Bonjour à tous. Bienvenue à notre présentation d'aujourd'hui sur un nouveau module complémentaire réseau pour JMP qui utilise des réseaux de personnes via ces diagrammes de réseau. Je m'appelle Jerry Fish et je travaille chez JMP. J'accompagne nos clients du centre-nord des États-Unis, du Michigan, du Wisconsin, de l'Illinois et de l'Indiana. Je suis accompagné aujourd'hui par mon collègue, Scott Allen.
Je m'appelle Scott Allen. Je suis également ingénieur système et je soutiens le territoire de la vallée de l'Ohio aux États-Unis.
Ce projet a débuté, il y a environ quatre ans. J'ai suivi un cours à la Wharton Business School sur les RH et l'analyse des ressources humaines. L'un des sujets de ce cours portait sur les diagrammes de réseau, ce qui a suscité mon intérêt. J'ai alors soumis un résumé pour le Discovery Summit de cette année sur les diagrammes de réseau.
Alors que je n'avais pas encore soumis le résumé et reçu l'avis d'acceptation, j'ai découvert que Scott travaillait déjà sur ce projet de manière totalement indépendante. Ça a vraiment bien fonctionné. Je tiens à féliciter Scott. Il a réalisé au moins 95 % du travail, probablement la majeure partie du travail, du codage et de la création du logiciel. Merci Scott. Je suis ravi que nous ayons collaboré sur ce projet. Ça a vraiment bien fonctionné.
Aujourd'hui, nous allons aborder l'application d'un diagramme de réseau au sein d'une entreprise. Nous allons aborder une entreprise fictive dans un instant et montrer son fonctionnement. J'aborderai plusieurs points, puis je laisserai Scott expliquer le fonctionnement du logiciel, son développement et certaines fonctionnalités que je n'aborderai pas dans ma partie.
Nous reviendrons ensuite sur d'autres applications de diagrammes de réseau. Ce module ne concerne pas uniquement les RH. Il peut être utilisé dans de nombreux domaines. Enfin, nous conclurons en indiquant où trouver et télécharger ce module complémentaire.
Commençons par notre entreprise fictive, ACME Medical Products. J'ai demandé à Microsoft Copilot de créer une entreprise avec différents départements et un nombre donné d'employés, et de me donner des noms aléatoires. À partir de là, j'ai utilisé PowerPoint pour créer cet organigramme. Tout le monde a sûrement déjà vu un organigramme. Il est hiérarchique. Il montre simplement la structure hiérarchique, les personnes responsables et la façon dont votre entreprise est organisée.
Une chose que je voudrais mentionner, après avoir vu le PDG, ses subordonnés directs et leurs subordonnés directs, etc. : presque tous ces encadrés représentent des personnes individuelles. Mais parfois, dans un organigramme, on voit quelque chose comme ça. Cet encadré, si je zoome dessus, représente en fait trois personnes. Il n'y a rien de mal à cela, mais l'aspect visuel d'un organigramme peut être un peu trompeur si l'on cherche simplement à savoir combien de personnes sont sous la responsabilité d'une même personne. Il faut juste faire attention. On verra si on peut y revenir. Voilà.
Posons-nous une question : que se passerait-il si nous pouvions présenter ce diagramme différemment ? Et si nous pouvions voir, au lieu de nous contenter de la hiérarchie hiérarchique, les liens au sein de ce nouveau tracé ? C’est ce sur quoi nous avons travaillé : ce diagramme de réseau.
Voici un exemple de diagramme de réseau. Pour l'instant, j'ai simplement transposé les données hiérarchiques de l'organigramme dans un diagramme de réseau de notre nouveau module complémentaire. Pour l'expliquer brièvement, il s'agit de connexions très simples. Ce point rouge au milieu représente notre PDG. Dans ce scénario, il s'appelle Darren Whitmore. Il est situé au centre de l'organisation, et toutes ces lignes qui en sortent représentent ses subordonnés directs. Ensuite, à partir de ces points, il y a une autre personne, qui a quatre subordonnés directs, et ainsi de suite. Ce sont exactement les mêmes informations que celles de l'organigramme hiérarchique, mais présentées un peu différemment.
