مطالعه روی کارت های ویزیت نحوه توسعه روابط تجاری را نشان می دهد


خبر – در دنیای بسیار دیجیتالی رایانه های قابل حمل ، کارت ویزیت قدیمی قدیمی هنوز جای خود را دارد. مبادله کارت های کاغذی کوچک در یک جلسه یا کنفرانس یک ارتباط شخصی ایجاد می کند که می تواند از یک معرفی کوتاه به یک رابطه حرفه ای پایدار تبدیل شود.

دانشیار آنجلو مله از دانشکده تجاری جان هاپکینز کری ، محققی که کارش بر تأثیر اقتصادی تعاملات اجتماعی متمرکز است ، یک مطالعه جدید را که به بررسی داده های مبتنی بر مبادلات کارت ویزیت در ژاپن می پردازد ، تأسیس کرد.

در پرسش ها و پاسخ های زیر ، مله توضیح می دهد که چگونه او و همکارانش توانستند روابط حرفه ای را پس از تبادل کارت ویزیت شرکت کنندگان در مطالعه و سپس اسکن آنها با برنامه ای به نام Eight ، ردیابی کنند. او همچنین توضیح می دهد که این برنامه با سایر پلتفرم های شبکه مانند فیس بوک و LinkedIn چگونه متفاوت است ، چگونه شبکه های شرکتی ایجاد می شوند و چگونه نتایج مطالعه می تواند برای مدیران بخش خصوصی و عمومی مفید باشد.

——————————————

پرسش: شما این تحقیق را با بخش یکپارچه سازی داده های Sansan Inc. ، یک شرکت نرم افزاری ژاپنی انجام دادید. این همکاری چگونه شکل گرفت و چرا تصمیم گرفتید در آن شرکت کنید؟

آنجلو مله: همکاری با تبادل ایمیلی ایمیل بین من و دو دانشمند داده در سانسان ، خوان نلسون مارتینز داهبورا و تاکانوری نیشیدا آغاز شد. آنها به من ایمیل زدند که برخی از کارهای من را خوانده اند و می خواهند با استفاده از داده های برنامه مدیریت کارت ویزیت خود ، Eight ، امکان همکاری در بستر تحقیقاتی Sansan Data Discovery شرکت خود را بررسی کنند. شوتا کوماتسو از سانسان بعداً به تیم تحقیق پیوست.

در این پروژه از داده های ناشناس کاربران خدمات آنها ، داده های Eight استفاده می کنیم. این داده ها شامل فعالیت کاربران روی این پلت فرم است که برای ایجاد روابط تجاری مورد استفاده قرار می گیرد. برای یک محقق شبکه ، چنین داده های شبکه ای عالی است و می تواند برای بررسی مدل ها ، آزمایش روش های برآورد و توسعه نوآوری های محاسباتی استفاده شود. علاوه بر این ، داده ها کاربردهای مهمی در بازارهای کار دارند ، زیرا بسیاری از روابط مربوط به کار اخیراً به سیستم عامل های آنلاین منتقل شده اند. محققان سانسان مسئول تجزیه و تحلیل داده ها بودند زیرا داده ها حساس هستند. من مدل نظری را توسعه دادم و با هم روش برآورد و کتابخانه نرم افزاری را برای دستیابی به نتایج توسعه دادیم.

آیا می توانید نحوه عملکرد Eight و اهمیت داده های ارائه شده برای این مطالعه را توضیح دهید؟

مبادله کارت ویزیت یک مراسم مهم در فرهنگ ژاپنی است و روابط مهم جدید را ارتقا می بخشد. این پلتفرم با اجازه دادن به کاربران برای اسکن کارت های ویزیت دریافتی و ایجاد روابط جدید درست بر روی پلت فرم کار می کند. داده هایی که شرکت جمع آوری می کند به ما امکان می دهد افراد را در طول زمان و تمام روابط حرفه ای آنها را ردیابی کنیم و می دانیم که چه زمانی این ارتباطات برقرار شده است. همچنین به ما این امکان را می دهد که ببینیم چه زمانی کاربر شغل خود را تغییر می دهد ، ارتقا می یابد یا عنوان عنوان می کند. ما همچنین برخی از اطلاعات جمعیتی کاربر را داریم.

داده ها به ما این امکان را می دهند که مدلی از “شبکه در محل کار” – یعنی اینکه چگونه عوامل مختلف بر روابط سازمانی تأثیر می گذارد را تخمین بزنیم. مدل نظری ما فرض می کند که ویژگی های قابل مشاهده ای وجود دارد (به عنوان مثال

ما همچنین فرض می کنیم که کاربران در مورد روابطی که روی آن سرمایه گذاری می کنند استراتژیک هستند و تمایل به ایجاد روابطی دارند که برای آنها مفید باشد. با داده های Eight ، می توانیم پارامترهای چنین مدلی را تخمین بزنیم. به طور خاص ، ما می توانیم تشخیص دهیم که چگونه ویژگی های قابل مشاهده و غیرقابل مشاهده بر تمایل دو کاربر برای ایجاد پیوند جدید تأثیر می گذارد.

