SlideShare une entreprise Scribd logo
1  sur  60
Télécharger pour lire hors ligne
Analyse de réseaux sociaux



Tour d’horizon
Pistes d’application pour le
eMarketing

Cécile Bothorel, Département LUSSI

18/01/10
Quel point commun ?


         
             Réseau physique d'Internet
         
             Graphe du Web qui modélise la structure
             hypertextuelle du Web
         
             Réseaux sociaux en ligne
         
             Graphe de contact en épidémiologie
         
             Graphes d'échange en économie
         
             Graphe d'interactions protéines
         
             Réseaux sémantiques
         
             Réseau de co-auteurs
         
             Réseau de co-utilisation de tags

page 2       Département LUSSI   Cécile Bothorel
Quel point commun ?




                                               http://complexnetworks.fr/

page 3   Département LUSSI   Cécile Bothorel
Graphes réels


         
             Graphes réels, grands graphes terrain, complex
             networks
         
             Propriétés structurelles communes
             • faible densité en arcs,
             • en moyenne des chemins courts (effet petit monde),
             • existence de zones denses en arcs,
             • incidence des sommets en loi de puissance.
         
             Structure de graphe rare d’un point de vue
             probabiliste          → un domaine de recherche jeune
                                 →puise ses concepts dans l'analyse
                                             de réseaux sociaux

page 4       Département LUSSI   Cécile Bothorel
Analyse de réseaux sociaux



Généralités




18/01/10
Qu’est-ce qu’un réseau social ?




                                                  Point de vue utilisateur
                                                  Point de vue analyste

page 6   Département LUSSI   Cécile Bothorel
Qu’est-ce qu’un réseau social ?


    Entités sociales
    • individus,
    • organisations…

    Liens créés lors
    d’interactions sociales
    •    relation d’amitié,
    •    partenariat,
    •    communication,
    •    intérêt commun,
    •    transmission de
         maladie…



page 7       Département LUSSI   Cécile Bothorel
Analyse de réseaux sociaux

         
             Décrire une population
             • non par les traits qui marquent ses membres (age, sexe,
               revenu, niveau d'étude, etc.)
             • mais par les relations entre eux
         
             Comprendre et interpréter la structure et le
             comportement d’un réseau



                                  Structure du point de vue performance
                                           Position opportunités
                                      Émergence de communautés



page 8       Département LUSSI     Cécile Bothorel
Comprendre un réseau




page 9   Département LUSSI   Cécile Bothorel
Analyse de réseaux sociaux
                                                                            L’analyse des réseaux sociaux n’est
                                                                             pas une discipline nouvelle
                                                                             • 1933 : sociogramme de Jacob Levy Moreno
                                                                               pour objectiver la dynamique du groupe
                                                                             • 1954 : John A. Barnes introduit le terme
                                                                               « réseau social »
                                                                             • 1967 : Stanley Milgram : effet du « petit
                                                                               monde », six degrés de séparation
                                                                             • 1973 : Mark L. Granovetter : la force des
                                                                               contacts faibles
                                                                             • 1998 : PageRank de Google : mesure de
                                                                               pertinence dans l’ordonnancement des
                                                                               réponses aux requêtes
http://fr.wikipedia.org/wiki/Fichier:Six_degrees_of_separation.png




page 10             Département LUSSI                                Cécile Bothorel
Analyse de réseaux sociaux

      
          Une multitude de représentations
          • Différents types de relations
            - Relation directionnelle ou non (flux d’information)
            - Relation pondérée ou non (fréquence des interactions)
            - Relation unique ou multiple




          • Différents types d’entités
            - Un seul type d’entités pour décrire un réseau d’amis, ou un réseau de blogs
              ou de pages webs
            - Deux types d’entités pour décrire des relations médiatées : auteurs – articles,
              acteurs - films


page 11   Département LUSSI            Cécile Bothorel
Analyse de réseaux sociaux


    Des concepts de bases simples
      - Degré
      - Chemins (intermédiaires pour relier
        deux nœuds, sans répéter les nœuds)
      - Longueur (nombre de liens séparant
        deux nœuds)
      - Distance (longueur du plus court
        chemin) = « distance géodésique »
      - Composantes (ensemble de nœuds
        où chacun peut atteindre chacun des
        autres)
      - Pont / cutpoint
      - Clique / quasi-clique
      - …



    page 12   Département LUSSI   Cécile Bothorel
Analyse de réseaux sociaux



(1) Analyse de l’ensemble du réseau
(2) Analyse de positions
(3) Analyse de sous-groupes


18/01/10
Analyse de réseaux sociaux



(1) Analyse de l’ensemble du réseau
(2) Analyse de positions
(3) Analyse de sous-groupes


18/01/10
(1) Analyse de l’ensemble du réseau

    
          Formes connues de graphes
          • Graphe aléatoire (Erdös et Rényi, 1959)
          • Scale-free : attachement préférentiel (A.-L. Barabasi & R.
            Albert, 1999)
          • Réseau hiérarchique : scale-free dans les clusters (A.-L.
            Barabasi et al., 2002)
          • Petit-monde (D. Watts and S. Strogatz, 1998)




                                      Barabasi & Oltvai, vol.5, p101 (february 2004)


page 15     Département LUSSI         Cécile Bothorel
(1) Analyse de l’ensemble du réseau




    Graphe aléatoire (Erdös et Rényi, 1959)
     • N = 10 et p = 0.2. Le réseau croît de façon homogène (pN (N-1)/2 liens)
     • La plupart des noeuds ont le même degré (proche de la moyenne)
     • Petit monde




page 16    Département LUSSI             Cécile Bothorel
(1) Analyse de l’ensemble du réseau





     Scale-free : attachement préférentiel (A.-L. Barabasi & R. Albert, 1999)
     • Modèle largement utilisé, trop ?
     • Décrit une dynamique et une structure

    page 17   Département LUSSI      Cécile Bothorel
(1) Analyse de l’ensemble du réseau





    Scale-free : attachement préférentiel (A.-L. Barabasi & R. Albert, 1999)
    • La distribution des degrés en loi de puissance
    • Présence de hubs rouges qui ont attiré un grand nombre de voisins verts



    page 18   Département LUSSI       Cécile Bothorel
(1) Analyse de l’ensemble du réseau



 • Réseau hiérarchique : scale-free dans
   les clusters (A.-L. Barabasi et al., 2002)
 • Petit-monde : petit diamètre de l'ordre de
   log(N) et fort coefficient de clustering (D.
   Watts and S. Strogatz, 1998)




                                                     Barabasi & Oltvai, vol.5, p101 (february 2004)



page 19   Département LUSSI        Cécile Bothorel
(1) Analyse de l’ensemble du réseau

    
          Comprendre la structure
          globale
          • Taille
          • Distance moyenne, diamètre
          • Connectivité, densité des
            relations
          • Distribution des degrés, la
            variance des degrés
          • Transitivité – coefficient de
            clustering
          • La centralité du graphe                 Réseau très central qui peut
                                                    « tourner » autour d’un
                                                    nœud. Si ce nœud
                                                    disparaît…

page 20     Département LUSSI     Cécile Bothorel
(1) Analyse de l’ensemble du réseau

    
          Comprendre la structure
          globale
          • Core/periphery
          • Cliques : nombre, taille des
            cliques




page 21     Département LUSSI      Cécile Bothorel
Analyse de réseaux sociaux



(1) Analyse de l’ensemble du réseau
(2) Analyse de positions
(3) Analyse de sous-groupes


18/01/10
(2) Analyse de positions




page 23   Département LUSSI   Cécile Bothorel
(2) Analyse de positions


    Positions clés, rôles
    • Localement
              exemple : fort degré – beaucoup de voisins
                immédiats                                  prestigieux
                                                                         influent




    • Globalement
              exemple : PageRank : être connecté à des                      pertinence
                nœuds importants me donne plus
                d’importance que d’être connecté à des
                nœuds peu importants




    page 24   Département LUSSI        Cécile Bothorel
(2) Analyse de positions
                                                           1    0.473
                                1    0.733
                                                           10   0.000
                                10   0.423
                                                           11   0.000
                                11   0.423
                                                           12   0.000
                                12   0.423
                                                           2    0.009
                                2    0.478
                                                           3    0.009
                                3    0.478
                                                           4    0.009
                                4    0.478
                                                           5    0.009
                                5    0.478
                                                           6    0.009
                                6    0.478
                                                           7    0.100
                                7    0.611
                                                           8    0.618
                                8    0.688
                                                           9    0.000
                                9    0.423



