Hallo zusammen! Willkommen zu unserer heutigen Präsentation über ein neues Netzwerk-Add-In für JMP, das Personennetzwerke über Netzwerkdiagramme einbezieht. Mein Name ist Jerry Fish. Ich arbeite für JMP und unterstütze unsere Kunden in den zentralen Regionen der USA, Michigan, Wisconsin, Illinois und Indiana. Mein Kollege Scott Allen ist heute bei mir.
Ich bin Scott Allen. Ich bin ebenfalls Systemingenieur und unterstütze das Ohio Valley Territory in den USA.
Dieses Projekt begann vor etwa vier Jahren. Ich besuchte einen Kurs der Wharton Business School zum Thema Personalwesen und Personalanalyse. Ein Teil des Kurses beschäftigte sich mit Netzwerkdiagrammen, und das weckte mein Interesse. Das gipfelte darin, dass ich ein Abstract für den diesjährigen Discovery Summit zum Thema Netzwerkdiagramme einreichte.
Ich hatte gerade erst das Abstract eingereicht und die Bestätigung erhalten, dass ich angenommen wurde. Dann erfuhr ich, dass Scott bereits völlig unabhängig daran gearbeitet hatte. Es hat wirklich gut geklappt. Ich muss Scott meine Anerkennung aussprechen. Er hat mindestens 95 % der Arbeit erledigt, wahrscheinlich sogar den Großteil der Schwerstarbeit, der Programmierung und der Softwareentwicklung. Danke, Scott. Ich bin so froh, dass wir uns zusammengetan haben. Es hat wirklich gut geklappt.
Heute sprechen wir über die Anwendung eines Netzwerkdiagramms in einer Unternehmensorganisation. Wir haben ein fiktives Unternehmen, über das ich gleich sprechen werde, und wir zeigen, wie das funktioniert. Ich gehe auf einige Punkte ein und übergebe dann an Scott, der die Funktionsweise der Software, ihre Entwicklung und einige der darin enthaltenen Extras erläutert, auf die ich in meinem Vortragsteil nicht eingehen werde.
Anschließend sprechen wir über weitere Netzwerkdiagramm-Anwendungen. Dieses Add-In ist nicht nur für HR gedacht. Es kann an vielen verschiedenen Orten eingesetzt werden. Abschließend erklären wir, wo Sie dieses Add-In finden und herunterladen können.
Beginnen wir mit unserem fiktiven Unternehmen ACME Medical Products. Ich habe Microsoft Copilot gebeten, ein Unternehmen mit verschiedenen Abteilungen und so vielen Mitarbeitern zu erstellen und mir beliebige Namen zu geben. Darauf basierend habe ich mit PowerPoint dieses Organigramm erstellt. Jeder kennt bestimmt ein Organigramm. Es ist hierarchisch aufgebaut. Es zeigt die Befehlsstruktur, wer wem unterstellt ist und wie Ihr Unternehmen strukturiert ist.
Eines möchte ich noch erwähnen: Nachdem wir den CEO hier oben und seine direkten Untergebenen und deren direkte Untergebene usw. haben, stellen fast alle diese Kästchen einzelne Personen dar. Manchmal sieht man in einem Organigramm aber so etwas. Dieses Kästchen hier, wenn ich es vergrößere, stellt eigentlich drei Personen dar. Daran ist nichts auszusetzen, aber die visuelle Darstellung eines Organigramms kann etwas irreführend sein, wenn man nur wissen möchte, wie viele Personen einer bestimmten Person unterstellt sind. Darauf sollte man achten. Mal sehen, ob wir jetzt zurückkommen. So, jetzt geht’s.
Stellen wir uns eine Frage: Was würde passieren, wenn wir dieses Diagramm anders gestalten könnten? Was wäre, wenn wir nicht nur die Hierarchie der Untergebenen erkennen könnten, sondern auch die Zusammenhänge innerhalb dieses neuen Diagramms? Genau daran haben wir gearbeitet: an diesem Netzwerkdiagramm.
Dies ist ein Beispiel für ein Netzwerkdiagramm. Ich habe bisher lediglich die hierarchischen Daten aus dem Organigramm übernommen und sie in ein Netzwerkdiagramm aus unserem neuen Add-In übertragen. Zur Verdeutlichung: Es handelt sich um sehr einfache Verbindungen. Der Punkt hier in der Mitte, der rote Punkt, ist unser CEO. Sein Name in diesem Szenario ist Darren Whitmore. Er sitzt genau hier im Zentrum der Organisation, und alle Linien, die von dort ausgehen, sind seine direkten Untergebenen. Von diesen Punkten aus geht eine weitere Person aus, die wiederum vier direkte Untergebene hat und so weiter. Es sind genau dieselben Informationen wie im hierarchischen Organigramm, nur etwas anders angeordnet.
