domingo, 19 de julio de 2015
sábado, 18 de julio de 2015
Análisis de redes para consultoría organizacional
Complejidad en sistemas, organizaciones y el lugar de trabajo
En la primera parte de su serie de tres artículos sobre las corrientes de transformación profunda, Markku Allison, el fundador de Scan, una firma consultora de estrategia, cultura y diseño, explora la primera de las corrientes: la complejidad de los sistemas, las organizaciones y el lugar de trabajo. Lea su introducción a la serie aquí.
Work Design
La gran ola de Kanagawa (de una serie de treinta y seis vistas del monte Fuji) por Katsushika Hokusai.
Todo está conectado. Pequeños cambios ondulación a través de sistemas con consecuencias no deseadas. Las decisiones tienen consecuencias que pueden no ser entendidas, tanto en las soluciones y las partes involucradas a largo alcance. Pero podemos manejarlo! Nuevos modelos de organización y gestión permiten una mayor comprensión y flexibilidad.
Piense en esto: suponga que tiene cuatro decisiones que tomar. Puede conectar esas decisiones en seis formas posibles, y organizar en 64 patrones posibles. Si nos topamos es sólo un poco, digamos, a 10 decisiones, las cosas cambian: se puede conectar esos diez decisiones en 45 maneras posibles, pero se puede organizar en más de 3,5 millones patrones posibles. Más de 3,5 millones de dólares! Si la secuencia de decisiones tiene un sentido, ese pequeño cambio en la cantidad tiene enormes implicaciones en los posibles resultados. Eso es sólo el más mínimo atisbo en el mundo de la complejidad.
"Las decisiones Diagrama de" cortesía de Marrku Allison.
La complejidad es diferente a complicación, y en gran medida diferente a la simplicidad. Considere lo siguiente:
Hubo un momento en el tiempo en que nuestros proyectos eran relativamente simples en términos del número y el tipo de decisiones que necesitábamos para hacer. Este fue el caso de casi todas las empresas humanas, pero centrándose específicamente en el espacio AEC, nuestros materiales se limitaron, sistemas estructurales no muy sofisticados, mecánicos y sistemas eléctricos inexistentes, etc. Esto hizo proyectos bastante fáciles de manejar: sabíamos lo sabíamos y también sabíamos lo que no sabíamos, resolver rápidamente los conflictos y problemas por hacer una serie dispuestos apropiadamente de decisiones. Llamemos a esto la edad de los sistemas simples, donde se conocen las cosas: la relación entre la causa y el efecto fue evidente para todos. Decisiones esperaban resultados. Podríamos gestionar el trabajo con técnicas como una simple lista de verificación.
Con el tiempo, nuestros proyectos se convirtieron en un poco más difícil. Empezamos a emplear una gama más amplia de materiales, una mejor comprensión de sus interacciones; sistemas estructurales se hicieron más sofisticados, se introdujeron sistemas mecánicos y eléctricos simples. Proyectos eran más difíciles de manejar: sabíamos lo que sabíamos, y mediante el análisis, podríamos descubrir y saber lo que no sabíamos, respondiendo en consecuencia. Una era de sistemas complejos en los que las cosas eran cognoscible: la relación entre causa y efecto análisis requerido o alguna otra forma de investigación y / o la aplicación del conocimiento experto. Las decisiones fueron capas en las decisiones, pero llegamos a donde queríamos ir, como era previsible. El trabajo se controla mediante herramientas gráficas de Gantt o, más tarde, como el método del camino crítico.
Con el tiempo, nuestros proyectos se convirtieron en un poco más difíciles. Empezamos a emplear una gama más amplia de materiales, una mejor comprensión de sus interacciones; sistemas estructurales se hicieron más sofisticados, se introdujeron sistemas mecánicos y eléctricos simples.Sugiero que nuestra estancia en este tiempo de complicatedness fue breve. Nuestros proyectos rápidamente la transición hacia la complejidad. Una vez más mirando el espacio de la CEA, la gama de opciones de materiales expandió exponencialmente, al igual que las posibles interacciones entre ellos. Estructuras hicieron cada vez más difíciles de analizar, sobre todo porque nuestro conocimiento de las fuerzas sísmicas menos predecibles y otras creció. Mecánica, electricidad, fontanería, seguridad, acústica - estos sistemas utilizan cientos de piezas, con decisiones sobre una parte de un sistema que tiene impacto en otras partes de otros sistemas, que a su vez afectadas otras partes de otros sistemas, y así sucesivamente. Expertos surgieron como especialistas en cada uno de estos sistemas, con los límites de responsabilidad trazadas entre ellos. Las decisiones en un área podrían entonces ondular fácilmente a través de una frontera y tienen un impacto significativo en el área de otra persona de la responsabilidad. Durante mucho tiempo hemos tratado de gestionar el trabajo de hoy en día el uso de herramientas adecuadas para el trabajo complicado, pero fallamos en forma regular: investigación de la industria nos dice al menos el 30 por ciento de los proyectos están retrasados y por encima del presupuesto.
