Analiza (socijalnih) mreža

Analiza(socijalnih)

mreža: P R A K T I Č N A P R I M J E N A

doc. dr. sc. Robert Kopal

Darija Korkut

Saša Krnjašic

4

doc. dr. sc. ROBERT KOPAL • DARIJA KORKUT • SAŠA KRNJAŠIĆANALIZA (SOCIJALNIH) MREŽA: praktična primjena

doc. dr. sc. ROBERT KOPAL, DARIJA KORKUT, SAŠA KRNJAŠIĆ ANALIZA (SOCIJALNIH) MREŽA: praktična primjena

Nakladnici Algebra d. o. o., Zagreb IN2data d. o. o., Zagreb

Za nakladnika mr. sc. Mislav Balković dr. sc. Leo Mršić

Urednik dr. sc. Branimir Dropuljić

Recenzenti prof. dr. sc. Ivo Andrijanić, DIU Libertas Međunarodno sveučilište, profesor emeritus

dr. sc. Duško Pavlović, DIU Libertas Međunarodno sveučilište, docent i profesor visoke škole u trajnom zvanju

Lektorica Ina Rogošić Blagojević

Grafički urednik Zlatan Morić

Tisak Kerschoffset, Zagreb

Naklada 500 primjeraka

Copyright © Robert Kopal, Darija Korkut, Saša Krnjašić, Zagreb 2016. (Sva prava pridržana)

CIP zapis je dostupan u računalnome katalogu Nacionalne i sveučilišne knjižnice u Zagrebu pod brojem 000929434.

ISBN 978-953-322-221-9

doc. dr. sc. ROBERT KOPAL • DARIJA KORKUT • SAŠA KRNJAŠIĆ

ANALIZA (SOCIJALNIH) MREŽA: praktična primjena

Zagreb, travanj 2016.

4

O autorima

5

doc. dr. sc. Robert Kopal, znanstveni suradnik; profesor visoke škole u trajnom zvanju; znanstveni direktor u IN2data d. o. o. Data Science Company, gdje je suosnivač i stariji partner; prodekan za istraživanje i razvoj na Visokom učili-štu Algebra te voditelj diplomskog studija Digitalni marketing; predaje na više visokih učilišta u RH te na CROMA EduCare programu (Hrvatsko udruže-nje menadžera i poduzetnika); objavio devet knjiga u RH i inozemstvu; autor više poglavlja u knjigama te četrdesetak stručnih i znanstvenih radova u RH i inozemstvu; voditelj i predavač na stotinjak poslovnih i analitičkih radionica; dizajnirao nekoliko specijaliziranih informacijskih sustava; certificirani trener iz područja strukturiranih analitičkih tehnika i analitičkog SW-a; član SCIP-a (Strategic and Competitive Intelligence Professionals) te organizacija IALEIA (International Association of Law Enforcement Intelligence Analysts) i BDVA (Big Data Value Association); član uredništva u International Journal of Eco-nomics & Management Sciences te u Global Journal of Technology and Opti-mization; izlagao na mnogim domaćim i međunarodnim konferencijama te sudjelovao i vodio više nacionalnih i međunarodnih analitičkih projekata; član Nacionalnog vijeća za razvoj ljudskih potencijala.

Darija Korkut, mag. angl.; objavila pet knjiga i desetak stručnih i znanstvenih radova; urednica knjige Roberta Kopala »Ekonomska analiza međunarodnog terorizma«; viši predavač na Visokom učilištu Algebra na kojem predaje kolegije iz područja analitičkih tehnika i metoda (kreativnost, kritičko mišljenje, struktu-rirane analitičke tehnike, poslovna inteligencija, tehnike poslovne analize, teorija igara) te bihevioralnu ekonomiju; sudjelovala na više domaćih i međunarodnih analitičkih radionica (NATO i dr.); predaje na mnogim poslovnim i analitičkim radionicama; posjeduje međunarodne certifikate iz područja strukturiranih ana-litičkih tehnika.

Saša Krnjašić, zaposlen u Centru za forenzična ispitivanja, istraživanja i vješta-čenja kao vještak za računala i digitalne zapise; prije toga više godina radio kao kriminalističko-obavještajni analitičar u Ministarstvu unutarnjih poslova RH; certificirani računalni forenzičar (CFCE) i certificirani trener kriminalističko obavještajne analitike; sudjeluje u održavanju tečaja korištenja analitičkog sof-tvera Analyst’s Notebook, osnova kriminalističke analitike te računalne foren-zike; autor više poglavlja u tri knjige te nekoliko stručnih i znanstvenih radova; član IACIS-a (The International Associationa of Computer Investigative Specia-lists); sudjelovao u dva međunarodna projekta.

6

O suradnicima

7

dr. sc. Leo Mršić, znanstveni suradnik; doktorirao iz područja informacijskih znanosti na temu modeliranja sustava za podršku odlučivanju u složenim tržiš-nim uvjetima na katedri za informatologiju Filozofskog fakulteta Sveučilišta u Zagrebu; dodatno se usavršavao na Oracle akademiji na projektiranju informa-cijskih sustava, administraciji baza podataka i BI rješenja; profesor visoke škole; voditelj Katedre za analizu podataka na Visokom učilištu Algebra te predaje na više drugih učilišta; stalni sudski vještak za područja financija, računovodstva i informatike; CEO, suosnivač i stariji partner u IN2data d. o. o. Data Science Company; sudionik više domaćih i međunarodnih konferencija, s radovima vezanim uz razne aspekte poslovanja (analiza učinkovitosti poslovanja, digitalni podaci i marketing, sustavi podrške odlučivanju, optimizacija organizacije, pri-mjena napredne analitike u poslovanju); koautor i suradnik na više knjiga te više znanstvenih i stručnih radova iz područja primjene metoda poslovne inteligencije u poslovanju; član upravnog odbora HrOUG-a (Hrvatske udruge Oracle kori-snika), udruge YES (Young Executives Society) Hrvatska te Hrvatskog društva sudskih vještaka (HDSV).

dr. sc. Goran Klepac, znanstveni suradnik; profesor visoke škole u trajnom zva-nju; posjeduje doktorat znanosti s područja temporalnog data mininga koji je stekao na Fakultetu organizacije i informatike u Varaždinu; direktor strateškog razvoja, upravljanja kreditnim rizicima u Raiffeisen banci; predaje na više visokih učilišta u RH; ima dugogodišnje konzultantsko iskustvo u domeni otkrivanja znanja iz baza podataka (data mining, poslovna inteligencija) u različitim gra-nama gospodarstva (prediktivni churn modeli, preventivni churn modeli, fraud detection modeli, segmentacijski modeli, predikcijski modeli, modeli kreditnih rizika, prospective customer value calculation modeli, sustavi ranog upozorenja); autor je i koautor dvadesetak knjiga u zemlji i inozemstvu te autor većeg broja znanstvenih radova; član je uredništva više znanstvenih časopisa u inozemstvu iz domene data mininga, napredne analitike, optimizacijskih metoda; aktivno se bavi znanstvenim radom.

