Wissensnetzwerke: Soziale Netzwerkanalyse als Wissensmanagement-Werkzeug

    13. Dezember 2007 von Dr. phil. Tobias Müller-Prothmann

    Die informelle Kommunikation von Wissen ist ein kritischer Faktor für den Erfolg von Unternehmen. Das Netzwerk-Konzept ist ein pragmatischer Ansatz, um die informellen kommunikativen und sozialen Beziehungen sowohl zwischen Individuen als auch zwischen sozialen Aggregaten (Gruppen, Teams, Abteilungen, Standorte, Unternehmen, Zulieferer, externe Forschungspartner etc.) für analytische Zwecke zu erfassen. Die soziale Netzwerkanalyse (SNA) ist ein mächtiges Werkzeug für das Wissensmanagement gerade zur Förderung des Wissenstransfers in Forschungs- und Entwicklungsumgebungen. Sie stellt Methoden zur systematischen Analyse, Evaluation, Monitoring und Steuerung von Prozessen der Wissensgenerierung und des Wissensaustauschs in informellen Netzwerken bereit, deren Grundlagen in diesem Artikel einführend vorgestellt werden sollen.

    1. Kommunikation in Communities und Wissensnetzwerken

    Bereits seit den 1930er Jahren sind informelle soziale Beziehungen in Organisationen Gegenstand akademischer Forschung, wie beispielsweise in den klassischen Hawthorne-Studien (Roethlisberger and Dickson 1947). Die Forschung in den späten 1950er Jahren rückt die Diskrepanz zwischen formaler und informaler Organisationsstruktur in ihren Mittelpunkt und betrachtet sie als negativen Einfluss auf die Kohäsion einer Arbeitsstätte sowie auf die Performanz einer Organisation (z.B. Coleman 1956; Dalton 1950).

    Übereinstimmung herrscht bei allen Autoren, dass die Prozesse innerhalb der formalen Organisation unmöglich zu verstehen sind, ohne den Einfluss der bestehenden informellen Beziehungen zu berücksichtigen. So schreibt Barnard (1951 (1938): 120) bereits in den 1930er Jahren: "Formal organizations arise out of and are necessary to informal organization; but when formal organizations come into operation, they create and require informal organizations". Blau und Scott (1962: 6) stellen in den 1960er Jahren fest: "In every formal organization there arise informal organizations". Und weiter: "The constituent groups of the organization, like all groups, develop their own practices, values, norms, and social relations as their members live and work together. The roots of these informal systems are embedded in the formal organization itself and nurtured by the very formality of its arrangements."

    Der Fokus von akademischer Forschung und Unternehmenspraxis auf die interpersonalen Beziehungen und informellen Strukturen in Organisationen hat zu einer Reihe verschiedener Konzepte der intra- und interorganisationalen Wissenskommunikation in Gemeinschaften (communities) und sozialen Netzwerken geführt. Eine Vielzahl an Literatur untersucht und beschreibt Gemeinschafts- und Netzwerkkonzepte aus der Wissensmanagement-Perspektive (z.B. Botkin 1999; Brown and Duguid 1991; Collinson and Gregson 2003; Erickson and Kellogg 1999; Erickson and Kellogg 2001; Lesser et al. 2000; Lesser 2001; Liyanage et al. 1999; Powell 1998; Schmidt 2000; Seufert et al. 1999a; Seufert et al. 1999b; Wenger 1999).

    Vor allem das Konzept der Community of Practice (CoP) hat in den Debatten zum Wissensmanagement besondere Bedeutung erlangt. Die Community of Practice wurde in erster Linie von Lave und Wenger (1991) vor dem Hintergrund einer anthropologisch orientierten Pädagogik geprägt. Zentral an Lave und Wengers Konzept ist die Rolle der "legitimen peripheren Partizipation" (legitimate peripheral participation), die beschreibt, wie Wissen und Fähigkeiten in Gruppen durch Anleitung, implizites Lernen und wachsende Beteiligung innerhalb der Gemeinschaft weitergegeben werden.

    Die Bedeutung von Communities of Practice für Prozesse der Wissensteilung und des Lernens in Organisationsumgebungen basiert auf ihrer Fähigkeit, Wissen und Lernen ganzheitlich in die vorhandenen sozialen Praktiken zu integrieren, ohne diese als isolierte Prozesse zu betrachten, die mit dem Alltagsleben nichts zu tun haben. Wissen wird hier nicht bei einzelnen Personen, sondern durch Formen sozial konstruierter Bedeutung innerhalb der Gruppe verortet. Lave und Wengers Konzept der Communities of Practice wurde schnell von den ursprünglichen Lerntheorien auf die Bereiche Wissensmanagement, Personalentwicklung und Management-Theorien übertragen.

