ฟังก์ชันการวิเคราะห์เครือข่ายทางสังคมและวิธีใช้งานใน Analyst’s Notebook แบบเข้าใจง่าย

วิธีเริ่มต้นทำการวิเคราะห์

เริ่มต้นง่ายๆ แค่เลือกแท็บ “Social Network Analysis” ในบานหน้าต่างงาน (Task Pane)

หน้าตัวเลือก (Options Page)

การตั้งค่าการวิเคราะห์ทำได้ดังนี้

1. เลือกแท็บ “Options” เพื่อเปิดหน้าตัวเลือก
2. เลือกค่าความเป็นศูนย์กลางที่ต้องการใช้
   • เลือกแบบเดียวหรือหลายแบบก็ได้
   • เลือกว่าจะคำนึงถึงทิศทางการเชื่อมโยงหรือไม่
3. ตัวเลือก “Enhanced Analysis” ช่วยจัดการกับ
   • แผนภูมิที่มีหลายเครือข่ายแยกกัน
   • การเชื่อมโยงแบบมีทิศทางที่ทำให้บางหน่วยติดต่อกันไม่ได้
4. ตัวเลือก “Normalize Results”
   • เปิด: แสดงผลเป็นเปอร์เซ็นต์ (ง่ายต่อการเปรียบเทียบ)
   • ปิด: แสดงผลเป็นตัวเลขดิบ
   • แนะนำให้เปิดไว้ เพื่อเปรียบเทียบข้อมูลระหว่างเครือข่ายต่างๆ ได้ง่าย

การดำเนินการเมื่อเสร็จสิ้น (Actions on Completion)

สิ่งที่ทำได้หลังคำนวณเสร็จ

หลังจากคำนวณการวิเคราะห์เครือข่ายทางสังคมเสร็จแล้ว คุณมีตัวเลือกในการแสดงผลดังนี้

1. แสดงผลลัพธ์บนแผนภูมิ
   • เลือก “Show Results on Chart”
   • ผลการวิเคราะห์จะแสดงบนแผนภูมิทันที
2. ใช้การจัดรูปแบบแบบมีเงื่อนไข
   • เลือก “Apply Conditional Formatting”
   • เลือกกฎการจัดรูปแบบจากรายการแบบเลื่อนลง
   • ช่วยเน้นข้อมูลสำคัญ เช่น
     • ขยายขนาดไอคอนคนสำคัญให้ใหญ่ขึ้น
     • ใส่สีให้ไอคอนตามค่าความเป็นศูนย์กลาง
     • ทำให้เห็นโครงสร้างเครือข่ายและคนสำคัญได้ชัดเจนยิ่งขึ้น

หน้าการถ่วงน้ำหนัก (Weightings Page)

การถ่วงน้ำหนักในการวิเคราะห์

การวิเคราะห์เครือข่ายทางสังคมจะดีขึ้นเมื่อมีการใช้น้ำหนักที่แตกต่างกันสำหรับความสัมพันธ์แต่ละแบบ ใน Analyst’s Notebook คุณสามารถกำหนดน้ำหนักได้สองวิธี

• กำหนดเองในแต่ละแผนภูมิ
• ใช้ไฟล์น้ำหนักที่เตรียมไว้ล่วงหน้า

วิธีใช้งานการถ่วงน้ำหนัก

1. เปิดใช้โดยเลือก “Use Link Weightings” ในหน้าตัวเลือก
2. จากนั้นเลือกวิธีกำหนดน้ำหนัก
   • กำหนดเอง: เลือกเส้นเชื่อม แล้วใช้ “Manually Set Value” เพื่อป้อนค่าน้ำหนัก
   • ใช้ค่าที่มีอยู่: เลือกแอตทริบิวต์ตัวเลขที่มีอยู่แล้วในข้อมูล
   • ใช้ไฟล์: เลือก “From a Weightings File” แล้วเลือก “Create a New File” หรือ “Select a File”
3. แสดงน้ำหนักบนแผนภูมิ
   • เลือก “Show Weightings on chart” เพื่อให้เห็นว่าแต่ละความสัมพันธ์มีน้ำหนักเท่าไร

การใช้น้ำหนักช่วยให้คุณเห็นความสำคัญที่แตกต่างกันของความสัมพันธ์แต่ละแบบ ทำให้การวิเคราะห์เครือข่ายตรงกับความเป็นจริงมากขึ้น