dr. sc. Branimir Dropuljić, doktorirao na području tehničkih znanosti na Fakul-tetu elektrotehnike i računarstva Sveučilišta u Zagrebu, tema doktorata "Esti-macija emocionalnih stanja zasnovana na dubinskoj analizi akustičkih značajki govornoga signala"; radi kao podatkovni znanstvenik u IN2data d. o. o. Data Science Company, gdje se bavi analizom kvalitativnih, prozodijskih i afektivnih svojstava glasa te razvojem govornih tehnologija; ima dugogodišnje iskustvo u izvođenju nastave na predmetima digitalne obrade signala i interaktivnih simu-lacijskih sustava na Fakultetu elektrotehnike i računarstva; sudjelovao na više

8

međunarodnih konferencija; koautor jednog udžbenika i šesnaest znanstvenih radova s međunarodnom recenzijom, od kojih su četiri rada u časopisima "A" kategorije; područja interesa su mu digitalna obrada govora, automatsko prepo-znavanje govora, afektivno računarstvo, HCI (Human-Computer Interaction) i neuroznanost.

mr. sc. Nataša Trojak, viši predavač i prodekan za studente na Visokom učilištu Algebra; predavač ekonomske grupe predmeta; doktorand na studiju psihologije Filozofskog fakulteta u Zagrebu u području organizacijske psihologije; završila program stručnog usavršavanja Nadzor i korporativno upravljanje; gotovo 20 godina rada u struci u domaćim i stranim poduzećima na menadžerskim pozi-cijama; koautor u osam knjiga te autor i koautor u preko dvadeset stručnih i znanstvenih članaka; izlagač na domaćim i stranim stručnim i znanstvenim kon-ferencijama; autor nekoliko internih priručnika za kolegije na Visokom učilištu Algebra; predavač na brojnim radionicama u brojnim institucijama i poduze-ćima.

mr. sc. Igor Kaluđer diplomirao je na Ekonomskom fakultetu Sveučilišta u Zagrebu. Magistrirao je na Sveučilištu u Bolonji. Trenutačno je doktorand na Fakultetu organizacije i informatike Sveučilišta u Zagrebu. Do sada je bio autor triju poglavlja u knjizi »Kompetitivna analiza«, nekoliko znanstvenih radova na međunarodnim konferencijama te dvadesetak stručnih radova. Predavao je kole-gije vezane za kvantitativnu analizu i modeliranje, analizu rizika, sustave potpore odlučivanju i informacijske tehnologije na nekoliko visokih škola.Trenutačno je zaposlen u IN2Data d. o. o., na mjestu direktora operacija. Prije toga bio je direktor tvrtke Sunoptos d. o. o. Niz godina proveo je u bankarskom sektoru baveći se kvantitativnom analizom i modeliranjem kreditnog rizika. Zadnja pozicija u bankarstvu koju je držao bila je direktor modeliranja kredit-nog rizika u Zagrebačkoj banci.

Zlatan Morić, struč. spec. ing. comp., podatkovni znanstvenik u IN2data d. o. o. Data Science Company i asistent na Visokom učilištu Algebra; stručnjak za analitičke sustave potpore odlučivanju; napisao dva priručnika za nastavu; ure-dio osam srednjoškolskih udžbenika iz informatike; koautor dvaju znanstvenih radova; predavač na specijalističkim tečajevima iz područja informatike (sistem-sko inženjerstvo i sigurnost); certificirani trener Microsofta i EC-Councila te nositelj više industrijskih certifikata (MCT, MCSE, MCSA, CEH, CEI, ITIL, MOF, ACTC...); član Data Science Associationa.

9

Zdravko Kunić, struč. spec. ing. comp., podatkovni znanstvenik u IN2data d. o. o. Data Science Company; stručnjak za baze podataka, analitičke sustave za pot-poru odlučivanju te računalno modeliranje i vizualizaciju; nositelj više industrij-skih certifikata s područja informacijskih tehnologija; dizajnirao više specijalizi-ranih informacijskih sustava i baza podataka u domeni osiguranja, javne uprave, meteorologije, kulture, upravljanja prometom i dr.; vodio desetak razvojnih pro-jekata na području informacijskih tehnologija i industrijske elektronike.

Vjeran Kokanović, struč. spec. ing. comp., podatkovni znanstvenik u IN2data d. o. o. Data Science Company; ekspert za područje zdravstva i medicine, arhi-tekt i programer primijenjenih programskih rješenja.

Siniša Urošev, mag. mat., diplomirao na Prirodoslovno-matematičkom fakul-tetu Sveučilišta u Zagrebu na diplomskom studiju Matematička statistika s izvr-snim uspjehom, podatkovni istraživač u IN2data d. o. o. Data Science Company, certificirani IBM stručnjak – SPSS Statistics, sudjelovao na projektu izrade algo-ritma za trgovanje dionicama u suradnji sa stranim investicijskim fondom.

Nikola Medaković, mag. ing. comp., diplomirao na Fakultetu elektrotehnike i računarstva Sveučilišta u Zagrebu, podatkovni istraživač u IN2data d. o. o. Data Science Company, za vrijeme studija radio u Iskon Internetu d. d. kao mlađi podatkovni inženjer te u Ericsson Nikoli Tesli d. d. kao softverski inženjer.

10

Predgovor

11

Dragi čitatelji,

»U ruci držite plod ideje čija je iskra planula prije više od petnaest godina. Riječ je o primjeni strukturiranih analitičkih tehnika u poslovanju.Naravno, ta je ideja evoluirala, prateći trendove i potrebe suvremenih gospodar-skih i drugih subjekata. Tako je započela priča o kompetitivnoj analizi.Osmišljavajući integralni pristup kompetitivnoj analizi, uočili smo potrebu ostvarenja sinergijskog učinka primjene različitih analitičkih tehnika nad istim poslovnim problemskim prostorom....« Ne možemo zamisliti drugačiji početak Predgovora ove knjige od citiranja uvod-nih rečenica iz naše prethodne knjige Tehnike kompetitivne analize1. Jedno od poglavlja u navedenoj knjizi odnosi se na mrežnu analizu, a u sklopu tog poglav-lja i na analizu (socijalnih) mreža (SNA). Mrežama se bavimo više od 20 godina. Mreže su svuda oko nas. Primjenju-jući strukturirane analitičke tehnike mogli bismo utemeljeno postaviti hipotezu koja glasi: »postoji golem potencijal mreža i mrežnog načina razmišljanja koji nije dovoljno iskorišten«. Upravo smo tu hipotezu imali na umu pri pisanju ove knjige, no i ta je ideja (začeta prije više od petnaest godina) doživjela svoju evo-luciju pa i revoluciju. Može se reći da je sjeme te ideje posijano objavljivanjem knjige Primjena analitičkog softvera2, namijenjene stručnom osposobljavanju analitičara, s obzirom na to da su u njoj obrađeni alati kojima se mogu izvoditi mnogobrojne analitičke tehnike: analiza povezanosti, mrežna analiza, analiza tijeka roba, telefonskih zapisa, tijeka događaja i dr.Nastavak evolucije te ideje slijedile su knjige o kompetitivnoj analizi – uz pret-hodno navedene, to su i knjige Kompetitivna analiza 1: poslovne i ekspertne kvantitativne analitičke tehnike3 i Kompetitivna analiza 2: strukturirane i kreativne analitičke tehnike4.