    Die Schlussfolgerung ist also, dass es nicht nur unmöglich ist, die Prozesse innerhalb der formalen Organisation ohne Berücksichtigung der bestehenden informellen Beziehungen zu verstehen, sondern dass umgekehrt auch die Analyse der informellen Strukturen die Berücksichtigung der formalen Organisationsstruktur verlangt. Dabei richtet eine sozial-konstruktivistische Herangehensweise zum Wissenstransfer den Blick nicht nur auf einzelne Individuen und dyadischen interpersonale Beziehungen, sondern auch auf soziale Aggregate und ihre strukturellen Muster. Gerade diese Voraussetzungen und Anforderungen rücken das Paradigma der sozialen Netzwerkanalyse (SNA) in den Fokus, weshalb sich ihre Methoden besonders gut als Wissensmanagement-Werkzeug zur Unterstützung intra- und inter-organisationaler Wissenskommunikation eignen. Insbesondere für die Generierung von Innovationen in Forschungs- und Entwicklungsumgebungen (F&E) ist es von großer Bedeutung, Wissensgemeinschaften und Innovationsnetzwerke effektiv zu fördern und systematisch zu managen.

    2. Innovationsnetzwerke

    Für die Betrachtung von Wissenskommunikation im Innovationsmanagement können wir uns auf die Erkenntnisse des Wissensmanagement-Modells zu Wissensflüssen ("knowledge flows") im F&E-Prozess stützen, wie es Armbrecht et al. (2001) ausgearbeitet haben. Sie teilen die Auffassung, dass Menschen die zentrale Position in Prozessen der Wissensgenerierung und des Wissenstransfers einnehmen. Sie berücksichtigen in ihrem Wissensfluss-Konzept die Komplexität von Interaktion und schlagen das Modell eines stark interpersonalen und iterativen Prozesses zur Filterung, Fokussierung und Erweiterung vor, in dem der kreative Vorgang stattfindet. Anhand von Interviews mit F&E-Manager studieren sie diejenigen Aspekte des Wissensmanagements, die einzigartig oder besonders wichtig für den F&E-Prozess sind, und gelangen so zu einem Katalog von Best Practices. In ihren Interviews haben folgende Punkte die höchste Priorität im Wissensmanagement (Armbrecht et al. 2001: 33):

    • "Welche Art der Kultur unterstützt den Wissensfluss und wie kann sie am besten gestaltet, umgesetzt und gemanaged werden?"
    • "Wie kann das Wissen von Experten und von Personen, die die Organisation verlassen, erhalten werden?"
    • "Wie kann der F&E-Prozess beschleunigt werden?"
    • "Wie kann die in der F&E-Organisation verborgene Kreativität weiter entwickelt und genutzt werden?"

    Gerade an diesen Fragen setzt die soziale Netzwerkanalyse an, die nur nicht nur einen konzeptuellen Rahmen zur Untersuchung von Innovationsnetzwerken, sondern auch ein geeignetes analytisches Werkzeug zur empirischen Untersuchung und praktischen Unterstützung von Netzwerken innerhalb und zwischen Organisationen bietet.

    3. Soziale Netzwerkanalyse

    Das Paradigma der sozialen Netzwerkanalyse ist ein Forschungsansatz aus der Soziologie, der mit der Gründung der International Society of Social Network Analysis (INSNA) im Jahr 1978 durch Barry Wellman und die beiden Journals "Connections" und "Social Networks" sowie die jährliche "Sunbelt International Conference on Social Network Analysis" bereits seit den späten 1970er und frühen 1980er Jahren in der Wissenschaftslandschaft fest etabliert ist. Auch wenn sie originär einen Forschungsansatz der Sozialwissenschaften darstellt, war die soziale Netzwerkanalyse von Anfang an stets offen für und stark beeinflusst von anderen Disziplinen - und umgekehrt. Nach Scott (1991) beruht die soziale Netzwerkanalyse hauptsächlich auf den drei Forschungstraditionen (1) der Sozialpsychologie (Kurt Lewins (1936, 1951) "field theory" und Jacob Morenos (1934) "Sociometry"), (2) der Harvard Schule (vor allem Radcliffe-Brown (1965 (1952)) und (3) der Feldarbeit des Department of Social Anthropology of the University of Manchester. Die breite öffentliche Wahrnehmung des Artikels von Mark Granovetter mit dem Titel "The Strength of Weak Ties" aus dem Jahr 1973 hat die soziale Netzwerkanalyse schließlich populär gemacht und zahlreiche weitere Studien hervorgerufen.

    In Ergänzung zu diesen von Scott (1991) zitierten Traditionslinien der sozialen Netzwerkanalyse sind die Ansätze aus der Kommunikationswissenschaft zu nennen, gerade wenn wir uns auf Kommunikationsprozesse in Netzwerken konzentrieren (siehe auch Schenk 1984). Kommunikationswissenschaftliche Ursprünge der Netzwerkanalyse finden sich insbesondere im Modell des "two-step flow of communication" von Lazarsfeld et al. (1965 (1944), Katz and Lazarsfeld 1955). Sie haben herausgefunden, dass interpersonale Kommunikation durch die Diffusion von Informationen mittels sogenannter Meinungsführer ("opinion leaders") eine wichtige Rolle spielt. Während das ursprüngliche Modell des "two-step flow of communication" lediglich direkte Beziehungen zwischen einem Set von Personen (Meinungsführer und andere) berücksichtigt, wurde dieses Modell hinsichtlich komplexerer Netzwerkstrukturen erweitert, die auch indirekte Beziehungen der Netzwerkakteure einbeziehen. Einflüsse des Meinungsführerkonzepts finden sich bis heute in den Diskussionen zu Broker- und Gatekeeper-Positionen in Netzwerkstrukturen, wie sie weiter unten dargestellt werden.