Die Cluster geben im Allgemeinen Auskunft über Abteilungen oder leiten diese ab. Wir können Dinge ändern, und Sie werden viele davon sehen, wie zum Beispiel die Größe und Farbe der Punkte. Sie können Bedeutung haben. Auch die Größe, Dicke und Farbe der Kanten, wie wir sie nennen, kann Bedeutung haben. Wir werden das gleich sehen. Wenn Scott seine Demo des Add-Ins zeigt, können Sie mit der Maus über Punkte fahren und die üblichen Informationen aus dem jeweiligen Punkt abrufen, ähnlich wie bei einem normalen JMP-Diagramm. Dies ist an dieser Stelle nur eine PowerPoint-Folie.
Einige Definitionen. Die Kreise in einem Diagramm wie diesem werden Knoten genannt. Wir werden sie im Folgenden ausführlich behandeln. Im Personalwesen lässt sich das auf Personen übertragen. Jeder Punkt steht für eine Person, ein Individuum. Die Knotenfarbe kann sich, wie bereits erwähnt, ändern. In diesem Fall können es Abteilungen sein. Ich habe die Dinge geändert, sodass jetzt jede Abteilung farblich gekennzeichnet ist. Die Kanten bzw. Linien stellen die Verbindungen zwischen den Personen dar. An dieser Stelle beschäftigen wir uns noch mit den Verbindungen im Organigramm, also der Hierarchie.
Im weiteren Verlauf werden Sie auf einige Begriffe stoßen. Einer davon heißt „Grade“. Das ist ein recht einfacher Begriff. Betrachten wir diese Person hier, so hat der Knotenwert 4 Grad. Das bedeutet, dass vier Linien diesen Knoten mit anderen Knoten verbinden. Genau das meinen wir mit dem Begriff „Grade“.
Zwischenheit ist etwas anderes. Zwischenheit hat damit zu tun, wie man von einem Knoten zum anderen gelangt. Stellen Sie sich das so vor: Hier haben wir Andre Lewis und Olivia Grant, und sie befinden sich auf gegenüberliegenden Seiten dieses großen Netzwerkdiagramms. Wenn Andre mit Olivia kommunizieren möchte, stellen Sie sich vor, er würde im Unterricht eine Nachricht weitergeben oder so. Andre gibt sie an seinen Chef weiter, der sie an seinen Chef weitergibt und so weiter bis hierher, bis Sie bei Olivia ankommen, und Olivia erhält die Nachricht. Nun ja, das ist schön und gut. Es könnte auch andere Wege geben. Diese Person könnte von hier nach hier und hier rüber kommen oder von hier nach hier nach hier und hier rüber. Es gibt dieses Konzept des kürzesten Weges, um beispielsweise von Andre hier rüber zu Olivia zu gelangen.
Wenn man jeden kürzesten Pfad von jeder Person zu jeder anderen Person markiert und dann zählt, wie viele dieser kürzesten Pfade durch einen einzelnen Knoten führen – hier ist wieder unser CEO, Darren Whitmore –, dann ergibt sich, dass 83 % dieser kürzesten Pfade durch Darren Whitmore laufen. Basierend darauf sieht es so aus, als ob … Übrigens, wir haben die Knotengröße, die Größe des Punkts bezieht sich auf die Zwischenheit. Er sieht aus, als wäre er der große Boss. Er kümmert sich um alles. Alles läuft über ihn. Aber das sagt uns nicht viel über die tatsächliche Vernetzung dieser Organisation. Gehen wir etwas weiter.
Nehmen wir zunächst an, dass in einer Abteilung mit acht Mitarbeitern alle acht Personen miteinander kommunizieren. Wir fügen diese Verbindungen dann dem hierarchischen Organigramm hinzu. Wie würde sich dadurch die Beziehung zwischen den Mitarbeitern ändern? Genau das ist das Diagramm. Wir sehen in dieser blau markierten Abteilung acht oder zehn Mitarbeiter. Man kann es nicht gut erkennen, aber alle sind durch Linien, Knoten oder Kanten miteinander verbunden. Wenn diese Person mit dieser Person sprechen möchte, kann sie das direkt tun. Sie muss nicht den ganzen Weg über Darren oder sonst jemanden gehen.