1 Kopal, R. i Korkut, D. (2014) Tehnike kompetitivne analize, Zagreb: Visoko učilište Effectus i IN2data d. o. o.

2 Kopal, R. (2002) Primjena analitičkog softvera, Zagreb: Ministarstvo unutarnjih poslova Repu-blike Hrvatske.

3 Kopal, R. i Korkut, D. (2011) Kompetitivna analiza 1 - poslovne i ekspertne kvantitativne anali-tičke tehnike, Zagreb: Comminus d. o. o. i Visoko učilište Effectus

4 Kopal, R. i Korkut, D. (2011) Kompetitivna analiza 2 - strukturirane i kreativne analitičke teh-nike, Zagreb: Comminus d. o. o. i Visoko učilište Effectus.

12

Godine 2014. objavljena je knjiga Ekonomska analiza međunarodnog tero-rizma5, u kojoj je poglavlje pod nazivom »Primjena SNA u suzbijanju međuna-rodnog terorizma« posvećeno specifičnoj primjeni analize socijalnih mreža.I eto, 2016. godine objavljujemo knjigu Analiza (socijalnih) mreža: praktična primjena.Prethodnim rečenicama pokušali smo dočarati evoluciju ideje mrežne analize, a onda se dogodila znanost o podacima (data science) – revolucija.Već neko vrijeme traje opća diskusija i pokušaj da se jednostavno definira pojam data science, međutim, prema našemu mišljenju najbolja jest definicija Booza Allena Hamiltona (The Field Guide to Data Science): »Describing Data Science... is like trying to describe a sunset... it should be easy... but somehow capturing the words is impossible...«. Trud iznalaženja jednostavne, a opet sveobuhvatne definicije data sciencea rezul-tirao je sljedećim: data science jest umijeće pretvaranja podataka u akcije (»Data Science is the art of turning data into actions...«).

Data Science je poput kuhanja…GLAD

je poslovni problemHRANA je rješenjeRECEPTIsu smjernicePODACIsu sastojci

Budući da…RAZLIČITI KUHARI

drukčije pripremaju hranu spravljenu od istih sastojakaSLADOKUSCI

su katkada siti, a katkada gladniTko čini razliku?

PODATKOVNI ZNANSTVENICIi njihove inovacije koje jela čine neodoljivima

Oni su…ŠEFOVI KUHINJA PODATAKA

5 Kopal, R. (2014) Ekonomska analiza međunarodnog terorizma, Zagreb: Visoko učilište Effe-ctus.

13

Za tako nešto potrebna su posebna znanja i vještine, a jedna od metoda jest i analiza (socijalnih) mreža.Međutim, što je još važnije, potrebni su vam podatkovni znanstvenici (data scientisti).Tko je data scientist ili podatkovni znanstvenik?U Mreži, časopisu za IT-profesionalce iz ožujka 2015., pokušali smo što jedno-stavnije dati odgovor na to kompleksno pitanje.6

Vrlo, vrlo, vrlo sažeto rečeno, data science je za nas zna nje i vještina integriranja, analize i interpretiranja podataka u digitalnom obliku. Dakle, pri definiranju pojma data science, ključni je sastojak interdisciplinarno znanje u kombinaciji s analitičkim vještinama.Tijekom svibnja 2014. provedeno je istraživanje (Visoko učilište Algebra u suradnji s portalom MojPosao) radi uvida u raspoloživost i kvalitetu traženih kadrova u rastućem području data sciencea u Hrvatskoj. Rezultati provedenog istraživanja i empirijski su potvrdili kako je data science nužno promatrati u širem kontekstu. Podatkovni znanstvenik posjeduje razvijenu poslovnu pronicljivost i sposobnost prenošenja rezultata i poslovnom i IT-menadžmentu pa tako omo-gućuje organizaciji da se na najbolji način suočava s poslovnim izazo vima i pro-blemima. Podatkovni znanstvenik nije samo analitičar koji prikuplja podatke i izvješćuje o rezultatima nego ih izučava i utvrđuje njihovo značenje iz različitih kutova te daje preporuke za njihovu primjenu. Podatkovni znanstvenik istražuje, postavlja pitanja, izrađuje analize what if i iznova provjerava postojeće pretpo-stavke i procese. On je znatiželjna osoba koja istražujući podatke uočava trendove i otkriva prethodno skrivena značenja koja pružaju konkurentsku prednost ili rješenje konkretnog problema.Tri su ključna razloga (od mnogo njih) zašto je data science drukčiji te zašto predstavlja revoluciju.

1. Otkrivanje vs. reproduciranje pitanja: data science otkriva nova pitanja umjesto da samo odgovara na postojeća.

2. Proaktivnost vs. reaktivnost: data science traži odgovor na pitanje što je potrebno napraviti, a ne što se dogodilo.

3. Podatkovni znanstvenik vs. tim podatkovnih znanstvenika: timski rad rezultira sinergijom računalnih i matematičkih znanstvenika te poslovnih eksperata.

Ova knjiga rezultat je timskog rada. Napisao ju je tim data scientista.

6 Kopal, R. (2015) Data science u primjeni: nova pravila igre, Mreža - časopis za IT profesionalce, 20 (3), str. 66-87.

14

Darija je stručnjak za kreativnost, kritično promišljanje i strukturirane analitičke tehnike. Uvijek željna znanja. Razmišlja out of the box.Saša je najveći stručnjak za mrežne analize u Hrvatskoj i šire. Posjeduje i izvan-serijska IT-znanja i vještine. Uvijek uči.Leo ima golemo IT i poslovno znanje. U slobodno je vrijeme i sudski vještak. Kuži financije i to fenomenalno.Goran je »otac« modernog rudarenja podataka na ovim prostorima. Istražuje i piše radove koje objavljuje širom svijeta. Uz to je i pjesnik.Igor je najbolji analitičar u timu. I najbolji provokator u smislu rušenja postoje-ćeg i sastavljanja bržeg, boljeg i jačeg. Odat ćemo vam tajnu: mrzi formu.Nataša je najbolji psiholog među ekonomistima i najbolji ekonomist među psi-holozima. Bihevioralni ekspert. Apsolutni oslonac.Branimir je mladi znanstvenik u razvoju. Raste nevjerojatnom brzinom. Izu-zetan je stručnjak za analizu glasa. Mislimo da je u tome najperspektivniji u Hrvatskoj.Zlatan je više zaboravio nego što će većina ljudi uspjeti naučiti u životu. Stalno upada u riječ i prekida, sa željom da doradi, razvije, riješi i dr. Uvijek u pogonu.Zdravko je čovjek s iskustvom. Golemim iskustvom. Ide polako i uvijek stigne. Jako važan član tima.Vjeran je čudo. Pardon, Čudo s velikim Č. Što on uspije riješiti, to je nevjero-jatno. A način razmišljanja? Čudo.Siniša je mladi matematičar, koji je naučio matematički riješiti nerješive poslovne probleme. Viče dok objašnjava. Ima žara.Nikola je tihi FER-ovac. Tiha voda brege dere. Šuti i radi. I sve napravi. Odličan.Robert? Dirigent. Osoba koja bez orkestra ne bi mogla rješavati sve probleme koji vam mogu pasti na pamet. S orkestrom je spreman osvajati neosvojiva prostran-stva. I zamišljati nezamislivo.Ako nam želite predočiti svoje viđenje problematike analize (socijalnih) mreža ili nas korigirati, bit će nam drago te vas molimo da stupite u kontakt s nama putem e-pošte na: [email protected] ili na [email protected] .