    4. Anwendung und grundlegende Schritte

    Trotz der zahlreichen Referenzen und Konzepte, die die Bedeutung von Communities und sozialen Netzwerken ins Zentrum stellen und sie als effektive Umgebungen für den Transfer von Wissen propagieren, werden in der Literatur kaum systematische Methoden für die praktische Anwendung zur Identifizierung von Wissensgemeinschaften und Wissensnetzwerken, für die Analyse ihrer Strukturen und ihre effektive Unterstützung dargestellt. Vereinzelt finden sich einige konkrete Anhaltspunkte und ausgewählte Instrumente, jedoch werden diese kaum der Komplexität des Themas gerecht. Hier kommt nun die soziale Netzwerkanalyse (SNA) als effektives und effizientes Wissensmanagement-Tool ins Spiel. Die soziale Netzwerkanalyse bietet einen grundlegenden Ansatz als Werkzeug zur Expertenlokalisierung und zur Unterstützung des Wissenstransfers sowie für Modelle zu ihrer Interpretation und Methoden zur Intervention. Die soziale Netzwerkanalyse stellt eine klare analytische Fundierung zur Implementierung praktischer Methoden für die Wissenskommunikation und das Wissensmanagement bei der Analyse und der Unterstützung informeller Gemeinschaften und Netzwerke dar. Dazu gehören:

    • die strategische Entwicklung des Organisationswissens,
    • der Transfer und die nachhaltige Sicherung von implizitem Wissen,
    • die Entwicklung von Kernkompetenzen (z.B. leadership development),
    • die Verbesserung der Kommunikationsprozesse,
    • die Identifikation und Unterstützung von Communities of Practice (CoP),
    • die Harmonisierung von Wissensnetzwerken (z.B. nach Fusionen und Zusammenschlüssen (M&A)),
    • das nachhaltige Management der Beziehungen zwischen verteilten Standorten und mit externen Partnern.

    Die Anwendung der sozialen Netzwerkanalyse zur Evaluation und Unterstützung der Wissenskommunikation unterteilt sich grundlegend in sieben verschiedene Schritte, die sich in Praxiserfahrungen als besonders zielführend und gleichzeitig effizient erwiesen haben (z.B. Müller-Prothmann und Finke 2004; Müller-Prothmann 2005):

    1. Zieldefinition und Festlegung des Anwendungsbereichs (Wissensdomäne),
    2. Methodenentwicklung unter Berücksichtigung der spezifischen Anforderungen,
    3. Identifikation der Netzwerkakteure,
    4. Datenerhebung z.B. auf Basis von (Experten-) Interviews, Online-Befragung sowie aus weiteren verfügbaren Informationsquellen (Dokumenten, Protokollen etc.),
    5. Datenanalyse auf Basis von formalen Methoden der sozialen Netzwerkanalyse,
    6. Interpretation der Analyseergebnisse,
    7. Ableitung von Interventionen, Folgeaktivitäten und die Unterstützung durch geeignete weitere Werkzeuge und Methoden.

    Diese Schritte werden jeweils durch zielgerichtete kommunikative Maßnahmen unter Einbindung aller betroffener Anspruchsgruppen (Management, Personalabteilung, Betriebsrat, Mitarbeiter) begleitet. Weitere Hinweise zur praktischen Anwendung der sozialen Netzwerkanalyse als Wissensmanagement-Werkzeug finden sich auch in einem aktuellen Buchbeitrag des Autors (Müller-Prothmann 2007).

    5. Konzepte und Methoden

     

    Die soziale Netzwerkanalyse als Methode zur Förderung des Wissensaustauschs untersucht Positionen und Strukturen der Netzwerkakteure und ihrer Verbindungen. Die Methode selbst liefert Ergebnisse, die allein deskriptiv sind. So wie sie hier verstanden und für den praktischen Einsatz dargestellt werden soll, wird aber nicht auf einer beschreibenden Ebene verblieben, sondern Schlussfolgerungen für weitergehende Schritte und Interventionen (siehe Follow-up Activities) abgeleitet und beispielhaft vorgestellt. Die Erhebung und Auswertung von Netzwerkdaten ist relativ komplex und wird meist mit Hilfe entsprechender Analyse-Programme (siehe Software-Tools) durchgeführt. Die ausführliche Darstellung dieser Schritte und eine Anleitung zur Auswertung gehen jedoch über den Rahmen dieses Artikels weit hinaus. Vielmehr sollen im Folgenden grundlegende Netzwerkkonzepte dargestellt werden, die für die Analyse und Förderung von Wissensnetzwerken innerhalb und zwischen Organisationen von besonderer Bedeutung sind.

    Grundsätzlich können die Ergebnisse einer sozialen Netzwerkanalyse nach drei Analyseebenen unterschieden werden:

    1. Gesamtnetzwerk
    2. Cluster, Gruppen, Komponenten (Teilnetzwerk)
    3. Positionen (einzelne Netzwerkakteure)

    Mit Blick auf die Wissenskommunikation in Netzwerken sind auf der Ebene des Gesamtnetzwerks vor allem drei Konzepte relevant: Größe, Zentralisierung und Dichte.

