Análisis de redes sociales
Ir a la navegaciónIr a la búsqueda
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 del comportamiento, 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.1
Índice
1
Historia
2
Métodos de análisis
3
Métricas y propiedades
4
Proceso de análisis
4.1
Identificación de datos
4.2
Recolección de datos
4.3
Análisis de datos
4.4
Visualización de datos
4.5
Interpretación de la información
5
Herramientas de análisis
6
Aplicaciones
6.1
Análisis de medios digitales
6.2
Inteligencia de negocios
7
Véase también
8
Referencias
9
Bibliografía
Historia
{{{Alt
J. L. Moreno, creador junto a Jennings de los sociogramas.
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.23 Los sociogramas, grafos utilizados para estudiar la dinámica de
grupos, dieron origen a la sociometría.1 A fines de los años 1940 e inicios de los
años 1950, junto con los primeros estudios formales de cliques o camarillas en
sociomatrices45 y de centralidad en sociogramas,678 se introdujo además la teoría
de grafos (creada por Leonhard Euler en 1736) como herramienta clave para el
estudio de las estructuras sociales relacionales.9 Poco después, a partir de la
sociometría y de la psicología de grupos pequeños desarrollada en los años 1950,
surgió la psicología social,10 de forma paralela a la publicación de un artículo
científico escrito por el antropólogo social John Arundel Barnes en 1954,11 a
partir del cual se comenzó a utilizar sistemáticamente el término «red social».1 En
1963 y 1969, a la notación de las sociomatrices y los grafos se sumó la notación
algebraica,1213 para el estudio de relaciones múltiples y compuestas en redes
sociales unimodales.9 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.10
El análisis de redes sociales se fue gestando de este modo como disciplina
interdisciplinaria desde mediados del siglo XX, a partir de la convergencia de la
teoría social, la investigación empírica, las matemáticas, la estadística y la
informática.1 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 1990.10 El desarrollo de las tecnologías de la información y la
comunicación a fines del siglo XX 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.10 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.1 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.1
Esta disciplina considera dos tipos de variables:14
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.14
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.1
Métricas y propiedades
Algunas de las métricas y propiedades utilizados en el análisis de redes sociales
son la densidad de la red,15 el alcance,16 o la conectividad, agrupabilidad y
multiplicidad,17 centralidad de los actores y centralización de la red,1 equilibrio
estructural,1819 reciprocidad o mutualidad (en díadas o pares de actores), y
transitividad (en tríadas de actores).2021
Proceso de análisis
Usualmente se sugiere para el análisis de redes sociales un proceso iterativo de
seis pasos:22
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.14 Existen diversos aspectos a considerar para la identificación de
datos:14
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.23
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.
Origen: el contenido de las redes sociales se está generando en una variedad de
lugares tales como sitios de noticias, sitios de redes sociales (por ejemplo,
Facebook, Twitter). Dependiendo del tipo de proyecto para el que se recopilan los
datos, el lugar se vuelve muy significativo.
Tiempo: es importante recoger los datos se publican en el marco de tiempo que está
siendo analizado.
Propiedad: ¿Es la información privada o públicamente disponible? ¿Existe derecho de
autor sobre los datos? Estas son las preguntas que deben ser abordadas antes de la
recogida de datos.
Recolección de datos
Para determinar la población a partir de la cual se seleccionarán los actores de la
red, se puede distinguir entre dos enfoques:2414
Enfoque realista, que limita la población a aquellos actores que se reconocen como
parte de esta. Por ejemplo, los miembros de una pandilla, o los socios inscritos de
un sindicato.
Enfoque nominalista, basado en restricciones que dependen del interés teórico del
investigador. Por ejemplo, los actores más relevantes de una organización,
recogidos a partir de entrevistas realizadas a todos los miembros de esta.
Para la selección de la muestra y proceso de recolección o extracción de datos, se
pueden utilizar la mayoría de procedimientos estándares de las ciencias sociales:
encuestas y cuestionarios, entrevistas, observaciones (comunes en trabajo de
campo), registros de archivo (muy usados en estudios longitudinales), experimentos,
etc. Sin embargo, existen algunas técnicas específicas para la recolección de datos
relacionales, como por ejemplo las estructuras sociales cognitivas o los estudios
experimentales. Si los límites de la población no están tan claros, se pueden
utilizar técnicas de muestreo tales como el muestreo de bola de nieve (para redes
egocéntricas), el enrutamiento de mundo pequeño o las redes aleatorias.