The Results Page หน้าผลลัพธ์

เพื่อคำนวณและวิเคราะห์ผลลัพธ์การวิเคราะห์เครือข่ายทางสังคมของคุณ ให้เลือกแท็บ Results (ผลลัพธ์) เพื่อแสดงหน้าผลลัพธ์

การคำนวณผลลัพธ์ (Calculating Results) แบบเข้าใจง่าย

วิธีเริ่มการคำนวณ

เริ่มการวิเคราะห์เครือข่ายทางสังคมได้ง่ายๆ โดยคลิกปุ่ม “Calculate” (คำนวณ)

การแสดงผลลัพธ์

เมื่อคำนวณเสร็จ

• ผลลัพธ์จะแสดงโดยอัตโนมัติในตารางผลลัพธ์
• ผลของ “คน” และ “การเชื่อมโยง” จะแสดงในตารางแยกกัน
• โปรแกรมจะแสดงตารางผลลัพธ์ของ “คน” เป็นค่าเริ่มต้น

การจัดการผลลัพธ์

คุณสามารถจัดเรียงข้อมูลได้โดย

• คลิกที่หัวข้อคอลัมน์ใดก็ได้ที่ต้องการจัดเรียง
• เช่น คลิกที่คอลัมน์ “Betweenness” เพื่อเรียงลำดับจากมากไปน้อย

ผลลัพธ์จะแสดงในรูปแบบรายการที่เข้าใจง่าย ให้คุณเห็นว่าใครมีค่าความเป็นศูนย์กลางสูงที่สุดในแต่ละประเภท

บานหน้าต่างการดำเนินการ (Actions Panel)

ตัวเลือกหลังสร้างผลลัพธ์เสร็จแล้ว

หลังจากคำนวณเสร็จ คุณมีตัวเลือกหลายอย่างในการจัดการกับผลลัพธ์

1. แสดงผลบนแผนภูมิ
   • เลือก “Show Results on Chart”
   • ผลลัพธ์จะปรากฏบนแผนภูมิเครือข่ายของคุณ
2. ดูเฉพาะข้อมูลสำคัญ
   • เลือก “Select Top Five” เพื่อไฮไลต์เฉพาะ 5 อันดับแรก
   • เลือก “Hide Unselected items” เพื่อซ่อนข้อมูลที่ไม่ได้เลือก
   • ช่วยให้เห็นเฉพาะคนสำคัญในเครือข่าย
3. นำข้อมูลไปใช้ที่อื่น
   • เลือก “Copy Results Table” เพื่อคัดลอกตารางผลลัพธ์
   • นำไปวางในโปรแกรมอื่นได้ เช่น Microsoft Word หรือ Excel
   • สะดวกสำหรับการทำรายงานหรือวิเคราะห์เพิ่มเติม

SNA Glossary: คำศัพท์การวิเคราะห์เครือข่ายทางสังคม

หน่วย (Entity)

ไอคอนที่แทนคนหรือสิ่งในเครือข่าย มีป้ายชื่อกำกับ

ความเป็นศูนย์กลางแบบระหว่าง (Betweenness)

วัดว่ามีเส้นทางสั้นที่สุดกี่เส้นที่ผ่านคนๆ นั้น

• คนที่มีค่านี้สูง = เป็น “สะพาน” สำคัญในเครือข่าย
• คนที่มีค่านี้ต่ำ = แทบไม่มีใครต้องผ่านเขาเพื่อติดต่อคนอื่น

ถ้าเลือก “ใช้ทิศทางการเชื่อมโยง” ลูกศรจะกำหนดว่าเส้นทางใดนับได้

หมายเหตุ: ไม่มีการแยกคอลัมน์ขาเข้า/ขาออก เพราะเส้นทางยังคงเป็นเส้นทางเดิมไม่ว่าจะกลับทิศลูกศรอย่างไร

ความเป็นศูนย์กลางแบบใกล้ชิด (Closeness)

วัดว่าคนนั้นอยู่ใกล้คนอื่นๆ ในเครือข่ายแค่ไหน

• คนที่มีค่านี้สูง = เข้าถึงคนอื่นในเครือข่ายได้เร็ว

ถ้าเลือก “ใช้ทิศทางการเชื่อมโยง” จะมีสองคอลัมน์:

• Closeness (In): วัดความใกล้ชิดจากเส้นทางขาเข้า (คนอื่นติดต่อเราได้เร็วแค่ไหน)
• Closeness (Out): วัดความใกล้ชิดจากเส้นทางขาออก (เราติดต่อคนอื่นได้เร็วแค่ไหน)

ความเป็นศูนย์กลางแบบระดับ (Degree)

นับจำนวนการเชื่อมต่อที่คนนั้นมีกับคนอื่น

ถ้าเลือก “ใช้ทิศทางการเชื่อมโยง” จะมีสองคอลัมน์:

• Degree (In): จำนวนการเชื่อมโยงที่เข้ามาหาเรา
• Degree (Out): จำนวนการเชื่อมโยงที่ออกจากเราไปหาคนอื่น

หมายเหตุเรื่องน้ำหนัก:

• การเชื่อมโยงที่มีน้ำหนัก 4 = สำคัญกว่าการเชื่อมโยงไม่มีน้ำหนัก 4 เท่า
• ตัวอย่าง: คนที่มีการเชื่อมโยง 2 เส้น (หนึ่งเส้นไม่มีน้ำหนัก และอีกเส้นมีน้ำหนัก 4) จะมีค่า Degree = 5

ความเป็นศูนย์กลางแบบไอเกนเวกเตอร์ (Eigenvector)

วัดว่าคนนั้นเชื่อมต่อกับคนสำคัญในเครือข่ายมากแค่ไหน

• คนที่มีค่านี้สูง = รู้จักคนสำคัญในเครือข่ายมาก

ถ้าเลือก “ใช้ทิศทางการเชื่อมโยง” จะมีสองคอลัมน์:

• Authority (In): วัดการเชื่อมต่อจากเส้นทางขาเข้า (คนสำคัญติดต่อเรามาก)
• Hub (Out): วัดการเชื่อมต่อจากเส้นทางขาออก (เราติดต่อคนสำคัญมาก)

การถ่วงน้ำหนักมีผล: เส้นเชื่อมที่มีน้ำหนัก 3 จะสำคัญกว่าเส้นเชื่อมไม่มีน้ำหนัก 3 เท่า

การเชื่อมโยง (Link)

เส้นที่เชื่อมระหว่างหน่วย แสดงในรูปแบบ: ชื่อหน่วย A → ชื่อการเชื่อมโยง → ชื่อหน่วย B

ความเป็นศูนย์กลางแบบระหว่างของการเชื่อมโยง (Link Betweenness)

วัดว่ามีเส้นทางสั้นที่สุดกี่เส้นที่ผ่านเส้นเชื่อมนั้น

• เส้นเชื่อมที่มีค่านี้สูง = เป็นเส้นทางสำคัญที่ข้อมูลต้องผ่าน

การถ่วงน้ำหนัก (Weighting)

ค่าที่กำหนดให้แต่ละเส้นเชื่อม เพื่อแสดงความสำคัญหรือความแข็งแกร่งของความสัมพันธ์

👉Reference – ข้อมูลทั้งหมดในบทความนี้ มาจากคู่มือ Analyst’s Notebook : Social Network Analysis

👉Social Network Analysis (SNA) หรือการวิเคราะห์เครือข่ายทางสังคม ใช้ในการตรวจสอบโครงสร้าง ความสัมพันธ์ของ Chart โดยเน้นไปที่ความสัมพันธ์ระหว่าง Entities

พื้นฐานของการวิเคราะห์เครือข่ายทางสังคม

การวิเคราะห์เครือข่ายทางสังคม (Social Network Analysis หรือ SNA) คือวิธีศึกษาความสัมพันธ์ระหว่างคนหรือกลุ่มคน SNA ช่วยให้เราเข้าใจว่า

• กลุ่มคนทำงานร่วมกันอย่างไร
• พวกเขามีปฏิสัมพันธ์กันแบบไหน
• ทำไมพวกเขาถึงแสดงพฤติกรรมบางอย่าง

SNA ช่วยให้เราสร้างแผนผังและวัดความสัมพันธ์ในกลุ่มคนหรือองค์กร และช่วยคาดการณ์ว่าพวกเขาอาจทำอะไรในอนาคต

การทำงานของ SNA

SNA รวมความรู้เรื่ององค์กร เข้ากับ คณิตศาสตร์ เพื่อให้เราเข้าใจวิธีทำงานของกลุ่มและองค์กรได้ดีขึ้น