      Die Größe (size) eines Netzwerkes ist durch die Anzahl der Akteure (Knoten) definiert. Sie stellt eine grundlegende Eigenschaft eines Netzwerkes dar: Der direkte Wissensaustausch zwischen den Mitgliedern eines großen Netzwerkes (beispielsweise zwischen den über hundert tausend Angestellten eines multinationalen Konzerns) gestaltet sich deutlich schwieriger im Vergleich zu einem kleinen Netzwerk (beispielsweise innerhalb eines kleinen Teams in der Forschungs- und Entwicklungsabteilung).

      Die Netzwerkzentralisierung (network centralization) beschreibt die globale Zentralität eines Netzwerkes und wird anhand des Grades gemessen, in dem sich die Beziehungen eines Netzwerkes auf einen oder wenige zentrale Knoten fokussieren (siehe auch den Artikel mit Grafiken von Jan Kratzer unter www.c-o-k.de/cp_artikel.htm). Eine starke Zentralisierung deutet darauf hin, dass die Wissensflüsse innerhalb eines Netzwerkes von einigen wenigen Akteuren (Knoten) abhängig sind und beispielsweise die Entfernung dieser Akteure aus dem Netzwerk die Wissensflüsse komplett unterbrechen kann.

      Die Dichte (density) eines Netzwerkes wird definiert durch die Anzahl der vorhandenen Beziehungen geteilt durch die Gesamtzahl der möglichen Beziehungen. Als eine Kennzahl, die insbesondere für das Community-building innerhalb und zwischen Organisationen relevant ist, beschreibt die Dichte die Verbindung der Netzwerkakteure insgesamt.

    Als zentral für die Prozesse des Wissensaustauschs werden in der Literatur drei grundlegende Netzwerkstrukturen beschrieben, deren Bedeutung auch in Fallstudien bestätigt werden konnte: Sub-Gruppen, Cliquen und Cluster, Brücken und Hubs.

      Sub-Gruppen, Cliquen und Cluster bilden sich durch dichte Verbindungen zwischen Teilgruppen von Netzwerkakteuren. Sie sind für das Verständnis des Verhaltens des Gesamtnetzwerks von großer Bedeutung. So können beispielsweise Sub-Gruppen (Cliquen) in Organisationen eine eigene Kultur des Wissensaustauschs und ein spezifisches Verhalten gegenüber Außenstehenden entwickeln.

      Brücken (auch "bridges" oder "cut-points") sind Knotenpunkte, die "Flaschenhälse" (bottlenecks) für den Wissensfluss darstellen. Sie treten auf, wenn Netzwerke in lose gekoppelte Komponenten aufgeteilt sind, die nur durch diese Brücken zusammengehalten werden. Während "Flaschenhälse" kritische Faktoren für den freien Wissensfluss innerhalb eines Netzwerkes darstellen können, können zu viele Verbindungen an jedem Knotenpunkt auch zur Ineffizienz des Wissenstauschs führen. Deshalb müssen Verbindungen zwischen Sub-Gruppen effektiv und effizient koordiniert werden (siehe auch Abbildung 1).

    Abbildung 1: Cluster, Komponenten und Brücken

    Abbildung 1: Cluster, Komponenten und Brücken

      Hubs sind "enabler" für den effektiven Wissenstransfer. Sie entstehen, wenn Netzwerke in mehrere Cluster zerfallen, die durch einige Knotenpunkte miteinander verbunden sind. Diese Knotenpunkte, die Teil verschiedener Cluster sind und damit ihre Verbindung sichern, werden als Hubs bezeichnet. Sie können auf wirksame Weise die verschiedenen Sub-Gruppen des Netzwerkes verbinden und damit den Wissensfluss zwischen ihnen ermöglichen, also beispielsweise zwischen verschiedenen Abteilungen eines Unternehmens oder zu externen Ressourcen. Auf der anderen Seite kann die Netzwerkeffizienz vom Funktionieren der Hubs stark abhängig werden. Sie stellen also auch ein gewisses Risiko für den Wissensfluss im Netzwerk insgesamt dar.

    Auf der Ebene einzelner Akteure (Positionen, Knoten) eines Netzwerkes sind die folgenden Rollen und positionalen Modelle der sozialen Netzwerkanalyse hinsichtlich der Wissenskommunikation von besonderer Bedeutung: Gradzentralität, Closeness-Zentralität und Betweenness-Zentralität.

      Die Gradzentralität (degree centrality) ist unter dem Aspekt der Wissenskommunikation ein Indikator für die Expertise und den Einfluss von Netzwerkmitgliedern. Sie misst die eingehenden und ausgehenden Verbindungen eines einzelnen Netzwerkakteurs (Knoten). Für nicht-symmetrische Daten bestimmen die eingehenden Verbindungen (in-degree) die Popularität eines Mitglieds: es wird angenommen, dass Netzwerkakteure mit vielen Links prominent sind oder über besondere Expertise verfügen. Eine Person mit vielen ausgehenden Verbindungen (out-degree) wird als besonders einflussreich im Netzwerk betrachtet. Die Gradzentralität kann also als Anhaltspunkt dienen, um einzelne Akteure eines Wissensnetzwerks individuell zu unterstützen.

