
L’analisi delle reti sociali esiste da secoli, ma il suo utilizzo nell’ambito del marketing è ancora scarso. Eppure il suo potenziale è incredibile, a maggior ragione da quando si parla di Big Data e, soprattutto, di API. Una breve guida per capire cos’è, esempio incluso.
Tanto per cominciare, non riguarda Facebook, Twitter, LinkedIn e tutti gli altri. O meglio, non solo: la Social Network Analysis ha a che fare con il significato che attribuiamo comunemente al termine “social network” tanto quanto ha a che fare con qualsiasi gruppo di individui connessi tra loro da un qualsiasi legame, anche offline. Pensiamo ai rapporti di lavoro, ai vincoli familiari, al fatto di fare parte di un club, o di avere la tessera dell’Esselunga. E poi sì, anche il fatto di essere amici su Facebook, ma ci arriviamo.
Per capirci meglio possiamo tradurre SNA in italiano: è l’analisi delle reti sociali, anche detta “teoria della rete sociale”, ovvero una metodologia di studio delle relazioni che trova applicazione in diverse scienze: la sociologia, la psicologia, l’economia, l’antropologia, ma anche la genetica e la computer science – ambiti dove il termine “social” è inteso in senso lato, non più con diretto riferimento alle relazioni tra esseri umani, bensì più genericamente alle relazioni tra individui, enti, attori di una relazione.
Cos’è allora una rete sociale? È esattamente ciò che dice il nome e ciò che potete immaginare intuitivamente: un insieme fatto di punti e di linee che collegano i punti. Tipo così:
Nell’analisi delle reti sociali, di solito i punti vengono chiamati “nodi” e le linee “ponti” o “archi”. Sono nodi proprio come quelli di una rete, di una maglia. Sono ponti proprio come quelli di mattoni che collegano due punti della città altrimenti irraggiungibili.
C’è un sacco di storia dietro ed è parecchio interessante: se vuoi leggerla, trovi qui un ottimo punto di partenza. Se invece non vedi l’ora di capire cosa c’entrano i big data e il marketing, continuiamo.
Cosa c’entra il marketing, innanzitutto
L’analisi delle reti sociali studia le relazioni all’interno di un gruppo. Possiamo farci un po’ di domande in merito: quali sono gli individui che sono amici tra di loro nel gruppo? Chi è l’individuo che ha più amici di tutti? Chi sono gli amici in comune tra due individui che altrimenti non si conoscerebbero affatto?
Adesso complichiamola un po’ e supponiamo che i legami all’interno del gruppo non siano simmetrici (io sono tuo amico, e la cosa è reciproca) ma asimmetrici (io sono un tuo seguace, ma magari tu no). Possiamo allora farci altre domande: chi è l’individuo nel gruppo che ha più seguaci? E chi sono gli individui che seguono tanti altri individui, ma sono poco seguiti a loro volta? Complichiamola ancora un poco di più: possiamo identificare nel gruppo dei sottogruppi, cioè gruppi di individui che hanno molte connessioni tra loro e magari poche con altri membri del mega-gruppo. E questi sottogruppi, quali individui hanno in comune?
Qualche idea su cosa c’entri il marketing a questo punto ve la sarete già fatta. L’analisi delle reti sociali permette di comprendere i collegamenti in un insieme di persone, i loro legami e l’intensità di questi legami; identificare le persone più influenti in un gruppo (gli influencer, bravi), scoprire quali persone sono l’aggancio necessario per mettere in contatto due individui o due gruppi di individui che altrimenti non comunicherebbero tra loro. A un livello più alto, l’analisi delle rete sociali mi mostra com’è fatto un network: posso chiedermi se le relazioni sono biunivoche e perlopiù omogenee, oppure se il mio gruppo è formato da sottogruppi, nicchie, community. Posso comprendere quanto si parlano queste community tra loro e quali sono i membri delle community che costituiscono un ponte, un passaggio utile e strategico che permette di raggiungere un’altra community.
Bottom-line: l’analisi delle reti sociali può essere usata in ottica strategica per migliorare la comprensione di un gruppo di riferimento, scovare influencer, community e ponti (e poi tante altre cose, con calma).
Cosa c’entrano i big data, poi
Prima di tutto: non c’entrano per forza in una spiegazione della Social Network Analysis, così come non c’entra per forza Twitter, per dire. Ma l’ovvio legame tra una quantità enorme di dati e le piattaforme online dove i network prendono forma sta spingendo sempre più a considerare l’analisi delle reti sociali come una nuova, importante e tutt’ora poco esplorata branca di indagine, utilissima in una strategia di marketing dall’approccio più scientifico. Se vi ricordate cosa sono le API e cosa sono i big data, avete capito dove stiamo andando a parare: i social network ci danno un accesso, più o meno semplice, ai loro magazzini di informazioni, che possiamo usare per ricostruire come il network è fatto, quali sono i legami che intercorrono tra i suoi membri e quindi implementare queste informazioni nelle nostre strategie di marketing.
Attenzione: la disponibilità dei dati da parte dei social network non è così immediata e poi c’è un discorsetto da fare su dove metterli, quei dati, e come organizzarli. Lo lasciamo ai data scientist. Ai MARKETERs invece toccherebbe fare le domande giuste, e ancora prima sapere quali domande possono farsi. Per esempio?
Per esempio: la community detection
Una community è un gruppo di nodi densamente connessi tra loro. Immaginate di voler analizzare un gruppo come “tutti gli utenti di Twitter”: si tratta di un insieme un po’ troppo vasto e variegato per pensare di ricavarci un’indagine significativa. Più interessante potrebbe essere analizzare quel sottogruppo di tutti gli utenti di Twitter legati dal twittare frequentemente in relazione ad un determinato hashtag (un esempio non totalmente a caso). Zac, ecco una possibile community.