El esquema Cynefin de Dave Snowden hace un gran trabajo que ilustra distinciones entre simple, complicado y complejo.
¿Cuáles son las características de los sistemas complejos? Tienen muchas, muchas partes móviles, y existen conexiones entre esas partes, algunos conocidos, algunos no conocido. Pequeños cambios en un sistema complejo puede ondear a través de ambas conexiones entendidos y menos entendidos y crear los resultados y los cambios que estaban completamente inesperado. Nuestras propias acciones son parte del sistema complejo: simplemente interactuando con un sistema complejo que podemos cambiar su dinámica y en última instancia, su eficacia. Nos puedan perforar el sistema y observamos su reacción, y luego manejamos hacia los resultados deseados, pero los sistemas complejos son inherentemente resistentes al control tacaño.
¿Por qué importa todo esto? Proyectos en el lugar de trabajo en general y en AEC, en particular, son en última instancia acerca de las decisiones: todos los proyectos terminados son registros de una serie de decisiones tomadas en el tiempo. La mayoría de los proyectos requieren decenas o cientos o miles de decisiones, y por lo general se hacen por no uno, sino por muchas personas, a veces en concierto pero muchas veces no. Si en un proyecto de la decisión que tomo tiene un impacto en las decisiones que usted puede hacer (y casi siempre lo hacen), si de alguna manera no trabajamos de una manera que hace que esos impactos explícita y visible, es probable encontrarse con inesperada resultados. En esto radica el reto y la oportunidad.
Durante mucho tiempo hemos tratado de gestionar el trabajo de hoy en día el uso de herramientas adecuadas para el trabajo complicado, pero fallamos en forma regular: investigación de la industria nos dice al menos el 30 por ciento de los proyectos están retrasados y por encima del presupuesto.La complejidad es omnipresente en el lugar de trabajo de hoy, pero nuestra comprensión de que no es. Piense en la estructura de su organización, o de un proyecto reciente que ha trabajado. Piense en una decisión importante. Piense en las decisiones de apoyo que llevaron a esa decisión, y las decisiones que se derivarán de ella ahora que está hecho. Dibuja un diagrama de todas las personas que contribuyeron a la decisión, sus decisiones de apoyo, o los de seguir, y cómo están conectados entre sí. Capa de agrupaciones como departamentos, comercios, disciplinas o equipos, y considerar el impacto adicional en las decisiones de ese ángulo - ¿dónde están las líneas de responsabilidad dibujado, límites entre "este es mi trabajo / decisión" y "esto es su trabajo / decisión" . Se convertirá rápidamente en un diagrama de espaguetis con ninguna lógica clara o flujo - pero de alguna manera que salir del paso, y el trabajo se hace. Simplemente no suele ocurrir en la forma en que pensé que lo haría, o al menos no tanto como nos gustaría esperar. Mirando hacia atrás en la idea de las corrientes profundas de transformación como los tsunamis, esta profunda corriente de complejidad se manifiesta en el lugar de trabajo como horarios extendidos y vencimiento del plazo, las expectativas no satisfechas, presupuestos soplado, caído pelotas, mixta, desaparecidos o mensajes ilegibles, trabajo que es redundante o con propósitos cruzados ... y la lista continúa. Los síntomas, no las causas.
Un diagrama de todas las organizaciones que ilustra las conexiones entre los departamentos, equipos, proyectos, clientes potenciales del proyecto, los participantes del proyecto, y personas interesadas. Imagen de Markku Allison.
Sin embargo, si tomamos las medidas necesarias para que la complejidad inherente en nuestras organizaciones y proyectos explícitas, podemos empezar a ver cómo podemos abordar este tipo de problemas. Podemos introducir formas de pensar sobre los equipos como las redes. Podemos utilizar las herramientas y metodologías que hacen conexiones entre las decisiones - y tomadores de decisiones - visuales y visibles. Estos pasos pueden parecer simple en la superficie, pero cuando se despliega de manera efectiva en un lugar de trabajo pueden tener un profundo impacto en la capacidad de la organización para ver una imagen más grande, y nuestros proyectos y organizaciones - y decisiones - pueden estar mejor informados.
.Un proyecto visualizado como una red de participantes. Imagen de Markku Allison.
Pero la simple exposición de la complejidad no es suficiente: se trata de problemas complejos requiere un enfoque totalmente nuevo. Ya sabemos por experiencia que las herramientas que trabajaban para problemas complicados no son flexibles o lo suficientemente ágiles para la resolución de problemas complejos. Tampoco lo son las culturas arraigadas en esas herramientas y técnicas, lo que es decir la mayoría de las culturas.