      Die Closeness-Zentralität zeigt die Integration oder Isolierung von Netzwerkakteuren. Sie misst die Erreichbarkeit von Netzwerkmitgliedern unter Berücksichtigung indirekter Verbindungen. Die Closeness-Zentralität fokussiert auf die Entfernung eines Netzwerkakteurs zu allen anderen Knoten des Netzwerks über die sogenannte geodätische Distanz (die mittlere Länge aller kürzesten Pfade eines Netzwerkes). Ein hoher Wert der Closeness-Zentralität deutet auf größere Autonomie einer Person hin, da sie in der Lage ist, die anderen Netzwerkmitglieder verhältnismäßig einfach zu erreichen (und umgekehrt). Niedrige Closeness-Zentralität hingegen deutet auf eine höhere individuelle Abhängigkeit von anderen Netzwerkmitgliedern hin, d.h. auf die Bereitschaft der anderen Akteure, Zugang zu den Netzwerkressourcen zu gewähren.

      Mittels der Betweenness-Zentralität können Wissensbroker und Gatekeeper in einem Netzwerk identifiziert werden. Sie ist eine Maßzahl dafür, dass die Position eines Netzwerkakteurs auf dem kürzesten Pfad zwischen anderen Netzwerkakteuren liegt. Auf diese Weise gibt sie an, ob ein Akteur eine (relativ) wichtige Rolle als Broker oder Gatekeeper für die Wissensflüsse mit einem hohen Potential zur Kontrolle auf die indirekten Beziehungen zwischen den anderen Mitgliedern spielt.

    Neben weiteren netzwerktheoretischen Maßzahlen, die für die Analyse von Wissensnetzwerken interessant sein können, ist für den Wissensaustausch in inter-organisationalen Netzwerke vor allem noch der sogenannte E-I index erwähnenswert. Der E-I index, wie er von Krackhardt und Stern (1988) formuliert wurde, misst das Verhältnis zwischen externen Verbindungen (zwischen verschiedenen Organisationen oder organisationalen Einheiten) und internen Verbindungen (innerhalb einer Organisation oder organisationalen Einheit) und normalisiert dieses auf einen Wertebereich zwischen -1,0 und +1,0. Ein E-I index mit einem Wert von -1,0 würde bedeuten, dass nur interne Verbindungen existieren, während bei einem Wert von +1,0 nur externe Verbindungen bestünden. Der E-I index stellt damit nicht nur eine Maßzahl für den organisationsübergreifenden Charakter von inter-organisationalen Netzwerken dar, sondern kann auch als Indikator für die Identifizierung von Akteuren mit ihrem (Teil-) Netzwerk herangezogen werden, also für ihre interne oder externe Orientierung (innerhalb eines Teams, einer Abteilung, eines Standortes, eines Unternehmens etc. bzw. über diese hinaus). Anzumerken ist an dieser Stelle, dass es keinen optimalen Wert des E-I index gibt, sondern dass das gewünschte Verhältnis zwischen internen und externen Links stets von den Bedingungen einer konkreten Situation abhängt.

    6. Ergebnisse und Follow up - Aktivitäten

    Die soziale Netzwerkanalyse als Wissensmanagement-Werkzeug zielt auf die Untersuchung von Netzwerkstrukturen und -positionen innerhalb eines engen, klar definierten Anwendungsbereichs, d.h. innerhalb einer klar spezifizierten Wissensdomäne. Basierend auf den oben beispielhaft aufgeführten Netzwerk-Kennzahlen muss die Interpretation der Ergebnisse immer auch die bestehenden organisationalen Bedingungen berücksichtigen.

    Mit dem Fokus auf den Wissensaustausch ist die Interpretation von individuellen Netzwerkakteuren für das Verständnis des Wissensnetzwerks in einem Unternehmen von Bedeutung. Gerade hier lassen sich Ansätze zur Steuerung und Verbesserung des Wissensflusses effektiv umsetzen (Wersig 2000). Vier besonders wichtige Rollen können unterschieden werden (Müller-Prothmann 2006):

      Experten verfügen über Spezialwissen und professionelle Erfahrung innerhalb der Wissensdomäne. Sie haben eine zentrale Netzwerkposition, meist mit einer hohen Anzahl externer Links.

      Wissensbroker wissen, welche Person in einem Unternehmen über welches Wissens verfügt ("wer weiß was"). Sie bilden Brücken zwischen den verschiedenen Sub-Gruppen und Clustern des Netzwerkes, die ohne sie nicht oder nur über weite Umwege miteinander verbunden wären (zum Beispiel zwischen Abteilungen und Standorten oder zu externen Partnern wie Kunden, Zulieferern, Forschungsinstituten).

      Kontaktpersonen ("Agenten") nehmen eine vermittelnde Position ein, indem sie eine Verbindung zu den Experten herstellen, ohne selbst über das Expertenwissen zu verfügen oder zumindest ohne dieses selbst zu kommunizieren. Sie haben eine intermediäre Position zwischen zentralen (Experten) und peripheren (Konsumenten) Netzwerkakteuren.

      Wissenskonsumenten fragen das Wissen der Experten nach. Sie haben eine periphere Netzwerkposition.