Les clusters parlent généralement de départements ou en déduisent. On peut modifier des éléments, et vous verrez souvent cela apparaître, comme la taille et la couleur des points ; ils peuvent avoir une signification. La taille, l'épaisseur et la couleur des… ce que nous appelons les arêtes, peuvent également avoir une signification. Nous le verrons plus loin. De plus, lorsque Scott présentera sa démonstration du module complémentaire, vous pourrez survoler des points pour obtenir les informations normales, comme celles-ci, à partir de ce point, comme le ferait un graphique JMP classique. Il ne s'agit ici que d'une diapositive PowerPoint.
Quelques définitions. Les cercles dans un graphique comme celui-ci sont appelés nœuds. Nous allons les appeler nœuds plus en détail. Dans le cas des RH, on peut traduire cela par « personnes ». Chaque point désigne une personne, un individu. La couleur du nœud, comme je l'ai mentionné, peut varier. Dans ce cas précis, il peut s'agir de départements. J'ai modifié les choses, donc chaque département est désormais codé par couleur. Les arêtes, ou lignes, représentent les liens entre les personnes. Pour l'instant, nous nous concentrons uniquement sur les liens de l'organigramme, la hiérarchie.
Vous découvrirez quelques termes au fil de notre lecture. L'un d'eux est appelé « degrés ». C'est un terme assez simple. Prenons l'exemple de cette personne : la valeur de son nœud est de 4 degrés. Cela signifie simplement que quatre lignes relient ce nœud à d'autres nœuds. C'est ce que nous entendons par degrés.
L'intermédiarité est quelque chose d'un peu différent. Elle se rapporte à la façon de passer d'un nœud à un autre. Imaginez… Ici, nous avons André Lewis et Olivia Grant, de chaque côté de ce grand diagramme de réseau. Si André voulait communiquer avec Olivia, imaginez qu'il transmette un message en classe. André transmet à sa supérieure, qui transmet à sa supérieure, et ainsi de suite jusqu'à Olivia, qui reçoit le message. Tant mieux. Il pourrait y avoir d'autres chemins. Cette personne pourrait passer par ici, puis par ici, ou aller d'ici à ici, puis ici, puis par ici. Il existe ce concept de chemin le plus court pour aller, par exemple, d'André à Olivia.
Si vous marquiez chaque chemin le plus court entre chaque personne, puis comptiez combien de ces chemins passent par un nœud individuel – voici notre PDG, Darren Whitmore –, eh bien, il apparaît que 83 % de ces chemins passent par Darren Whitmore. Il semble, d'après cela… Au fait, nous avons la taille du nœud, la taille du point est liée à l'intermédiarité. Il a l'air d'être le grand patron. Il gère tout. Tout passe par lui. Mais cela ne nous dit pas grand-chose sur la véritable connectivité de cette organisation. Allons un peu plus loin.
Imaginons, comme première hypothèse, que nous ayons un service de huit personnes qui communiquent entre elles. Nous allons ajouter ces connexions à l'organigramme hiérarchique. Comment cela modifierait-il l'interconnexion ? C'est ce que représente cet organigramme. Dans ce service, en bleu, nous avons huit ou dix personnes. On ne les voit pas très bien, mais elles sont toutes connectées par des lignes, des nœuds… des arêtes. Si une personne souhaite communiquer avec une autre, elle peut le faire directement. Elle n'a pas besoin de passer par Darren ou autre.
Maintenant, nous recalculons l'intermédiarité, et celle-ci a diminué pour notre dirigeant. Il est ici, au milieu. Notre PDG, Darren Whitmore, a maintenant une valeur d'intermédiarité de 2,7 %, ce qui signifie que très peu de communications quotidiennes passent par Darren. Une plus grande partie passe par, disons, Tanya Brooks ici. Son point est maintenant beaucoup plus grand : 2,4 % passent par elle, et ainsi de suite. Nous commençons à mieux comprendre comment la communication, la circulation de l'information au sein de notre entreprise, son fonctionnement.
Et maintenant ? Réalisons un sondage. Imaginez : nous allons mener un sondage auprès de chaque employé de notre entreprise. Ce sondage ne comportera qu'une seule question. Veuillez lister tous les employés de notre entreprise avec lesquels vous interagissez régulièrement à des fins professionnelles.