El siguiente, en la segunda parte: cómo la cultura de colaboración apoya la resolución de problemas complejos.
viernes, 17 de julio de 2015
Capturando redes de Facebook con R
Cómo analizar a sus amigos de la red Facebook con R
El paquete de Twitter, lanzado en 2010, ha proporcionado durante mucho tiempo los medios para acceder y analizar sus datos de redes sociales de Twitter con R. Pero hasta hace poco, no ha habido nada comparable para la red social Facebook. Pero ahora, gracias a Pablo Barbera, existe el paquete RFacebook que proporciona un conjunto de funciones de R para acceder a los datos de la red social Facebook.
Para utilizar RFacebook, primero tiene que registrarse para obtener una cuenta de desarrollador de Facebook, que es rápido y fácil, siempre y cuando usted ya tiene un perfil en Facebook. JulianHi ofrece un excelente tutorial paso a paso sobre cómo empezar con RFacebook, incluyendo la configuración de la aplicación de Facebook y generar el token authentition que será necesaria para el uso de las funciones RFacebook.
Una vez que estés autenticado, puede utilizar las funciones RFacebook para consultar su lista de amigos y obtener información acerca de sus amigos (y sus conexiones con sus otros amigos). He utilizado el código de abajo para consultar mis amigos de Facebook, y utilicé el paquete igraph dibujar mi red social:
Quité los únicos de la tabla de abajo para que sea más sencilla, mediante la exclusión de los amigos eran amigos de mí, pero ninguno de mis otros amigos.
Amigos de Facebook
Decidí no incluir los nombres de mi amigo en la tabla, pero los grupos que genera son buenas representaciones de mis diversos círculos sociales. El grupo aislado en la parte superior derecha es mis amigos de la infancia de Australia, que no conocen a ninguno de mis amigos en el resto del mundo. Otros grupos aislados son mis amigos del Reino Unido, el trabajo y amigos relacionados con R-y amigos de California. El grupo más grande es mi principal red social de Seattle. Es bastante impresionante cómo usar sólo las relaciones amigo (el gráfico de adyacencia), aparecen mis círculos sociales "naturales". Estoy seguro de que baremo hacer más con el informativo adicional disponible, que incluye el cumpleaños, la ubicación, la foto de perfil y estado civil de sus amigos. Sólo se puede acceder a la información que se podía ver en facebook.com, e incluso entonces sólo un subconjunto: sólo se puede acceder a información sobre las personas que son amigos de (incluso si tienen perfiles públicos), y no se puede ver todo de tus amigos red social, sólo la parte que está a sólo amigos. Aún así, es una rica fuente de datos para jugar, y estoy seguro de capacidades adicionales serán expuestos en la API RFacebook conforme pasa el tiempo.
Si usted quiere probar RFacebook ti mismo, empezar en el siguiente enlace.
Revolutions
El paquete de Twitter, lanzado en 2010, ha proporcionado durante mucho tiempo los medios para acceder y analizar sus datos de redes sociales de Twitter con R. Pero hasta hace poco, no ha habido nada comparable para la red social Facebook. Pero ahora, gracias a Pablo Barbera, existe el paquete RFacebook que proporciona un conjunto de funciones de R para acceder a los datos de la red social Facebook.
Para utilizar RFacebook, primero tiene que registrarse para obtener una cuenta de desarrollador de Facebook, que es rápido y fácil, siempre y cuando usted ya tiene un perfil en Facebook. JulianHi ofrece un excelente tutorial paso a paso sobre cómo empezar con RFacebook, incluyendo la configuración de la aplicación de Facebook y generar el token authentition que será necesaria para el uso de las funciones RFacebook.
