El Análisis de Redes Sociales (SNA) no solo trata de visualizar gráficos “bonitos” formados por puntos y líneas; su verdadero poder analítico reside en la extracción de conocimiento cuantitativo. Cuando nos enfrentamos a un sistema complejo, la forma más lógica de analizarlo es ir de lo general a lo particular (de nivel macro a nivel micro).
Por ello, el análisis cuantitativo de redes se enfoca en dos grandes hitos analíticos: 1. Nivel Macro (Detección de Comunidades): Identificar tribus, facciones o grupos cohesivos dentro de la red general. 2. Nivel Micro (Métricas de Centralidad): Descubrir, dentro del sistema o de cada facción, cuáles son los actores individuales más críticos.
Para ilustrar estas técnicas, utilizaremos a lo largo de este capítulo el famoso dataset del Club de Kárate de Zachary (karate en el paquete igraphdata).
El contexto del dataset: En los años 70, el sociólogo Wayne Zachary [-@zachary1977] observó las relaciones de amistad de 34 miembros de un club de kárate. A mitad del estudio, surgió un importante conflicto político interno entre el instructor del club (Mr. Hi, nodo 1) y el presidente del mismo (John A., nodo 34). El club terminó fracturándose. Este problema empírico se ha convertido en el equivalente al “Hola Mundo” del análisis de redes: usaremos algoritmos matemáticos para ver si son capaces de detectar, sin tener contexto sociológico previo, la inminente ruptura del club y quiénes eran sus cabecillas.
# Cargar librerías necesarias
library(igraph)
library(igraphdata)
library(tidygraph)
library(ggraph)
library(ggforce)
# Cargar el dataset
data(karate)
# Primer vistazo visual de la red
plot(karate,
main="Amistades en el Club de Kárate de Zachary",
vertex.color = "lightblue",
vertex.label.cex = 0.8)
La detección de comunidades tiene como objetivo dividir la red en grupos de nodos que están densamente conectados entre sí (y poco conectados con el exterior), revelando así la estructura organizativa interna ocultas del sistema.
En R, existen múltiples aproximaciones algorítmicas para forzar la partición de la red en grupos cohesivos.
Aproximación por Cuellos de Botella (Edge Betweenness): Este método [@girvan2002] asume que las redes están unidas por “puentes” frágiles de información. El algoritmo detecta qué aristas son los cuellos de botella que comunican dos agrupaciones lejanas y los elimina sistemáticamente. Al quitar estos puentes clave, la red se fragmenta espontáneamente en comunidades aisladas.
ceb <- cluster_edge_betweenness(karate)Aproximación por Recorridos (Walktrap e Infomap): Estos algoritmos simulan paseantes aleatorios ( random walks) soltados por el laberinto de la red. La lógica dicta que un caminante, al tomar caminos al azar durante un tiempo, tenderá a quedarse dando vueltas “atrapado” indefinidamente si entra en un vecindario o subgrupo con muchísimas conexiones internas.
cw <- cluster_walktrap(karate)Aproximación por Aglomeración (Fastgreedy): Es un algoritmo iterativo de “abajo a arriba” (bottom-up). Empieza asumiendo que cada nodo es una comunidad en sí mismo, y en cada iteración fusiona los dos grupos que consiguen el mayor incremento en la modularidad [@newman2004] (la métrica que evalúa qué tan buena y estanca es una división de red).
cfg <- cluster_fast_greedy(karate)Aproximación por Espectroscopía (Leading Eigenvector): Al contrario que Fastgreedy, este es un método “de arriba a abajo” (top-down). Utiliza la pesada matemática de matrices (concreta mente los vectores propios de la matriz de modularidad del grafo) para partir la red en dos, luego en cuatro, etc., buscando optimizar matemáticamente los cortes limpios.
cle <- cluster_leading_eigen(karate)Aproximación por Voto (Label Propagation): Inspirado en el comportamiento gregario. A cada nodo se le asigna una etiqueta (comunidad) única. En cada iteración asíncrona, cada nodo actualiza su etiqueta adoptando la etiqueta que tenga la mayoría de sus vecinos directos. Es extremadamente rápido y, por tanto, muy recomendado para particionar grafos verdaderamente inmensos.
clp <- cluster_label_prop(karate)Aproximación por Jerarquía (Multilevel - Louvain) [@blondel2008]: Es el enfoque algorítmico globalmente más rápido y pragmático para redes modernas a gran escala. Fusiona iterativamente pequeños nodos en macro-comunidades vecinas hasta conseguir la modularidad matemáticamente más sólida posible en varias “pasadas” o resoluciones.
Vamos a aplicar Louvain al club de Kárate para ver qué nos revela empíricamente sobre la crisis de la escuela usando solo los números:
# Ejecutamos el algoritmo sobre el grafo
comunidades_louvain <- cluster_louvain(karate)
# Visualizamos el resultado
plot(comunidades_louvain, karate,
main="Facciones detectadas automáticamente (Algoritmo Louvain)",
vertex.label.cex = 0.8)
ggraph y EnvolventesAunque plot() en igraph es útil para una exploración rápida, para generar materiales de calidad profesional o publicaciones, es preferible utilizar la gramática de gráficos de ggraph.