Jetzt berechnen wir die Zwischenwerte neu, und dieser Wert hat sich für unseren Geschäftsführer verringert. Er liegt hier in der Mitte. Unser CEO, Darren Whitmore, hat jetzt einen Zwischenwert von 2,7 %, d. h., nur noch sehr wenig tägliche Kommunikation läuft über Darren. Mehr läuft beispielsweise über Tanya Brooks. Sie hat jetzt einen viel größeren Punkt. 2,4 % laufen über sie und so weiter. Wir beginnen, etwas mehr darüber zu erfahren, wie Kommunikation und Informationen in unserem Unternehmen fließen und wie das Geschäft funktioniert.
Und jetzt? Dann machen wir eine Umfrage. Überlegen Sie mal: Wir werden eine Umfrage durchführen. Wir werden jeden Mitarbeiter unseres Unternehmens befragen. Diese Beispielumfrage enthält nur eine Frage. Bitte listen Sie alle Mitarbeiter unseres Unternehmens auf, mit denen Sie regelmäßig geschäftlich zu tun haben.
Das ist eine ziemlich einfache Frage. Sie geht auf. Ein Beispiel: CEO Darren Whitmore antwortet: „Ich interagiere mit seinem gesamten Führungsteam.“ Das sind Lena, Rajiv und Monica. Er interagiert auch mit Carlos und Victor, die hier ebenfalls aufgeführt sind. Wir haben eine JMP-Datentabelle erstellt, und dies ist nur ein kleiner Ausschnitt daraus. Darrens Name steht in der ersten Spalte und alle von ihm erwähnten Verbindungen in der zweiten. Anschließend bauen wir dies für jeden Einzelnen im Unternehmen weiter aus. Wie sieht das aus, wenn wir es in unser Netzwerkdiagramm einfügen?
Hier ist es. Hier in der Mitte sitzt unser CEO. Er hat immer noch eine Vernetzungsrate von etwa 2,7 %. Aber konzentrieren wir uns hier unten auf Bianca Torres. Bianca arbeitet in der Entwicklung. Das ist die Entwicklungsgruppe, und er ist zufällig auch deren Leiter. Aber Bianca sitzt hier draußen. Sie war einer dieser einzelnen Punkte hier, aber jetzt ist sie viel größer, das heißt, sie hat viel mehr Vernetzungen. Wenn man es sich ansieht, ist sie nicht nur mit ihrer gesamten Gruppe vernetzt, sondern auch mit der Qualitätsabteilung. Sie ist hier drüben mit den Fertigungsgruppen verbunden. Sie ist mit der Marketinggruppe verbunden. Sie ist einfach in viele verschiedene Dinge im Unternehmen involviert.
Als Manager oder Personalverantwortlicher fällt Ihnen das vielleicht auf und Sie denken sich ein paar Dinge. Vielleicht ist es Bianca, die sich so viel Mühe gibt, den Zusammenhalt im Unternehmen aufrechtzuerhalten. Vielleicht sollte sie dafür belohnt werden. Oder vielleicht sagt es: „Hey, wir lassen Bianca so viele Aufgaben erledigen, dass sie ihren normalen Aufgaben nicht mehr nachkommt. Deshalb lässt ihre Leistung nach. Vielleicht müssen wir jemand anderen finden, der ihr einige dieser Aufgaben abnimmt, damit das Unternehmen besser funktioniert.“ Hier haben wir mit Bianca eine Schlüsselperson, die uns geradezu zuruft: „Hey, sie ist eine wertvolle Mitarbeiterin. Hier läuft etwas schief. Wir müssen das genauer untersuchen und herausfinden, ob das wirklich die Art und Weise ist, wie wir das Unternehmen führen wollen.“
Andererseits haben wir vielleicht eine isolierte Person. Hier ist Jordan Ellis. Er arbeitet im Marketing. Er berichtet seinem Chef, und das ist die einzige Verbindung, von der er uns erzählt hat. Ist das gut oder schlecht? Vielleicht. Vielleicht arbeitet Jordan hier draußen an einem Sonderprojekt oder so, und das ist seine Aufgabe. Er soll einfach nur da draußen sein und seine Arbeit machen. Aber vielleicht liegt es daran, dass Jordan ein Remote-Mitarbeiter ist und sich nicht wirklich mit den anderen Leuten in seiner Abteilung verbunden fühlt. Wenn das der Fall ist, sollten wir vielleicht zusätzliche Anstrengungen unternehmen, Jordan hier einzubinden und ihn zu kontaktieren, damit er sich verbunden fühlt. Das wird dem Unternehmen helfen. Es könnte Jordans berufliche Entwicklung fördern und so weiter.