Voilà une question assez simple. Ça se voit. Par exemple, le PDG, Darren Whitmore, répond : « J’interagis avec toute son équipe de direction. » Il s’agit de Lena, Rajiv et Monica, en bas de la page. Il interagit également avec Carlos et Victor, qui sont donc listés ici. Nous avons créé une table de données JMP, et en voici un petit extrait. Le nom de Darren apparaît dans la première colonne et toutes les connexions qu’il mentionne dans la deuxième. Nous continuons ensuite à développer ce modèle pour chaque membre de l’organisation. À quoi cela ressemble-t-il une fois intégré à notre diagramme de réseau ?
Voilà. On voit notre PDG assis au milieu. Son taux de connexion est toujours d'environ 2,7 %. Mais concentrons-nous sur Bianca Torres. Bianca travaille dans l'ingénierie. Ici, c'est le groupe d'ingénierie, et il se trouve qu'elle en est la responsable. Bianca est assise ici. Elle était l'un de ces petits points, mais maintenant, elle a pris de l'ampleur, ce qui signifie qu'elle a beaucoup plus de connexions. Si vous regardez bien, elle est également connectée, en plus de son groupe, au service qualité. Elle est connectée ici aux groupes de production et au groupe marketing. Elle est impliquée dans de nombreux domaines au sein de l'entreprise.
En tant que manager ou RH, vous pourriez le remarquer et vous interroger sur plusieurs points. Peut-être que Bianca travaille beaucoup pour maintenir le lien avec l'entreprise. Peut-être devrait-elle être récompensée. Ou peut-être que cela signifie : « Bianca est tellement occupée qu'elle ne peut plus assumer ses responsabilités habituelles. C'est pourquoi ses autres efforts sont en baisse. Il faudrait peut-être trouver quelqu'un d'autre pour prendre en charge certaines de ces responsabilités afin d'améliorer le fonctionnement de l'entreprise. » C'est un cas où Bianca, une personne clé, nous lance : « C'est une employée précieuse. Il se passe quelque chose. Il faut enquêter un peu pour savoir si c'est vraiment comme ça que nous voulons que l'entreprise fonctionne. »
D'un autre côté, on pourrait avoir une personne cloisonnée. Voici Jordan Ellis. Il travaille dans le marketing. Jordan est sous la responsabilité de son supérieur, et c'est le seul lien dont il nous a parlé. Est-ce une bonne chose ou non ? Peut-être. Peut-être que Jordan travaille sur un projet spécial, et que c'est ce qu'il est censé faire. Il est juste censé être sur le terrain. Mais peut-être que Jordan est un employé à distance et qu'il ne se sent pas vraiment connecté avec les autres personnes de son service. Si c'est le cas, on devrait peut-être redoubler d'efforts pour intégrer Jordan et le contacter pour qu'il se sente connecté. Cela va aider l'entreprise, et peut-être aider Jordan dans son développement professionnel, etc.
Voilà un aperçu de l'utilisation de ces diagrammes de réseau dans un environnement RH. Je vais maintenant laisser la parole à Scott pour qu'il vous explique le fonctionnement du programme et sa conception.
Super. Merci Jerry. Nous allons vous présenter le module complémentaire et certaines de ses options, ainsi que la création de ces diagrammes. Nous allons également vous présenter les options permettant de modifier les visuels et d'interagir avec eux pour tirer des conclusions ou obtenir des informations.
Voici le tableau de données, le même que celui utilisé par Jerry. J'ai simplement ajouté une colonne, des colonnes d'information. Il se peut que cette enquête contienne des informations supplémentaires dont la fréquence est plus élevée, et plus les échanges entre les deux personnes sont fréquents.
Pour lancer le module complémentaire, accédez au menu « Modules complémentaires », puis au module « Analyse de réseau ». Si vous débutez avec l'analyse de réseau ou si vous n'avez pas encore configuré vos données, un document d'aide est disponible pour vous aider à démarrer, ainsi que des exemples de données pour vous entraîner avant de gérer vos propres réseaux. Exécutez l'analyse de réseau.
L'analyse de réseau utilise un package Python appelé NetworkX. Il appelle également d'autres packages Python. Vous ne pouvez pas l'exécuter sans avoir installé le package Python approprié. Vous pouvez vérifier l'état. Une petite mise à jour vous indiquera que vous avez installé les packages appropriés. S'il en manque, un petit x s'affichera, et vous pourrez alors les installer ici. Rien ne s'installe automatiquement. Assurez-vous de les installer.