Una vez que estés autenticado, puede utilizar las funciones RFacebook para consultar su lista de amigos y obtener información acerca de sus amigos (y sus conexiones con sus otros amigos). He utilizado el código de abajo para consultar mis amigos de Facebook, y utilicé el paquete igraph dibujar mi red social:
require(Rfacebook) load("fb_oauth.Rd") ## load my previously saved authentication token me <- getUsers("me", token=fb_oauth) my_friends <- getFriends(token=fb_oauth, simplify=TRUE) my_friends_info <- getUsers(my_friends$id, token=fb_oauth, private_info=TRUE) my_network <- getNetwork(fb_oauth, format="adj.matrix") singletons <- rowSums(my_network)==0 # friends who are friends with me alone require(igraph) my_graph <- graph.adjacency(my_network[!singletons,!singletons]) layout <- layout.drl(my_graph,options=list(simmer.attraction=0)) plot(my_graph, vertex.size=2, #vertex.label=NA, vertex.label.cex=0.5, edge.arrow.size=0, edge.curved=TRUE,layout=layout)
Amigos de Facebook
Decidí no incluir los nombres de mi amigo en la tabla, pero los grupos que genera son buenas representaciones de mis diversos círculos sociales. El grupo aislado en la parte superior derecha es mis amigos de la infancia de Australia, que no conocen a ninguno de mis amigos en el resto del mundo. Otros grupos aislados son mis amigos del Reino Unido, el trabajo y amigos relacionados con R-y amigos de California. El grupo más grande es mi principal red social de Seattle. Es bastante impresionante cómo usar sólo las relaciones amigo (el gráfico de adyacencia), aparecen mis círculos sociales "naturales". Estoy seguro de que baremo hacer más con el informativo adicional disponible, que incluye el cumpleaños, la ubicación, la foto de perfil y estado civil de sus amigos. Sólo se puede acceder a la información que se podía ver en facebook.com, e incluso entonces sólo un subconjunto: sólo se puede acceder a información sobre las personas que son amigos de (incluso si tienen perfiles públicos), y no se puede ver todo de tus amigos red social, sólo la parte que está a sólo amigos. Aún así, es una rica fuente de datos para jugar, y estoy seguro de capacidades adicionales serán expuestos en la API RFacebook conforme pasa el tiempo.
Si usted quiere probar RFacebook ti mismo, empezar en el siguiente enlace.
Revolutions
jueves, 16 de julio de 2015
Estructura de red de CRAN
La estructura de la red de CRAN
Por Andrie de Vries - R-Bloggers
Mi experiencia de UsUARio! 2015 llegó a su fin poco después de dar una presentación Caleidoscopio discutir "la estructura de red de CRAN".
Mi charla basó en dos entradas del blog anteriores, Encontrar los Finding the essential R packages using the pagerank algorithm y Finding clusters of CRAN packages using igraph.
Sin embargo, en esta charla me fui más allá, tratando de crear una sola visualiziation de todos ~ 6700 paquetes en CRAN. Para ello, hice todos los análisis en R, entonces exportado un archivo GraphML, y usé Gephi para crear una visualización de la red.
Mi primera versión de la gráfica era en un solo color, donde cada nodo es un paquete, y cada segmento es una dependencia de otro paquete. Aunque este gráfico indica áreas densas, revela poco de la estructura más profunda de la red.
CRAN-pc
Para examinar la estructura más de cerca, hice dos cosas:
Utilice el algoritmo page.rank () para calcular paquete importancia, luego cambió el tamaño de fuente para que más paquetes "importantes" tienen un tipo de letra más grande
Se utiliza el algoritmo walktrap.community () para asignar colores a los "clusters". Este algoritmo utiliza caminatas aleatorias de un tramo corto de encontrar grupos de nodos conectados densamente
CRAN color
Esta imagen (haga clic para agrandar) destaca claramente varios grupos:
Resulta que RCPP tiene un rango de página ligeramente superior a MASS. Esto hizo Dirk Eddelbuettel muy feliz:
Usted puede encontrar mis diapositivas en SlideShare y mi código fuente en GitHub.
Por último, mi agradecimiento a Gabor Csardi, mantenedor del paquete igraph, que escucharon mis ideas y le dio consejos útiles antes de la presentación.
Por Andrie de Vries - R-Bloggers
Mi experiencia de UsUARio! 2015 llegó a su fin poco después de dar una presentación Caleidoscopio discutir "la estructura de red de CRAN".
Mi charla basó en dos entradas del blog anteriores, Encontrar los Finding the essential R packages using the pagerank algorithm y Finding clusters of CRAN packages using igraph.
Sin embargo, en esta charla me fui más allá, tratando de crear una sola visualiziation de todos ~ 6700 paquetes en CRAN. Para ello, hice todos los análisis en R, entonces exportado un archivo GraphML, y usé Gephi para crear una visualización de la red.
Mi primera versión de la gráfica era en un solo color, donde cada nodo es un paquete, y cada segmento es una dependencia de otro paquete. Aunque este gráfico indica áreas densas, revela poco de la estructura más profunda de la red.
CRAN-pc
Para examinar la estructura más de cerca, hice dos cosas:
Utilice el algoritmo page.rank () para calcular paquete importancia, luego cambió el tamaño de fuente para que más paquetes "importantes" tienen un tipo de letra más grande
Se utiliza el algoritmo walktrap.community () para asignar colores a los "clusters". Este algoritmo utiliza caminatas aleatorias de un tramo corto de encontrar grupos de nodos conectados densamente
CRAN color
Esta imagen (haga clic para agrandar) destaca claramente varios grupos:
- MASS, en amarillo. Se trata de un gran grupo de paquetes que incluye celosía y Matrix, junto con muchos otros que parecen exponer funcionalidad estadística
- RCPP, en azul claro. RCPP permite a cualquier paquete o secuencia de comandos para utilizar el código C ++ para código altamente performante
- ggplot2, en azul más oscuro. Este grupo, a veces llamado el Hadleyverse, contiene paquetes como plyr, dplyr y sus dependencias, por ejemplo, escalas y RColorBrewer.