So viel zur Verwendung dieser Netzwerkdiagramme in einer HR-Umgebung. Ich übergebe jetzt an Scott, der Ihnen erklären wird, wie das Programm selbst funktioniert und wie er es erstellt hat.
Super. Danke, Jerry. Wir gehen das Add-In und einige der Optionen durch und zeigen, wie man diese Diagramme erstellt. Anschließend zeigen wir Ihnen, wie Sie die Visualisierungen ändern und mit ihnen interagieren können, um Schlussfolgerungen zu ziehen oder Erkenntnisse zu gewinnen.
Hier ist die Datentabelle, dieselbe, die Jerry verwendet hat. Ich habe hier nur eine weitere Spalte hinzugefügt, einige Informationsspalten. Vielleicht gab es in dieser Umfrage zusätzliche Informationen, die eine gewisse Häufigkeit aufwiesen. Je höher die Zahl, desto häufiger oder intensiver war die Kommunikation zwischen den beiden Personen.
Um das Add-In zu starten, öffnen Sie das Add-In-Menü und wählen Sie das Add-In „Netzwerkanalyse“. Wenn Sie neu in der Netzwerkanalyse sind oder noch keine Daten eingerichtet haben, finden Sie hier ein Hilfedokument für den Einstieg. Außerdem finden Sie hier einige Beispieldaten, damit Sie üben können, bevor Sie Ihre eigenen Netzwerke ausführen. Wir sagen einfach „Netzwerkanalyse ausführen“.
Die Netzwerkanalyse verwendet das Python-Paket NetworkX. Es ruft auch einige andere Python-Pakete auf. Sie können es nur ausführen, wenn Sie das entsprechende Python installiert haben. Überprüfen Sie den Status. Sie erhalten eine kurze Statusmeldung, die anzeigt, dass Sie die entsprechenden Pakete installiert haben. Sollten Pakete fehlen, wird ein kleines x angezeigt. Anschließend können Sie die fehlenden Pakete hier installieren. Es wird nichts automatisch installiert. Stellen Sie sicher, dass Sie diese installieren.
Sobald Sie alle Python-Pakete installiert haben, können Sie Ihren Netzwerkgraphen erstellen. Wir wählen einfach unsere Knoten aus und weisen ihnen die Rolle „Knoten“ zu. Wir müssen eine anfängliche Anordnung festlegen. Es gibt verschiedene Möglichkeiten, diese Knoten im Raum anzuordnen. Eine gängige Methode ist der Spring-Algorithmus, den wir verwenden werden. Je nach Visualisierung können Sie auch andere Methoden auswählen.
Anschließend können wir verschiedene Zentralitätsmaße auswählen. Jerry hatte über Grad und Betweenness gesprochen. Diese sind standardmäßig aktiviert, und es gibt noch weitere, die Sie auswählen können. In diesem Fall handelt es sich um ein relativ kleines Netzwerk, daher werden diese recht schnell berechnet. Bei sehr großen Netzwerken können Sie sie jedoch möglicherweise nicht alle ausführen, da dies etwas Zeit in Anspruch nehmen kann. Nachdem wir diese festgelegt haben, klicken wir auf „OK“.
Jetzt erhalten wir unser Netzwerkdiagramm. Es könnte etwas anders aussehen als Jerrys, da es einen gewissen Zufallsfaktor aufweist. Bei der Generierung werden Zufallszahlen verwendet. Im Allgemeinen sollten sie die gleichen Merkmale aufweisen, könnten aber etwas anders aussehen.
Die Netzwerkanalyse generiert außerdem einige zusätzliche Tabellen und Statistiken. Oben sehen wir unser Netzwerkdiagramm. Wir haben einige zusammenfassende Statistiken. Diese Knotentabelle zeigt die räumliche Anordnung aller Knoten, die in NetworkX generiert wurde. Dies ist lediglich eine Kopie der Originaltabelle.