     

    Mit den Ergebnissen einer sozialen Netzwerkanalyse zur Steuerung und Optimierung der Wissensflüsse einer Organisation lassen sich Interventionen systematisch und zielgerichtet ableiten, die beispielsweise folgende Aktivitäten beinhalten:

    • Entwicklung persönlicher Kompetenzen und Expertise,
    • systematische Nutzung bisher versteckter Expertise,
    • Einbindung des Wissens bisher nur schwach vernetzter Mitarbeiter,
    • Unterstützung des abteilungsübergreifenden Wissenstransfers.

    7. Software-Tools und Praxisbeispiele

    Die Auswertung von Daten zur sozialen Netzwerkanalyse geschieht üblicherweise mit Hilfe entsprechender Software-Tools. Dazu müssen die Daten, die mittels Interviews, Dokumentanalyse etc. erhoben wurden, zunächst codiert werden. In ihrer einfachsten Form bestehen Netzwerkdaten aus einer Matrix, deren Reihen und Spalten dieselben Netzwerkakteure repräsentieren und deren Felder die bestehenden Verbindungen zwischen ihnen darstellen (sogenannte Adjazenzmatrix). Diese Verbindungen können dichotom vorhanden sein oder nicht (dargestellt als Wert 1 oder 0) oder auch gewichtet werden (zum Beispiel 0, 1, 2, 3, 4 - siehe Abbildung 2).

    Diese Matrizen dienen als Input für die Durchführung der Netzwerkanalyse, zum Beispiel mit dem in der Wissenschaft weit verbreiteten UCINET-Paket (Borgatti et al. 2002), das auch Tools für die Netzwerkvisualisierung enthält. Die Visualisierung von Netzwerken basiert auf Soziogrammen aus der Graphentheorie. Diese bestehen aus Knoten, die die einzelnen Netzwerkakteure repräsentieren, und Kanten (Linien), die die Verbindungen zwischen ihnen darstellen. Formal werden Netzwerke in Graphen definiert als ein Set von Akteuren (g - Knoten) und Set ihrer Verbindungen (l - Kanten). Das Set von Akteuren N ist definiert durch seine Knoten {n1, n2, n3, ..., ng}.

    In Abbildung 3 ist ein Beispiel-Netzwerk dargestellt, das Gegenstand einer empirischen Studie zur Bildung einer inter-organisationalen Wissensgemeinschaft war (Müller-Prothmann et al. 2005). Die Daten wurden durch zwei Online-Befragungen zu verschiedenen Zeitpunkten (t1, t2) erhoben. Die Netzwerkakteure waren Mitglieder verschiedener Forschungsinstitute. Die Wissenskommunikation und Netzwerkprozesse zwischen den Akteuren wurden durch einen Mehrebenen-Ansatz (multi-level approach) analysiert, der folgende Dimensionen beinhaltete: (1) Intensität und Relevanz von Kontakten zwischen den Mitgliedern, (2) Kommunikationsbeziehungen bezüglich verschiedener Wissensdomänen, (3) Nutzung verschiedener Informations- und Kommunikationsmittel, (4) Kommunikationsbeziehungen bezüglich des allgemeinen Informationsaustauschs, Austausch von Fach- und Expertenwissen, gemeinsame Projekte und Kooperationen, (5) Relevanz hinsichtlich individueller Arbeitsaufgaben und bezüglich des organisationsübergreifenden Netzwerkens. Es zeigten sich in diesem Praxis-Beispiel ein leichter Rückgang der Netzwerkzentralisierung und ein leichter Anstieg der Dichte von t1 nach t2. Der E-I index zeigte eine deutliche Dominanz der Instituts-internen Verbindungen, jedoch mit einer Zunahme der externen Links von t1 nach t2 - also verstärkten organisationsübergreifenden Netzwerkens (siehe Tabelle 1).

     

    t1

    t2

    E-I index

    0.532

    0.546

    re-scaled E-I index*

    -0.455

    -0.434

    * For given network density and group size the range of the E-I index may be restricted and therefore it is re-scaled to a range from -1 to +1

    Tabelle 1: E-I index in t1 and t2 (isolates excluded)

     

     

    Aus dieser Analyse wurden unter anderen folgende Empfehlungen zur Verbesserung des inter-organisationalen Community-building abgeleitet:

    • bessere Integration von isolierten und marginal eingebundenen Akteuren - oder alternativ ihr Ausschluss oder ihre gezielte Nutzung als sogenannte "Lurker" (siehe Anmerkung unten);
    • Förderung von zentralen Netzwerkakteuren innerhalb der Community insgesamt und als Koordinatoren/Moderatoren hinsichtlich spezialisierter Themenbereiche;
    • stärkere Fokussierung von Themenfeldern mit zentraler Bedeutung für die Community bzw. einzelne Sub-Gruppen;
    • Unterstützung von themenbezogenen Kerngruppen (Arbeitsgruppen) durch zusätzliche Ressourcen.