- sp, en verde. Este cúmulo contiene un gran número de paquetes que exponga las características estadísticas espaciales, incluyendo spatstat, mapas y mapproj
Resulta que RCPP tiene un rango de página ligeramente superior a MASS. Esto hizo Dirk Eddelbuettel muy feliz:
Usted puede encontrar mis diapositivas en SlideShare y mi código fuente en GitHub.
Por último, mi agradecimiento a Gabor Csardi, mantenedor del paquete igraph, que escucharon mis ideas y le dio consejos útiles antes de la presentación.
martes, 14 de julio de 2015
Redes de mapeo de marcas en Twitter
Redes de mapeo de marcas en los medios sociales: Huggies vs. Pampers
Por el Dr. Marc Smith, Director de la Fundación de Investigación Social Media
En las próximas Cumbre de Bienes de Consumo Ventas y Marketing, (# CGSM15) el Dr. Marc Smith, director de la Fundación de Investigación de Medios de Comunicación Social, hablará sobre las maneras análisis de redes sociales se puede aplicar para comprender mejor los medios de comunicación social. Él demostrará una herramienta libre y abierta, NodeXL, que amplía las funciones de la hoja de cálculo Excel familiarizado proporcionar un fácil de usar, potente análisis de la red de medios de comunicación social. He aquí una instantánea de lo que Smith revelará durante su muy esperada sesión:
La colección de conexiones creadas cuando la gente pío acerca de las marcas populares se puede analizar y visualizar para crear una especie de foto aérea de la multitud. Compárese, por ejemplo, estas dos imágenes de la multitud de personas que recientemente tweeted los términos "Huggies" o "Pampers":
Pampers
Huggies
Cada marca ha atraído a miles de personas y tweets, y formar patrones similares. Un gran grupo de personas están "aisladas" - que twittean acerca de la marca, pero no hablan con otros acerca de ello. Los aislados son como islas, que no dicen los nombres de otras personas y nadie menciona sus nombres. Estas personas son una indicación de la calidad de "marca" de un tema. Muchos temas no son marcas y tienen pocos o ningún usuario aislar, por el contrario.
En el centro de estas redes son formas grandes hub-and-spoke circulares, cada uno con una cuenta de la marca en el centro. Estos son anillos "transmisores" crean cuando una cuenta se retweetea por muchos otros. A veces, las cuentas de la marca crear contenido que consigue volver a retweeted - la creación de un segundo o incluso a veces un tercer anillo alrededor de la marca.
En algunas zonas de la gente de la red formar muchas conexiones entre sí, no sólo compartir un solo enlace a un concentrador común. Estos densos racimos de relaciones son indicadores de la "comunidad".
Algunos grupos son autónomos y tienen pocos vínculos con otros grupos, mientras que otros están estrechamente vinculados subregiones de otro grupo. Algunos usuarios raras enlazan a través de las divisiones entre grupos separados que juegan el papel de "puentes".
Las personas que ocupan lugares raros y estratégicos en estas redes (como hubs y puentes) pueden ser "influyente". Involucrar a estos usuarios más que a otros puede ofrecer mejores rendimientos de sus inversiones de medios sociales.
No todas las redes parecen mapas de grandes marcas. Algunos de los temas son más pequeños y carecen de la presencia de "aislados".
Una investigación reciente de Pew Research Proyecto Internet en colaboración con la Fundación de Medios de Comunicación Social La investigación ha documentado que hay seis formas básicas de red de medios de comunicación social: dividido, unificado, fragmentada, agrupado, y dentro y fuera hub-and-spoke:
Las marcas pueden beneficiarse de la identificación de los patrones que actualmente más se parecen, así como identificar el patrón que más se ajuste a sus objetivos de comunicación de la marca. A menudo, un braodcaster quiere tener más de la comunidad, o de una comunidad quiere ganar más visibilidad y "marca". El uso de métricas de red y mapas, es posible navegar entre estas estructuras de red.
Las redes son una poderosa manera de pensar acerca de los mercados y las conversaciones de los consumidores. Las nuevas herramientas están haciendo análisis de redes tan fácil como hacer un gráfico circular. El resultado es una expansión de la "conciencia de la red", como los tomadores de decisiones de negocios son cada vez más capaces de "pensar enlace" cuando se ven en los medios sociales y datos del mercado.
¿Interesado en ver qué red de medios sociales de su marca parece? Solicite un mapa de la red muestra gratuita y reporte de http://connectedaction.net.