Als Erstes möchten Sie vielleicht dieses Netzwerk erkunden. Hier oben gibt es eine Reihe von Tools dafür. Wo befindet sich beispielsweise Darren Whitmore, unser CEO, in diesem Netzwerk? Wir können eine Liste aller Knoten abrufen und vielleicht nach unten scrollen und Darren finden. Jetzt können wir sehen, wo er sich befindet, und natürlich können wir jeden anderen Knoten auswählen, um zu sehen, wo sich die anderen befinden.
Sie möchten vielleicht auch einfach sehen, wer mit wem verbunden ist. Wir können hier einen Knoten auswählen. Wir schauen uns Kimberly an. Wir möchten alle Knoten auswählen, mit denen Kimberly verbunden ist. Dazu wählen wir alle verbundenen Knoten aus und sehen, mit wem sie verbunden ist. Wir können das iterativ durchführen, d. h., ich führe das Ganze erneut aus und es werden alle Personen angezeigt, die mit diesen Verbindungen verbunden sind. Sie können diese Netzwerke wirklich erkunden.
In diesem Fall möchten wir uns vielleicht Folgendes ansehen. Wie Jerry bereits erwähnt hat, sind Cluster manchmal schwer zu erkennen. Wir können nur das ausgewählte Subnetzwerk anzeigen, indem wir alles andere ausblenden und die Ansicht vergrößern. So können wir mehr Details in diesem verbundenen Subnetzwerk erkennen oder einfach JMP-Tools verwenden, um weiter hineinzuzoomen. Wenn wir uns hier vielleicht verirren und ganz zurückgehen müssen, können wir alle Knoten anzeigen und die Ansicht vergrößern. So gelangen wir zurück zur ursprünglichen Ansicht.
Als Nächstes möchten Sie vielleicht mit einer grundlegenden Analyse beginnen. Jerry hat über die Kürzestpfadanalyse gesprochen. Sie können diese problemlos durchführen, indem Sie zwei beliebige Knoten auswählen, ihnen Rollen zuweisen und dann den kürzesten Pfad ermitteln.
Wir können auch Community-Erkennung durchführen. Das ist so etwas wie Clustering. Einige dieser Communities weisen ähnliche Statistiken oder Merkmale auf. Es gibt verschiedene Algorithmen, um diese Communities zu finden. Wir wissen, dass es inhärente Communities wie Abteilungen oder Positionen in der Organisation gibt. In diesem Fall betrachten wir jedoch Kommunikationscluster oder Kommunikationscommunities. Wir können eine davon einfach ausführen, indem wir die Standardeinstellung verwenden und auf „Ausführen“ klicken. Hier haben wir die Möglichkeit, nach Spalten zu färben. Wir können jetzt nach diesen Clustern färben. Ich klicke einfach auf „OK“.
Wir erhalten nun eine Clusteransicht und sehen verschiedene Farben, die den verschiedenen Communities in diesem Netzwerk entsprechen. Einige davon sind möglicherweise sinnvoll. Sicherlich sind verschiedene Abteilungen zusammengefasst, aber hier könnte es einige Überraschungen geben. Wir sehen eine interessante Anordnung von Kommunikation und Clustering, die möglicherweise näher untersucht werden sollte. Sie erhalten außerdem einige zusammenfassende Statistiken für diese Communities.
Um dieses Netzwerk zu analysieren, können Sie auch einfach auf die Registerkarte „Netzwerkübersicht“ schauen. Dort finden Sie einige allgemeine Statistiken zum gesamten Netzwerk sowie Knoten- und Kantenmerkmale. Sie erhalten außerdem zusammenfassende Histogramme für alle berechneten Zentralitätsmaße, wie Grad, Betweenness, Eigenvektor und was auch immer im Eröffnungsdialog ausgewählt wurde.
In diesem Fall interessieren wir uns vielleicht für die Zwischenheit. Wir sehen, dass die meisten unserer Communitys oder Netzwerke eine sehr geringe Zwischenheit aufweisen. Sie befinden sich an den Rändern. Es gibt jedoch einige, die eine deutlich höhere Zwischenheit aufweisen. Da wir in JMP arbeiten und verbundene Datentabellen verwenden, können wir diese auswählen und anschließend in unserem Netzwerkdiagramm nachsehen, wer diese sind.
Dies zeigt meiner Meinung nach die Leistungsfähigkeit der Arbeit in Python und der Durchführung von Analysen, die in JMP nicht nativ möglich sind. Im Wesentlichen können Sie diese in Python senden und die Ergebnisse dann in die interaktiven Diagramme von JMP übertragen. Wir können dies für jede dieser Auswahlen hier tun und dann zu unserem Netzwerkdiagramm zurückkehren.