Une fois tous les packages Python installés, vous pouvez construire votre graphe réseau. Il suffit de sélectionner nos nœuds et de les affecter au rôle « Nœuds ». Il faut ensuite spécifier leur disposition initiale. Il existe plusieurs façons d'organiser ces nœuds dans l'espace. L'une des méthodes les plus courantes consiste à utiliser un algorithme Spring, que nous allons utiliser. Vous pouvez également en sélectionner d'autres, selon vos besoins visuels.
Nous pouvons ensuite sélectionner différentes mesures de centralité. Jerry a parlé du degré et de l'intermédiarité. Ces mesures seront activées par défaut, et vous pouvez en sélectionner d'autres. Dans ce cas, il s'agit d'un réseau assez petit, donc ces mesures sont calculées assez rapidement. Cependant, si vous avez de très grands réseaux, vous risquez de ne pas toutes les exécuter, car cela pourrait prendre un peu de temps. Une fois ces mesures spécifiées, nous allons cliquer sur OK.
Nous allons maintenant obtenir notre diagramme de réseau. Il peut être légèrement différent de celui de Jerry en raison de sa part d'aléatoire. Des graines aléatoires sont impliquées dans leur génération. En général, elles devraient avoir les mêmes caractéristiques, mais leur apparence peut être légèrement différente.
L'analyse de réseau génère également des tableaux et des statistiques supplémentaires. En haut, nous avons notre diagramme de réseau et quelques statistiques récapitulatives. Ce tableau de nœuds affiche la disposition spatiale de tous les nœuds générés dans NetworkX ; il s'agit simplement d'une copie du tableau d'origine.
La première chose à faire est d'explorer ce réseau. Plusieurs outils sont disponibles ici. Par exemple, où se trouve Darren Whitmore, notre PDG, dans ce réseau ? Nous pouvons obtenir la liste de tous les nœuds, puis faire défiler la page vers le bas pour trouver Darren. Nous pouvons alors voir où il se trouve et, bien sûr, sélectionner n'importe quel autre nœud pour voir où il se trouve.
Vous pouvez également voir qui est connecté à qui. Nous pouvons sélectionner un nœud ici. Prenons l'exemple de Kimberly. Nous souhaitons sélectionner tous les nœuds auxquels elle est connectée. Pour ce faire, nous sélectionnons tous les nœuds connectés, ce qui nous montrera à qui elle est connectée. Nous pouvons procéder de manière itérative, ce qui nous permettra de relancer l'opération et d'afficher toutes les personnes connectées à ces connexions. Vous pouvez ainsi commencer à explorer ces réseaux.
Dans ce cas, nous pourrions examiner ceci. Comme Jerry l'a mentionné, il arrive que des clusters soient difficiles à voir. Nous pouvons afficher uniquement le sous-réseau sélectionné en masquant tout le reste, puis en redimensionnant la vue pour zoomer. Nous pouvons alors visualiser plus en détail ce sous-réseau interconnecté, ou utiliser les outils JMP pour zoomer davantage. Une autre solution consiste à… Si vous vous perdez dans cette vue et que vous devez revenir en arrière, afin d'afficher tous ces nœuds, puis de redimensionner la vue, ce qui nous ramène à la vue d'origine.
La prochaine étape consiste à effectuer une analyse de base. Jerry a parlé de l'analyse du plus court chemin ; vous pouvez donc la réaliser en sélectionnant deux nœuds, en les attribuant à des rôles, puis en trouvant le plus court chemin.
Nous pouvons également effectuer la détection de communauté, ou ce qu'on appelle la détection de communauté. C'est un peu comme le clustering. Certaines de ces communautés présentent des statistiques ou des caractéristiques similaires. Différents algorithmes permettent de les identifier. Nous savons qu'il existe des communautés inhérentes, comme les services ou les postes au sein de l'organisation. Mais dans ce cas, nous pourrions examiner des clusters ou des communautés de communication. Il suffit d'en exécuter un en utilisant la valeur par défaut et en cliquant sur « Exécuter ». Une option permet de colorier par colonne, ce qui nous permet de colorier ces clusters. Je clique alors sur « OK ».