Accès rapide à
l’information
d’où qu’elle                                                                   Médiateur
parte


       Closeness centrality est                           Betweenness centrality est le
       l’inverse de la somme des                          nombre de fois qu’un nœud se
       distances entre ce nœud et                         trouve sur le plus court chemin
       chacun des autres                                  entre deux autres noeuds

    page 25      Département LUSSI           Cécile Bothorel
(2) Analyse de positions


     Centralité(s)
     • Basée sur les calculs de plus courts chemins
        -   Degree centrality (popularité, comportement grégaire)
        -   Betweenness centrality (médiateur ou goulot d’étranglement)
        -   Closeness centrality (proximité, sera informé plus rapidement)
        -   Flow betweenness (contribution à augmenter le flot)
     • Basée sur les marches (on peut repasser par un
       nœud ou un lien plusieurs fois)
        - Bonacich power = eigenvector centrality (version itérative
          de la centralité de degré) (importance, haut-risque d’infection)
        - Katz, Hubbel (influence, « qui a entendu ce qu’il a dit ? »)       PageRank
                                                                             (être pointé par
                                                                             des sites
                                                                             importants rend
                                                                             important)
                        Liste de calculs disponibles dans l’outil UCINET



    page 26      Département LUSSI                 Cécile Bothorel
(2) Analyse de positions


    Liens faibles
    • Lien hors « triangle »
    • Liens d’ouverture qui donnent accès
      à une variété d’information -> force
      des liens faibles (Granovetter, 1973)
    • Exemple : 4 clusters (liens rouges)
      interconnectés par des liens faibles
      (gris)
          – Plusieurs « hubs » ont tendance à se
            connecter : maximiser les échanges
            d’information
          – Certains liens faibles vont donc se retrouver
            au centre de communautés plus large
          – Pourtant certains liens faibles doivent rester
            faibles : ponts inter communautés, ils
            apportent de l’innovation




        page 27     Département LUSSI                   Cécile Bothorel
(2) Analyse de positions

• Trous structuraux
  - Mesure la redondance des ego-networks (les « triangles »
    incluant ego) (Burt, 1992)
  - Séparation entre deux contacts non redondants
  - Zones peu denses confèrent du pouvoir au centre
  - Proche de la betwenness et de la densité des ego-network
• Equivalence structurelle
  - Nœuds de même voisinage, même centralité…
• Equivalence Régulière
  - Les voisinages sont eux-même équivalents, assurent le
    même rôle
  - Comme deux médecins, deux chefs d’équipe.
• …




page 28   Département LUSSI      Cécile Bothorel
(2) Analyse de positions


    Et puis de nouvelles métriques inventées tous les
    jours
    •   Calcul d'influence dans twitter : RetweetRank
    •   Détection de spam : SpamRank
    •   Calculs de confiance : TrustRank, TidalTrust
    •   Calculs de similarités : SimRank
    •   ...




    page 29   Département LUSSI    Cécile Bothorel
Analyse de réseaux sociaux



(1) Analyse de l’ensemble du réseau
(2) Analyse de positions
(3) Analyse de sous-groupes


18/01/10
(3) Analyse de sous-groupes


      
          La délimitation en groupes n'est pas un a
          priori
          • On ne cherche pas qui appartient à une famille,
            communauté ethnique ...
          • Mettre en évidence une catégorie émergente,
            basée sur l'analyse de la topologie



                                               En pratique, existence de
                                                    zones denses




page 31   Département LUSSI      Cécile Bothorel
(3) Analyse de sous-groupes


    Recherche de groupes
    • Cliques (ou 1-cliques), k-
      cliques : ensemble max de
      nœuds tous reliés à une
      distance k.
    • K-plex (ensemble de n
      nœuds où chacun a un lien
      avec au moins n-k nœuds)

                                       Clique et 2-clique




                                                            2-plex


    page 32   Département LUSSI    Cécile Bothorel
(3) Analyse de sous-groupes


   Détection de communautés
    • Formes plus lâches
    • Gros volumes de données
    • Thématique connaît un
      renouveau avec l'étude de
      grands graphes réels




                                                    Karate Club in an American
                                                    University [Zachary 1977]



    page 33   Département LUSSI   Cécile Bothorel
(3) Analyse de sous-groupes


                                                  
                                                      Quatre types d’approches
                                                      (thèse P. Pons, 2007)
                                                      •   Classiques
                                                      •   Séparatives
                                                      •   Agglomératives
                                                      •   Marches aléatoires




            P. Pons, 2007

          Trouver la partition
    P = {C1, . . . , Ck} qui optimise la
        fonction de qualité Q(P)


page 34   Département LUSSI                Cécile Bothorel
(3) Analyse de sous-groupes

      
          Approches classiques
          • Partitionnement de graphe en k groupes
            - Bissection spectrale (Spectral clustering)
                 – théoriquement solide, basée sur le calcul de vecteur propre
                 – Très coûteuse
            - Méthode de Kernighan et Lin
                 – Bissection en utilisant la coupe minimisant le nombre d’arêtes tombant
                   entre deux coupes
          • Clustering hiérarchique
            - Mesure de similarité entre communauté (distance min, max ou
              moyenne, ou des membres au centroïd de l’autre communauté)
            - Partant avec n communautés, méthode itérative où l’on fusionne des
              communautés les plus proches
            - ou kmeans si on peut fixer k



page 35   Département LUSSI           Cécile Bothorel
(3) Analyse de sous-groupes

    
          Approches séparatives
          • On part d’une communauté unique puis à chaque étape, on
            retire une relation provoquant un découpage en sous-
            communautés
            - Relation la plus centrale par exemple (Girwan et Newman, 2002)
          • Critère d’évalutation de la division en communautés
            - La modularité Q cherche à produire un découpage où le nombre
              d’arêtes reliant les groupes est plus petit que le nombre « attendu »,
              i.e. si on avait découpé aléatoirement.




page 36     Département LUSSI        Cécile Bothorel
(3) Analyse de sous-groupes

    
          Approches agglomératives
          • On part de n communautés composées d’un seul nœud
          • Itérativement, on regroupe les nœuds en communautés, puis
            les communautés entre elles, jusqu’à obtenir une seule
            communauté.
          • Critère d’évalutation de la division en communautés
            - La modularité Q cherche à produire un découpage où le nombre
              d’arêtes reliant les groupes est plus petit que le nombre « attendu »,
              i.e. si on avait découpé aléatoirement.




page 37     Département LUSSI        Cécile Bothorel
(3) Analyse de sous-groupes


    Marches aléatoires
    • Intuition : les marcheurs
      vont se faire piéger dans
      des zones denses
    • Un marcheur va avoir
      tendance à rester dans sa
      communauté si marche
      courte
    • Distance : deux marcheurs
      proches vont voir le même
      voisinage
    • Clustering hiérarchique par
      fusions successives de
      communautés


                                    Computing Communities in Large Networks Using Random Walks
                                    Pascal Pons and Matthieu Latapy, Journal of Graph Algorithms and Applications
                                    http://jgaa.info/ vol. 10, no. 2, pp. 191–218 (2006)


     page 38   Département LUSSI              Cécile Bothorel
Analyse de réseaux sociaux



Cas d’application : le eMarketing


Cécile Bothorel, Laboratoire LUSSI



18/01/10
Buzz




                              
                                  du Buzz
                              
                                  au Marketing viral




page 40   Département LUSSI       Cécile Bothorel
Examples de Buzz positif (1)



    Effet geyser de l'association                     
                                                          2006. L’association des deux
    Mentos et Coca cola light                             produits aurait provoqué la mort
                                                          d’un jeune brésilien.
                                                      
                                                          Documents powerpoint circulent
                                                          par email.
                                                      
                                                          Coca Cola s’est montré assez
                                                          distant au départ vis à vis de
                                                          l’affaire tandis que Mentos l’a
                                                          pleinement exploité.
                                                      
                                                          Mentos : économie d’au moins dix
                                                          millions en pub et +15% de ventes.
                                                      
                                                          Coca Cola : doublé son trafic web
          Fritz Grobe & Stephen Voltz
          http://eepybird.com/history.html



    page 41    Département LUSSI             Cécile Bothorel
Examples de Buzz positif (2)



    Vidéos virales 2009

    Evian : 55 millions de vues
    certifiées par Visible Measures

    T-mobile : opération « Live for
    Sharing » pour le lancement du
    téléphone G1 (Google Phone) en
    Grande Bretagne ? un vrai
    événement terrain

    Samsung : « Sheep LED Art ».