La community detection è allora l’indagine che permette di individuare le community dentro ad un network e analizzarle: quanto stretti sono i legami tra i suoi membri, chi sono gli influencer, come circolano le informazioni all’interno e attraverso quali nodi far passare i messaggi dall’esterno. In definitiva: di che si parla lì dentro, chi parla più di tutti e in che modo posso parlarci anche io.
Per fare le cose seriamente servono dati e competenze. Un piccolo esperimento però lo si può fare anche con qualche tool a disposizione online e due o tre programmi installati nel proprio computer. Giusto per capire di che si sta parlando, nel prossimo paragrafo vediamo un breve esempio di community detection applicato a Facebook e ad un certo magazine online che si occupa di marketing – indovinate quale.
La SNA per il marketing: scovare le community sulle pagine Facebook
Uno dei più grossi ostacoli per fare qualsiasi ricerca di Social Network Analysis è trovare un bel dataset già pronto e ordinato. La fase di data collection non è semplice, richiede risorse e competenze. Per farla facile facile, mi sono posta un problema banale, lo ho ridotto ad un campo limitato e lo ho risolto in modo totalmente non esaustivo con strumenti di workaround. Caution: ho detto banale, limitato e non esaustivo. È molto importante tenerlo a mente: l’esempio che segue non è un caso di studio, ma un modello più o meno semplice per illustrare le cose simpatiche che si possono fare con la SNA.
Il problema: trovare le community di pagine Facebook che sono più o meno connesse alla tematica del marketing e della comunicazione.
Non abbiamo il tempo e le risorse per scandagliare l’intero universo Facebook: ci conviene costruirci un network ad hoc e gestibile. Possiamo farlo prendendo per esempio qualche nodo singolo, trovando il suo network, e mettendo insieme un network finale che sia costituito dalla somma dei tre network di ciascun nodo. Se siete stati attenti fin qui sapete che i nodi possono essere tante cose: un individuo, una cellula, una città, un utente di un social network. Nel nostro caso, i nodi sono pagine Facebook, identificate in modo univoco all’interno del grandissimo database del social network tramite i loro ID (lo sapete, no?). A noi interessano le community che ruotano attorno al marketing: tramite il software R e il pacchettino dedicato per Facebook, Facebook for Developers ci consente di scaricare una bella lista di pagine che hanno in comune l’utilizzo della parola #marketing nella loro Description.
Possiamo quindi sceglierne tre pagine a piacere. Non troppo grandi (per non complicare le cose: ricordiamoci che vogliamo un network finale gestibile).
- Inside Marketing [Newspaper, 12365 likes]
- Marketing Arena [Blog, 5929 likes]
- MOCA Interactive [Blog, 2832 likes]
Il network su cui vogliamo lavorare è quello dato dalla sovrapposizione dei tre network di ciascuna di queste pagine. Di ognuna di queste infatti scaricheremo gli ID delle pagine da loro seguite, e poi gli ID delle pagine seguite dalle pagine seguite. Capito? Prendiamo i seguiti dei seguiti dalle nostre tre pagine, più i seguiti delle nostre tre pagine.
Ai fini di quest’articolo risparmio la parte di data collection: dico solo che ci sono di mezzo Facebook for Developers, Netvizz e svariati tempi morti:
Saltiamo subito al risultato finale: abbiamo tre file costituiti dai nodi e dagli archi che ci dicono quali sono i legami tra le pagine. Li mettiamo insieme caricandoli su Gephi per la visualizzazione, ripuliamo da nodi doppione ed ecco il nostro network. Ci aspettiamo pagine che hanno a che fare con il marketing, ovviamente, ma non solo:
Ma è più bello visto così:
Come dicevamo, la community detection permette di distinguere nel nostro network i gruppi di nodi “più connessi” tra loro rispetto agli altri nodi. La community può essere data dal fatto che ogni nodo ha dei legami mutuali, o dalla frequenza di connessioni, o dalla distanza più corta che ogni nodo deve ipoteticamente percorrere per raggiungere gli altri. Per il momento ci affacciamo alla disciplina solo in modo superficiale, per dare un’occhiata senza entrare nel merito delle misure di centralità, per esempio, e degli altri concetti che potremmo esplorare per comprendere meglio cos’è l’SNA: eravate avvertiti.
Giochiamo solo con gli algoritmi messi a disposizione da Gephi, individuando i nodi più centrali sulla base del loro degree e lasciando sia lui a scovare le community attribuendo un colore per ciascuna basandosi sulla modularità. Il numero di community che Gephi ha trovato è 14. Prendiamo quella blu:
Il nodo più centrale è l’Accademia della Crusca, seguito da Il Sole 24Ore, Padova Cultura, Treccani. Se spulciamo il dataset direttamente da Gephi, la lista di nomi ci restituisce un quadro che vede comparire piuttosto spesso le parole Museo, Libreria, Università. Possiamo arbitrariamente decidere che questa community è quella che ha come topic/categoria principale di riferimento l’area “Cultura”. E quella viola? Wired Italia, Hfarm, Digital Accademia, CheFuturo!.. Ricorda qualcosa?
L’analisi potrebbe continuare (è continuata, qui). Il risultato finale è una tabellina come questa, che la nostra startup This MARKETERs Life potrebbe utilizzare come punto di partenza per esplorare le sue audience potenziali.
Da notare che nella tabella non compaiono tutte le community scovate dall’algoritmo, ma solo le più grandi e le più intuitivamente categorizzabili. Un approccio più scientifico a questo piccolo esperimento potrebbe andare molto più a fondo di così. Tipo come?