การศึกษาโครงสร้างเครือข่ายช่วยให้เรารู้

1. เครือข่ายทำงานได้ดีแค่ไหน และบรรลุเป้าหมายได้หรือไม่
2. มีกลุ่มย่อยซ่อนอยู่ในเครือข่ายใหญ่หรือไม่
3. ใครคือคนสำคัญที่มีอิทธิพลมากที่สุดในเครือข่าย
4. ข้อมูลเดินทางในเครือข่ายเร็วและตรงไปตรงมาแค่ไหน

ปัญหาในโลกจริงที่ SNA ช่วยแก้ได้

1. ข้อมูลมากเกินไป ปัจจุบันมีข้อมูลมากมาย SNA ช่วยกรองข้อมูลที่สำคัญออกมาได้เร็วและมีประสิทธิภาพ
2. การระบุคนสำคัญ SNA ช่วยค้นหาบุคคลหรือกลุ่มสำคัญอย่างรวดเร็ว ทำให้ใช้ทรัพยากรที่มีจำกัดได้อย่างคุ้มค่า
3. การเข้าใจการเปลี่ยนแปลง SNA ช่วยดูว่าเครือข่ายเปลี่ยนแปลงอย่างไรตามเวลา ไม่ใช่แค่ดูโครงสร้างปัจจุบัน
4. ความสำคัญที่แตกต่างกัน ในเครือข่ายจริง ไม่ใช่ทุกความสัมพันธ์จะสำคัญเท่ากัน SNA ช่วยวัดน้ำหนักความสำคัญของแต่ละความสัมพันธ์ได้

ข้อควรระวัง

SNA เป็นเพียงเครื่องมือช่วยวิเคราะห์ ไม่ใช่คำตอบสำเร็จรูป มันเป็นจุดเริ่มต้นที่ดีสำหรับการวิเคราะห์เพิ่มเติม

SNA จะมีประสิทธิภาพสูงสุดเมื่อใช้ร่วมกับการวิเคราะห์โดยมนุษย์ และต้องระวังว่า

• ข้อมูลอาจไม่สมบูรณ์
• อาจไม่เห็นภาพรวมทั้งหมดของเครือข่าย

Social Network Analysis (SNA) การวิเคราะห์เครือข่ายทางสังคม

ความเป็นศูนย์กลาง (Centrality)

ความเป็นศูนย์กลางคืออะไร

ความเป็นศูนย์กลางเป็นแนวคิดสำคัญในการวิเคราะห์เครือข่ายทางสังคม มันบอกว่าใครหรืออะไรมีอิทธิพลมากที่สุดในเครือข่าย

ผลของความเป็นศูนย์กลาง

เครือข่ายที่มีความเป็นศูนย์กลางสูง

• มีคนคนเดียวที่ควบคุมข้อมูลเกือบทั้งหมด
• ถ้าคนนี้หายไป ทั้งเครือข่ายอาจล้มเหลว

เครือข่ายที่มีความเป็นศูนย์กลางต่ำ

• ไม่มีจุดล้มเหลวเพียงจุดเดียว
• ข้อมูลยังเดินทางได้แม้บางช่องทางถูกปิด

วิธีวัดความเป็นศูนย์กลาง

โปรแกรม Analyst’s Notebook วัดความเป็นศูนย์กลางได้ 4 แบบ

1. แบบระหว่าง (Betweenness) – วัดว่าคนนั้นเป็น “สะพาน” เชื่อมระหว่างกลุ่มอื่นๆ มากแค่ไหน
2. แบบใกล้ชิด (Closeness) – วัดว่าคนนั้นอยู่ใกล้คนอื่นๆ ในเครือข่ายแค่ไหน
3. แบบระดับ (Degree) – วัดว่าคนนั้นมีการเชื่อมต่อกับคนอื่นๆ มากแค่ไหน
4. แบบไอเกนเวกเตอร์ (Eigenvector) – วัดว่าคนนั้นเชื่อมต่อกับคนสำคัญมากแค่ไหน

โปรแกรมยังสามารถปรับการวัดให้ละเอียดขึ้นได้โดยคำนึงถึง

• ทิศทางของความสัมพันธ์ (ใครส่งข้อมูลให้ใคร)
• น้ำหนักของความสัมพันธ์ (บางความสัมพันธ์สำคัญกว่าความสัมพันธ์อื่น)