    Volkswagen : « FunTheory »




                                             Lu sur http://www.mediassociaux.com/

     page 42   Département LUSSI   Cécile Bothorel
Examples de buzz négatif (1)


         
             Kryptonite et ses cadenas que l'on ouvre avec un stylo Bic
             • Un simple post sur un forum spécialisé en 2004, une vidéo et
               3 jours après, plus d'un million d'internautes étaient au
               courant
             • coût estimé pour la société : 10 millions de $
         
             John Mac Cain malmené sur YouTube pendant la
             campagne présidentielle en 2008
             • Vidéo « John McCain vs John McCain » montrant des
               incohérences de discours à propos de l'Irak, de la religion,
               des mariages gays
             • Vidéo toujours commentée depuis le 26/01/07
http://intelligenceeconomiquealgerie.blogspot.com/2010/01/e-reputation-12-cas-significatifs.html
Lu le 5 janv 2010


  page 43     Département LUSSI            Cécile Bothorel
Examples de buzz négatif (2)


       
           Les 3 suisses et la TV bradée (90% de réduction) a
           emflammé le web
           • Groupes FB
           • « google bombing » : la marque sort en tête à la
             requête « inadmissible incompétence »
           • Résultat obtenu grâce à (à cause ) d'une dizaine de
             bloggueurs
       
           Dominos Pizza réagit efficacement
           • « garniture très spéciale» de pizzas en vidéo.
           • Excuses publiques, compte Twitter Corporate
http://intelligenceeconomiquealgerie.blogspot.com/2010/01/e-reputation-12-cas-significatifs.html
Lu le 5 janv 2010

 page 44    Département LUSSI             Cécile Bothorel
Buzz



    Bad buzz ou Stratégie bien
    ficelée ?

    Tentant mais
    • difficilement maîtrisable car
      fonctionne par bouche à
      oreille, le message peut être
      déformé
    • durée de vie limitée, un buzz
      en chasse un autre

    Les recettes pour faire du
    bu$$ : un marché à part
    entière

page 45   Département LUSSI      Cécile Bothorel
Marketing viral

                                                   A la différence du buzz, il
                                                    s’agit d’une vraie
                                                    campagne marketing
                                                   Un vrai message
                                                   Particularité, ce sont les
                                                    clients qui véhiculent ce
                                                    message
                                                   Actuellement, beaucoup de
                                                    marques « utilisent » les
                                                    médias sociaux




page 46   Département LUSSI   Cécile Bothorel
Réseaux sociaux et Marketing viral

                                   Viadeo, le réseau social, vient de conclure un
                                    partenariat avec Hotel Reservation Service (HRS)
                                    • HRS : nouveaux clients par “recommandation”,
                                      sans campagne publicitaire, en faisant juste un
                                      effort financier sur le prix des hôtels
                                    • Viadeo vend des abonnements, fidélise ses
                                      membres, qui vont attirer leurs relations…


                                   Mais aussi partenariat avec
                                    • Msn Messenger,
                                    • Club IGR (association des diplômés de l’IAE de
                                      Rennes),
                                    • Partenariat avec l'Apec démarre en janv. 2010 :
                                      communauté Apec, consultation du profil viadéo
                                      des candidats par les recruteurs
                                    • ...

page 47   Département LUSSI   Cécile Bothorel
Réseaux sociaux et Marketing viral




Facebook met
en avant des
marques
         La marque vous
         invite à parrainer
         le message, à
         commenter et à
         propager.
   page 48   Département LUSSI   Cécile Bothorel
Réseaux sociaux et eMarketing


      
          Enjeu : Maîtriser le Bouche à oreille
      
          Comprendre la structure des sites communautaires,
          mais également des réseaux de sites


                               Comment choisir le blogguer qui pourra mieux
                                         parler d'un produit/service ?
                                 Par quel utilisateur twitter se faire suivre ?
                              A quels clients proposer un produit en beta-test ?




page 49   Département LUSSI          Cécile Bothorel
Réseaux sociaux et eMarketing

      
          Analyse de réseaux sociaux
          • Déterminer les individus par qui la compagne doit
            démarrer/passer
            - Les leaders d’opinions (calcul de popularité – centralité de degré,
              pageRank)
            - Les médiateurs (calcul de centralité « stress », « betwenness ») : les
              acteurs qui contrôlent la propagation de l’information en tant que
              passages obligés
            - Les points de référence (calcul de centralité « closeness ») :
              individus les plus proches de tous




page 50   Département LUSSI         Cécile Bothorel
Réseaux sociaux et eMarketing

      
          Analyse de réseaux sociaux
          • Prédire la vitesse, la couverture de la diffusion
            - Calcul de plus courts chemins, de flots maximum
            - Une rumeur sera plus efficace si elle provient de plusieurs sources
              différentes
          • Social contagion
            - Simulation sociale
            - Outils Repast, NetLogo...


                                                     Démo




page 51   Département LUSSI        Cécile Bothorel
Réseaux sociaux et eMarketing

      
          Avec une analyse sémantique, on peut délimiter
          des communautés thématiques
          • Cibler les campagnes
          • Détecter les tendances
          • Les membres situés à la périphérie des communautés
            peuvent servir de passerelle inter-communautés




page 52   Département LUSSI    Cécile Bothorel
Réseaux sociaux et eMarketing


                                                                    
                                                                        Mais ...
                                                                        • Collecte des données pour faire
                                                                          l'analyse du réseau...
                                                                        • Peut-on intervenir sur la
                                                                          structure pour la rendre plus
                                                                          efficace ?
                                                                        • Comprendre, modéliser le
                                                                          réseau de confiance/opinions :
                                                                          un calcul de force des liens ?
                                                                          Un TrustRank ?


Networks, Crowds, and Markets: Reasoning About a Highly Connected
    World By David Easley and Jon Kleinberg, à paraître en 2010



  page 53       Département LUSSI                      Cécile Bothorel
Réseaux sociaux et eMarketing



      
          Et puis surtout
          • Créer un vrai contenu, en faciliter la réplication
          • Surprendre
          • Mobiliser un réseau social, valoriser les clients qui se
            prêtent au jeu. Le client est ROI...
          • Mesure de succès ?




page 54   Département LUSSI       Cécile Bothorel
Analyse de réseaux sociaux



Conclusion


Cécile Bothorel, Laboratoire LUSSI



18/01/10
Domaines d’application

          
               Marketing … mais aussi :
          
               Recherche d’information
               • Ordonnancement des résultats d’une requête, désambiguïsation
                 linguistique, nuage de tags contextuels à une requête…
          
               Recommandation
               • Prédiction d’opinion pour le cinéma, musique…
          
               Terrorisme
               • Acteurs clés dans un réseau d’interaction
          
               Médecine – épidémiologie
               • Prédiction de contamination
          
               Transport, Biologie…



page 56       Département LUSSI     Cécile Bothorel
Les travaux actuels


                                                 Actuellement
                                                 • On sait analyser
                                                   finement des petits
                                                   graphes (quelques
                                                   centaines de nœuds)
                                                 • Des données TIC
                                                   maintenant accessibles
                                                   et volumineuses



                                                  → Grands graphes réels

page 57   Département LUSSI   Cécile Bothorel
Les travaux actuels

      
          Grands graphes réels
          • On sait décrire globalement et statiquement ces graphes
            - difficulté à décrire la dynamique, travaux sur la prédiction de liens
            - difficulté de calculer les métriques riches issues de l'analyse des réseaux
              sociaux
          • On commence à faire des approximations des mesures pour des très
            grands graphes simples
            - Exemple : approximation de la distance moyenne ou le diamètre
          • Algorithmique empirique
            - Revisite les algorithmes pour les graphes « réels » pour tirer partie des
              propriétés observées
            - Problèmes spécifiques à des jeux de données : exemple hypergraphes
              pour les folksonomies




page 58    Département LUSSI          Cécile Bothorel
Les travaux actuels

      
          Problèmes
          • comment collecter des données fidèles ? Vues partielles en pratique
          • comment les modéliser pour ne pas perdre trop d’information ?
          • comment analyser/prédire la dynamique ?
            - Au sens flux (probabilité d’être touché par une maladie ?)
            - Au sens structure (formation, fusion, dissolution de communautés)
          • comment visualiser les grands réseaux ?
          • comment savoir si les communautés découvertes sont pertinentes ?
            comparer les résultats de méthodes différentes ?
      