Autori & suradnici

15

Sadržaj

Znanost o podacima ....................................................................................................................... 18

Data science u užem i širem smislu ............................................................................................... 20Reaktivni vs. proaktivni pristup ........................................................................................................................20Podatkovni znanstvenik vs. tim podatkovnih znanstvenika ...................................................................21Što je zapravo data science? ..............................................................................................................................21Pristup Booza Allena Hamiltona (i naš pristup) data scienceu ...............................................................22Pogled kroz 720°: operativna vs. strateška razina i horizontalni vs. vertikalni pristup ...................25BI vs. »data science« ili ETL vs. DAD .................................................................................................................26

Tehnološki i poslovni pogled na data science ..........................................................................31

Data science u politici........................................................................................................................... 37»Obama for America« ..........................................................................................................................................37Začeci data sciencea u politici ...........................................................................................................................38Demokrati u davnoj i bližoj prošlosti ..............................................................................................................40Republikanci i politički/lifestyle DNK .............................................................................................................43Penn: politički data researcher mikrotrendova ...........................................................................................45Trendovi neodlučnih glasača ............................................................................................................................47Sadašnjost: mrežni pristup i ponovno Obama ............................................................................................49Budućnost primjene data sciencea u politici: promjena paradigme i rušenje dogmi .................... 51

Uvod u analizu (socijalnih) mreža ........................................................................................54

Uvod u analizu socijalnih mreža ..................................................................................................... 56»Mali svijet« Stanleyja Milgrama ......................................................................................................................59Metode i metrika analize socijalnih mreža ...................................................................................................83Homofilija i asortativno miješanje .................................................................................................................113Mehanizmi u osnovi homofilije: odabir i društveni utjecaj ..................................................................124Povezivanje (afilijacija) ...................................................................................................................................... 125

Usklađena tržišta ...................................................................................................................................130Savršeno poklapanje ......................................................................................................................................... 130Vrednovanje i optimalno dodjeljivanje ....................................................................................................... 134Market-clearing prices ...................................................................................................................................... 136Aukcije ................................................................................................................................................................... 139

Modeliranje mrežnog prometa upotrebom teorije igara ................................................141Model mrežnog prometa. Stanje ravnoteže...............................................................................................141Braessov paradoks ............................................................................................................................................. 143Odnos stanja ravnoteže i društveno optimalnog prometa .................................................................. 145

R. Kopal D. Korkut

R. Kopal D. Korkut

Z. Kunić

R. Kopal D. Korkut

R. Kopal D. Korkut S. Krnjašić

S. Urošev R. Kopal

D. Korkut

R. Kopal D. Korkut

16

Praktična primjena SNA .............................................................................................................150

Uvod u praktičnu primjenu SNA u poslovanju (primjer telekomunikacijske industrije) .....................................................................................152

Izravne prednosti primjene SNA u telekomunikacijskoj industriji ..................................................... 156Uvod u modeliranje i segmentacija ............................................................................................................. 162Primjer tehničke strukture složenog projekta .......................................................................................... 165Znate li tko su najutjecajniji korisnici vaše mreže (analiza mreže na razini klijenta)? ................................................................................................................. 166Procjena vrijednosti segmenata upotrebom »društvene vrijednosti« ............................................. 168Identifikacija kućanstava te prijatelja i obitelji ......................................................................................... 169Scoring modeli .....................................................................................................................................................171Churn modeli obogaćeni SNA metrikama i retention kampanje ....................................................... 179Upravljanje marketinškim kampanjama i viralni marketing zasnovan na SNA ..............................200Ostale zanimljive primjene .............................................................................................................................203Primjer projekta i projektne arhitekture .....................................................................................................205Popis najčešće upotrijebljenih atributa; preporuka .................................................................................212

Prediktivno modeliranje odlazaka korisnika telekomunikacijskih operatera ........214Dizajn razvojnog uzorka ...................................................................................................................................214Dizajn ciljne varijable .........................................................................................................................................216Validacija modela ................................................................................................................................................216Primjena ................................................................................................................................................................219

Financijski sektor ..................................................................................................................................221Analiza rizičnosti ................................................................................................................................................ 221Tradicionalni pristup bankarskim rizicima .................................................................................................222Analiza socijalnih mreža i njezina uloga u procjeni bankarskih rizika ..............................................227Otkrivanje / forenzika prijevara .....................................................................................................................228

Osiguravateljski sektor .......................................................................................................................231Uloga analize socijalnih mreža u otkrivanju prijevara u osiguranju ..................................................234Koncept sustava za otkrivanje prijevara u 10 koraka ..............................................................................235Primjena SNA pri evaluaciji odštetnih zahtjeva u autoosiguranju .....................................................236Ograničenja SNA ................................................................................................................................................. 241Zaključak ............................................................................................................................................................... 241

Zdravstvo i medicina ..........................................................................................................................242Širenje visoko rezistentnih infekcija ............................................................................................................. 242Simulacija širenja infekcija .............................................................................................................................. 245SNA nadopuna rutinskom istraživanju kontakata tuberkuloznih bolesnika .................................. 251

Ljudski resursi .........................................................................................................................................262Ljudski vs. socijalni kapital u modernom HR menadžmentu ............................................................... 262Kontekst analize organizacijskih mreža ......................................................................................................266Organizacije 21. stoljeća ...................................................................................................................................268SNA na primjerima .............................................................................................................................................275

R. Kopal L. Mršić

D. Korkut

I. Kaluđer R. Kopal L. Mršić

G. Klepac I. Kaluđer R. Kopal

Z. Kunić R. Kopal I. Kundić

V. Kokanović R. Kopal

D. Korkut

B. Dropuljić R. Kopal M. Dukić

17

Korporativne prijevare ...................................................................................................................... 285

Nacionalna sigurnost ......................................................................................................................... 292Mrežna analiza dijela terorističke mreže Al-Qa’ide .................................................................................299Mrežna analiza organiziranog kriminalnog djelovanja u Republici Hrvatskoj ...............................307