Consumer Goods Technology
Por el Dr. Marc Smith, Director de la Fundación de Investigación Social Media
En las próximas Cumbre de Bienes de Consumo Ventas y Marketing, (# CGSM15) el Dr. Marc Smith, director de la Fundación de Investigación de Medios de Comunicación Social, hablará sobre las maneras análisis de redes sociales se puede aplicar para comprender mejor los medios de comunicación social. Él demostrará una herramienta libre y abierta, NodeXL, que amplía las funciones de la hoja de cálculo Excel familiarizado proporcionar un fácil de usar, potente análisis de la red de medios de comunicación social. He aquí una instantánea de lo que Smith revelará durante su muy esperada sesión:
La colección de conexiones creadas cuando la gente pío acerca de las marcas populares se puede analizar y visualizar para crear una especie de foto aérea de la multitud. Compárese, por ejemplo, estas dos imágenes de la multitud de personas que recientemente tweeted los términos "Huggies" o "Pampers":
Pampers
Huggies
Cada marca ha atraído a miles de personas y tweets, y formar patrones similares. Un gran grupo de personas están "aisladas" - que twittean acerca de la marca, pero no hablan con otros acerca de ello. Los aislados son como islas, que no dicen los nombres de otras personas y nadie menciona sus nombres. Estas personas son una indicación de la calidad de "marca" de un tema. Muchos temas no son marcas y tienen pocos o ningún usuario aislar, por el contrario.
En el centro de estas redes son formas grandes hub-and-spoke circulares, cada uno con una cuenta de la marca en el centro. Estos son anillos "transmisores" crean cuando una cuenta se retweetea por muchos otros. A veces, las cuentas de la marca crear contenido que consigue volver a retweeted - la creación de un segundo o incluso a veces un tercer anillo alrededor de la marca.
En algunas zonas de la gente de la red formar muchas conexiones entre sí, no sólo compartir un solo enlace a un concentrador común. Estos densos racimos de relaciones son indicadores de la "comunidad".
Algunos grupos son autónomos y tienen pocos vínculos con otros grupos, mientras que otros están estrechamente vinculados subregiones de otro grupo. Algunos usuarios raras enlazan a través de las divisiones entre grupos separados que juegan el papel de "puentes".
Las personas que ocupan lugares raros y estratégicos en estas redes (como hubs y puentes) pueden ser "influyente". Involucrar a estos usuarios más que a otros puede ofrecer mejores rendimientos de sus inversiones de medios sociales.
No todas las redes parecen mapas de grandes marcas. Algunos de los temas son más pequeños y carecen de la presencia de "aislados".
Una investigación reciente de Pew Research Proyecto Internet en colaboración con la Fundación de Medios de Comunicación Social La investigación ha documentado que hay seis formas básicas de red de medios de comunicación social: dividido, unificado, fragmentada, agrupado, y dentro y fuera hub-and-spoke:
Las marcas pueden beneficiarse de la identificación de los patrones que actualmente más se parecen, así como identificar el patrón que más se ajuste a sus objetivos de comunicación de la marca. A menudo, un braodcaster quiere tener más de la comunidad, o de una comunidad quiere ganar más visibilidad y "marca". El uso de métricas de red y mapas, es posible navegar entre estas estructuras de red.
Las redes son una poderosa manera de pensar acerca de los mercados y las conversaciones de los consumidores. Las nuevas herramientas están haciendo análisis de redes tan fácil como hacer un gráfico circular. El resultado es una expansión de la "conciencia de la red", como los tomadores de decisiones de negocios son cada vez más capaces de "pensar enlace" cuando se ven en los medios sociales y datos del mercado.
¿Interesado en ver qué red de medios sociales de su marca parece? Solicite un mapa de la red muestra gratuita y reporte de http://connectedaction.net.
Consumer Goods Technology
sábado, 11 de julio de 2015
Repositorios de datos de redes sociales
Repositorios de datos de redes sociales
http://moreno.ss.uci.edu/data.html
http://www.stats.ox.ac.uk/~snijders/siena/siena_datasets.htm
http://www.eelkeheemskerk.nl/networks/
http://konect.uni-koblenz.de/
http://snap.stanford.edu/data/
https://www.flickr.com/photos/25906481@N07/sets/72157604724106153/
http://www.pfeffer.at/data/cshiring
http://www.gdeltproject.org/
http://www.casos.cs.cmu.edu/tools/data.php
miércoles, 8 de julio de 2015
El cerebro tiene una estructura ideal para trabajar a máxima capacidad de difusión
La red del cerebro humano es casi ideal, dicen los científicos
Krioukov y sus colegas descubrieron que la estructura del cerebro humano tiene una red casi ideal de las conexiones (magenta), lo que permite una transmisión óptima de la información de una parte del cerebro a otra. Image: Krioukov
Boston, MA (Scicasts) - Un nuevo estudio realizado por el físico de Northeastern Dmitri Krioukov y sus colegas sugiere una respuesta: para acelerar la transferencia de información de una región del cerebro a otro, lo que nos permite operar a su máxima capacidad.