          Vers une théorie de la complexité
          • des propriétés statiques communes mises en évidence
          • trouver des caractéristiques communes de la dynamique des systèmes
            complexes (Barabasi, www.sciencemag.org, Science, Vol 325, 24 july 2009)




page 59    Département LUSSI            Cécile Bothorel
http://www.slideshare.net/cecile_b/analyse-de-rseaux-sociaux-rels
          Merci




page 60   Département LUSSI              Cécile Bothorel

Contenu connexe

Tendances

Cours Big Data Chap5
Cours Big Data Chap5Cours Big Data Chap5
Cours Big Data Chap5Amal Abid
 
Cours Big Data Chap4 - Spark
Cours Big Data Chap4 - SparkCours Big Data Chap4 - Spark
Cours Big Data Chap4 - SparkAmal Abid
 
TP1 Big Data - MapReduce
TP1 Big Data - MapReduceTP1 Big Data - MapReduce
TP1 Big Data - MapReduceAmal Abid
 
Présentation des bases de données orientées graphes
Présentation des bases de données orientées graphesPrésentation des bases de données orientées graphes
Présentation des bases de données orientées graphesKoffi Sani
 
BigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataBigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataLilia Sfaxi
 
Community detection in social networks
Community detection in social networksCommunity detection in social networks
Community detection in social networksFrancisco Restivo
 
BigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceBigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceLilia Sfaxi
 
Getting Started with Geospatial Data in MongoDB
Getting Started with Geospatial Data in MongoDBGetting Started with Geospatial Data in MongoDB
Getting Started with Geospatial Data in MongoDBMongoDB
 
Cours Big Data Chap2
Cours Big Data Chap2Cours Big Data Chap2
Cours Big Data Chap2Amal Abid
 
Systèmes de recommandation: applications en bibliothèque, archives et documen...
Systèmes de recommandation: applications en bibliothèque, archives et documen...Systèmes de recommandation: applications en bibliothèque, archives et documen...
Systèmes de recommandation: applications en bibliothèque, archives et documen...Ecole hôtelière de Lausanne - EHL
 
BigData_TP5 : Neo4J
BigData_TP5 : Neo4JBigData_TP5 : Neo4J
BigData_TP5 : Neo4JLilia Sfaxi
 
Cours Big Data Chap3
Cours Big Data Chap3Cours Big Data Chap3
Cours Big Data Chap3Amal Abid
 
exercices business intelligence
exercices business intelligence exercices business intelligence
exercices business intelligence Yassine Badri
 
BigData_Chp3: Data Processing
BigData_Chp3: Data ProcessingBigData_Chp3: Data Processing
BigData_Chp3: Data ProcessingLilia Sfaxi
 
BigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-ReduceBigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-ReduceLilia Sfaxi
 
Evaluer la crédibilité d'une ressource sur Internet
Evaluer la crédibilité d'une ressource sur InternetEvaluer la crédibilité d'une ressource sur Internet
Evaluer la crédibilité d'une ressource sur InternetURFIST de Rennes
 
Chp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique DécisionnelleChp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique DécisionnelleLilia Sfaxi
 
Cours socio reseaux-sociaux
Cours socio reseaux-sociauxCours socio reseaux-sociaux
Cours socio reseaux-sociauxRémi Bachelet
 

Tendances (20)

Cours Big Data Chap5
Cours Big Data Chap5Cours Big Data Chap5
Cours Big Data Chap5
 
Big data
Big dataBig data
Big data
 
Cours Big Data Chap4 - Spark
Cours Big Data Chap4 - SparkCours Big Data Chap4 - Spark
Cours Big Data Chap4 - Spark
 
TP1 Big Data - MapReduce
TP1 Big Data - MapReduceTP1 Big Data - MapReduce
TP1 Big Data - MapReduce
 
Présentation des bases de données orientées graphes
Présentation des bases de données orientées graphesPrésentation des bases de données orientées graphes
Présentation des bases de données orientées graphes
 
BigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big DataBigData_Chp1: Introduction à la Big Data
BigData_Chp1: Introduction à la Big Data
 
Community detection in social networks
Community detection in social networksCommunity detection in social networks
Community detection in social networks
 
BigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceBigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-Reduce
 
Getting Started with Geospatial Data in MongoDB
Getting Started with Geospatial Data in MongoDBGetting Started with Geospatial Data in MongoDB
Getting Started with Geospatial Data in MongoDB
 
Cours Big Data Chap2
Cours Big Data Chap2Cours Big Data Chap2
Cours Big Data Chap2
 
Systèmes de recommandation: applications en bibliothèque, archives et documen...
Systèmes de recommandation: applications en bibliothèque, archives et documen...Systèmes de recommandation: applications en bibliothèque, archives et documen...
Systèmes de recommandation: applications en bibliothèque, archives et documen...
 
BigData_TP5 : Neo4J
BigData_TP5 : Neo4JBigData_TP5 : Neo4J
BigData_TP5 : Neo4J
 
Cours Big Data Chap3
Cours Big Data Chap3Cours Big Data Chap3
Cours Big Data Chap3
 
exercices business intelligence
exercices business intelligence exercices business intelligence
exercices business intelligence
 
BigData_Chp3: Data Processing
BigData_Chp3: Data ProcessingBigData_Chp3: Data Processing
BigData_Chp3: Data Processing
 
Data warehouse
Data warehouseData warehouse
Data warehouse
 
BigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-ReduceBigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-Reduce
 
Evaluer la crédibilité d'une ressource sur Internet
Evaluer la crédibilité d'une ressource sur InternetEvaluer la crédibilité d'une ressource sur Internet
Evaluer la crédibilité d'une ressource sur Internet
 
Chp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique DécisionnelleChp1 - Introduction à l'Informatique Décisionnelle
Chp1 - Introduction à l'Informatique Décisionnelle
 
Cours socio reseaux-sociaux
Cours socio reseaux-sociauxCours socio reseaux-sociaux
Cours socio reseaux-sociaux
 

En vedette

Analyser le contexte des personnes dans les réseaux sociaux
Analyser le contexte des personnes dans les réseaux sociauxAnalyser le contexte des personnes dans les réseaux sociaux
Analyser le contexte des personnes dans les réseaux sociauxTakfarinas KENOUCHE
 
E-Tourisme : Votre hébergement touristique sur les réseaux sociaux
 E-Tourisme : Votre hébergement touristique sur les réseaux sociaux  E-Tourisme : Votre hébergement touristique sur les réseaux sociaux
E-Tourisme : Votre hébergement touristique sur les réseaux sociaux etourismetic
 
Réseaux sociaux : usages et pédagogie
Réseaux sociaux : usages et pédagogieRéseaux sociaux : usages et pédagogie
Réseaux sociaux : usages et pédagogieAnne Kuss
 
Observatoire réseaux sociaux 2013 - IFOP
Observatoire réseaux sociaux 2013  - IFOPObservatoire réseaux sociaux 2013  - IFOP
Observatoire réseaux sociaux 2013 - IFOPBuild Green
 
Steve Jobs Inspirational Quotes
Steve Jobs Inspirational QuotesSteve Jobs Inspirational Quotes
Steve Jobs Inspirational QuotesInsideView
 
réseaux sociaux et communautés
réseaux sociaux et communautésréseaux sociaux et communautés
réseaux sociaux et communautésrichard peirano
 
Intégrer les réseaux sociaux dans sa stratégie de communication
Intégrer les réseaux sociaux dans sa stratégie de communicationIntégrer les réseaux sociaux dans sa stratégie de communication
Intégrer les réseaux sociaux dans sa stratégie de communicationComunited
 
Presentation orale d’un mémoire
Presentation orale d’un mémoirePresentation orale d’un mémoire
Presentation orale d’un mémoireNjeugna
 
Obiblio fr-488 cours-marketing-analyse-swot
Obiblio fr-488 cours-marketing-analyse-swotObiblio fr-488 cours-marketing-analyse-swot
Obiblio fr-488 cours-marketing-analyse-swotdongnghi
 

En vedette (10)