     

    Anmerkung:
    Die Rolle des "Lurker" stammt aus Untersuchungen zu Mailinglisten sowie Online-Foren und -Communities und bezeichnet diejenigen Mitglieder, die in diesen Umgebungen nur passiv als Leser der Beiträge von anderen Mitgliedern teilhaben. Lurker stellen die größte Gruppe in Internet-Foren dar: "Lurkers are the biggest single disenfranchised group on the Net and the Web. Even though there are far more Lurkers than participants in most websites that permit posting and open discussions, they are invisible, sometimes counted but almost never seen or heard" (Katz 1998). Kollock und Smith (1996) beschreiben "Lurker" als Trittbrettfahrer, die Fragen stellen, aber selbst nie Antworten, die Informationen sammeln, aber selbst keine verteilen, die die laufenden Diskussionen mitlesen, ohne selbst zu ihnen beizutragen. Dennoch kommt Lurkern eine besondere Bedeutung zu - nicht nur, weil sie eine große Anzahl aufweisen, sondern weil sie auch eine wichtige Rolle als potenzielle Promotoren einer Community, eines Forums, einer Mailingliste oder eines Wissensnetzwerkes darstellen können, die die Existenz und die Interessen dieser Gruppe in die Außenwelt tragen. Aus diesem Grund ist die Rolle und Funktion von Lurkern Gegenstand verschiedener empirischer Studien (z.B. Nonnecke and Preece 2000, Nonnecke et al. 2004, Takahashi et al. 2003) und sollte auch bei Communities of Practice und Wissensnetzwerken innerhalb und zwischen Organisationen nicht vernachlässigt werden.

    Links

    · Mehr zum Thema: www.wissensnetzwerke.de
    · Innovationsmanagement der Pumacy Technologies AG: www.pumacy.de/loesungen/innovationsmanagement.html
    · International Network for Social Network Analysis (INSNA): www.insna.org
    · UCINET Social Network Analysis Software: www.analytictech.com/ucinet/ucinet.htm
    · Weitere Artikel zum Thema auf der c-o-k-Webseite:
    www.c-o-k.de/cp_artikel.htm,
    www.c-o-k.de/cp_artikel.htm

