. Debido a lo anterior, en el análisis de redes sociales actualmente confluyen diversas disciplinas tales como las ciencias sociales y del comportamiento, matemáticas, estadística y ciencias de la computación. Por otra parte, también se le relaciona con la ciencia de datos. Asimismo, las redes sociales en línea han llevado a la generación de redes complejas, que son el objeto de estudio de la ciencia de redes.
Métodos de análisis
El análisis de redes sociales busca modelar relaciones entre entidades de un sistema para poder describir la estructura de la red social resultante. Los objetivos generales clásicos de este modelamiento son obtener una representación visual de la estructura de la red, y un modelo probabilístico de resultados estructurales. La idea es estudiar, por ejemplo, el impacto de dicha estructura en el funcionamiento del sistema, la influencia que ejerce esta estructura sobre los distintos actores, o la evolución de la red en el tiempo (lo que se conoce como el estudio de redes temporales). Por lo tanto, el análisis de redes sociales puede abarcar tanto estudios transversales como longitudinales.
Esta disciplina considera dos tipos de variables: Variables estructurales, que refieren a las relaciones entre actores o a la composición de la red. Por ejemplo, la amistad entre personas o transacciones comerciales entre países. Variables de afiliación, consideradas un tipo especial de variables estructurales, utilizadas en redes de afiliación para medir relaciones de pertenencia de un tipo de actores a un cierto acontecimiento u organización. Por ejemplo, en una red de afiliación de clubes, la pertenencia de los actores a cierto club considerado por la red. Variables composicionales o variables atributo, que refieren a atributos de los actores. Por ejemplo, edad de las personas o índices económicos de cada país. Las variables estructurales son fundamentales para la disciplina, y se pueden complementar con las variables composicionales, que son las utilizadas en estudios no relacionales.
Esta disciplina favorece tanto la investigación teórica, como la empírica y la cuantitativa. Dentro de esta última, la teoría de grafos, la teoría de la probabilidad, la estadística y los modelos algebraicos son los principales enfoques matemáticos usados. No obstante lo anterior, en una red social no se puede suponer la independencia muestral de observaciones realizadas sobre sus actores, ya que estos se consideran interdependientes; por lo tanto, los métodos estadísticos difieren de los usados por ejemplo en las ciencias sociales y del comportamiento. Así, por ejemplo, no se suelen utilizar regresiones múltiples, test-t, correlaciones canónicas, ni modelos de ecuaciones estructurales, pero sí son comunes los modelos log-lineales, especialmente para el análisis de díadas. En el análisis de redes sociales, la estadística descriptiva permite comprender cómo se comporta la red, mientras que la estadística inferencial permite dirimir la veracidad de las pruebas de hipótesis.
Métricas y propiedades miniaturadeimagen|En análisis de redes sociales y de acuerdo a la teoría de equilibrio estructural de Fritz Heider, hay equilibrio estructural si dos personas son amigas (+) y opinan igual sobre cierto tema, o si son enemigas (-) y opinan distinto sobre cierto tema. Algunas de las métricas y propiedades utilizados en el análisis de redes sociales son la densidad de la red, el alcance, o la conectividad, agrupabilidad y multiplicidad, centralidad de los actores y centralización de la red, equilibrio estructural, reciprocidad o mutualidad (en díadas o pares de actores), y transitividad (en tríadas de actores).
Proceso de análisis Usualmente se sugiere para el análisis de redes sociales un proceso iterativo de seis pasos:
Identificación de datos: Búsqueda e identificación de la fuente de información correcta para fines analíticos. Recolección de datos: una vez que se identifica una fuente confiable y minable de datos de redes sociales, luego viene la recolección o extracción de los datos a través de API o manualmente. Limpieza de datos: este paso implica la eliminación de los datos no deseados de los datos extraídos automáticamente. Análisis de datos: A continuación, se analizan los datos limpios para obtener información comercial. Dependiendo de la capa de análisis de medios sociales que se considere y de las herramientas y algoritmos empleados, los pasos y el enfoque dependerán en gran medida. Visualización de resultados: Dependiendo del tipo de datos, la parte de análisis conducirá a visualizaciones relevantes para una comunicación efectiva de los resultados. Interpretación de resultados: este paso se basa en los juicios humanos para interpretar el conocimiento valioso de los datos visuales. La interpretación significativa es de particular importancia cuando se trata de análisis descriptivos que dejan lugar a diferentes interpretaciones.