Analyser le contexte des personnes dans les réseaux sociaux
Analyser le contexte des personnes dans les réseaux sociauxAnalyser le contexte des personnes dans les réseaux sociaux
Analyser le contexte des personnes dans les réseaux sociaux
 
E-Tourisme : Votre hébergement touristique sur les réseaux sociaux
 E-Tourisme : Votre hébergement touristique sur les réseaux sociaux  E-Tourisme : Votre hébergement touristique sur les réseaux sociaux
E-Tourisme : Votre hébergement touristique sur les réseaux sociaux
 
Réseaux sociaux : usages et pédagogie
Réseaux sociaux : usages et pédagogieRéseaux sociaux : usages et pédagogie
Réseaux sociaux : usages et pédagogie
 
conf emarketing
conf emarketingconf emarketing
conf emarketing
 
Observatoire réseaux sociaux 2013 - IFOP
Observatoire réseaux sociaux 2013  - IFOPObservatoire réseaux sociaux 2013  - IFOP
Observatoire réseaux sociaux 2013 - IFOP
 
Steve Jobs Inspirational Quotes
Steve Jobs Inspirational QuotesSteve Jobs Inspirational Quotes
Steve Jobs Inspirational Quotes
 
réseaux sociaux et communautés
réseaux sociaux et communautésréseaux sociaux et communautés
réseaux sociaux et communautés
 
Intégrer les réseaux sociaux dans sa stratégie de communication
Intégrer les réseaux sociaux dans sa stratégie de communicationIntégrer les réseaux sociaux dans sa stratégie de communication
Intégrer les réseaux sociaux dans sa stratégie de communication
 
Presentation orale d’un mémoire
Presentation orale d’un mémoirePresentation orale d’un mémoire
Presentation orale d’un mémoire
 
Obiblio fr-488 cours-marketing-analyse-swot
Obiblio fr-488 cours-marketing-analyse-swotObiblio fr-488 cours-marketing-analyse-swot
Obiblio fr-488 cours-marketing-analyse-swot
 

Similaire à Analyse de Réseaux Sociaux Réels

Analyse des reseaux sociaux et détection des communautés en ligne
Analyse des reseaux sociaux et détection des communautés en ligneAnalyse des reseaux sociaux et détection des communautés en ligne
Analyse des reseaux sociaux et détection des communautés en ligneJEMLI Fathi
 
Cecile Bothorel 2010 La Cantine Réseaux Sociaux pour la recommandation
Cecile Bothorel 2010 La Cantine Réseaux Sociaux pour la recommandationCecile Bothorel 2010 La Cantine Réseaux Sociaux pour la recommandation
Cecile Bothorel 2010 La Cantine Réseaux Sociaux pour la recommandationCécile Bothorel
 
Sociologie des réseaux sociaux, 1, EHESS/ENS/ENSAE
Sociologie des réseaux sociaux, 1, EHESS/ENS/ENSAESociologie des réseaux sociaux, 1, EHESS/ENS/ENSAE
Sociologie des réseaux sociaux, 1, EHESS/ENS/ENSAEPaola Tubaro
 
S2. Identité - Cultures et Sociabilités du Numérique
S2. Identité - Cultures et Sociabilités du NumériqueS2. Identité - Cultures et Sociabilités du Numérique
S2. Identité - Cultures et Sociabilités du NumériqueBodyspacesociety Blog
 
Identification de leaders d’opinion sur le Web & analyse de réseaux
Identification de leaders d’opinion sur le Web & analyse de réseauxIdentification de leaders d’opinion sur le Web & analyse de réseaux
Identification de leaders d’opinion sur le Web & analyse de réseauxJean Baptiste Mac Luckie
 
L'implication des acteurs TIC du Sud dans les réseaux sociaux thématiques : c...
L'implication des acteurs TIC du Sud dans les réseaux sociaux thématiques : c...L'implication des acteurs TIC du Sud dans les réseaux sociaux thématiques : c...
L'implication des acteurs TIC du Sud dans les réseaux sociaux thématiques : c...Destiny TCHEHOUALI
 
Paris urfist rs_18-03-2011
Paris urfist rs_18-03-2011Paris urfist rs_18-03-2011
Paris urfist rs_18-03-2011URFIST de Paris
 
S1. Socialisation - Cultures et Sociabilités du Numérique
S1. Socialisation - Cultures et Sociabilités du NumériqueS1. Socialisation - Cultures et Sociabilités du Numérique
S1. Socialisation - Cultures et Sociabilités du NumériqueBodyspacesociety Blog
 
Sociologie des réseaux sociaux, 3, EHESS/ENS/ENSAE
Sociologie des réseaux sociaux, 3, EHESS/ENS/ENSAESociologie des réseaux sociaux, 3, EHESS/ENS/ENSAE
Sociologie des réseaux sociaux, 3, EHESS/ENS/ENSAEPaola Tubaro
 
La netnographie, quelles évolutions ?
La netnographie, quelles évolutions ? La netnographie, quelles évolutions ?
La netnographie, quelles évolutions ? Maria Mercanti-Guérin
 
Reseaux sociaux-ens12-p1
Reseaux sociaux-ens12-p1Reseaux sociaux-ens12-p1
Reseaux sociaux-ens12-p1Isabelle Gonon
 
Initiation à l'analyse de réseaux - formation fmr - séance 1
Initiation à l'analyse de réseaux - formation fmr - séance 1Initiation à l'analyse de réseaux - formation fmr - séance 1
Initiation à l'analyse de réseaux - formation fmr - séance 1Marion Maisonobe
 
Réseaux et communautés, 2. Espaces et intensités
Réseaux et communautés, 2. Espaces et intensitésRéseaux et communautés, 2. Espaces et intensités
Réseaux et communautés, 2. Espaces et intensitésrichard peirano
 
Analyse de réseaux en sciences sociales en général... et en histoire en parti...
Analyse de réseaux en sciences sociales en général... et en histoire en parti...Analyse de réseaux en sciences sociales en général... et en histoire en parti...
Analyse de réseaux en sciences sociales en général... et en histoire en parti...Laurent Beauguitte
 
S4. Réseaux sociaux - Cultures et Sociabilités du Numérique
S4. Réseaux sociaux - Cultures et Sociabilités du NumériqueS4. Réseaux sociaux - Cultures et Sociabilités du Numérique
S4. Réseaux sociaux - Cultures et Sociabilités du NumériqueBodyspacesociety Blog
 

Similaire à Analyse de Réseaux Sociaux Réels (20)

Big data vs small data
Big data vs small dataBig data vs small data
Big data vs small data
 
Poster Journée F&R
Poster Journée F&RPoster Journée F&R
Poster Journée F&R
 
Analyse des reseaux sociaux et détection des communautés en ligne
Analyse des reseaux sociaux et détection des communautés en ligneAnalyse des reseaux sociaux et détection des communautés en ligne
Analyse des reseaux sociaux et détection des communautés en ligne
 
Cecile Bothorel 2010 La Cantine Réseaux Sociaux pour la recommandation
Cecile Bothorel 2010 La Cantine Réseaux Sociaux pour la recommandationCecile Bothorel 2010 La Cantine Réseaux Sociaux pour la recommandation
Cecile Bothorel 2010 La Cantine Réseaux Sociaux pour la recommandation
 
Sociologie des réseaux sociaux, 1, EHESS/ENS/ENSAE
Sociologie des réseaux sociaux, 1, EHESS/ENS/ENSAESociologie des réseaux sociaux, 1, EHESS/ENS/ENSAE
Sociologie des réseaux sociaux, 1, EHESS/ENS/ENSAE
 
S2. Identité - Cultures et Sociabilités du Numérique
S2. Identité - Cultures et Sociabilités du NumériqueS2. Identité - Cultures et Sociabilités du Numérique
S2. Identité - Cultures et Sociabilités du Numérique
 
Identification de leaders d’opinion sur le Web & analyse de réseaux
Identification de leaders d’opinion sur le Web & analyse de réseauxIdentification de leaders d’opinion sur le Web & analyse de réseaux
Identification de leaders d’opinion sur le Web & analyse de réseaux
 
L'implication des acteurs TIC du Sud dans les réseaux sociaux thématiques : c...
L'implication des acteurs TIC du Sud dans les réseaux sociaux thématiques : c...L'implication des acteurs TIC du Sud dans les réseaux sociaux thématiques : c...
L'implication des acteurs TIC du Sud dans les réseaux sociaux thématiques : c...
 