ความเป็นศูนย์กลางแบบระหว่าง (Betweenness) แบบเข้าใจง่าย

ความเป็นศูนย์กลางแบบระหว่างคืออะไร

ความเป็นศูนย์กลางแบบระหว่าง วัดว่าคนหนึ่งเป็น “สะพาน” เชื่อมต่อระหว่างคนอื่นๆ ในเครือข่ายมากแค่ไหน

หน้าที่ของผู้ควบคุมประตู (Gatekeeper)

คนที่มีค่าความเป็นศูนย์กลางแบบระหว่างสูงเรียกว่า “ผู้ควบคุมประตู” เพราะพวกเขา

• สามารถควบคุมการไหลของข้อมูลระหว่างส่วนต่างๆ ในเครือข่าย
• เป็นจุดผ่านที่ข้อมูลต้องเดินทางผ่านเพื่อไปถึงอีกส่วนหนึ่งของเครือข่าย

ลักษณะของผู้ควบคุมประตู

ผู้ควบคุมประตูอาจมีลักษณะได้ 2 แบบ

1. มีหลายเส้นทางผ่าน – สามารถส่งข้อมูลถึงคนส่วนใหญ่ในเครือข่ายได้
2. มีเส้นทางผ่านน้อย แต่สำคัญ – อาจไม่มีการเชื่อมต่อมาก แต่เป็นคนเดียวที่เชื่อมระหว่างกลุ่มที่แตกต่างกัน

ตัวอย่าง

จากตัวอย่าง ลินดา ไบรท์แมน (Linda BRIGHTMAN) มีคะแนนความเป็นศูนย์กลางแบบระหว่างสูงที่สุด เพราะเธอเป็นคนเดียวที่เชื่อมต่อระหว่างสองกลุ่มในเครือข่าย หากไม่มีเธอ ทั้งสองกลุ่มจะไม่สามารถติดต่อกันได้เลย

ความเป็นศูนย์กลางแบบระหว่างของการเชื่อมโยง (Link Betweenness)

ความเป็นศูนย์กลางแบบระหว่างของการเชื่อมโยงคืออะไร

ในขณะที่ความเป็นศูนย์กลางแบบระหว่าง (Betweenness) วัดความสำคัญของคน “Link Betweenness” วัดความสำคัญของเส้นเชื่อมระหว่างคน

มันวัดว่าเส้นเชื่อมนั้นมีข้อมูลเดินทางผ่านมากแค่ไหน หรือพูดง่ายๆ คือ “ถนนเส้นนี้มีการจราจรหนาแน่นแค่ไหน”

ความสำคัญของ Link Betweenness

เส้นเชื่อมที่มีค่า Link Betweenness สูง

• เป็นเส้นทางสำคัญที่ข้อมูลใช้เดินทางในเครือข่าย
• ถ้าเส้นนี้ถูกตัด การสื่อสารในเครือข่ายจะมีปัญหามาก

ตัวอย่าง

ในตัวอย่างที่กล่าวถึง เส้นเชื่อมที่มีค่า Link Betweenness สูงแสดงด้วยสีแดง

ถ้าเส้นเชื่อมนี้ถูกตัด

• การแลกเปลี่ยนข้อมูลสำคัญจะหยุดชะงัก
• เครือข่ายอาจแยกออกเป็นสองส่วนที่ไม่สามารถติดต่อกันได้

เปรียบเสมือนถนนหลักที่เชื่อมระหว่างสองเมือง ถ้าถนนนี้ถูกปิด จะไม่มีทางอื่นให้เดินทางระหว่างเมืองได้

ความเป็นศูนย์กลางแบบใกล้ชิด (Closeness)

ความเป็นศูนย์กลางแบบใกล้ชิดคืออะไร

ความเป็นศูนย์กลางแบบใกล้ชิด วัดว่าคนหนึ่งอยู่ “ใกล้” กับคนอื่นๆ ในเครือข่ายแค่ไหน นี่ไม่ใช่ระยะทางจริง แต่เป็นจำนวนก้าวที่ต้องใช้เพื่อเข้าถึงคนอื่นๆ