Robna razmjena ....................................................................................................................................315

SNA programska rješenja .........................................................................................................324

Praktična primjena SNA SW: Node XL (primjer Twitter) ....................................................326Kako analizirati komunikaciju na Twitteru s pomoću NodeXL-a .........................................................328

Komparativna analiza SNA SW ......................................................................................................342Gephi ......................................................................................................................................................................342NetworkX ..............................................................................................................................................................343IGraph ....................................................................................................................................................................344Pajek .......................................................................................................................................................................344NodeXL ..................................................................................................................................................................345GraphX ...................................................................................................................................................................346Graph-tool ............................................................................................................................................................346NetworKit..............................................................................................................................................................347SNAP .......................................................................................................................................................................347Usporedba alata .................................................................................................................................................348Odabir alata .......................................................................................................................................................... 352

Socijalna fizika .................................................................................................................................. 354

Socijalna fizika ........................................................................................................................................356Ime »socijalna fizika« .........................................................................................................................................356Big data: »motor« koji pokreće socijalnu fiziku ......................................................................................... 357Studije slučaja ...................................................................................................................................................... 359

Literatura .......................................................................................................................................................................366Popis slika ...................................................................................................................................................................... 371Popis tablica ..................................................................................................................................................................373

S. Krnjašić R. Kopal S. Werft

S. Krnjašić R. Kopal

Z. Morić R. Kopal

N. Trojak

S. Krnjašić R. Kopal

D. Korkut

N. Medaković R. Kopal

S. Krnjašić

R. Kopal B. Dropuljić

D. Korkut

354

Socijalna fizika

ANALIZA (SOCIJALNIH) MREŽA.indd 354 5.4.2016. 12:19:25

355

Zašto je socijalna fizika The next Big Thing?

Kako iskoristiti socijalno učenje za pronalazak najboljih ideja? Kako za 23 % povećati učinkovitost pozivnog centra uz istovre-meno smanjenje stresa za 19 %? Kako smanjiti potrošnju električne energije za 17 %? Kako pravovremeno detektirati depresiju i druge psihološke i mentalne poremećaje osoba na temelju njihovih bihe-vioralnih karakteristika na društvenim mrežama i internetu? Kako automatizirano prepoznavati emocionalna stanja korisnika tijekom dijaloga s operaterom u pozivnom centru? Ili kako u realnom vre-menu saznati zainteresiranost korisnika za uslugu koju operater nudi? Kako korisnicima preporučiti glazbu i filmove na osnovu ras-položenja koje izazivaju?

Odgovor na sva navedena pitanja pruža socijalna fizika.

doc. dr. sc. Robert Kopal, Algebra & IN2data


356

Socijalna fizika

Novi, sveprisutni digitalni podaci o svim aspektima ljudskog života postali su dostupni. Koristeći se tim podacima pri izgradnji prediktivne računalne teorije ljudskoga ponašanja, možemo se nadati boljem i vjerodostojnijem modeliranju zajednica i društava. Profesor s MIT-a Alex »Sandy« Pentland autor je popularne knjige Social Physics: How Good Ideas Spread – The Lessons from a New Science, proglašene najboljom poslovnom knjigom (Best Business Book) 2014. godine351. U knjizi navodi niz konkretnih primjena metoda socijalne fizike u poslovanju orga-nizacija, ali i svakodnevnim, društvenim odnosima. Pentland postavlja pitanje: Kako formirati organizacije i vlade koje su kooperativne, produktivne i kreativne? Tvrdi da su ovakva pitanja socijalne fizike posebno važna danas, u vrijeme poja-čane globalne konkurencije, globalnih izazova i čestih neuspjeha vlada.

Ime »socijalna fizika«

Što je zapravo socijalna fizika? Socijalna fizika je kvantitativna društvena znanost koja opisuje pouzdane, matematičke poveznice između informacija i protoka ideja s jedne i ljudskog ponašanja s druge strane. Pomaže u razumijevanju protoka ideja od osobe do osobe s pomoću mehanizama društvenog (socijalnog) učenja te u razumijevanju kako ti tokovi u konačnici formiraju norme, produktivnost i kre-ativni output kompanija, gradova, pa i društava. Pokazalo se kako je primjenom metoda socijalne fizike, primjerice prilagođavanjem postavki komunikacijskih mreža, moguće povećati produktivnost i pouzdanost u donošenju odluka.Protok ideja (the flow of ideas between people) nalazi se u obrascima telefonskih razgovora, razmjeni poruka preko društvenih medija i ostalim oblicima svakod-nevne komunikacije. Moguće ga je analizirati i s pomoću sljedećih parametara:

• Vrijeme koje ljudi provode zajedno• Mjesta – odlaze li na ista mjesta?• Imaju li slična iskustva?

351 Pentland, A. (2014) Social Physics: How Good Ideas Spread – The Lessons from a New Science, New York: The Penguin Press.


357

Protok ideja ključan je za razumijevanje društva, i to ne samo zato što su pravo-dobne informacije ključne za efikasan sustav. Širenje ideja – fuzija novih ideja – predstavlja upravo pokretače društvenih promjena. Inovacije.Fokus na protoku ideja posljedično je iznjedrio ime »socijalna fizika«. Naime, kao što tradicionalna fizika nastoji razumjeti kako se protok energije prenosi u pro-mjene kretanja, tako i socijalna fizika nastoji razumjeti kako protok ideja i infor-macija utječe na promjene ponašanja. Samo podrijetlo socijalne fizike je dosta staro: prema analogiji s Newtonovom fizikom društvo je početkom 19. stoljeća opisano kao golem stroj. Sredinom 20. stoljeća događa se novi val interesa za ovo područje nakon što je ustanovljeno da mnogi socijalni indikatori (kretanja ljudi, komunikacija i slično) podliježu statističkim pravilnostima poput Zipfove distri-bucije352 i zakona o gravitaciji353. Nove spoznaje i novi tipovi podataka omogućili su da teorije društvenih znanosti postanu više kvantitativne354.David Marr 1982. godine definira računalnu teoriju ponašanja – matematičko obrazloženje ponašanja društvene zajednice, te kako to ponašanje može (ili ne može) riješiti ljudske probleme355. Takva teorija, navodi Pentland, mogla bi poslužiti kao osnovica za unaprjeđenje društvenih sustava, za povezivanje meha-nizama socijalnih interakcija s golemim količinama podataka o ljudskom pona-šanju u svrhu kvalitetnije analize društvenih sustava.

Big data: »motor« koji pokreće socijalnu fiziku

U današnje vrijeme dostupna je golema količina podataka o svim aspektima ljud-skoga života. Socijalna fizika analizira obrasce ljudskih doživljaja, razmjene ideja – tzv. digitalne mrvice kruha koje svi mi ostavljamo za sobom krećući se po svi-jetu. Ostavljamo ih preko telefonskih poziva, transakcija kreditnim karticama, GPS lokacijama itd356. Radi se o realnim podacima o realnom svijetu.Facebook i Twitter statusi su često fake – lažni, prilagođeni poželjnim obrascima i standardima. Ono tko smo mi zapravo određuju čimbenici poput toga gdje bora-vimo, što kupujemo… ne samo što govorimo da radimo.