Ich denke, die Netzwerkanalyse besteht im Wesentlichen aus zwei Teilen. Sie umfasst den Statistikteil, also die Erstellung von Netzwerkstatistiken, wie wir sie hier haben, und die Visualisierung. Es gibt viele verschiedene Diagrammoptionen, mit denen Sie diese Knoten und Kanten so anordnen können, dass Sie mehr Informationen erhalten.
Sie können die Anordnung ändern. Manche Netzwerke sehen in unterschiedlichen Anordnungen gut aus. Sie können sie einfach auswählen und ausführen. Das Netzwerk wird an Python zurückgegeben, um die NetworkX-Analyse auszuführen, die räumliche Orientierung zu regenerieren und es anschließend wieder zurückzugeben. Sie können auch die Koeffizienten ändern. Sie werden feststellen, dass unterschiedliche Koeffizienten auch zu unterschiedlichen Ergebnissen führen. Ich gehe jetzt einfach zurück zur Quelle. Sie werden feststellen, dass Sie, wenn Sie dasselbe Netzwerk mehrmals ausführen, aufgrund der zufälligen Startpunkte möglicherweise eine andere Ansicht erhalten.
Sie können auch verschiedene Farben oder Spaltengrößen für die zukünftigen Spalten auswählen. In diesem Fall gehen wir zurück zum Grad. Ich suche die Knotenfarbe. Ich wähle sie aus, und es ist wirklich nur der Grad. Ich wähle diese Spalte aus und klicke auf „OK“, um zur Knotenfarbe zurückzukehren. Ich möchte noch erwähnen, dass hier die Blasendiagramm-Funktion von JMP verwendet wird. Sie haben auch Zugriff auf alle gängigen Blasendiagramm-Optionen. In diesem Fall möchten wir vielleicht alle Knoten ausgefüllt und umrandet darstellen, um einen gewissen Kontrast zu erzeugen.
Als Letztes möchten Sie vielleicht die Kanten ändern. Sie können die Kantenfarbe ändern. Wenn Ihnen die Farbe nicht gefällt, können Sie sie spaltenweise einfärben. In diesem Beispiel möchte ich die Breite ändern. Wir wissen, dass wir in unserer Umfrage die Spalte „Häufigkeit“ haben, aber in unserem Netzwerkdiagramm haben alle Linien die gleiche Breite. Was wäre, wenn ich die Breite abhängig von der Häufigkeit ändere? Jetzt kann ich nicht nur sehen, wer mit wem kommuniziert, sondern auch wie häufig. Wir können dies in eine Spalte ändern, und ich ändere es in „Häufigkeit“ und klicke auf „OK“. Jetzt können wir deutlich sehen, wo die häufigsten Gespräche stattfinden. Auch wenn einige Leute wie diese beiden hier kommunizieren, ist es nicht viel. Wir können in diesem Diagramm deutlich sehen, wer am meisten kommuniziert, nur um zusätzliche Informationen hinzuzufügen.
Sie können zahlreiche weitere Anpassungen vornehmen. Sie können diese Anordnung jetzt mit der Kantengewichtungsspalte ausführen. In Netzwerkdiagrammen spielen Knoten und Kanten unterschiedliche Rollen im Ergebnis bzw. in der endgültigen Anordnung. Sie können eine Gewichtungsspalte hinzufügen und die Anordnung erneut ausführen, um die gewünschte Geschichte besser zu veranschaulichen.
Das ist alles, was ich wirklich zeigen wollte. Wenn Sie mit der Netzwerkanalyse beginnen oder vielleicht nach dem Ansehen dieses Videos damit beginnen möchten, werden Sie feststellen, dass es hier viele Tools gibt, die Ihnen dabei helfen, interaktiv zwischen JMP und Python zu arbeiten. Ich übergebe wieder an Sie, Jerry.
Alles klar. Danke, Scott. Eines wollte ich noch… Mal sehen, ob ich hier gleichzeitig etwas mitteilen kann. Zwei Dinge gleichzeitig tun: reden und teilen. Ich wollte darauf hinweisen, dass Sie über Python und JMP gesprochen haben. JMP funktioniert sehr gut mit Python, und Sie verwenden… Warum das Rad neu erfinden? Sie verwenden Python für einige Berechnungen und dann die Leistungsfähigkeit und die interaktiven Möglichkeiten von JMP, um Dinge anzuzeigen. Ich fand das einfach großartig. Jetzt sollten wir uns wieder austauschen.