ประโยชน์ของการอยู่ใกล้คนอื่นในเครือข่าย

คนที่มีค่าความเป็นศูนย์กลางแบบใกล้ชิดสูง

• มีเส้นทางสั้นๆ ไปหาคนอื่นในเครือข่าย
• สามารถส่งและรับข้อมูลได้เร็วกว่าคนอื่น
• เข้าถึงทุกคนในเครือข่ายได้ง่าย

คนที่อยู่ริมขอบเครือข่าย

คนที่อยู่ริมขอบของเครือข่าย (มีการเชื่อมต่อน้อย) จะมีค่าความเป็นศูนย์กลางแบบใกล้ชิดต่ำ เพราะ:

• ข้อมูลต้องเดินทางไกลเพื่อไปถึงคนอื่นๆ
• ต้องใช้เวลามากขึ้นทั้งในการส่งและรับข้อมูล

ความใกล้ชิดมี 2 แบบ

1. ความใกล้ชิดทางตรง – คนสองคนเชื่อมต่อกันโดยตรง (เป็นเพื่อนกัน)
2. ความใกล้ชิดทางอ้อม – คนสองคนต้องผ่านคนกลางเพื่อติดต่อกัน (เพื่อนของเพื่อน)

ความเป็นศูนย์กลางแบบใกล้ชิดคำนึงถึงทั้งการเชื่อมต่อทางตรงและทางอ้อม

ตัวอย่าง

จากตัวอย่างที่กล่าวถึง เอสรี ดุ๊ค (Esry DUKE) และ โรเบิร์ต โฮลเดอร์ (Robert HOLDER) มีคะแนนความใกล้ชิดสูงสุด หมายความว่า

• พวกเขาสามารถติดต่อกับคนส่วนใหญ่ในเครือข่ายได้อย่างรวดเร็ว
• ข้อมูลจากพวกเขาสามารถกระจายไปทั่วเครือข่ายได้เร็วที่สุด
• พวกเขามักจะรู้สิ่งที่เกิดขึ้นในเครือข่ายก่อนคนอื่น

ความเป็นศูนย์กลางแบบระดับ (Degree)

ความเป็นศูนย์กลางแบบระดับคืออะไร

ความเป็นศูนย์กลางแบบระดับ คือการวัดว่าคนหนึ่งมีการเชื่อมต่อกับคนอื่นมากแค่ไหน เป็นการนับจำนวนเพื่อนหรือคนรู้จักโดยตรงของแต่ละคนในเครือข่าย

วิธีวัด

วิธีวัดง่ายมาก

• นับจำนวนการเชื่อมต่อโดยตรงที่คนนั้นมีกับคนอื่น
• ยิ่งมีการเชื่อมต่อมาก ค่าความเป็นศูนย์กลางแบบระดับก็ยิ่งสูง

สิ่งที่บอกเราได้

ค่านี้บอกเราว่า

• ใครมีกิจกรรมมากที่สุดในเครือข่าย
• ใครมีความกระตือรือร้นในการเชื่อมต่อกับคนอื่น
• ใครรู้จักคนมากที่สุดในเครือข่าย

ตัวอย่าง

จากตัวอย่างที่กล่าวถึง ไอรีน เบเกอร์ (Irene BAKER) มีค่าความเป็นศูนย์กลางแบบระดับสูงที่สุด นั่นหมายความว่า

• เธอมีการเชื่อมต่อโดยตรงกับคนอื่นมากที่สุดในเครือข่าย
• เธอน่าจะเป็นคนที่มีปฏิสัมพันธ์กับคนอื่นมากที่สุด
• เธอรู้จักคนในเครือข่ายมากกว่าใครๆ

เปรียบเสมือนคนที่มีเพื่อนในงานปาร์ตี้มากที่สุด และทักทายผู้คนมากที่สุด

ความเป็นศูนย์กลางแบบไอเกนเวกเตอร์ (Eigenvector)

ความเป็นศูนย์กลางแบบไอเกนเวกเตอร์คืออะไร

ความเป็นศูนย์กลางแบบไอเกนเวกเตอร์ วัดว่าคนหนึ่งมีการเชื่อมต่อกับคนสำคัญในเครือข่ายมากแค่ไหน หรือพูดง่ายๆ คือ “คุณรู้จักคนดังมากแค่ไหน”