352 Zipf, G. K. (1949) Human Behavior and the Principle of Least Effort, Cambridge, MA: Addi-son-Wesley Press.

353 Zipf, G. K. (1946) The P1 P2 / D hypothesis: On the inter-city movement of persons, American Sociological Review, 11(6), str. 677–86.

354 Pentland, A. (2008) Honest Signals: How They Shape Our World, Cambridge, MA: MIT Press.355 Marr, D. (1982) Vision: A Computational Approach, San Francisco: W. H. Freeman.356 Pentland, A. (2012) Reinventing Society in the Wake of Big Data: A Conversation with Alex

(Sandy) Pentland, dostupno na edge.org, izvor: http://www.edge.org/conversation/reinven-ting-society-in-the-wake-of-big-data.


358Br

oj m

jere

nja

po o

sobi

po

jedi

nici

vre

men

a

Period prikupljanja podataka

Eksperimenti socijalne fizike

Eksperimenti tradicionalnih društvenih znanosti

1

8 9

56

7

10

4 2 3

Slika 128. Kvalitativan pregled eksperimenata društvenih znanosti357. Svaki broj označava jedan ili grupu eksperimenata, i to prema sljedećem redoslijedu: (1) većina provedenih eksperimenata, (2) Midwest Field Station358, (3) Framingham Heart Study359, (4) Large Call Record data sets360, (5) Reality Mining361, (6) Social Evolution362, (7) Friends and Family363, (8) Sociometric Badge studies364, (9) Data for Development (D4D) data set365, (10) where the world is headed.

357 Preuzeto i prilagođeno iz: Pentland, A. (2014) Social Physics: How Good Ideas Spread – The Lessons from a New Science, New York: The Penguin Press.

358 Barker, R. (1968) Ecological Psychology: Concepts and Methods for Studying the Environment of Human Behavior, Palo Alto, CA: Stanford University Press.

359 Dawber, T. (1980) The Framingham Study: The Epidemiology of Atherosclerotic Disease, Cam-bridge, MA: Harvard University Press.

360 Gonzalez, M. C., Hidalgo, C. A. i Barabási, A.-L. (2008) Understanding Individual Human Mobility Patterns, Nature, 453, str. 779–82.

361 Eagle, N. i Pentland, A. (2006) Reality Mining: Sensing Complex Social Systems, Personal and Ubiquitous Computing, 10 (4), str. 255–68.

362 Madan, A., Cebrian, M., Moturu, S., Farrahi, K. i Pentland, A. (2012) Sensing the ‘Health State’ of a Community, IEEE Pervasive Computing, 11 (4), str. 36–45.

363 Aharony, N., Pan, W., Cory, I., Khayal, I. i Pentland, A. (2011) Social fMRI: Investigating and Shaping Social Mechanisms in the Real World, Pervasive and Mobile Computing, 7 (6), str. 643–59.

364 Pentland, A. (2012) The New Science of Building Great Teams, Harvard Business Review, 90 (4), str. 60–69.

365 Izvor http://www.d4d.orange.com/home.


359

Uvodi se termin reality mining – proces analiziranja obrazaca spomenutih digi-talnih »mrvica kruha«. Radi se o enormnoj količini svakodnevnih, nefiltriranih podataka čijom analizom bismo možda prvi put mogli ponuditi odgovor na pita-nje tko smo mi zapravo? Reality mining analizom moguće je predvidjeti dijabetes, je li neka osoba pouzdana za vraćanje kredita… prometnu nezgodu, revoluciju – dosadašnja »Božja djela«.Često se koristi i termin living lab. Što je to living lab? Kako stvoriti living lab?Potrebno je postaviti tzv. snimajuću komoru (imaging chamber) oko cjelokupne zajednice i zatim snimati i prikazivati svaki aspekt ponašanja, komunikacije i socijalne interakcije između članova. Raditi to nekoliko godina dok članovi te zajednice žive svoje svakodnevice.Socijalna fizika zasniva svoje znanstvene metode na tim »živućim laboratorijima«. Digitalne mrvice prikupljaju se sa senzora: mobitela, statusa na socijalnim medijima, kupnje kreditnim karticama i slično. U terminologiji socijalne fizike ustalio se još jedan pojam: socioskop – alat koji omogućuje pogled na život u svoj svojoj složenosti. Kao što su izumi mikroskopa i teleskopa svojevrsne revolucije u biologiji i astrono-miji, tako bi i »socioskopi« mogli činiti revoluciju u istraživanju ljudskog ponašanja.Socijalna fizika opisuje se kao »bogata« društvena znanost. Naime, tradicionalne društvene znanosti temelje se uglavnom na analizama laboratorijskih fenomena i na anketama. Izostaju komponente svakodnevnog, realnog života – milijarde malih transakcija između pojedinaca – razmjena ne samo novca i dobara već i informacija, ideja ili običnih tračeva. Postoje obrasci u tim individualnim tran-sakcijama koji pokreću fenomene poput financijskih kriza i arapskog proljeća.Big data nudi mogućnost sagledavanja društva u cijelosti, kroz milijune mreža među pojedincima. Radi se o znatnom pomaku u obujmu analiza. Slika 128 ilu-strira razliku između eksperimenata tradicionalnih društvenih znanosti, i onih socijalne fizike. Na x-osi je prikazano trajanje, odnosno razdoblje prikupljanja podataka, dok y-os prikazuje »bogatstvo« prikupljenih podataka (broj mjerenja po osobi po jedinici vremena). Moguće je uočiti kako eksperimente socijalne fizike obilježava znatno veće bogatstvo podataka, čak i u odnosu na dosad najveće eksperimente tradicionalnih društvenih znanosti (navedene pod (2) i (3) na slici).