Nous obtenons maintenant une vue groupée, avec différentes couleurs correspondant aux différentes communautés de ce réseau. Certaines peuvent être pertinentes. Certes, différents services sont probablement regroupés, mais il pourrait y avoir des surprises. Nous observons un arrangement intéressant de communication et de regroupement qui mériterait d'être approfondi. Vous obtenez également des statistiques récapitulatives pour ces communautés.
Pour analyser ce réseau, vous pouvez également consulter l'onglet « Résumé du réseau ». Il fournit des statistiques générales sur le réseau global, ainsi que sur les caractéristiques des nœuds et des arêtes. Vous obtenez également des histogrammes récapitulatifs pour toutes les mesures de centralité calculées, telles que le degré, l'intermédiarité, le vecteur propre, etc., sélectionnées dans la boîte de dialogue d'ouverture.
Dans ce cas, nous pourrions nous intéresser à l'intermédiarité. Concernant l'intermédiarité, nous constatons que la plupart de notre communauté ou réseau présente une intermédiarité très faible. Ils se situent en périphérie. Cependant, certains présentent une intermédiarité bien plus élevée. Comme nous sommes dans JMP et que nous utilisons des tables de données connectées, nous pouvons les sélectionner, puis revenir à notre diagramme de réseau et identifier ces personnes.
Je pense que cela illustre bien la puissance de Python, permettant de réaliser des analyses impossibles à réaliser nativement dans JMP, en les envoyant dans Python, puis en récupérant les résultats et en les intégrant aux graphiques interactifs de JMP. Nous pouvons effectuer cette opération pour n'importe laquelle de ces sélections, puis revenir à notre diagramme de réseau.
Je pense que l'analyse de réseau se compose en réalité de deux parties : la partie statistique, qui permet d'obtenir des statistiques réseau comme ici, et la partie visualisation. De nombreuses options graphiques permettent d'organiser les nœuds et les arêtes de manière à obtenir davantage d'informations.
Vous pouvez modifier la disposition. Certains réseaux peuvent s'afficher correctement dans différentes configurations ; il vous suffit de les sélectionner et de les exécuter. Le réseau est alors renvoyé à Python pour exécuter l'analyse NetworkX, régénérant l'orientation spatiale, puis rétablissant la configuration. Vous pouvez également modifier les coefficients. Vous constaterez que des coefficients différents produisent également des résultats différents. Je vais revenir au point de départ pour l'instant. Vous remarquerez que si vous exécutez le même réseau plusieurs fois, vous pourriez obtenir une vue différente en raison des points de départ aléatoires.
Vous pouvez également sélectionner des couleurs ou des tailles de colonnes différentes pour les colonnes suivantes. Dans ce cas, nous pourrions revenir au degré. Je vais chercher la couleur du nœud. Je la sélectionne, et il s'agit simplement du degré. Je sélectionne cette colonne et je clique sur OK pour revenir à la couleur du nœud. Je tiens également à préciser que nous utilisons la fonctionnalité de graphique à bulles de JMP. Vous avez également accès à toutes les options courantes de graphique à bulles. Dans ce cas, nous souhaitons que tous nos nœuds soient remplis et délimités pour créer un contraste.
La dernière chose à faire est de modifier les contours. Vous pouvez changer leur couleur. Si la couleur ne vous convient pas, vous pouvez la colorier par colonne. Je souhaite ici modifier leur largeur. Dans notre enquête, nous avons une colonne « fréquence », mais dans notre diagramme de réseau, chaque ligne a la même largeur. Et si je modifiais la largeur en fonction de la fréquence ? Je peux désormais voir non seulement qui communique avec qui, mais aussi à quelle fréquence. Nous pouvons définir cette colonne sur « Fréquence », puis cliquer sur « OK ». Nous pouvons désormais voir où se situent les conversations les plus fréquentes. Même si certaines personnes communiquent comme ces deux-là, ce n'est pas très fréquent. Nous pouvons clairement voir qui communique le plus dans ce diagramme, simplement pour ajouter des informations.
Il existe de nombreuses autres personnalisations possibles. Vous pouvez désormais exécuter cet arrangement en utilisant la colonne de pondération des arêtes. Dans les diagrammes de réseau, les nœuds et les arêtes jouent des rôles différents dans le résultat ou l'arrangement final. Vous pouvez ajouter une colonne de pondération et la réexécuter pour obtenir un arrangement différent afin de mieux illustrer l'histoire que vous souhaitez raconter.