Adicionalmente, a partir de la recolección de datos a lo largo del tiempo, también
se pueden recolectar datos longitudinales para el análisis de redes temporales.
Para esto último se puede utilizar igualmente cualquiera de los métodos descritos
anteriormente.14
En este paso es necesario diferenciar entre la estructura observada y la estructura
verdadera de la red. Como en todo proceso de recolección de datos, se debe poner
atención a la precisión y validez de los instrumentos de medición, así como a los
posibles errores de medición y fiabilidad de los datos. Debido a la alta
variabilidad de muchas redes sociales en el tiempo, algunos métodos para evaluar la
fiabilidad, como el test-retest, pueden no ser recomendables.14
Análisis de datos
El análisis de datos es el conjunto de actividades que ayudan a transformar los
datos en bruto en conocimiento y valor de negocio. En otras palabras, el análisis
de datos es la fase que toma los datos filtrados como entrada y los transforma en
información para los analistas. Muchos tipos diferentes de análisis se pueden
realizar con los datos de los medios sociales. El paso de análisis de datos
comienza una vez que sabemos cuál es el problema que queremos resolver y saber que
tenemos la suficiente cantidad de datos para generar un resultado significativo.
El desarrollo de un modelo de datos es un proceso o método que utilizamos para
organizar los elementos de datos y normalizar el uso de los elementos de datos
individuales que se relacionan entre sí. Este paso es importante porque queremos
ejecutar un programa de ordenador sobre los datos; necesitamos una manera de
decirle a la computadora qué palabras o temas son importantes y si ciertas palabras
se relacionan con el tema que estamos explorando.25
Algunas herramientas pueden hacer un buen trabajo para determinar sentimientos,
mientras otras pueden hacer un mejor trabajo en descomponer el texto en una forma
gramatical, lo que permite entender mejor el significado y uso de distintas
palabras o frases. En el análisis de nuestros datos, es útil tener varias
herramientas disponibles a nuestro alcance para obtener una perspectiva diferente
sobre los debates que tienen lugar en torno al tema. El objetivo aquí es configurar
las herramientas para enfocar en una tarea en particular. Es un enfoque iterativo,
ya que no hay forma establecida de hacer las cosas.
La taxonomía y el perspectivas derivados de dicho análisis son los siguientes:
Profundidad de análisis: Simple estadística descriptiva basada en la transmisión de
datos, análisis ad hoc sobre datos acumulados o análisis profundo realizado sobre
los datos acumulados. Esta dimensión de análisis es realmente impulsada por la
cantidad de tiempo disponible para llegar a los resultados de un proyecto. Esto
puede ser considerado como un amplio continuo, donde el análisis de los rangos de
tiempo de pocas horas en uno de los extremos de varios meses en el otro extremo.
Este análisis puede responder al siguiente tipo de preguntas:
¿Cuántas personas mencionan Wikipedia en sus tuits?
¿Qué político tuvo el mayor número de "me gusta" durante el debate?
¿Qué competidor recopila la mayoría de las menciones en los medios sociales?
Capacidad de cálculo: La cantidad de CPU necesario para procesar el conjunto de
datos en un período de tiempo razonable. La capacidad de los números necesidad de
abordar no sólo la CPU necesidades, sino también la capacidad de la red necesarias
para recuperar los datos. Este análisis puede ser realizado en tiempo real, en
tiempo casi real, ad hoc de la exploración y el análisis profundo.
Dominio de análisis: El dominio del análisis es clasificar ampliamente en medios
sociales externos e internos de medios de comunicación social. La mayoría de las
veces cuando la gente utiliza el término medios sociales refiere a sitios como
Twitter, Facebook y LinkedIn. También podría tratarse de una red corporativa, que
es una red social privada se utiliza para facilitar la comunicación dentro de la
empresa.26
Velocidad de los datos: La velocidad de datos en los medios sociales se pueden
dividir en dos categorías: los datos en reposo y los datos en movimiento. Los datos
en movimiento pueden responder a preguntas tales como: ¿Cómo es que los
sentimientos del público sobre los jugadores cambian durante el transcurso del
partido?, ¿la multitud tranmite un sentimiento positivo sobre el jugador que está
perdiendo el juego?. En este análisis, la cantidad de detalle que se produce está
directamente relacionado con la complejidad de la herramienta analítica o sistema.