Identificación de datos
En este paso se identifican los datos disponibles para enfocar el análisis. Los datos de redes sociales deben provenir al menos de una variable estructural referida a relaciones entre actores. A estos datos relacionales se les llama datos estructurales. Existen diversos aspectos a considerar para la identificación de datos:
Unidad de observación: entidad sobre la cual se miden las variables para la obtención de datos. Puede ser un actor (como en el caso de las redes egocéntricas), una díada o par de actores, un lazo relacional o un acontecimiento (en redes de afiliación). Unidad de modelización: nivel al que se estudian los datos. Puede ser a nivel de actor, de díada, de tríada, de subgrupos de actores, o del conjunto total de actores de la red. Cuantificación relacional: si las relaciones son dirigidas o no dirigidas (es decir, simétricas), y si son dicotómicas o valoradas.
Las fuentes de medios digitales para el análisis de redes sociales incluyen canales de redes sociales, blogs, foros, sitios para compartir imágenes, sitios para compartir videos, agregadores, clasificados, quejas, preguntas y respuestas, reseñas, Wikipedia y otros.
Los medios sociales tienen un mínimo de siete capas de datos. Entre ellas, algunas son visibles o fácilmente identificables (por ejemplo, texto y/o acciones), y otras son invisibles (por ejemplo, hipervínculos y redes).
datos textuales (como los tuits y comentarios) datos de la red (tales como amistades de Facebook, y seguimiento de Twitter) acciones (tales como me gusta, acciones, opiniones) hipervínculos (por ejemplo, enlaces incrustados dentro del texto) datos móviles (por ejemplo, la aplicación móvil de datos) datos de ubicación motores de búsqueda de datos
Con el fin de hacer el proceso completo de análisis de medios sociales con éxito, es importante definir indicadores clave de rendimiento para evaluar objetivamente los datos. La homofilia se usa como una parte de la analítica, es una tendencia a que el contacto entre personas similares ocurra a un ritmo mayor que entre personas diferentes. De acuerdo con la investigación, dos usuarios que siguen recíprocamente comparten intereses actuales extrayendo sus miles de enlaces. Todos estos se utilizan para tomar decisiones comerciales importantes en los sectores de redes sociales.
La información en sí misma es inútil a menos que se interprete, una vez que comenzamos a analizar los datos, comienza a ser útil ya que transmite un mensaje. Cualquier conjunto de datos que transmite un mensaje significativo se convierte en información. En un nivel alto, los datos no procesados pueden ser: datos ruidosos; datos irrelevantes, datos filtrados; datos que transmiten un mensaje vago. Para extraer información de los datos debemos procesarlos, refinar el conjunto de datos a incluir y en los que queremos centrarnos, y organizarlos.
En el contexto del análisis de redes sociales, la identificación de datos significa definir qué contenido nos interesa. Los atributos de los datos que deben ser considerados son los siguientes:
Estructura: datos estructurados son datos que han sido organizados en un formato de repositorio-normalmente una base de datos-a fin de obtener un efectivo procesamiento y análisis. Los datos no estructurados, por el contrario, no están organizados ni formateados. Idioma: el Idioma se convierte en significativo, si queremos saber el sentimiento de un post en lugar de número de menciones. Región: es importante asegurarse de que los datos incluidos en el análisis sólo sean de esa región del mundo donde el análisis se centra. Por ejemplo, si el objetivo es identificar el problemas de agua limpia en India, debe asegurarse que los datos recogidos son de India solamente. Tipo de contenido: el contenido de los datos podría ser: texto; fotos, (dibujos, bocetos simples o fotografías); audio; grabaciones de audio de los libros, artículos, charlas o debates; vídeos, grabación, transmisión de secuencias en directo.