آیا داده های هشت به طور قابل توجهی متفاوت از آنچه محققان از شبکه های شناخته شده تر مانند LinkedIn و Facebook دریافت می کنند ، است؟

یکی از ویژگی های اصلی Eight این است که می دانیم کاربران به صورت حضوری ملاقات کرده اند. زیرا اکثر داده ها شامل کارت های ویزیت اسکن شده است که شخصاً رد و بدل شده اند. ارزیابی این موضوع با LinkedIn یا Facebook بسیار مشکل تر است ، زیرا بسیاری از کاربران این سیستم عامل ها هرگز شخصاً ملاقات نکرده اند. این میزان تعاملات اجتماعی را نشان می دهد که کمتر تحت تأثیر تعاملات مجازی / آنلاین قرار می گیرد.

آیا می توانید برخی از بینش های کلیدی خود را گسترش دهید؟ اول ، این بدان معنی است که شبکه های شرکتی از “مناطق متعدد ارتباطات متراکم تر یا اجتماعات” تشکیل شده اند؟

بسیاری از شبکه های اجتماعی معمولاً به صورت خوشه ای سازماندهی می شوند. این بدان معناست که شکل شبکه ، گروه های کاربری را نشان می دهد که ارتباطات زیادی با یکدیگر دارند و ارتباطات کمتری با سایر گروه های کاربری دارند. ما این گروه ها را “اجتماعات” می نامیم. س questionال تجربی اصلی این است که چه چیزی اندازه و شکل این جوامع را تعیین می کند. در واقع ، چندین توضیح احتمالی وجود دارد.

از یک سو ، سازماندهی شبکه ها در جوامع ممکن است به دلیل آنچه دانشمندان شبکه “هموفیلی” می نامند – ترجیح برای تعامل با افراد مشابه باشد. با این وجود ، آنچه ما مشاهده می کنیم این واقعیت است که افرادی که از نظر جمعیت شناختی یا ترجیحات مشابه هستند بیشتر از افرادی که متفاوت هستند بیشتر با هم تعامل دارند. از طرف دیگر ، این جوامع می توانند نتیجه “گذرا” باشند – تمایل دو کاربر برای برقراری ارتباط هنگامی که آنها با یکدیگر مشترک هستند یا افراد یکسانی را می شناسند ، افزایش می یابد. در نهایت ، یک توضیح اضافی این است که متغیرها و ویژگی های غیرقابل مشاهده ای (که توسط محققان مشاهده نشده است) وجود دارند که هموفیلی و ساختار جامعه را تعیین می کنند.

مدل و تجزیه و تحلیل تجربی ما قادر است بین این سه توضیح تمایز قائل شده و سهم هر یک از آنها را در شکل نهایی شبکه ارائه دهد.

هدف اعلام شده از این مطالعه ، چگونگی شروع شبکه های شرکتی بود. به نظر شما چه چیزی بر اساس ادبیات موجود در این زمینه ساخته شده است؟

ما نشان می دهیم که افراد تجاری زمانی بیشتر ملاقات می کنند و معاشرت می کنند که (1) در یک منطقه جغرافیایی کار می کنند ، (2) در صنعت و نوع شغل خود مطابقت دارند و (3) در جوامع دوستان مشترکی دارند. این نتایج ممکن است واضح به نظر برسند ، اما نشان دادن آنها به صورت تجربی چالش برانگیز است. این به این دلیل است که داده های مربوط به مخاطبین تجاری نادر است و الگوریتم های موجود برای برآورد مدل های تشکیل شبکه برای شبکه های بزرگ کار نمی کنند. داده های منحصر به فرد و الگوریتم مقیاس پذیر ما به ما امکان می دهد هموفیلی و گذرا بودن را در شبکه های اجتماعی و حرفه ای کشف کنیم و اهمیت آنها را در تعیین شکل شبکه تعیین کنیم.

چگونه می توان این دانش را به طور معنی داری توسط مدیران بخش خصوصی و دولتی به کار گرفت؟

ساده ترین کاربرد تحقیق ما یک سیستم توصیه است که به کاربران جدیدی پیشنهاد می دهد که مردم باید با آنها ارتباط برقرار کنند. مدل برآورد شده را می توان برای انجام شبیه سازی های ضد واقعیت استفاده کرد – برای مثال ، برای ارزیابی تأثیر یک سیاست محلی خاص بر ساختار تعاملات تجاری. می توان آنچه در ساختار و توسعه شبکه روابط تجاری در هنگام تعطیلی دولت محلی یا ایجاد خوشه های صنعتی جدید ، بلایای طبیعی و غیره محصولات و خدمات جدید برای کاربران پلتفرم ، پیاده سازی جدید شبیه سازی می شود. دستورالعمل های محلی برای بازار کار و ارزیابی تاثیر شوک های خارجی مانند بلایای طبیعی ، قرنطینه و غیره.

ما همچنین یک کتابخانه منبع باز (https://github.com/sansan-inc/lighthergm) ایجاد کرده ایم که محققان دیگر را قادر می سازد از مدل ها و روش های ما برای تجزیه و تحلیل خود از سایر داده ها استفاده کنند. بزرگترین چالش این مدل های شبکه ، تلاش محاسباتی برآورد است. تا کنون ، تخمین فقط برای شبکه های کوچک با چند صد گره امکان پذیر بود. روش ما و کتابخانه منبع باز ابزاری مقیاس پذیر را ارائه می دهد که محققان را قادر می سازد تا این مدل ها را با مجموعه داده های بسیار بزرگ ، احتمالاً با میلیون ها کاربر ، تخمین بزنند. ما معتقدیم که این امر کاربرد روش های ما را در محیط ها و موضوعات جدید افزایش می دهد.