Woher stammen diese Daten? Wir haben bereits ausführlich über die Diagramme selbst gesprochen. Wir haben bereits erwähnt, dass es sich um eine Umfrage handeln könnte. Ich möchte hier jedoch einen Hinweis hinzufügen: Achten Sie bei Umfragen auf Datenschutzbedenken. Sie könnten Fragen stellen, auf die die Leute möglicherweise nicht antworten möchten und dadurch in Schwierigkeiten geraten. Wenn Sie dies für eine HR-Bewerbung tun, sollten Sie unbedingt Ihre Personalabteilung einbeziehen. Sie können Daten von Facebook, LinkedIn und ähnlichen Netzwerken herunterladen und sich diese ansehen.
Es gibt einige Probleme, über die Sie nachdenken sollten. Wie quantifizieren Sie die Stärke der Verbindung? Scott erwähnte die Häufigkeit von Verbindungen, und ich glaube, Sie hatten sie auf einer Skala von 1 bis 10 angegeben. Wie stellen Sie sicher, dass eine 7 auf der Skala einer Person auch eine 7 auf der Skala einer anderen Person ist? Das ist ein häufiges Problem bei diesen subjektiven Skalen.
Wie löst man Beziehungsprobleme? Nehmen wir an, Person A sagt: „Ich habe eine starke Beziehung zu …“ Nehmen wir an: „Ich habe eine starke Beziehung zu Scott“, und Scott sagt: „Nein, ich rede nicht wirklich viel mit Jerry.“ Wie löst man das? Ich habe keine gute Antwort für Sie. Das ist etwas, das Sie vielleicht selbst durcharbeiten müssen.
Wie quantifiziert man die Richtung des Informationsflusses? Scott gibt mir täglich viele Informationen, aber ich gebe ihm kaum Informationen. Wir haben zwar eine hohe Konnektivität und eine hohe Kommunikationsfrequenz, aber alles fließt in eine Richtung. Es gibt viele verschiedene Dinge, über die man nachdenken sollte, wenn man mit diesem Add-In spielt.
Im Personalwesen haben wir darüber gesprochen, wie man versteckte Einflussnehmer und isolierte Personen erkennt. Sie können dies auch nutzen, um das Onboarding zu verbessern. Sie holen jemanden herein und zeigen ihm nicht nur ein Organigramm, sondern sagen: „Diese Person hier ist die richtige Ansprechpartnerin. Sie möchten mit ihr in Kontakt treten, weil sie sich bestens auskennt.“ Das können Sie ihm in diesem Diagramm zeigen. Im Change Management, wenn Sie eine neue Organisation ankündigen, kann dies eine gute Möglichkeit sein, dies zu verdeutlichen. Sie können HR-Maßnahmen wie Beförderungen und die Förderung von Mitarbeitern begründen. Sie können den Informationsfluss innerhalb Ihrer Organisation sichtbar machen – alles nützliche Dinge für ein Unternehmen.
Wie ich bereits erwähnt habe, gibt es hierfür neben HR noch weitere Anwendungen. In der Hilfedokumentation finden Sie Folgendes … Ich glaube, wir haben hier gleich vier Folien, die Scott in seine Hilfedatei eingebettet hat. Scott, möchten Sie bitte kurz erläutern, worum es dabei geht?
Sicher. Jeder dieser Datensätze ist im Add-In verfügbar. Dieser hier sind anonymisierte Facebook-Daten. Es gibt Tausende von Knoten, und Sie möchten diese Daten vielleicht analysieren, um herauszufinden, wer ein Influencer ist oder wer eine Brücke zwischen zwei verschiedenen Communities bilden könnte. In diesem Fall haben wir die Knoten eingefärbt, indem wir einen ausgewählt haben. Wir haben den violetten Knoten ausgewählt, alle verbundenen ausgewählt und diese blaugrün eingefärbt. Alle Knoten, die nicht mit violett verbunden sind, werden blau dargestellt. Sie können sehen, dass violett mit dem blaugrünen Knoten in der blauen Masse unten verbunden ist. Sie können sehen, wer die Verbindungspersonen oder Influencer in großen sozialen Verbindungsnetzwerken sind.
Der nächste Schritt ist die Mikrobiomanalyse. Sie ist eine Reproduktion einiger veröffentlichter Ergebnisse. Ich stelle einen Link zur Veröffentlichung sowie zum Datensatz bereit. Sie zeigt, welche Bakterien, welche Mikroben, in diesem Fall im Darm, positiv oder negativ miteinander interagieren können, und das Ausmaß bzw. die Dichte dieser Interaktionen. So können Sie Beziehungen zwischen ökologischen und biologischen Systemen erkennen.
