■罗晓君（武汉大学经济与管理学院）

一、引言

社会网络分析（Social Network Analysis，简称：SNA）是现阶段国外主流社会学的一个有影响力的研究领域，作为一种研究范式和一个具体的研究领域，社会网络分析有其独特的科学性和规范性，它诞生于社会学，却能被其他社会学科甚至自然学科广泛接受并运用，尤其在实证研究方面，它对各门学科的贡献尤其重大。

而对于管理类的学科来说，社会网络分析具有强大的适应性与可塑性，尤其在关注消费者行为的营销领域里，更是一种强大的研究新范式。

二、社会网络分析概述

SNA的传统目标是通过使用图论来识别和描述网络的结构。当从有界网络中收集数据时，个人（即自我）通常识别与其他网络成员（即他人）的连接，例如通过从教室里的同伴列表中寻找朋友。这些关系的存在或不存在是有意义的，因为这些关联描述了网络的类型（例如友谊网络，建议网络），关系反映了网络成员之间特定类型的关系。在“SNA”中，联系往往是定向的，其中从个人（即自我）标识到朋友那里时，其代表自我的出处，当关系的改变从朋友那里变化时，代表自我的进口（Wasserman和Faust，1994）。每条关系也可以有一个权重（Valente，2010）。这种权重可以是关系的强度（排除关系弱或强）或其他关于链接的信息，例如建议或共享信息的类型。当关系有权重时，它被称为有价值的网络数据（Valente，2010）。除了以图形方式说明网络的结构（即表示为“节点”的自我和表示为链接或“边缘”的关系）之外，许多度量被用于表征个体（例如中心性），双重性（例如连通性，互惠性），群体（例如聚类，封闭）或整个网络（如密度，平均顶点度）。

三、社会网络分析设计简述

首先，SNA 软件被用来捕捉社交媒体平台所提供的数据。社交媒体提供了不同的隐私设置，例如有私人团体，私人通信，开放团体，公共团体和公众粉丝页面，这意味着不同程度的研究主题所需要的授权是不同的。一般可通过应用程序编程接口（API）来获取公开可用信息。API是一套协议和工具，用于构建用于各种软件组件之间通信的应用软件。在研究中，可用NodeXL 来导入社交媒体所支持的用户信息，如：Facebook。

其次，要确定SNA 的社会网络化指标，特别是度量个体网络成员中心性的中介性中心度量。这些指标的选取与测量，关键在于其能多大程度上可以系统地表明网络成员随时间的中心地位。

第三，要进行了一项简单的验证性研究，目的是研究SNA结果在多大程度上反映了“现实”。迄今为止还没有一种公认的社交媒体指标验证方法。目前有研究表明，社交媒体信息在多大程度上与现实生活状况相对应，例如社交媒体用户在社交媒体上的好友是否也是现实生活中的亲密朋友（Bond 等，2012）社交媒体用户的在线表情符合他们所说的离线内容。

四、社会网络分析在营销中的运用

近年来，研究人员已经注意到利用大量关于用户活动的在线微观数据获取可操作的潜在理解（Gopal等，2011;Marsden，2008）。研究人员还试图结合多种计算技术来构建更加智能的业务系统。“大数据”的分析方法为各种业务问题和领域提供战略优势和增值（Baesens，2014）。

随着在线社交媒体的快速发展，人们对网络对行为的影响以及行为如何在连接的个人中传播变得越来越感兴趣。虽然一些研究指出，与弱关系紧密联系以在Facebook 等社交网络中产生影响力的重要性，但研究人员发现，通过弱关系反复接触社交信息对社交也是有效的影响;在社交网络平台中，反复暴露于弱网络关系的兴趣和偏好被认为是常见的（Kwon等，2014）。随着社交媒体和消费者网络的日益活跃，营销管理者和研究人员对利用基于网络的信息产生了极大的兴趣。多项研究指出了病毒式营销的社会影响力（Bruyn和Lilien，2008）。

社交媒体是指支持用户之间社交互动的一套在线工具，涵盖了一系列基于互联网的互动应用，如YouTube，Facebook，Instagram，Linked In（Hansen，Schneiderman＆Smith，2011）。社交媒体这个术语经常被用来和更传统的媒体（如电视和书籍）进行对比，这些媒体向大众传播内容，但不促进用户创建或分享内容（Hansen等人，2011年）。