Paris urfist rs_18-03-2011
Paris urfist rs_18-03-2011Paris urfist rs_18-03-2011
Paris urfist rs_18-03-2011
 
S1. Socialisation - Cultures et Sociabilités du Numérique
S1. Socialisation - Cultures et Sociabilités du NumériqueS1. Socialisation - Cultures et Sociabilités du Numérique
S1. Socialisation - Cultures et Sociabilités du Numérique
 
Sociologie des réseaux sociaux, 3, EHESS/ENS/ENSAE
Sociologie des réseaux sociaux, 3, EHESS/ENS/ENSAESociologie des réseaux sociaux, 3, EHESS/ENS/ENSAE
Sociologie des réseaux sociaux, 3, EHESS/ENS/ENSAE
 
La netnographie, quelles évolutions ?
La netnographie, quelles évolutions ? La netnographie, quelles évolutions ?
La netnographie, quelles évolutions ?
 
Reseaux sociaux-ens12-p1
Reseaux sociaux-ens12-p1Reseaux sociaux-ens12-p1
Reseaux sociaux-ens12-p1
 
Ic05plan
Ic05planIc05plan
Ic05plan
 
CST2
CST2CST2
CST2
 
Initiation à l'analyse de réseaux - formation fmr - séance 1
Initiation à l'analyse de réseaux - formation fmr - séance 1Initiation à l'analyse de réseaux - formation fmr - séance 1
Initiation à l'analyse de réseaux - formation fmr - séance 1
 
Réseaux et communautés, 2. Espaces et intensités
Réseaux et communautés, 2. Espaces et intensitésRéseaux et communautés, 2. Espaces et intensités
Réseaux et communautés, 2. Espaces et intensités
 
Analyse de réseaux en sciences sociales en général... et en histoire en parti...
Analyse de réseaux en sciences sociales en général... et en histoire en parti...Analyse de réseaux en sciences sociales en général... et en histoire en parti...
Analyse de réseaux en sciences sociales en général... et en histoire en parti...
 
Sfsic17 alexandre coutant
Sfsic17 alexandre coutantSfsic17 alexandre coutant
Sfsic17 alexandre coutant
 
S4. Réseaux sociaux - Cultures et Sociabilités du Numérique
S4. Réseaux sociaux - Cultures et Sociabilités du NumériqueS4. Réseaux sociaux - Cultures et Sociabilités du Numérique
S4. Réseaux sociaux - Cultures et Sociabilités du Numérique
 

