Mitäpä jos tarkastelisit yhteisösi muodostamaa verkostoa sosiaalisen verkostoanalyysin keinoin?

Sosiaalinen verkostoanalyysi on joukko menetelmiä sosiaalisten verkostojen analysointiin. Sen juuret ovat sosiologiassa ja matematiikassa (graafiteoria), mutta nykyisin menetelmää hyödynnetään monessa muussakin yhteydessä ja monilla tieteenaloilla.

Erilaisten sosiaalisten verkostopalveluiden lisääntyminen on tehnyt verkostoista entistä ajankohtaisemman ja voimakkaamman metaforan. Sosiaalinen verkostoanalyysi (SNA) sekoitetaankin usein juuri sosiaalisiin verkostopalveluihin, kuten Facebook tai LinkedIn. Sosiaaliset verkostopalvelut mahdollistavat sen, että voimme kutsua itsellemme kontakteja ja tehdä oman sosiaalisen egoverkostomme näkyväksi.

Sosiaalinen verkostoanalyysi sen sijaan on analyyttinen työkalu, jota voidaan käyttää sosiaalisten verkostojen kartoittamisessa ja mittaamisessa esimerkiksi tutkijoiden ja yhteisömanagereiden toimesta.

Sosiaalisen verkoston määritelmä on hyvin yksinkertainen. Sosiaalinen verkosto koostuu toimijoista, joita yhdistää jonkinlainen suhde. Sosiaalisessa verkostoanalyysissä analyysin kohteena voi yksinkertaisimmillaan olla kaksi toimijaa ja yhteys näiden välillä. Toimijat voivat olla yksilöitä, ryhmiä, organisaatioita tai myös elottomia, kuten tietokoneita. Myös suhteet toimijoiden välillä voivat olla hyvin moninaisia: esimerkiksi ammatillisia suhteita, Facebook-ystävyyssuhteita, blogisivustojen välisiä linkityksiä tai Twitterin seuraaja (follower) –suhteita.

Sosiaalista verkostoanalyysiä ei ole sidottu mihinkään tiettyyn ihmisten ja yhteiskunnan toimintaa selittävään teoreettiseen viitekehykseen. Sitä voitaisiinkin jopa pitää eräänlaisena kuvailevana teknologiana. Sosiaalinen verkostoanalyysi koostuu verkostodiagrammeista, verkostomatriiseista ja matemaattisista tunnusluvuista, joiden avulla voidaan kuvata yhtäältä verkoston rakennetta ja toisaalta toimijoiden asemaa verkostorakenteessa. Keskeinen ero sosiaalisen verkostoanalyysin ja esimerkiksi ns. perinteisen tilastoanalyysin välillä on se, että verkostoanalyysi keskittyy toimijoiden välisten suhteiden analyysiin sen sijaan, että fokus olisi toimijoiden ominaisuuksissa, esim. iässä, koulutuksessa jne.

Mitä hyötyä verkostoanalyytiikasta on?

Sosiaalinen verkostoanalyysin etuna on, että se mahdollistaa suurenkin suhdeaineiston systemaattisen analysoinnin. Jos samaa yritettäisiin manuaalisesti, olisi se vaikeaa, työlästä ja sattumanvaraista. Verkostoanalyysilla on lähes rajattomasti sovelluskohteita ja aineistoja. Kolmanneksi, verkostoanalyysin vahvuus on sen visuaalisuus. Tuloksista saadaan helposti monenlaisia verkostokuvia. Sosiaaliset rakenteet ovat usein kovin näkymättömiä, kun taas verkostokuvat esittävät rakenteet hyvin konkreettisesti. Asioiden perusteleminen päätöksentekijöille helpottuu. Verkostoanalyysin avulla laajoista verkostoista pystytään erottamaan verkoston tiivistymät, eli sellaiset osat, joissa suhteita on eniten. Nämä osat verkostoista ovat usein vaikutusvaltaisimpia. Samoin voidaan tunnistaa verkoston vaikutusvaltaisimmat yksittäiset toimijat.

Ajankohtaiseksi esimerkiksi sopii Cmadfi -tapahtuma. Analysoimme (tutkijajoukolla Jari Jussila, Jukka Huhtamäki,  Hannu Kärkkäinen, Kaisa Still ja Kaisa Henttonen) Cmadfi 2013:n Twitter-vuorovaikutusaineistoa Hiccs 2014 –konferessipaperiimme. Tunnistimme muun muassa keskeisimmät Cmadfi 2013 -mielipidevaikuttajat ennen, tapahtuman aikana ja sen jälkeen. Lisäksi saimme selville kiinnostavimmat keskusteluteemat. Cmadfi-yhteisön toimintaa ajatellen mielipidevaikuttajat olisi tärkeää sitouttaa tapahtumaan, koska heitä seurataan. Lisäksi kiinnostavimmat keskusteluteemat kannattaa jatkossakin pitää tilaisuuden agendalla.

Kuinka vastaavanlainen informaatio voisi auttaa sinua oman yhteisösi fasilitoinnissa?

Verkostoanalyysin suurimmat ongelmat ovat aiemmin olleet lähinnä aineiston rajaamisessa sekä sen keräämisessä. Kyselyiden suunnitteluun, verkostojen tunnistamiseen, kyselyiden täyttämiseen ja aineiston syöttämiseen saattoi mennä useita kuukausia. Nykyisin suhdeaineistoa on paljon saatavilla: verkkosivujen linkkejä toisiin sivuihin, Facebook-verkostoja, Twitter-seuraajien verkostoja jne. Tällainen data toki asettaa aineiston analyysille uudenlaisia vaatimuksia. Data on luonteeltaan nopeasti muuttuvaa ja analyysin pitää vastata tähän muutokseen, sillä muuten ei pystytä tuottamaan luotettavaa informaatiota päätöksenteon tueksi.

Toki edelleen on suhteita, jotka eivät paljoakaan muutu, esimerkiksi ystävyyssuhteet. Tällainen aineisto ei vanhene nopeasti. Sen sijaan Twitterissä käsitellyt aiheet, seuraajat tai Wikipedian editointiin liittyvät suhteet voivat muuttua hyvinkin dramaattisesti tunti tunnilta.

Verkostotutkijat ovat vasta alkaneet kehittää metodeja, joilla voitaisiin analysoida ja ymmärtää tällaista uudenlaista, epästabiilimpaa käyttäytymistä. Mitä kaikkea voimmekaan vielä oppia!

- Kaisa Henttonen