Facebook，Twitter和亚马逊等社交媒体网站允许用户就他们感兴趣的主题与他人进行交流，分享和沟通。例如，用户可以在Facebook上“追随”社交品牌，并对品牌页面发布的评论或“喜欢”帖子进行评论。所有这些社交行为都会生成丰富的数据源，可以通过分析来了解在社交媒体上实体之间的互动。可以从这些数据集中提取两种类型的交互网络：显式或隐式。显式网络是通过Facebook上的“友谊”关系或Twitter、上的“追随”关系创建的，而隐式网络则是通过用户对Amazon.com 产品的审查行为或通过博客订阅和评论创建的（Chau and Xu，2012）。当人们有共同的兴趣，或者品牌有重叠的客户时，隐性网络也可能建立起来。对这种大型隐式网络的分析能够检测到类似用户或类似品牌的社区，从而促进有针对性的在线广告，最终可能导致产品或服务的购买。

研究已经检查了社会定位或行为定位，即从过去的用户行为中学习，尤其是用户反馈（如评论和点击），以找到用户和广告之间的最佳匹配。针对Facebook页面上的“粉丝”友谊网络进行的针对慈善机构的社交广告研究发现，这些广告比没有针对性或针对具有人口特征的广告更有效（Goldfarb and Tucker，2011）。

社交网络正被用于推广品牌和发展品牌社区。研究还考察了在线消费者互动（De Valck等，2009）以及利用社交网络促进消费者参与。社交网络社区现在被视为品牌如何与消费者互动的核心，品牌粉丝被指出与品牌的联系上更具情感化，并且倾向于更积极的口碑。

消费者可以通过在线社交网络以多种方式互相影响。其中包括在线产品评论和反馈，采购/采用决策沟通，产品推荐以及社交品牌社区的互动（Mangold and Faulds 2009）。最近，这种交互构建和分析隐式网络引起了研究的兴趣。张等人（2014 年）从Facebook粉丝页面构建大型隐性品牌网络，调查有影响力的品牌是否拥有大量粉丝，并获得社交用户更多的积极评价。Chau和Xu（2012）分析了博客内容，从博客订阅和评论中找出隐含的网络。他们使用网络分析和集群来从博客收集商业智能。

但在使用社交媒体数据评估时会有一些常见的问题。首先，社交媒体是第三方平台，因此研究人员不能控制界面设计，算法和数据（Chan＆Holosko，2016）。算法是由人们设计的，他们只做自己设计的目标，但研究人员一般无法与社交媒体公司进行谈判。其次，研究人员需要考虑如何合理收集和使用这些数据。在一些国家，如美国，通过社交媒体平台（如Skype）进行的调研可能不包括在保险范围内（Reamer，2015）。第三，现阶段还没有适当的概念工具和研究手段来衡量社交网络和互动。关系或社交网络的客观量度暂时不够完善，因此限制了选择的研究方法。

不过，目前正在出现的一些研究已经部分克服了这些障碍。例如，研究人员通过社交媒体平台的应用程序编程接口（API）在允许的参数范围内捕获社交媒体数据，并使用这些数据来识别用户的人口统计数据，分析群体动态，识别社会运动中的重要成员（Chan，2013），并分析社会趋势。

这些新兴的社交媒体研究背后的核心技术是社会网络分析（SNA），社会网络分析是从社会关系概念-社会关系的一种表达形式中得出的。社会图由两个主要构建块组成：节点和边缘。节点（也称为顶点，实体或项目）可以表示许多事物，例如人，团体甚至国家。边缘（也称为链接，关系，连接或关系）是网络的构建块。边缘将两个节点连接在一起。边缘可以代表许多不同类型的关系，如合作，亲属关系，友谊或引用。基于这些社会学概念，有多种度量网络中个体权重或连通性的度量标准，比如进入的连接数量，出去的连接数量或者连接的总人数（Hansen 等，2011）。

事实上，社会科学家们长期以来都提出了计算网络发展和社会网络中个人权重的指标（Freeman，1977），但是这些指标直到最近才在社会工作或社会科学领域得到广泛的应用（Hansen等，2011）。各种社交媒体平台的发展导致大量的结构化数据向公众开放。结合目前收集，分析和可视化社交媒体数据的研究工具，可以揭示新的见解（Hansen等，2011）。如果这些新的测量可以量化和测量随着时间推移的社交网络的变化，则可以应用双变量和/或多变量分析，对干预研究特别有用。