El documento, publicado en la edición de 03 de julio de Nature Communications, revela que la estructura del cerebro humano tiene una red de casi ideal de conexiones - los vínculos permiten información para viajar desde, por ejemplo, la corteza auditiva (responsable de la audición) a la corteza motora (responsable del movimiento) por lo que puede hacer de todo, desde levantar la mano en clase, en respuesta a una pregunta para bailar al ritmo de La 1975.
Los hallazgos representan más que una confirmación de nuestro progreso evolutivo. Ellos podrían tener implicaciones importantes para la localización de la causa de los trastornos neurológicos y, finalmente, el desarrollo de terapias para tratarlas.
"Una red óptima en el cerebro tendría el menor número de conexiones posibles, para minimizar el costo, y al mismo tiempo que tendría máxima navegabilidad - es decir, las vías más directas para el encaminamiento de señales de cualquier posible fuente a cualquier destino posible ", dice Krioukov. Es un equilibrio, explica, subir y bajar las manos para indicar una escala. El estudio presenta una nueva estrategia para encontrar las conexiones que permitan alcanzar ese equilibrio o, como él dice, "el punto dulce."
Krioukov, profesor asociado en el Departamento de Física, estudia las redes, desde las relacionadas con conjuntos de datos masivos de Internet a las que definen nuestro cerebro. En la nueva investigación, él y sus co-autores utiliza análisis estadísticos sofisticados basados en las contribuciones del premio Nobel John Nash a la teoría de juegos para la construcción de un mapa de una red cerebral idealizada - una que optimiza la transferencia de información. Luego compararon el mapa idealizado del cerebro a un mapa de la red real del cerebro y pidieron a la pregunta "¿Qué tan cerca están los dos?"
Sorprendentemente así. Ellos se sorprendieron al saber que el 89 por ciento de las conexiones en la red cerebral idealizada apareció en el net¬work cerebro real también. "Eso significa que el cerebro estaba evolutivamente diseñado para ser muy, muy cerca de lo que muestra nuestro algoritmo", dice Krioukov.
Bucks estrategia tradición de los científicos: Permite la función - en este caso, la navegabilidad - impulsar la estructura de la red idealizada, mostrando así que los vínculos son esenciales para la navegación óptima. La mayoría de los investigadores en el campo, dice Krioukov, construir modelos de la red real primero, y sólo entonces abordar la función, un enfoque que no destacar los vínculos más importantes.
La nueva estrategia también es transferible a una variedad de disciplinas. El estudio, cuyos coautores son de la Universidad de Budapest de Tecnología y Economía, asigna seis diversas redes navegables en total, entre ellos el de Internet, air¬ports estadounidenses, y las carreteras húngaras. La red de carreteras de Hungría, por ejemplo, dio a los viajeros el "lujo de ir en un viaje por carretera sin un mapa", escribieron los autores.
Las futuras aplicaciones de las disciplinas transversales de investigación, también. Saber lo que une en una red son los más críticos para la navegación te dice dónde enfocar las medidas de protección, si el sitio es los patrones de internet, carreteras, vías de tren, o de vuelo.
"Por el contrario, si usted es un buen tipo frente a una red terrorista, usted sabe lo que vincula a atacar primero", dice Krioukov. Un diseñador de sistemas podría localizar las conexiones faltantes necesarias para maximizar la navegabilidad de una red de ordenadores y añadirlos.
En el cerebro, los enlaces existentes en la red idealizada son probablemente las requeridas para la función normal del cerebro, dice Krioukov. Señala a un laberinto de magenta y turquesa enredos corriendo por una ilustración del cerebro en su papel y traza la ruta magenta, que está presente tanto en los cerebros ideales y reales.
"Así que sospechamos que son los candidatos principales para mirar si alguna enfermedad se desarrolla - para ver si son presa de edad o roto."
Mirando hacia el futuro, se especula que una vez que se identifican esos vínculos, nuevos fármacos o técnicas quirúrgicas podrían quizás ser desarrollados dirigirse a ellos y la reparación, o evitar el daño.
"Al final del día, lo que estamos tratando de hacer es arreglar la red enfermo para que pueda reanudar su función normal", dice Krioukov.
Publicación: Navigable networks as Nash equilibria of navigation games. Gulyás, A et al. Nature Communications (July 3,2015): Click here to view.