Para conseguir el efecto de “burbujas” o facciones agrupadas, utilizaremos la extensión ggforce y su función geom_mark_hull(). La clave es convertir el grafo a un formato tidygraph y calcular la comunidad como un atributo de nodo (tipo factor).
# Convertimos a tidygraph y calculamos comunidades en un solo flujo
g_karate <- as_tbl_graph(karate) %>%
mutate(comunidad = as.factor(group_louvain()))
# Visualización premium con envolventes
ggraph(g_karate, layout = "nicely") +
# Dibujamos las envolventes (las burbujas)
geom_mark_hull(
aes(x = x, y = y, fill = comunidad, group = comunidad),
alpha = 0.15, # Transparencia del relleno
color = NA, # Sin borde en la burbuja
concavity = 10, # Suavizado de la curva
expand = unit(2, "mm") # Margen extra alrededor de los nodos
) +
geom_edge_link(alpha = 0.2, color = "gray70") +
geom_node_point(aes(color = comunidad), size = 4) +
scale_fill_brewer(palette = "Set1") +
scale_color_brewer(palette = "Set1") +
theme_graph() +
theme(legend.position = "none") +
labs(title = "Visualización avanzada de facciones",
subtitle = "Algoritmo de Louvain con envolventes de ggforce")
Análisis del resultado: Es interesante observar que el algoritmo de Louvain ha detectado 4 comunidades (o sub-facciones) en lugar de solo dos. Esto se debe a que Louvain es un algoritmo muy granular que busca maximizar la cohesión interna; por tanto, detecta pequeñas “capillas” o grupos de amigos íntimos dentro de los bandos principales.
Sin embargo, si nos fijamos en la disposición espacial, estas 4 comunidades siguen agrupándose claramente en los dos grandes bloques que protagonizaron la ruptura real del club. Los algoritmos no solo nos dicen “quién se va con quién”, sino que revelan la micro-segmentación interna de cada bando.
Ahora que sabemos que existen estos grupos estancos en la red, la pregunta lógica sociológica para poder intervenir pasaría al nivel individual: ¿quién lidera y cohesiona cada bando?
La “importancia” de un nodo es un concepto fluido y subjetivo que depende del objetivo de nuestro análisis. Un nodo puede no ser muy hablador con sus vecinos directos pero tener el teléfono rojo del presidente; ese nodo es vital, aunque no sea popular.
Para cuantificar estas casuísticas nacieron las métricas de centralidad, que nos ayudan a pasar de la topología visual al dato determinista. En R, es muy pedagógico calcular numéricamente estos valores y usarlos para modificar visualmente atributos del gráfico (como hacer crecer de tamaño la burbuja del nodo líder).
Las métricas críticas que debemos conocer son:
Es el recuento bruto del número de conexiones directas que tiene un vértice.
degree(karate, mode="all")A diferencia del Degree, el Betweenness no mide cuántos amigos tienes, sino cuántas veces por obligación deben pasar a través de ti mensajes de terceros para ir del punto A al B de la red de la forma más corta posible.
Vamos a calcular numéricamente la intermediación del Club y modificar el tamaño de las burbujas de los socios en base a su nivel sociológico de “poder y control de información” interno.
# Calculamos la intermediación numérica de todos los nodos
intermed_nodos <- betweenness(karate)
# Encontramos al nodo con más poder matemáticamente
nodo_clave <- which.max(intermed_nodos)
cat("El principal 'controlador de la información' en el club es el individuo:", nodo_clave, "\n")El principal 'controlador de la información' en el club es el individuo: 1 # Clonamos el grafo y ajustamos el tamaño de la burbuja escalando el valor
g_betw <- karate
V(g_betw)$size <- intermed_nodos * 0.4 + 5
plot(g_betw,
main="Mapa de Liderazgo (Centralidad de Intermediación)",
vertex.color = "gold",
vertex.label.cex = 0.7)
Análisis del resultado: El algoritmo matemático ha inflado drásticamente a dos individuos de la red por actuar como “puentes” u “órganos vitales” de los caminos más cortos de la red. Si nos fijamos, corresponden exactamente con los liderazgos naturales: el instructor Mr. Hi (nodo 1) liderando la facción de la izquierda y en tensión frente al presidente John (nodo 34) de la facción derecha. Ambos controlan la vida y muerte social del resto de socios de la clase, que son nodos irrelevantes (bolitas minúsculas) incapaces de comunicarse entre sí sin el permiso implícito de ambos líderes.
Esta familia de métricas (donde destacan Vector Propio de la física y PageRank de Google) asume una premisa asimétrica, muy habitual en el mundo real: no todos los contactos/seguidores valen lo mismo. Un nodo no obtiene mayor importancia por tener 1.000 seguidores aislados u obreros base (alto grado, métrica A), sino por estar conectado con dos personas pero que ambas sean el Director General de la empresa y un Ministro.
eigen_centrality(karate)$vector o page_rank(karate)$vectorRecapitulación: La combinación de estas dos caras de la moneda del SNA (las métricas de los nodos sumado a los algoritmos de división emparejada por comunidades) configuran una herramienta analítica muy poderosa, capaz de realizar autopsias sistémicas organizacionales en minutos, detectar riesgos de colapso por “nodos críticos”, modelar propagaciones epidémicas y evidenciar subculturas ocultas solo alimentándole datos crudos numéricos.