    Referenzen

    Armbrecht, F. M. R. Jr., Chapas, R. B., Chappelow, C. C., Farris, G. F., Friga, P.N. Hartz, C. A., McIlvaine, M. E., Postle, S. R., & Whitwell, G. E. (2001). Knowledge Management in Research and Development. Research Technology Management, 44(4), 28-48. Barnard, C. I. (1951 (1938)). The Functions of the Executive. Cambridge/MA: Harvard University Press.
    Blau, P. M. & Scott, W. R. (1962). Formal Organizations: A Comparative Approach. San Francisco/CA: Chandler.
    Borgatti, S. P., Everett, M. G. & Freeman, L. C. (2002). Ucinet 6 for Windows, www.analytictech.com/ucinet/ucinet.htm (date accessed: 12 November, 2007).
    Botkin, J. (1999). Smart Business. How Knowledge Communities Can Revolutionize Your Company. New York/NY: The Free Press.
    Brown, J. S., & Duguid, P. (1991). Organizational learning and communities-of-practice: Toward a unified view of working, learning, and innovation. Organization Science, 2(1), 40-57.
    Coleman, J. S. (1956). Social Cleavage and Religious Conflict. The Journal of Social Issues, XII, 44-56.
    Collinson, S., & Gregson, G. (2003). Knowledge networks for new technology-based firms: an international comparison of local entrepreneurship promotion. R&D Management, 33(2), 189-208.
    Dalton, M. (1950). Conflicts between Staff and Line Managerial Officers. American Sociological Review, 15, 342-351.
    Erickson, T., & Kellogg, W. A. (1999). Towards an Infrastructure for Knowledge Communities. A position paper for the ECSCW "99 Workshop Beyond Knowledge Management: Managing Expertise, www.cs.uni-bonn.de/~prosec/ECSCW-XMWS/PositionPapers/EricksonKellogg.pdf (date accessed: 12 November, 2007).
    Erickson, T., & Kellogg, W. A. (2001). Knowledge Communities: Online Environments for Supporting Knowledge Management and its Social Context. Pre-print for a chapter in M. Ackerman, V. Pipek, & V. Wulf (eds.), Beyond Knowledge Management: Sharing Expertise. Cambridge/MA: MIT Press, 2001, www.eecs.umich.edu/~ackerm/courses/04-1.si670/ericksonkellogg.pre-press.pdf (date accessed: 12 November, 2007).
    Granovetter, M.S. (1973). The strength of weak ties. American Journal of Sociology, 78(6), 1360-1380.
    Katz, E. & Lazarsfeld, P. F. (1955). Personal Influence. The Part Played by People in the Flow of Mass Communications. Glencoe/IL: Free Press.
    Katz, J. (1998). Luring the Lurkers. slashdot.org/features/98/12/28/1745252.shtml (date accessed: 12 November, 2007).
    Kollock, P. & Smith, N. (1996). Managing the Virtual Commons: Cooperation and Conflict in Computer Communities. In: S. Herring (ed.), Computer-Mediated Communication: Linguistic, Social, and Cross-Cultural Perspectives (pp. 109-128), Amsterdam: John Benjamins. www.sscnet.ucla.edu/soc/faculty/kollock/papers/vcommons.htm (date accessed: 12 November, 2007).
    Krackhardt, D. & Stern, R. N. (1988). Informal Networks and Organizational Crisis: An Experimental Simulation, Social Psychology Quarterly, 51(2), 123-140. Lave, J., & Wenger, E. (1991). Situated Learning. Legitimate Peripheral Participation. Cambridge et al.: Cambridge University Press.
    Lazarsfeld, P. F., Berelson, B. & Gaudet, H. (1965 (1944)). The People"s Choice. How the Voter Makes Up His Mind in a Presidential Campaign. New York/NY, London: Columbia University Press, 2nd edition.
    Lesser, E. L., Slusher, J., & Fontaine, M. (eds.). (2000). Knowledge and Communities. Boston: Butterworth-Heinemann.
    Lesser, E. L., & Storck, J. (2001). Communities of practice and organizational performance. IBM Systems Journal, 40(4), 831-841, www.research.ibm.com/journal/sj/404/lesser.pdf (date accessed: 12 November, 2007).
    Lewin, K. (1936). Principles of Topological Psychology. New York/NY, London: McGraw-Hill.
    Lewin, K. (1951). Field Theory in the Social Sciences. New York/NY: Harper & Brothers.
    Liyanage, S., Greenfied, P. F., & Don, R. (1999). Towards a fourth generation R&D management model - research networks in knowledge management. International Journal of Technology Management, 18(3/4), 372-394.
    Moreno, J.L. (1934). Who shall survive? A new approach to the problem of human interrelations. Washington, DC: Nervous and Mental Disease Publishing Company. Müller-Prothmann, T. (2005). Use and Methods of Social Network Analysis in Knowledge Management. In E. Coakes, & S. Clarke (eds.), Encyclopedia of Communities of Practice in Information and Knowledge Management (pp. 565-574), Hershey/PA et al.: Idea Group.
    Müller-Prothmann, T. (2006). Leveraging Knowledge Communication for Innovation. Framework, Methods and Applications of Social Network Analysis in Research and Development. Frankfurt a. M. et al.: Peter Lang.
    Müller-Prothmann, T. (2007): Social Network Analysis: A Practical Method to Improve Knowledge Sharing. In: A. S. Kazi, L. Wohlfahrt, P. Wolf (eds): Hands-On Knowledge Co-Creation and Sharing. Practical Methods and Techniques (pp. 219-233), Stuttgart, www.wissensnetzwerke.de/files/kb_ebook02_social_network_analysis_ knowledge_sharing.pdf (date accessed: 12 November, 2007).
    Müller-Prothmann, T., & Finke, I. (2004). SELaKT: Social network analysis as a method for expert localisation and sustainable knowledge transfer. Journal of Universal Computer Science, 10(6), 691-701.
    Müller-Prothmann, T., Siegberg, S. & Finke, I. (2005). Leveraging Boundary-spanning Knowledge Community Building. Interventions from a Social Network Analysis in Interorganizational R&D Environments. In: N. Gronau et al. (eds.): Wissensmanagement. Motivation, Organisation, Integration, www.wissensnetzwerke.de/files/Mueller-Prothmann_KnowTech2005.pdf (date accessed: 12 November, 2007).
    Nonnecke, B. & Preece, J. (2000). Lurker demographics: Counting the silent. CHI Letters 2: 73-80.
    Nonnecke, B., Preece, J., Andrews, D. & Voutour, R. (2004). Online Lurkers Tell Why. In: Proceedings of the 10th Americas Conference on Information Systems (pp. 2688-2694), New York/NY.
    Powell, W. W. (1998). Learning From Collaboration: Knowledge and Networks in the Biotechnology and Pharmaceutical Industries. California Management Review, 40(3), 228-240.
    Radcliffe-Brown, A. R. 1965 (1952). Structure and Function in Primitive Society. Essays and Addresses. London: Cohen & West.
    Roethlisberger, F.J., & Dickson, W.J. (1947 ). Management and the worker. An account of a research program conducted by the Western Electric Company, Hawthorne Works, Chicago. Cambridge, MA: Harvard University Press.
    Schenk, M. (1984). Soziale Netzwerke und Kommunikation. Tübingen: Mohr. Schmidt, M. P. (2000). Knowledge communities. Mit virtuellen Wissensmärkten das Wissen im Unternehmen effektiv nutzen. München et al.: Addison-Wesley.
    Scott, J. (1991). Social network analysis. A handbook. London: Sage Publications. Seufert, A., Back, A., & Krogh, G. von (1999a). Towards a Reference Model for Knowledge Networking. Working Paper, Research Center KnowledgeSource, BE HSG/ IWI 3 Nr. 5/ IfB Nr. 34, University of St. Gallen.
    Seufert, A. , Krogh, G. von, & Bach, A. (1999b). Towards knowledge networking. Journal of Knowledge Management, 3(3), 180-190.
    Takahashi, M., Fujimoto, M. & Yamasaki, N. (2003). The Active Lurker: Influence of an In-house Online Community on its Outside Environment. In: Proceedings of the International ACM SIGGROUP Conference on Supporting Group Work (pp. 1-10), Sanibel Island, Florida/USA. ACM Press.
    Wenger, E. C. (1999). Communities of Practice: Learning, Meaning, and Identity. Cambridge et al.: Cambridge University Press.
    Wersig, G. (2000). Der Fokus des Wissensmanagements: Menschen. In W. Ratzek (ed.), Erfolgspotentiale. Szenarien für kleine und mittlere Unternehmen (pp. 119-132). Aachen: Shaker.

Kommentare

Das Kommentarsystem ist zurzeit deaktiviert.