Analyse de Réseaux Sociaux Réels

  • 1. Analyse de réseaux sociaux Tour d’horizon Pistes d’application pour le eMarketing Cécile Bothorel, Département LUSSI 18/01/10
  • 2. Quel point commun ?  Réseau physique d'Internet  Graphe du Web qui modélise la structure hypertextuelle du Web  Réseaux sociaux en ligne  Graphe de contact en épidémiologie  Graphes d'échange en économie  Graphe d'interactions protéines  Réseaux sémantiques  Réseau de co-auteurs  Réseau de co-utilisation de tags page 2 Département LUSSI Cécile Bothorel
  • 3. Quel point commun ? http://complexnetworks.fr/ page 3 Département LUSSI Cécile Bothorel
  • 4. Graphes réels  Graphes réels, grands graphes terrain, complex networks  Propriétés structurelles communes • faible densité en arcs, • en moyenne des chemins courts (effet petit monde), • existence de zones denses en arcs, • incidence des sommets en loi de puissance.  Structure de graphe rare d’un point de vue probabiliste → un domaine de recherche jeune →puise ses concepts dans l'analyse de réseaux sociaux page 4 Département LUSSI Cécile Bothorel
  • 5. Analyse de réseaux sociaux Généralités 18/01/10
  • 6. Qu’est-ce qu’un réseau social ?  Point de vue utilisateur  Point de vue analyste page 6 Département LUSSI Cécile Bothorel
  • 7. Qu’est-ce qu’un réseau social ?  Entités sociales • individus, • organisations…  Liens créés lors d’interactions sociales • relation d’amitié, • partenariat, • communication, • intérêt commun, • transmission de maladie… page 7 Département LUSSI Cécile Bothorel
  • 8. Analyse de réseaux sociaux  Décrire une population • non par les traits qui marquent ses membres (age, sexe, revenu, niveau d'étude, etc.) • mais par les relations entre eux  Comprendre et interpréter la structure et le comportement d’un réseau Structure du point de vue performance Position opportunités Émergence de communautés page 8 Département LUSSI Cécile Bothorel
  • 9. Comprendre un réseau page 9 Département LUSSI Cécile Bothorel
  • 10. Analyse de réseaux sociaux  L’analyse des réseaux sociaux n’est pas une discipline nouvelle • 1933 : sociogramme de Jacob Levy Moreno pour objectiver la dynamique du groupe • 1954 : John A. Barnes introduit le terme « réseau social » • 1967 : Stanley Milgram : effet du « petit monde », six degrés de séparation • 1973 : Mark L. Granovetter : la force des contacts faibles • 1998 : PageRank de Google : mesure de pertinence dans l’ordonnancement des réponses aux requêtes http://fr.wikipedia.org/wiki/Fichier:Six_degrees_of_separation.png page 10 Département LUSSI Cécile Bothorel
  • 11. Analyse de réseaux sociaux  Une multitude de représentations • Différents types de relations - Relation directionnelle ou non (flux d’information) - Relation pondérée ou non (fréquence des interactions) - Relation unique ou multiple • Différents types d’entités - Un seul type d’entités pour décrire un réseau d’amis, ou un réseau de blogs ou de pages webs - Deux types d’entités pour décrire des relations médiatées : auteurs – articles, acteurs - films page 11 Département LUSSI Cécile Bothorel
  • 12. Analyse de réseaux sociaux  Des concepts de bases simples - Degré - Chemins (intermédiaires pour relier deux nœuds, sans répéter les nœuds) - Longueur (nombre de liens séparant deux nœuds) - Distance (longueur du plus court chemin) = « distance géodésique » - Composantes (ensemble de nœuds où chacun peut atteindre chacun des autres) - Pont / cutpoint - Clique / quasi-clique - … page 12 Département LUSSI Cécile Bothorel
  • 13. Analyse de réseaux sociaux (1) Analyse de l’ensemble du réseau (2) Analyse de positions (3) Analyse de sous-groupes 18/01/10
  • 14. Analyse de réseaux sociaux (1) Analyse de l’ensemble du réseau (2) Analyse de positions (3) Analyse de sous-groupes 18/01/10
  • 15. (1) Analyse de l’ensemble du réseau  Formes connues de graphes • Graphe aléatoire (Erdös et Rényi, 1959) • Scale-free : attachement préférentiel (A.-L. Barabasi & R. Albert, 1999) • Réseau hiérarchique : scale-free dans les clusters (A.-L. Barabasi et al., 2002) • Petit-monde (D. Watts and S. Strogatz, 1998) Barabasi & Oltvai, vol.5, p101 (february 2004) page 15 Département LUSSI Cécile Bothorel
  • 16. (1) Analyse de l’ensemble du réseau  Graphe aléatoire (Erdös et Rényi, 1959) • N = 10 et p = 0.2. Le réseau croît de façon homogène (pN (N-1)/2 liens) • La plupart des noeuds ont le même degré (proche de la moyenne) • Petit monde page 16 Département LUSSI Cécile Bothorel
  • 17. (1) Analyse de l’ensemble du réseau  Scale-free : attachement préférentiel (A.-L. Barabasi & R. Albert, 1999) • Modèle largement utilisé, trop ? • Décrit une dynamique et une structure page 17 Département LUSSI Cécile Bothorel
  • 18. (1) Analyse de l’ensemble du réseau  Scale-free : attachement préférentiel (A.-L. Barabasi & R. Albert, 1999) • La distribution des degrés en loi de puissance • Présence de hubs rouges qui ont attiré un grand nombre de voisins verts page 18 Département LUSSI Cécile Bothorel
  • 19. (1) Analyse de l’ensemble du réseau • Réseau hiérarchique : scale-free dans les clusters (A.-L. Barabasi et al., 2002) • Petit-monde : petit diamètre de l'ordre de log(N) et fort coefficient de clustering (D. Watts and S. Strogatz, 1998) Barabasi & Oltvai, vol.5, p101 (february 2004) page 19 Département LUSSI Cécile Bothorel
  • 20. (1) Analyse de l’ensemble du réseau  Comprendre la structure globale • Taille • Distance moyenne, diamètre • Connectivité, densité des relations • Distribution des degrés, la variance des degrés • Transitivité – coefficient de clustering • La centralité du graphe Réseau très central qui peut « tourner » autour d’un nœud. Si ce nœud disparaît… page 20 Département LUSSI Cécile Bothorel
  • 21. (1) Analyse de l’ensemble du réseau  Comprendre la structure globale • Core/periphery • Cliques : nombre, taille des cliques page 21 Département LUSSI Cécile Bothorel
  • 22. Analyse de réseaux sociaux (1) Analyse de l’ensemble du réseau (2) Analyse de positions (3) Analyse de sous-groupes 18/01/10
  • 23. (2) Analyse de positions page 23 Département LUSSI Cécile Bothorel
  • 24. (2) Analyse de positions  Positions clés, rôles • Localement exemple : fort degré – beaucoup de voisins immédiats prestigieux influent • Globalement exemple : PageRank : être connecté à des pertinence nœuds importants me donne plus d’importance que d’être connecté à des nœuds peu importants page 24 Département LUSSI Cécile Bothorel
  • 25. (2) Analyse de positions 1 0.473 1 0.733 10 0.000 10 0.423 11 0.000 11 0.423 12 0.000 12 0.423 2 0.009 2 0.478 3 0.009 3 0.478 4 0.009 4 0.478 5 0.009 5 0.478 6 0.009 6 0.478 7 0.100 7 0.611 8 0.618 8 0.688 9 0.000 9 0.423 Accès rapide à l’information d’où qu’elle Médiateur parte Closeness centrality est Betweenness centrality est le l’inverse de la somme des nombre de fois qu’un nœud se distances entre ce nœud et trouve sur le plus court chemin chacun des autres entre deux autres noeuds page 25 Département LUSSI Cécile Bothorel
  • 26. (2) Analyse de positions  Centralité(s) • Basée sur les calculs de plus courts chemins - Degree centrality (popularité, comportement grégaire) - Betweenness centrality (médiateur ou goulot d’étranglement) - Closeness centrality (proximité, sera informé plus rapidement) - Flow betweenness (contribution à augmenter le flot) • Basée sur les marches (on peut repasser par un nœud ou un lien plusieurs fois) - Bonacich power = eigenvector centrality (version itérative de la centralité de degré) (importance, haut-risque d’infection) - Katz, Hubbel (influence, « qui a entendu ce qu’il a dit ? ») PageRank (être pointé par des sites importants rend important) Liste de calculs disponibles dans l’outil UCINET page 26 Département LUSSI Cécile Bothorel
  • 27. (2) Analyse de positions  Liens faibles • Lien hors « triangle » • Liens d’ouverture qui donnent accès à une variété d’information -> force des liens faibles (Granovetter, 1973) • Exemple : 4 clusters (liens rouges) interconnectés par des liens faibles (gris) – Plusieurs « hubs » ont tendance à se connecter : maximiser les échanges d’information – Certains liens faibles vont donc se retrouver au centre de communautés plus large – Pourtant certains liens faibles doivent rester faibles : ponts inter communautés, ils apportent de l’innovation page 27 Département LUSSI Cécile Bothorel
  • 28. (2) Analyse de positions • Trous structuraux - Mesure la redondance des ego-networks (les « triangles » incluant ego) (Burt, 1992) - Séparation entre deux contacts non redondants - Zones peu denses confèrent du pouvoir au centre - Proche de la betwenness et de la densité des ego-network • Equivalence structurelle - Nœuds de même voisinage, même centralité… • Equivalence Régulière - Les voisinages sont eux-même équivalents, assurent le même rôle - Comme deux médecins, deux chefs d’équipe. • … page 28 Département LUSSI Cécile Bothorel
  • 29. (2) Analyse de positions  Et puis de nouvelles métriques inventées tous les jours • Calcul d'influence dans twitter : RetweetRank • Détection de spam : SpamRank • Calculs de confiance : TrustRank, TidalTrust • Calculs de similarités : SimRank • ... page 29 Département LUSSI Cécile Bothorel
  • 30. Analyse de réseaux sociaux (1) Analyse de l’ensemble du réseau (2) Analyse de positions (3) Analyse de sous-groupes 18/01/10
  • 31. (3) Analyse de sous-groupes  La délimitation en groupes n'est pas un a priori • On ne cherche pas qui appartient à une famille, communauté ethnique ... • Mettre en évidence une catégorie émergente, basée sur l'analyse de la topologie En pratique, existence de zones denses page 31 Département LUSSI Cécile Bothorel
  • 32. (3) Analyse de sous-groupes  Recherche de groupes • Cliques (ou 1-cliques), k- cliques : ensemble max de nœuds tous reliés à une distance k. • K-plex (ensemble de n nœuds où chacun a un lien avec au moins n-k nœuds) Clique et 2-clique 2-plex page 32 Département LUSSI Cécile Bothorel
  • 33. (3) Analyse de sous-groupes  Détection de communautés • Formes plus lâches • Gros volumes de données • Thématique connaît un renouveau avec l'étude de grands graphes réels Karate Club in an American University [Zachary 1977] page 33 Département LUSSI Cécile Bothorel
  • 34. (3) Analyse de sous-groupes  Quatre types d’approches (thèse P. Pons, 2007) • Classiques • Séparatives • Agglomératives • Marches aléatoires P. Pons, 2007 Trouver la partition P = {C1, . . . , Ck} qui optimise la fonction de qualité Q(P) page 34 Département LUSSI Cécile Bothorel