หลักการทำงาน

แทนที่จะแค่นับจำนวนการเชื่อมต่อ (แบบ Degree) Eigenvector พิจารณาด้วยว่า

• คนที่คุณเชื่อมต่อด้วยสำคัญแค่ไหน
• การเชื่อมต่อกับคนสำคัญมีค่ามากกว่าการเชื่อมต่อกับคนทั่วไป

ลักษณะของคนที่มีค่า Eigenvector สูง

คนที่มีค่า Eigenvector สูง

• มักจะอยู่ในกลุ่มคนสำคัญของเครือข่าย
• สามารถติดต่อกับคนมีอิทธิพลได้โดยตรง
• มีอำนาจและอิทธิพลในเครือข่ายมาก

ฮับและออทอริตี้

ในเครือข่ายที่ความสัมพันธ์มีทิศทาง (เช่น ใครส่งข้อมูลให้ใคร) จะมีการวัดเพิ่มเติม 2 แบบ

1. ฮับ (Hub) – คนที่ส่งข้อมูลออกไปหาคนสำคัญมาก
   • เหมือนคนที่แชร์โพสต์ของคนดังหลายคน
2. ออทอริตี้ (Authority) – คนที่ได้รับข้อมูลจากคนสำคัญมาก
   • เหมือนคนดังที่มีคนพูดถึงเยอะ

ทั้งสองส่วนสัมพันธ์กัน ฮับที่ดีส่งข้อมูลไปหาออทอริตี้ที่ดี และออทอริตี้ที่ดีรับข้อมูลจากฮับที่ดี

ตัวอย่าง

จากตัวอย่างที่กล่าวถึง วาเลอรี กรีน (Valerie Green) มีค่า Eigenvector สูงที่สุด เพราะ

• เธอเชื่อมต่อกับคนที่มีบทบาทสำคัญในเครือข่าย
• เธออยู่ตรงกลางของกลุ่มคนสำคัญ
• เธอสามารถมีอิทธิพลต่อคนสำคัญได้เร็วกว่าคนอื่น

ทิศทางการเชื่อมโยง (Link Direction)

ทิศทางการเชื่อมโยงคืออะไร

ทิศทางการเชื่อมโยง คือการแสดงว่าข้อมูลหรือสิ่งของเคลื่อนที่ไปในทิศทางไหนระหว่างคนในเครือข่าย โดยใช้ลูกศรชี้ทิศทาง

ประโยชน์ของการดูทิศทาง

การดูทิศทางช่วยให้เรารู้ว่า

• ข้อมูลไหลในเครือข่ายอย่างไร
• ใครเป็นผู้ให้ข้อมูลและใครเป็นผู้รับข้อมูล
• ข้อมูลเดินทางเร็วหรือช้าจากส่วนหนึ่งไปอีกส่วนหนึ่ง

รูปแบบของทิศทาง

ทิศทางการเชื่อมโยงมี 2 แบบ

1. ทิศทางเดียว – ข้อมูลไหลจากคนหนึ่งไปหาอีกคนเท่านั้น (ลูกศรชี้ทางเดียว)
2. สองทิศทาง – ข้อมูลไหลไปมาระหว่างสองคน (ลูกศรชี้ทั้งสองทาง)

ผลต่อความเป็นศูนย์กลาง

คนที่ข้อมูลไหลผ่านทั้งสองทิศทาง (รับและส่ง) จะมีค่าความเป็นศูนย์กลางสูงกว่าคนที่ข้อมูลไหลผ่านทิศทางเดียว (แค่รับหรือแค่ส่ง)

ตัวอย่าง

จากตัวอย่างที่กล่าวถึง ลินดา ไบรท์แมน (Linda BRIGHTMAN) มีลักษณะพิเศษคือ

• เธอรับข้อมูลจากคนอื่นได้ (ลูกศรชี้เข้าหาเธอ)
• แต่เธอไม่ส่งข้อมูลต่อไปยังส่วนอื่นๆ ของเครือข่าย (ไม่มีลูกศรชี้ออกจากเธอ)
• เธอเป็นเหมือน “ทางตัน” ของข้อมูลในเครือข่าย

การถ่วงน้ำหนักการเชื่อมโยง (Link Weightings)

การถ่วงน้ำหนักการเชื่อมโยงคืออะไร

การถ่วงน้ำหนักการเชื่อมโยง คือการให้ค่าความสำคัญที่แตกต่างกันกับความสัมพันธ์แต่ละแบบในเครือข่าย เพราะในชีวิตจริง ไม่ใช่ทุกความสัมพันธ์จะมีความสำคัญเท่ากัน