Krioukov y sus colegas descubrieron que la estructura del cerebro humano tiene una red casi ideal de las conexiones (magenta), lo que permite una transmisión óptima de la información de una parte del cerebro a otra. Image: Krioukov
Boston, MA (Scicasts) - Un nuevo estudio realizado por el físico de Northeastern Dmitri Krioukov y sus colegas sugiere una respuesta: para acelerar la transferencia de información de una región del cerebro a otro, lo que nos permite operar a su máxima capacidad.
El documento, publicado en la edición de 03 de julio de Nature Communications, revela que la estructura del cerebro humano tiene una red de casi ideal de conexiones - los vínculos permiten información para viajar desde, por ejemplo, la corteza auditiva (responsable de la audición) a la corteza motora (responsable del movimiento) por lo que puede hacer de todo, desde levantar la mano en clase, en respuesta a una pregunta para bailar al ritmo de La 1975.
Los hallazgos representan más que una confirmación de nuestro progreso evolutivo. Ellos podrían tener implicaciones importantes para la localización de la causa de los trastornos neurológicos y, finalmente, el desarrollo de terapias para tratarlas.
"Una red óptima en el cerebro tendría el menor número de conexiones posibles, para minimizar el costo, y al mismo tiempo que tendría máxima navegabilidad - es decir, las vías más directas para el encaminamiento de señales de cualquier posible fuente a cualquier destino posible ", dice Krioukov. Es un equilibrio, explica, subir y bajar las manos para indicar una escala. El estudio presenta una nueva estrategia para encontrar las conexiones que permitan alcanzar ese equilibrio o, como él dice, "el punto dulce."
Krioukov, profesor asociado en el Departamento de Física, estudia las redes, desde las relacionadas con conjuntos de datos masivos de Internet a las que definen nuestro cerebro. En la nueva investigación, él y sus co-autores utiliza análisis estadísticos sofisticados basados en las contribuciones del premio Nobel John Nash a la teoría de juegos para la construcción de un mapa de una red cerebral idealizada - una que optimiza la transferencia de información. Luego compararon el mapa idealizado del cerebro a un mapa de la red real del cerebro y pidieron a la pregunta "¿Qué tan cerca están los dos?"
Sorprendentemente así. Ellos se sorprendieron al saber que el 89 por ciento de las conexiones en la red cerebral idealizada apareció en el net¬work cerebro real también. "Eso significa que el cerebro estaba evolutivamente diseñado para ser muy, muy cerca de lo que muestra nuestro algoritmo", dice Krioukov.
Bucks estrategia tradición de los científicos: Permite la función - en este caso, la navegabilidad - impulsar la estructura de la red idealizada, mostrando así que los vínculos son esenciales para la navegación óptima. La mayoría de los investigadores en el campo, dice Krioukov, construir modelos de la red real primero, y sólo entonces abordar la función, un enfoque que no destacar los vínculos más importantes.
La nueva estrategia también es transferible a una variedad de disciplinas. El estudio, cuyos coautores son de la Universidad de Budapest de Tecnología y Economía, asigna seis diversas redes navegables en total, entre ellos el de Internet, air¬ports estadounidenses, y las carreteras húngaras. La red de carreteras de Hungría, por ejemplo, dio a los viajeros el "lujo de ir en un viaje por carretera sin un mapa", escribieron los autores.
Las futuras aplicaciones de las disciplinas transversales de investigación, también. Saber lo que une en una red son los más críticos para la navegación te dice dónde enfocar las medidas de protección, si el sitio es los patrones de internet, carreteras, vías de tren, o de vuelo.
"Por el contrario, si usted es un buen tipo frente a una red terrorista, usted sabe lo que vincula a atacar primero", dice Krioukov. Un diseñador de sistemas podría localizar las conexiones faltantes necesarias para maximizar la navegabilidad de una red de ordenadores y añadirlos.
En el cerebro, los enlaces existentes en la red idealizada son probablemente las requeridas para la función normal del cerebro, dice Krioukov. Señala a un laberinto de magenta y turquesa enredos corriendo por una ilustración del cerebro en su papel y traza la ruta magenta, que está presente tanto en los cerebros ideales y reales.
"Así que sospechamos que son los candidatos principales para mirar si alguna enfermedad se desarrolla - para ver si son presa de edad o roto."
Mirando hacia el futuro, se especula que una vez que se identifican esos vínculos, nuevos fármacos o técnicas quirúrgicas podrían quizás ser desarrollados dirigirse a ellos y la reparación, o evitar el daño.
"Al final del día, lo que estamos tratando de hacer es arreglar la red enfermo para que pueda reanudar su función normal", dice Krioukov.
Publicación: Navigable networks as Nash equilibria of navigation games. Gulyás, A et al. Nature Communications (July 3,2015): Click here to view.
Suscribirse a:
Entradas (Atom)