  • 35. (3) Analyse de sous-groupes  Approches classiques • Partitionnement de graphe en k groupes - Bissection spectrale (Spectral clustering) – théoriquement solide, basée sur le calcul de vecteur propre – Très coûteuse - Méthode de Kernighan et Lin – Bissection en utilisant la coupe minimisant le nombre d’arêtes tombant entre deux coupes • Clustering hiérarchique - Mesure de similarité entre communauté (distance min, max ou moyenne, ou des membres au centroïd de l’autre communauté) - Partant avec n communautés, méthode itérative où l’on fusionne des communautés les plus proches - ou kmeans si on peut fixer k page 35 Département LUSSI Cécile Bothorel
  • 36. (3) Analyse de sous-groupes  Approches séparatives • On part d’une communauté unique puis à chaque étape, on retire une relation provoquant un découpage en sous- communautés - Relation la plus centrale par exemple (Girwan et Newman, 2002) • Critère d’évalutation de la division en communautés - La modularité Q cherche à produire un découpage où le nombre d’arêtes reliant les groupes est plus petit que le nombre « attendu », i.e. si on avait découpé aléatoirement. page 36 Département LUSSI Cécile Bothorel
  • 37. (3) Analyse de sous-groupes  Approches agglomératives • On part de n communautés composées d’un seul nœud • Itérativement, on regroupe les nœuds en communautés, puis les communautés entre elles, jusqu’à obtenir une seule communauté. • Critère d’évalutation de la division en communautés - La modularité Q cherche à produire un découpage où le nombre d’arêtes reliant les groupes est plus petit que le nombre « attendu », i.e. si on avait découpé aléatoirement. page 37 Département LUSSI Cécile Bothorel
  • 38. (3) Analyse de sous-groupes  Marches aléatoires • Intuition : les marcheurs vont se faire piéger dans des zones denses • Un marcheur va avoir tendance à rester dans sa communauté si marche courte • Distance : deux marcheurs proches vont voir le même voisinage • Clustering hiérarchique par fusions successives de communautés Computing Communities in Large Networks Using Random Walks Pascal Pons and Matthieu Latapy, Journal of Graph Algorithms and Applications http://jgaa.info/ vol. 10, no. 2, pp. 191–218 (2006) page 38 Département LUSSI Cécile Bothorel
  • 39. Analyse de réseaux sociaux Cas d’application : le eMarketing Cécile Bothorel, Laboratoire LUSSI 18/01/10
  • 40. Buzz  du Buzz  au Marketing viral page 40 Département LUSSI Cécile Bothorel
  • 41. Examples de Buzz positif (1)  Effet geyser de l'association  2006. L’association des deux Mentos et Coca cola light produits aurait provoqué la mort d’un jeune brésilien.  Documents powerpoint circulent par email.  Coca Cola s’est montré assez distant au départ vis à vis de l’affaire tandis que Mentos l’a pleinement exploité.  Mentos : économie d’au moins dix millions en pub et +15% de ventes.  Coca Cola : doublé son trafic web Fritz Grobe & Stephen Voltz http://eepybird.com/history.html page 41 Département LUSSI Cécile Bothorel
  • 42. Examples de Buzz positif (2)  Vidéos virales 2009  Evian : 55 millions de vues certifiées par Visible Measures  T-mobile : opération « Live for Sharing » pour le lancement du téléphone G1 (Google Phone) en Grande Bretagne ? un vrai événement terrain  Samsung : « Sheep LED Art ».  Volkswagen : « FunTheory » Lu sur http://www.mediassociaux.com/ page 42 Département LUSSI Cécile Bothorel
  • 43. Examples de buzz négatif (1)  Kryptonite et ses cadenas que l'on ouvre avec un stylo Bic • Un simple post sur un forum spécialisé en 2004, une vidéo et 3 jours après, plus d'un million d'internautes étaient au courant • coût estimé pour la société : 10 millions de $  John Mac Cain malmené sur YouTube pendant la campagne présidentielle en 2008 • Vidéo « John McCain vs John McCain » montrant des incohérences de discours à propos de l'Irak, de la religion, des mariages gays • Vidéo toujours commentée depuis le 26/01/07 http://intelligenceeconomiquealgerie.blogspot.com/2010/01/e-reputation-12-cas-significatifs.html Lu le 5 janv 2010 page 43 Département LUSSI Cécile Bothorel
  • 44. Examples de buzz négatif (2)  Les 3 suisses et la TV bradée (90% de réduction) a emflammé le web • Groupes FB • « google bombing » : la marque sort en tête à la requête « inadmissible incompétence » • Résultat obtenu grâce à (à cause ) d'une dizaine de bloggueurs  Dominos Pizza réagit efficacement • « garniture très spéciale» de pizzas en vidéo. • Excuses publiques, compte Twitter Corporate http://intelligenceeconomiquealgerie.blogspot.com/2010/01/e-reputation-12-cas-significatifs.html Lu le 5 janv 2010 page 44 Département LUSSI Cécile Bothorel
  • 45. Buzz  Bad buzz ou Stratégie bien ficelée ?  Tentant mais • difficilement maîtrisable car fonctionne par bouche à oreille, le message peut être déformé • durée de vie limitée, un buzz en chasse un autre  Les recettes pour faire du bu$$ : un marché à part entière page 45 Département LUSSI Cécile Bothorel
  • 46. Marketing viral  A la différence du buzz, il s’agit d’une vraie campagne marketing  Un vrai message  Particularité, ce sont les clients qui véhiculent ce message  Actuellement, beaucoup de marques « utilisent » les médias sociaux page 46 Département LUSSI Cécile Bothorel
  • 47. Réseaux sociaux et Marketing viral  Viadeo, le réseau social, vient de conclure un partenariat avec Hotel Reservation Service (HRS) • HRS : nouveaux clients par “recommandation”, sans campagne publicitaire, en faisant juste un effort financier sur le prix des hôtels • Viadeo vend des abonnements, fidélise ses membres, qui vont attirer leurs relations…  Mais aussi partenariat avec • Msn Messenger, • Club IGR (association des diplômés de l’IAE de Rennes), • Partenariat avec l'Apec démarre en janv. 2010 : communauté Apec, consultation du profil viadéo des candidats par les recruteurs • ... page 47 Département LUSSI Cécile Bothorel
  • 48. Réseaux sociaux et Marketing viral Facebook met en avant des marques La marque vous invite à parrainer le message, à commenter et à propager. page 48 Département LUSSI Cécile Bothorel
  • 49. Réseaux sociaux et eMarketing  Enjeu : Maîtriser le Bouche à oreille  Comprendre la structure des sites communautaires, mais également des réseaux de sites Comment choisir le blogguer qui pourra mieux parler d'un produit/service ? Par quel utilisateur twitter se faire suivre ? A quels clients proposer un produit en beta-test ? page 49 Département LUSSI Cécile Bothorel
  • 50. Réseaux sociaux et eMarketing  Analyse de réseaux sociaux • Déterminer les individus par qui la compagne doit démarrer/passer - Les leaders d’opinions (calcul de popularité – centralité de degré, pageRank) - Les médiateurs (calcul de centralité « stress », « betwenness ») : les acteurs qui contrôlent la propagation de l’information en tant que passages obligés - Les points de référence (calcul de centralité « closeness ») : individus les plus proches de tous page 50 Département LUSSI Cécile Bothorel
  • 51. Réseaux sociaux et eMarketing  Analyse de réseaux sociaux • Prédire la vitesse, la couverture de la diffusion - Calcul de plus courts chemins, de flots maximum - Une rumeur sera plus efficace si elle provient de plusieurs sources différentes • Social contagion - Simulation sociale - Outils Repast, NetLogo... Démo page 51 Département LUSSI Cécile Bothorel
  • 52. Réseaux sociaux et eMarketing  Avec une analyse sémantique, on peut délimiter des communautés thématiques • Cibler les campagnes • Détecter les tendances • Les membres situés à la périphérie des communautés peuvent servir de passerelle inter-communautés page 52 Département LUSSI Cécile Bothorel
  • 53. Réseaux sociaux et eMarketing  Mais ... • Collecte des données pour faire l'analyse du réseau... • Peut-on intervenir sur la structure pour la rendre plus efficace ? • Comprendre, modéliser le réseau de confiance/opinions : un calcul de force des liens ? Un TrustRank ? Networks, Crowds, and Markets: Reasoning About a Highly Connected World By David Easley and Jon Kleinberg, à paraître en 2010 page 53 Département LUSSI Cécile Bothorel
  • 54. Réseaux sociaux et eMarketing  Et puis surtout • Créer un vrai contenu, en faciliter la réplication • Surprendre • Mobiliser un réseau social, valoriser les clients qui se prêtent au jeu. Le client est ROI... • Mesure de succès ? page 54 Département LUSSI Cécile Bothorel
  • 55. Analyse de réseaux sociaux Conclusion Cécile Bothorel, Laboratoire LUSSI 18/01/10
  • 56. Domaines d’application  Marketing … mais aussi :  Recherche d’information • Ordonnancement des résultats d’une requête, désambiguïsation linguistique, nuage de tags contextuels à une requête…  Recommandation • Prédiction d’opinion pour le cinéma, musique…  Terrorisme • Acteurs clés dans un réseau d’interaction  Médecine – épidémiologie • Prédiction de contamination  Transport, Biologie… page 56 Département LUSSI Cécile Bothorel
  • 57. Les travaux actuels  Actuellement • On sait analyser finement des petits graphes (quelques centaines de nœuds) • Des données TIC maintenant accessibles et volumineuses → Grands graphes réels page 57 Département LUSSI Cécile Bothorel
  • 58. Les travaux actuels  Grands graphes réels • On sait décrire globalement et statiquement ces graphes - difficulté à décrire la dynamique, travaux sur la prédiction de liens - difficulté de calculer les métriques riches issues de l'analyse des réseaux sociaux • On commence à faire des approximations des mesures pour des très grands graphes simples - Exemple : approximation de la distance moyenne ou le diamètre • Algorithmique empirique - Revisite les algorithmes pour les graphes « réels » pour tirer partie des propriétés observées - Problèmes spécifiques à des jeux de données : exemple hypergraphes pour les folksonomies page 58 Département LUSSI Cécile Bothorel
  • 59. Les travaux actuels  Problèmes • comment collecter des données fidèles ? Vues partielles en pratique • comment les modéliser pour ne pas perdre trop d’information ? • comment analyser/prédire la dynamique ? - Au sens flux (probabilité d’être touché par une maladie ?) - Au sens structure (formation, fusion, dissolution de communautés) • comment visualiser les grands réseaux ? • comment savoir si les communautés découvertes sont pertinentes ? comparer les résultats de méthodes différentes ?  Vers une théorie de la complexité • des propriétés statiques communes mises en évidence • trouver des caractéristiques communes de la dynamique des systèmes complexes (Barabasi, www.sciencemag.org, Science, Vol 325, 24 july 2009) page 59 Département LUSSI Cécile Bothorel
  • 60. http://www.slideshare.net/cecile_b/analyse-de-rseaux-sociaux-rels Merci page 60 Département LUSSI Cécile Bothorel