Studije slučaja

D4D – Data for Development

D4D je prvi pravi big data eksperimentalni setup na svijetu366. Obuhvaća mobilne i telefonske uzorke s ekonomskim, političkim, prehrambenim, infrastrukturnim

366 Izvor http://www.d4d.orange.com/home.


360

i mnogim drugim uzorcima cjelokupne populacije jedne afričke države – Obale Bjelokosti. Podaci prikupljeni ovim eksperimentom dostupni su u nepersonali-ziranom obliku. Radi se o donaciji mobilnog operatera Orange, uz pomoć Sveu-čilišta u Louvainu (Belgija) i MIT-a (SAD), te u suradnji sa Sveučilištem u Bou-akeu (Obala Bjelokosti), UN-ovim Global Pulseom, Svjetskim gospodarskim forumom (WEF) i međunarodnom zajednicom mobilnih operatera (GSMA).Devedesetak istraživačkih grupa diljem svijeta radilo je analize nad prikupljenim D4D podacima i napisane su brojne znanstvene studije, njih više od sto. U nastavku su izdvojeni neki od važnijih rezultata i zaključaka po sljedećim kategorijama:Socijalna učinkovitost:

• Metoda za mapiranje siromaštva na temelju raznolikosti korištenja mobi-telom (Sveučilište u Londonu)367

• Mapiranje etničkih granica (Sveučilište u Kaliforniji, San Diego)368

Operativna učinkovitost:• Za vrlo malo cijenu, prosječno vrijeme putovanja na posao u Abidjanu,

najvećem gradu Obale Bjelokosti, može se smanjiti za 10 % (IBM-ov labo-ratorij u Dublinu za sustave javnog prijevoza Obale Bjelokosti)369

Poboljšanje rezilijentnosti:• Već i male promjene u javnom sustavu zdravstva potencijalno mogu sma-

njiti širenje gripe za 20 %, kao i znatno smanjiti širenje HIV-a/side i mala-rije (Sveučilište u Novom Sadu, Srbija; EPFL, Švicarska; Sveučilište u Bir-minghamu, Velika Britanija)370

eToro

Postavlja se pitanje kako iskoristiti socijalno učenje, to jest metodu kopiranja uspješnih pojedinaca, za pronalazak najboljih ideja? Koji točno obrasci socijalnog učenja generiraju tzv. mudrost mnoštva (crowd wisdom)?

367 Smith, C., Quercia, D. i Capra, L. (2013) Finger on the Pulse: Identifying Deprivation Using Transit Flow Analysis, Proceedings of the 2013 Conference on Computer Supported Cooperative Work, New York: ACM, str. 683–92.

368 Bucicovschi, O. i sur. (2013) Analyzing Social Divisions Using Cell Phone Data.369 Berlingerio, M. i sur. (2013) AllAboard: A System for Exploring Urban Mobility and Optimi-

zing Public Transport Using Cellphone Data.370 Lima, A., De Domenico. M., Pejovic, V. i Musolesi, M. (2013) Exploiting Cellular Data for

Disease Containment and Information Campaign Strategies in Country-Wide Epidemics.


361

Efekt stvaranja mudrosti mnoštva moguće je analizirati s pomoću socijalne mreže eToro371,372 – platforme za online financijsko trgovanje. Njezino vjerojatno najzanimlji-vije svojstvo je da inkorporira društvenu platformu OpenBook. S pomoću platforme OpenBook korisnici mogu pratiti trgovanje, portfelje, sve protekle aktivnosti ostalih korisnika, ali ne mogu vidjeti tko koga kopira. Postoje dva tipa trgovanja:

• pojedinačno trgovanje: klasično, samostalno trgovanje• društveno trgovanje: doslovno kopiranje pojedinačnog trgovanja nekog

korisnika ili automatsko praćenje i kopiranje svih korisnikovih trgovanja.Korisnici uglavnom dopuštaju ostalim korisnicima pristup vlastitom profilu i daju im mogućnost da ih slijede. Na taj način mogu zaraditi dodatan novac s obzirom na to da sustav isplaćuje određen (manji) iznos korisniku svaki put kad se njegovo trgovanje kopira. Korisnici također imaju tendenciju pratiti trgovanje i po nekoliko korisnika na mreži.

16

14

12

10

8

6

4

2

0

x 105

x 105

0 2 4 106 128 14 16

nema dovoljno novih ideja

stalno iste ideje

izrazito umreženi korisnici

izolirani korisnici, trguju samostalno

Slika 129. Društveno trgovanje eToro korisnika373

371 Altshuler, Y., Pan, W. i Pentland, A. (2012) Trends Prediction Using Social Diffusion Models, Social Computing, Behavioral-Cultural Modeling and Prediction: Lecture Notes in Computer Science series, Berlin, Heidelberg: Springer, str. 97–104.

372 Izvor http://www.etoro.com.373 Preuzeto i prilagođeno iz: Pentland, A. (2014) Social Physics: How Good Ideas Spread – The

Lessons from a New Science, New York: The Penguin Press.


362

Slika 129 prikazuje blizu deset milijuna transakcija 1,6 milijuna eToro korisnika. Svaka točka u 2D prostoru prikazuje koji korisnik (x-os) je kopirao kojeg korisnika (y-os). Ovo je gotovo idealan primjer koji omogućuje konkretan uvid u globalni obrazac socijalnog učenja – kako se ono stvarno odvija, da se prati kakav je njegov efekt na aktivnosti korisnika te da se mjeri jesu li te aktivnosti profitabilne. Primjer pruža tzv. Božji pogled na socijalno učenje, prikazuje kako razmjene između poje-dinaca utječu na njihovo ponašanje te na finalni financijski outcome.Može se uočiti kako određen broj korisnika malo ili gotovo nikako ne kopira ostale korisnike pri trgovanju (regija s »rijetkim« točkama na grafu), dok s druge strane postoje korisnici koji su u velikoj mjeri umreženi pri trgovanju – postoji izraženo socijalno učenje među njima (regija s »gustim« točkama na grafu). Ipak, velik broj korisnika prakticira umjereno kopiranje nalazeći se tako između dva ekstrema socijalnog učenja.

brzina protoka ideja

izolirana trgovina

Echo komora

50

1,6

1,5

1,4

1,3

1,2

1,1

1

0,9

0,8

60 70 80 90 100

povr

atak

ula

ganj

aum

reže

ni v

s. iz

olir

ani t

rgov

ci

Slika 130. Utjecaj brzine protoka ideja na povratak ulaganja umreženih eToro korisnika374

Postavlja se pitanje koja od ove tri skupine korisnika najviše profitira. Odgovor je ilustriran na grafikonu (slika 130). Prikazuje povratak ulaganja (y-os) u odnosu na brzinu protoka ideja između korisnika (x-os). Svaka točka na grafu predstavlja usrednjen povrat ulaganja eToro trgovaca nad cijelim jednim danom. Lako je uočiti kako efekt socijalnog učenja izrazito utječe na profit: trgovci koji imaju pravilan balans i raznolikost ideja u svojoj socijalnoj mreži ostvaruju i do 30 %



363

veći povrat ulaganja u odnosu na izolirane korisnike. Može se zaključiti kako mudrost mnoštva leži između ekstrema: izoliranih trgovanja i tzv. efekata krda kad socijalna mreža postaje echo komora.