C'est tout ce que je voulais vraiment vous montrer. J'espère que si vous débutez en analyse de réseau ou si, après avoir regardé ceci, vous souhaitez vous lancer, vous découvrirez qu'il existe de nombreux outils pour vous aider à travailler de manière interactive entre JMP et Python. Je vous laisse la parole, Jerry.
Très bien. Merci, Scott. Je voulais… Voyons si je peux partager ici en même temps. Faire deux choses à la fois : parler et partager. Je voulais souligner que vous avez parlé de Python et de JMP. JMP s'intègre très bien à Python, et vous utilisez… Pourquoi réinventer la roue ? Vous utilisez Python pour certains calculs, et vous profitez également de la puissance et de l'interactivité de JMP pour afficher les données. J'ai trouvé ça formidable. Maintenant, on devrait partager à nouveau.
D'où viennent ces données ? Nous avons beaucoup parlé des diagrammes eux-mêmes. Nous avons déjà mentionné qu'il pourrait s'agir d'un sondage. Je tenais toutefois à ajouter une remarque : soyez vigilant quant à la confidentialité lorsque vous réalisez un sondage. Vous pourriez poser des questions auxquelles les personnes pourraient ne pas vouloir répondre et vous exposer à des ennuis. Si vous utilisez ce type de questionnaire pour une candidature RH, assurez-vous de contacter votre service RH. Vous pouvez télécharger des données depuis Facebook, LinkedIn et d'autres plateformes similaires, et consulter ces réseaux.
Il y a quelques problèmes auxquels vous pourriez réfléchir. Comment quantifier la force du lien ? Scott a mentionné la fréquence des liens, et je crois que vous l'avez utilisé sur une échelle de 1 à 10. Comment s'assurer qu'un 7 sur l'échelle d'une personne est un 7 sur l'échelle d'une autre ? C'est un problème courant avec ces échelles subjectives.
Comment résoudre les différences de connexion ? Imaginons que la personne A dise : « J'ai une connexion forte avec… ». Imaginons : « J'ai une connexion forte avec Scott », et Scott répond : « Non, je ne parle pas beaucoup à Jerry. » Comment résoudre ce problème ? Je n'ai pas de réponse précise. C'est peut-être une question que vous devrez aborder.
Comment quantifier le sens du flux d'information ? Scott me donne peut-être beaucoup d'informations au quotidien, mais je ne lui donne pas grand-chose. Nous avons beau avoir une forte connectivité, une fréquence de communication élevée, tout circule à sens unique. Il y a donc beaucoup de choses à prendre en compte lorsque vous utilisez ce module complémentaire.
En RH, nous avons parlé de l'identification des influenceurs cachés et des individus cloisonnés. Vous pouvez également l'utiliser pour améliorer l'intégration. Vous intégrez une personne et, plutôt que de lui montrer un organigramme, vous pouvez lui dire : « Voici une personne de référence. Vous souhaitez vous rapprocher de cette personne, car elle connaît bien la situation. » Vous pouvez le lui montrer dans ce diagramme. La gestion du changement, si vous annoncez la création d'une nouvelle organisation, peut être un bon moyen de le montrer. Vous pouvez justifier les actions RH telles que les promotions et les encouragements des employés. Vous pouvez visualiser la circulation de l'information au sein de votre organisation, ce qui est très utile pour une entreprise.
Comme je l'ai dit plus tôt, il existe d'autres applications pour cela, outre les RH. Si vous consultez la documentation d'aide, vous verrez… Je crois que nous avons quatre diapositives qui s'affichent, que Scott a intégrées à son fichier d'aide. Scott, pouvez-vous nous expliquer à quoi elles correspondent ?
Bien sûr. Chacun de ces ensembles de données est disponible dans le module complémentaire. Il s'agit ici de données Facebook anonymisées. Il y a des milliers de nœuds, et vous pourriez vouloir les analyser pour identifier un influenceur ou un lien potentiel entre deux communautés. Dans ce cas, nous avons coloré les nœuds en sélectionnant un. Nous avons sélectionné le nœud violet, puis tous les nœuds connectés, puis ceux-ci sont colorés en bleu sarcelle. Enfin, tout nœud non connecté au violet est en bleu. Vous pouvez voir que le violet est connecté au nœud bleu sarcelle dans la masse bleue en bas. Vous pouvez identifier les connecteurs ou les influenceurs potentiels dans les grands réseaux sociaux.