ทำไมต้องถ่วงน้ำหนัก

การถ่วงน้ำหนักช่วยให้

• เข้าใจพลวัตของเครือข่ายได้ตรงกับความเป็นจริงมากขึ้น
• แยกแยะความสัมพันธ์สำคัญจากความสัมพันธ์ทั่วไป
• วิเคราะห์เครือข่ายได้ละเอียดขึ้น

ตัวอย่างการถ่วงน้ำหนัก

ในชีวิตจริง

• ความสัมพันธ์ในครอบครัวอาจแข็งแกร่งกว่าความสัมพันธ์ทางธุรกิจ
• เราจึงให้น้ำหนักความสัมพันธ์ครอบครัวมากกว่า

ผลต่อการวิเคราะห์

การถ่วงน้ำหนักมีผลต่อการวิเคราะห์

• เส้นทางที่มีน้ำหนักมากอาจเป็นเส้นทางหลักที่ข้อมูลไหลผ่าน
• คนที่ใช้เส้นทางที่มีน้ำหนักมากอาจมีบทบาทสำคัญในเครือข่าย
• ค่าความเป็นศูนย์กลางจะเปลี่ยนไปตามน้ำหนักการเชื่อมโยง

เปรียบเสมือนการดูไม่เพียงแค่ว่ามีถนนเชื่อมระหว่างเมืองหรือไม่ แต่ดูด้วยว่าถนนนั้นเป็นทางด่วนหรือทางเล็กๆ ซึ่งจะมีผลต่อความสำคัญของเส้นทางและเมืองที่เชื่อมต่อกัน

การจัดรูปแบบแบบมีเงื่อนไข (Conditional Formatting)

การจัดรูปแบบแบบมีเงื่อนไขคืออะไร

การจัดรูปแบบแบบมีเงื่อนไข คือวิธีการเน้นข้อมูลสำคัญในแผนภูมิเครือข่ายที่ซับซ้อน โดยใช้สี ขนาด หรือความหนาที่แตกต่างกัน เพื่อให้เห็นสิ่งสำคัญได้ชัดเจน

ทำไมต้องใช้

เมื่อเครือข่ายมีความซับซ้อน

• ยากที่จะเห็นว่าใครสำคัญที่สุด
• ยากที่จะเห็นโครงสร้างของเครือข่าย
• ข้อมูลสำคัญอาจหายไปในความวุ่นวาย

วิธีการทำงาน

ในโปรแกรม Analyst’s Notebook คุณสามารถ

• สร้างกฎการจัดรูปแบบตามเงื่อนไขที่กำหนด
• ใช้กฎนั้นกับข้อมูลในแผนภูมิ
• ทำให้สิ่งสำคัญโดดเด่นขึ้นมา

วิธีเน้นข้อมูลสำคัญ

โปรแกรมช่วยเน้นข้อมูลสำคัญโดย

• ขยายขนาดของจุดหรือไอคอนที่สำคัญ
• ทำให้เส้นเชื่อมโยงหนาขึ้น
• ใส่สีที่โดดเด่นให้กับข้อมูลสำคัญ

ตัวอย่าง

จากตัวอย่างที่กล่าวถึง

• ยิ่งวงกลม (กรอบไอคอน) ของคนใหญ่เท่าไร
• คะแนนความเป็นศูนย์กลางแบบระหว่าง (Betweenness) ของคนนั้นก็ยิ่งสูงเท่านั้น
• ทำให้เราเห็นได้ง่ายว่าใครคือคนสำคัญในเครือข่าย และพวกเขาอยู่ตรงไหน

เปรียบเสมือนการใช้ไฮไลท์เน้นข้อความสำคัญในหนังสือ ทำให้เราสามารถหาข้อมูลสำคัญได้อย่างรวดเร็ว แม้ในหน้าที่มีข้อความมาก

Reference – ข้อมูลทั้งหมดในบทความนี้ มาจากคู่มือ Analyst’s Notebook : Social Network Analysis

✅Note:  – ติดตามเรื่อง Conditional Formatting (การจัดรูปแบบแบบมีเงื่อนไข) ได้ในบทความต่อไปนะครับ ! 😊