The Red Balloon Challenge

The red balloon challenge je sponzorirala DARPA (the Defense Advanced Research Projects Agency) u svrhu četrdesete obljetnice interneta. Cilj natjecanja bio je pro-naći deset crvenih meteoroloških balona razmještenih na slučajnim mjestima diljem kontinentalnog SAD-a. Tim koji prvi otkrije lokacije svih deset balona osvaja nagradu od četrdeset tisuća dolara.Svrha ovog natjecanja bila je otkrivanje najbolje strategije kako se internet i druš-tvene mreže mogu koristiti za rješavanje vremenski kritičnih problema pretraži-vanja, npr. za potragu i spašavanje nakon prirodnih katastrofa; potragu za bje-guncima; reagiranje na brzo šireće zdravstvene prijetnje (epidemije, pandemije)ili pridobivanje ljudi da glasaju u političkoj kampanji.Pentlandov tim je prvi (od njih gotovo četiri tisuće) locirao svih deset balona koristeći se poticajnom strategijom socijalnih mreža, i to u samo 8 sati, 52 minute i 41 sekundu. Osnovna razlika njegovog tima u odnosu na ostale bila je u tome što nisu samo obećali nagrade osobama koje ispravno lociraju balone, već i osobama koje su regrutirale konačne nalaznike balona u Pentlandov tim. Tako su primjerice, ako osvoje nagradu od 40.000 dolara, svotu od 4000 dolara po balonu odlučili raspodijeliti na način da osoba koja prva dojavi ispravnu loka-ciju balona osvaja 2000 dolara, osoba koja je pozvala tu osobu u tim osvaja 1000 dolara, osoba koja je pak pozvala »pozivatelja« osvaja 500 dolara, pozivatelj na razini niže 250 dolara itd. Preostali novac od svakog balona odlučili su podijeliti u dobrotvorne svrhe.Slika 131 prikazuje primjer raspodjele nagrade među članovima tima za dva pro-nađena balona. U primjeru Ivan pronalazi prvi balon, što mu osigurava nagradu od 2000 dolara ako tim pobijedi. Tonka u tom slučaju dobiva 1000 dolara zato što je pozvala Ivana u tim. Jakša dobiva 500 dolara jer pozvao Tonku, a Biserka 250 dolara jer je pozvala Jakšu. Pronađen je i drugi balon. Niko će, ako tim pobi-jedi, osvojiti 2000 dolara, Jasna 1000 dolara, a Biserka dodatnih 500 dolara jer je regrutirala i tu granu mreže, odnosno tima.Pentland navodi kako osnovna prednost njegove poticajne strategije socijalnih mreža u odnosu na izravnu, tržišno usmjerenu strategiju davanja 4000 dolara nalazniku balona leži u dvije činjenice. Prva je ta da bi izravna nagrada vjerojatno čak i sprečavala ljude da regrutiraju ostale u tim zato što bi im bili konkurencija. Druga prednost je ta što njegova strategija ne eliminira ljude koji žive izvan kon-


364

tinentalnog SAD-a – iako ne mogu locirati balone, mogu regrutirati ostale ljude u tim i tako izravno sudjelovati u raspodjeli nagrade.

BiserkaBiserka je osvojila $750

Jasna je osvojila $1000

Jakša je osvojio $500

Tonka je osvojila $1000

Ivan je osvojio $2000

Niko je osvojio $2000

Ivan

$2000

$2000

$1000

$1000

$500

$250 $500

Niko

Jakša

Tonka

Igor

MarijaMatija

Jasna

Slika 131. Primjer raspodjele nagrade među članovima tima375

Ova strategija okupila je prilično velik tim u konačnici, više od pet tisuća ljudi, pri čemu su »regrutacijski lanci« sadržavali i do petnaest ljudi. Procjenjuje se da je svaki od tih pet tisuća članova obavijestio u prosjeku četiristo svojih prijatelja, što je u konačnici okupilo oko 2 milijuna ljudi obaviještenih o Pentlandovom timu. Pritom je otprilike jedna trećina tweetova radi širenja informacija o timu i regrutiranja novih ljudi nastala izvan SAD-a. Pokazalo se tako kako je poticajna strategija socijalnih mreža vrlo efikasna u stvaranju globalnih organizacija i brzog rješavanja vremenski kritičnih zadataka376 377.


376 Pickard, G. i sur. (2011) Time-Critical Social Mobilization, Science, 334 (6055), str. 509–512.377 Rutherford, A. i sur. (2013) Limits of Social Mobilization, Proceedings of the National Academy

of Sciences, 110 (16), str. 6281–6286.


374


375

DISCOVER. ACCESS. DISTILL. STORE. USE. MONETIZE.

FROM REAL.TIME TO RIGHT.TIME

IN2data is part of IN2 group, largest ISV in Croatia. Its interdisciplinary team of scientists and professionals with relevant academic and industry business knowledge, able to deliver advanced analytical solutions, is unique in the region. Service include predictive modelling and big data

analytics, social networks (SNA), segmentation models, cross sell & up sell models, fraud detection, churn predictions, scoring, text mining, early warning systems and social CRM.

IN2data capability to deliver different analytics solutions on demand also include models adoption for tailor-made requirements in various environments. For best performance solution components

could also be used as stand-alone models or could be integrated inside client’s current solution.

Inside our team all kinds of data are respected and carefully managed as one of the company’s most valuable asset. Our emotion for data can be compared with great music or, as we like to

say, with great dish. On first notice, all cooks can look the same but when you taste their works you can easily tell which one is great.

We have more than 20 data experts at your disposal, ranging from senior data scientists with 20+ years of experience to data researchers. Three of our base team members are data scientists

with PhD+ level while our extended team include two more. Our principal consultants published 20+ books with distinguished international publishers and copyrighted 150+

scientific papers in data science domain for different industries including retail.

We focus our special attention to convergence in industries today therefore we combine best practices from different industries to provide tailor made solutions with maximum efficiency for our clients.

We wish you a warm welcome to datascience@in2data.

IN2data Ltd.

Data Science Company

(part of IN2 Group)

Marohnićeva 1/1

10000 Zagreb, HR

tel: +385 1 6386 800

fax: +385 1 6386 801

www.in2data.eu [email protected]


376


377

PRVO PRIVATNO SVEUČILIŠTE

www.libertas.hr

Zagreb, Dubrovnik, Kutina

lib_knjiga_umetak_a5.indd 1 29/03/16 15:48ANALIZA (SOCIJALNIH) MREŽA.indd 377 5.4.2016. 12:19:33

378

[email protected] +385 1 2332 861

www.facebook.com/algebra.hrwww.algebra.hr

EU fondovi

Internetski marketing

Prodaja

Poduzetništvo

Project Management

Zaštita na radu

Gospodarenje otpadom

Implementacija sustava za učenje i praćenje korisnika

Razvoj interaktivnih e-learning sadržaja

POSLOVNA EDUKACIJA

E-LEARNINGINFORMATIČKA EDUKACIJA

Programi obrazovanja

Informatički seminari

Specijalistička IT edukacija(Microsoft, Cisco, Adobe, Autodesk, ECDL, VMware, EC-Council, Red Hat, Oracle, Google...)

Radionice

Online edukacija


379

2013-2016Odobreno

www.racunarstvo.hr www.multimedija.hr www.digitalni.marketing

Studiraj

Stvarajmo digitalnu budućnost!

Programsko inženjerstvo

Sistemsko inženjerstvo

Multimedijsko računarstvo

Digitalni marketing


Documents

Analiza (socijalnih) mreža