L'étape suivante concerne l'analyse du microbiome. Il s'agit d'une reproduction de certains résultats publiés, et je fournis un lien vers la publication ainsi que l'ensemble de données. Cela permet de déterminer quelles bactéries, quels microbes, dans le cas présent dans l'intestin, peuvent interagir positivement ou négativement, ainsi que l'ampleur ou l'épaisseur de ces interactions. Vous pouvez dès maintenant commencer à observer les relations entre les systèmes écologiques ou biologiques.
L'exemple suivant est amusant. Je l'ai vu en cherchant des exemples d'analyse de réseau et je suis tombé sur ce graphique. J'ai retrouvé l'ensemble de données et je voulais simplement montrer qu'il était possible de créer un diagramme de réseau amusant. Il montre toutes les parties et compétitions des Championnats du monde d'échecs de 1886 à 1985. Il suffit de dire qui a joué contre qui. C'est souvent très linéaire, mais on voit quelques branches. Emanuel Lasker a joué contre plusieurs joueurs. On peut voir Bobby Fischer en haut, jouant uniquement contre Boris Spassky. C'est un exemple amusant de cet ensemble de données, qui, je crois, est également disponible dans le module complémentaire.
Fischer était mon idole quand j'étais enfant et que j'apprenais les échecs. Je me fais vieux.
Ce dernier exemple est… Je pense que dans JMP, on parle beaucoup de modèles prédictifs et de réseaux de neurones lorsqu'il est question de réseaux de neurones artificiels. Une autre application est la visualisation de réseaux de neurones réels. Il s'agit d'une espèce de ver, dont le réseau de neurones a été cartographié. Chaque nœud est un neurone, et il possède différentes connexions avec différents neurones. J'ai simplement exécuté un algorithme simple de clustering communautaire, je l'ai coloré selon ces connexions et je l'ai organisé. Vous pouvez voir que cela ressemble presque à une carte de réseaux de neurones artificiels, puis j'ai coloré les arêtes en fonction du nombre de connexions entre les nœuds. Plus la couleur est foncée, plus le nombre de connexions entre ces nœuds est élevé.
Heureusement, si vous débutez dans l'analyse de réseau et que vous n'avez pas encore vos données, vous pouvez commencer à vous entraîner avec ces ensembles de données.
Les diagrammes de réseau offrent d'autres applications. Ils permettent d'analyser les relations entre les parties prenantes et les comptes, ainsi que la gestion de projet. Ils permettent de cartographier les ressources communautaires et de faciliter la collaboration. Si deux groupes fonctionnent relativement bien indépendamment, ils peuvent être réunis. La transmission des maladies peut être étudiée. Vous pouvez ainsi identifier les communautés touchées par une épidémie particulière et celles qui n'en sont pas touchées, et identifier les obstacles potentiels. La cartographie de la chaîne d'approvisionnement peut également servir à de nombreuses autres applications.
Notre module complémentaire… Je l'utilise au sens large. Le module complémentaire de Scott se trouve sur marketplace.jmp.com. C'est là que vous trouverez tous les modules complémentaires JMP actuellement disponibles. Recherchez « Analyse de réseau », ou saisissez simplement cette URL. Assurez-vous de bien chercher « Analyse de réseau ». Il en existe un autre, « Analyse de réseau ». Je suis sûr qu'il est également utile, mais celui-ci s'appelle « Analyse de réseau ». Une fois téléchargé et installé dans JMP, vous aurez accès au document d'aide et aux fichiers d'exemple que Scott a si bien fournis avec le module complémentaire.
Sur ce, je vous remercie. Merci, en particulier à Scott, pour tout le travail acharné qu'il a fourni pour réaliser ce projet. Merci, en tant que spectateur, en tant qu'auditeur aujourd'hui, d'avoir jeté un œil à notre travail. Si vous avez des questions, voici nos coordonnées. N'hésitez pas à nous contacter. Nous serons ravis de vous répondre. Merci.