El segundo tipo de análisis es un análisis de los datos en reposo. En este caso, el
análisis se realiza una vez que los datos son totalmente recogidos. Este análisis
puede proporcionar información tal como: ¿qué productos de su empresa tienen la
mayoría de las menciones?, ¿Cuál es la relación de sentimiento en torno a sus
productos en comparación con productos de un competidor?
Visualización de datos
Visualización de una red social como grafo, donde se utiliza el tamaño y el color
de los vértices, así como el grosor de las aristas, para describir propiedades
estructurales de la red.
La manera más usual de visualizar redes sociales es por medio de grafos, siendo
frecuentes tanto las representaciones espaciales bidimensionales como las
tridimensionales. Los sociogramas también se siguen utilizando ampliamente. Sin
embargo, a partir de la teoría de grafos, otros tipos de representaciones, como las
matriciales (matrices de adyacencia, de incidencia, laplacianas, entre otras)
también son frecuentes.1
Interpretación de la información
En la medida en que usuarios no técnicos serán los receptores de la información, la
forma de presentación de los datos se convierte en algo importante. ¿Cómo podrían
los datos dar sentido de manera eficiente para que pudieran ser utilizados en la
toma de decisiones buena? La visualización de gráficos de la información es la
respuesta a esta pregunta.27
Los mejores visualizaciones son las que exponen algo nuevo sobre los patrones y
relaciones que contienen los datos. La exposición de los patrones y la comprensión
de ellos juegan un papel clave en el proceso de toma de decisiones. Principalmente
existen tres criterios a considerar en la visualización de los datos.
Siguientes son algunos de los gráficos que se utilizan para la visualización de la
información:
Gráfico circular: gráficos circulares son los más utilizados para ilustrar la
descomposición de una sola dimensión, como se relaciona con el todo. Por ejemplo,
para representar el número de puestos de digamos 10 usuarios en 24 horas.
Gráfico de barras: los gráficos de barras son útiles para comparar grupos de datos.
Gráfico de líneas: los gráficos de líneas funcionan mejor para los datos continuos,
los datos de los cambios a través del tiempo.
Gráfico de dispersión: diagramas de dispersión pueden ser utilizado para
representar una tendencia o la dirección de los datos.
Herramientas de análisis
Interfaz de Gephi con la visualización de una red social.
Los principales software de análisis de redes sociales desarrollados entre fines de
los años 1980 e inicios de los años 1990 son los siguientes:28
Nombre
Año
País de desarrollo
GRADAP 1989
Bandera de los Países Bajos Países Bajos
KrackPlot
1993
Bandera de Estados Unidos Estados Unidos
NEGOPY y FATCAT 1989
Bandera de Canadá Canadá
SNAPS
1989
Bandera de Estados Unidos Estados Unidos
STRUCTURE
1989
Bandera de Estados Unidos Estados Unidos
UCINET 1991
Bandera de Estados Unidos Estados Unidos
De todas ellas, KrackPlot y FATCAT son las únicas que no utilizan matrices para sus
análisis, mientras que GRADAP es la única que utiliza explícitamente herramientas
de la teoría de grafos.29 Pese a la lista anterior, las principales aplicaciones
comenzaron a desarrollarse especialmente desde fines de los años 1990 e inicios de
los años 2000. Su objetivo es analizar y visualizar redes sociales utilizando
grandes cantidades de datos. Entre las aplicaciones más reconocidas hacia inicios
de los años 2000 se encontraban UCInet-NetDraw, Pajek, Visone, Gephi, entre
otras.10
Aplicaciones
Análisis de medios digitales
El análisis de medios digitales es un área interdisciplinaria que se utiliza en
ciencias sociales y ciencias de la computación de manera intercambiable. Provee una
huella humana de seguimiento para el científico social que podría utilizarse en una
amplia gama de disciplinas tales como la sociología, la ciencia política y la
geografía. Las redes sociales brindan dos contextos amplios desde la perspectiva de
los científicos sociales: proporciona una amplia gama de datos en disciplinas ya
bien establecidas, y, a veces, pueden ser un insumo fundamental para validar o
rechazar supuestos subyacentes a la teoría social. Los científicos políticos pueden
seguir el desarrollo de la protesta política en línea30 y el intercambio de
información entre comunidades de diferentes idiomas.31 Mientras tanto, es muy
difícil conectar la comprensión científica de lo social a los datos de los medios
sociales. Por ejemplo, el concepto convencional de amistad casi no se aplica al
concepto de amistad de las redes sociales.32
El análisis de redes sociales es una práctica cada vez más habitual en la
industria. Es utilizada en diferentes enfoques sobre las decisiones de negocio,
marketing, servicio al cliente, gestión de la reputación, ventas y otros.33 Hay una
variedad de herramientas que ofrecen análisis de medios sociales. La lógica detrás
de los algoritmos que están diseñados para estas herramientas es la selección, el
procesamiento previo de datos, la transformación, la minería y la evaluación de
patrones ocultos.