Das nächste Beispiel ist nur ein lustiges Beispiel. Ich habe es gesehen, als ich nach Beispielen zur Netzwerkanalyse gesucht habe und bin auf dieses Diagramm gestoßen. Ich habe den Datensatz aufgespürt und wollte nur zeigen, dass man ein lustiges Netzwerkdiagramm erstellen kann. Es zeigt alle verschiedenen Partien und Wettbewerbe der Schachweltmeisterschaften von 1886 bis 1985. Sagen Sie einfach, wer gegen wen gespielt hat. Es ist in vielen Fällen sehr linear, aber man sieht, dass es einige Verzweigungen gibt. Emanuel Lasker hat gegen ziemlich viele Gegner gespielt. Ganz oben sehen Sie Bobby Fischer, der nur gegen Boris Spassky spielt. Dies ist nur ein lustiges Beispiel in diesem Datensatz, das, glaube ich, auch im Add-In verfügbar ist.
Fischer war mein Idol, als ich als Kind Schach lernte. Ich bin mit mir selbst zusammen.
Dieses letzte Beispiel ist… Ich denke, in JMP sprechen wir viel über prädiktive Modelle und neuronale Netzwerke, wenn es um künstliche neuronale Netzwerke geht. Eine weitere Anwendung ist die Visualisierung tatsächlicher neuronaler Netzwerke. Hier ist eine Wurmart, deren tatsächliches neuronales Netzwerk abgebildet wurde. Jeder Knoten ist ein Neuron mit unterschiedlichen Verbindungen zu verschiedenen Neuronen. Ich habe einfach einen einfachen Community-Clustering-Algorithmus ausgeführt, die Kanten entsprechend eingefärbt und angeordnet. Sie sehen, das sieht fast wie eine Karte eines künstlichen neuronalen Netzwerks aus. Anschließend habe ich die Kanten entsprechend der Anzahl der Verbindungen zwischen den Knoten eingefärbt. Je dunkler die Farbe, desto mehr Verbindungen gibt es zwischen den Knoten.
Wenn Sie mit der Netzwerkanalyse beginnen und noch nicht über Ihre Daten verfügen, können Sie hoffentlich mit diesen Datensätzen mit dem Üben beginnen.
Netzwerkdiagramme bieten noch weitere Anwendungsmöglichkeiten. Sie können Stakeholder- und Account-Beziehungen sowie Projektmanagement analysieren. Sie können Community-Ressourcen abbilden und die Zusammenarbeit fördern. Wenn Sie feststellen, dass zwei Gruppen relativ gut unabhängig voneinander agieren, können Sie sie zusammenführen. Krankheitsübertragung. Vielleicht möchten Sie untersuchen, in welchen Gemeinden ein bestimmter Krankheitsausbruch auftritt und in welchen nicht, wo mögliche Hindernisse liegen. Sie können die Abbildung von Lieferketten und viele weitere Anwendungen nutzen.
Unser Add-In … ich verwende den Begriff im weiteren Sinne. Scotts Add-In finden Sie unter marketplace.jmp.com. Dort finden Sie alle aktuellen JMP-Add-Ins, alle verfügbaren JMP-Add-Ins. Suchen Sie nach „Network Analysis“ oder geben Sie einfach diese URL ein. Achten Sie darauf, nach „Network Analysis“ zu suchen. Es gibt noch ein weiteres Add-In namens „Network Something“. Ich bin sicher, es ist auch nützlich, aber dieses Add-In heißt „Network Analysis“. Nachdem Sie es heruntergeladen und in JMP installiert haben, haben Sie Zugriff auf das Hilfedokument und die Beispieldateien, die Scott so praktischerweise mit dem Add-In bereitgestellt hat.
In diesem Sinne möchte ich mich bedanken. Vielen Dank vor allem an Scott für die harte Arbeit, die er geleistet hat, um dieses Projekt auf die Beine zu stellen. Vielen Dank an Sie als Zuschauer, Zuhörer, dass Sie sich unsere Arbeit angesehen haben. Bei Fragen finden Sie hier unsere Kontaktinformationen. Kontaktieren Sie uns gerne. Wir freuen uns auf ein Gespräch mit Ihnen. Vielen Dank.