Análisis de redes sociales es el arte y la ciencia de la extracción de valiosos
conocimientos ocultos de grandes cantidades de datos semi-estructurados y no
estructurados de los medios sociales para habilitar la toma de decisiones
informadas y acertadas. Es una ciencia, ya que implica una forma sistemática de
identificar, extraer y analizar datos de los medios sociales (tales como tuit,
acciones, gustos, e hipervínculos), así como el uso de herramientas y técnicas
sofisticadas. Es también un arte, la interpretación y la alineación de los
conocimientos adquiridos con objetivos de negocio. Para obtener el valor de los
datos, uno debe dominar tanto su arte como su ciencia.22
Dependiendo de los objetivos de negocio, se pueden adoptar cuatro formas
diferentes, a saber: análisis descriptivo, análisis de diagnóstico, análisis
predictivo y análisis prescriptivo.34
Inteligencia de negocios
La inteligencia de negocios puede ser descrita como "un conjunto de técnicas y
herramientas para la adquisición y transformación de los datos en bruto en
información práctica y útil para el análisis de negocio".35
Casos de Uso
Conocimiento
Técnicas
Métricas De Rendimiento
Segmentación de Audiencia
A qué segmentos apuntar para adquisición,
crecimiento o retención?
¿Quiénes son los defensores o influencers para la marca o producto?
Análisis de red social
Partidarios
Defensores activos
Descubrimiento de
Información
¿Cuáles son los nuevos
negocios emergentes?
¿Están emergiendo nuevas comunidades de influencia?
Procesamiento de lenguaje natural
Procesamiento de eventos complejos
Tendencias del tema
Relación de sentimiento
Exposición e Impacto
¿Cuáles son las percepciones de la marca? ¿Cómo se comparar
con los competidores?
¿Qué medios sociales están siendo utilizados
para la discusión?
Análisis de red social
Procesamiento de Lenguaje Natural
Alcance de la conversación
Participación de la audiencia
Inferencias de
Comportamiento
¿Cuál es la relación entre temas relevantes y problemas?
¿Cuáles son las causas para la intención de compra?
Procesamiento de Lenguaje Natural
Agrupación de datos
Minería de datos
Intereses o
preferencias
Correlación de temas
Matrices de afinidad
Véase también
Red social
Software de análisis de redes sociales
Gestión del conocimiento
Dinámica de grupos
Ciencia de datos
Análisis de datos
Minería de datos
Referencias
Wasserman y Faust, 2013, «El análisis de redes sociales en las ciencias sociales y
del comportamiento», pp. 35-58.
Moreno, J. L. (1934). Who Shall Survive?: Foundations of Sociometry, Group
Psychotherapy and Sociodrama. Washington, D.C.: Nervous and Mental Disease
Publishing Co.
Moreno, J. L.; Jennings, H. H. (1938). «Statistics of Social Configurations».
Sociometry 1: 342-374.
Festinger, L. (1949). «The Analysis of Sociograms Using Matrix Algebra». Human
Relations 2: 153-158.
Chabot, J. (1950). «A Simplified Example of the Use of Matrix Multiplication for
the Analysis of Sociometric Data». Sociometry 13: 131-140.
Bavelas, A. (1948). «A Mathematical Model for Group Structure». Human
Organizations 7: 16-30.
Bavelas, A. (1950). «Communication Patterns in Task-Oriented Groups». Journal of
the Acoustical Society of America 22: 271-282.
Leavitt, H. J. (1951). «Some Effects of Communication Patterns on Group
Performance». Journal of Abnormal and Social Psychology 46: 38-50.
Wasserman y Faust, 2013, «Notaciones para los datos de redes sociales», pp.
99-120.
Wasserman y Faust, 2013, «Introducción», pp. 21-28. Por José Luis Molina.
Barnes, J. A. (1954). «Class and Committees in a Norwegian Island Parish». Human
Relations 7: 39-58.
White, H. C. (1963). An Anatomy of Kinship. Englewood Cliffs, NJ: Prentice-Hall.
Boyd, J. P. (1969). «The Algebra of Group Kinship». Journal of Mathematical
Psychology 6: 139-167.
Wasserman y Faust, 2013, «Datos de redes sociales: recogida y aplicaciones», pp.
59-96.
Bott, E. (1990) [1957]. Familia y red social: roles, normas y relaciones externas
en las familias urbanas corrientes [Family and Social Network]. Madrid: Taurus.
Thurman, B. (1980). «In the Office: Networks and Coalitions». Social Networks 2:
47-63.
Kapferer, B. (1969). «Norms and the Manipulation of Relationships in a Work
Context». En Mitchell, J. C., ed. Social Networks in Urban Settings. Mánchester:
Manchester University Press.
Heider, F. (1946). «Attitudes and Cognitive Organization». Journal of Psychology
21: 107-112.
Newcomb, T. M. (1953). «An Approach to the Study of Communicative Acts».
Psychological Review 60: 393-404.
Bronfenbrenner, U. (1943). «A Constant Frame of Reference for Sociometric
Research». Sociometry 6: 363-397.
Moreno, J. L.; Jennings, H. H. (1945). «Sociometric Measurement of Social
Configurations, Based on Deviations from Chance». Sociometric Monographs (Beacon,
NY: Beacon House) 3.
Khan G. F., 2015, seven layers of social media analytics: Mining business insights
from social media text, actions, networks, hyperlinks, apps, search engine, and
location data, CreateSpace Independent Publishing Platform.
«What is structured data? - Definition from WhatIs.com». WhatIs.com (en inglés
estadounidense). Consultado el 6 de diciembre de 2016.
Laumann, E. O.; Marsden, P. V.; Prensky, D. (1989). «The Boundary Specification
Problem in Network Analysis». En Freeman, L. C.; White, D. R.; Romney, A. K., eds.
Research Methods in Social Network Analysis. Fairfax, VA: George Mason University
Press.
Numeric Computation and Statistical Data Analysis on the Java Platform. Springer.
2016. ISBN 978-3-319-28531-3.
«Enterprise Social Networks Explained» (en inglés estadounidense). 24 de mayo de
2012. Consultado el 5 de noviembre de 2016.
«Why data visualization matters». 15 de febrero de 2012. Consultado el 11 de
diciembre de 2016.
Wasserman y Faust, 2013, «Apéndice A. Programas informáticos», pp. 748-749.
Wasserman y Faust, 2013, «Grafos y matrices» (por Dawn Iacobucci), pp. 121-188.
SEGERBERG, ALEXANDRA; BENNETT, W. LANCE (2011). «Social Media and the Organization
of Collective Action: Using Twitter to Explore the Ecologies of Two Climate Change
Protests». The Communication Review 14: 197-215. Archivado desde el original el 28
de marzo de 2016. Consultado el 6 de octubre de 2019.
Bruns, Axel; Burgess, Jean; Highfield, Tim (2013). «The Arab Spring and Social
Media Audiences: English and Arabic Twitter Users and Their Networks».
www.sagepub.com. Queensland University of Technology, Brisbane, Australia.
Consultado el 1 de noviembre de 2016.
Tinati, Ramine; Phillippe, Olivier; Pope, Catherine; Carr, Leslie; Halford, Susan
(2011). «Challenging Social Media Analytics: Web Science Perspectives». ACM: 3-4.
Search Business Analytics, Tech Target. «Social Media Analytics». techtarget.com.
Consultado el 25 de febrero de 2015.
4 types of social media analytics:
https://www.sociallistening.co.nz/single-post/4-types-of-social-media-analytics
Archivado el 6 de abril de 2018 en Wayback Machine.
Adkison, D. (2013). IBM Cognos business intelligence : Discover the practical
approach to BI with IBM Cognos business intelligence. Birmingham England: Packt
Publishing/Enterprise. http://site.ebrary.com/id/10701568
