1 af 22
Abstract
The study examines social networks and how graph theory and data driven segmentation are
related and how they can explain the connections in a social graph. The study will start of by
explaining the basics in graph theory, big data and data driven segmentation, where it afterwards
will give an in-depth analysis on Facebooks social network. The analysis will start of with three
examples of social graphs, where the first will sit graph theory in relation to people, the second
will show a method of determining relation between people and the last will be a graph describing
the closest thing to the Facebook social network.
The second part of the analysis will examine how we can determine a person’s influence, which is
shown in to different graphs; one is a person with high degree of connections the second is with a
person who has a low degree of connections, but high connectivity. The third part of the analysis
combines the data driven segmentation with a person’s level of influence. The last section of the
study includes a discussion about data driven segmentation.
The study concludes that the most important thing within the data driven segmentation is finding
the users with high influence, because of their high value when advertising. The study can also
conclude that data driven segmentation is an improvement upon modern communication.
2 af 22
Indholdsfortegnelse
Abstract ............................................................................................................................................................. 1
Indledning .......................................................................................................................................................... 3
Big data .............................................................................................................................................................. 4
Grafteori ............................................................................................................................................................ 6
Facebook ......................................................................................................................................................... 10
Grafteori ...................................................................................................................................................... 10
Vurdering af netværksrelationer ................................................................................................................. 13
Datadreven segmentering ........................................................................................................................... 15
Moderne kommunikation ............................................................................................................................... 16
Værdien af kommunikation ......................................................................................................................... 17
Konklusion ....................................................................................................................................................... 18
Litteraturliste ................................................................................................................................................... 19
Bilag ................................................................................................................................................................. 20
3 af 22
Indledning
I vores moderne højteknologiske samfund, behandler store datacentre verden over, mere end 2,5
quintillion bytes af data hver dag, som svarer til 2.500.000 terabytes.
1
For at sætte dette i
perspektiv producerede verden kun 100 gigabyte data om dagen i 1992.
2
Det vil sige, at den
samlede menneskebefolkning, hver dag skaber en mængde data der er ca. 25 millioner gange
større, end den man skabte hver dag for bare 25 år siden.
Grunden til den massive fremgang i mængden af data der bliver opsamlet, skyldes introduktionen
af flere nye typer data. I 2000 til 2005 kom størstedelen af den opsamlede data fra personer, der
manulet skrev finanspapirer, dokumenter og personlige filer ind i en database. I dag kommer langt
størstedelen af den opsamlede data fra smartphones, internetsider og sociale netværk der alle
automatik opsamler store mængder data omkring din location, indkøbsvaner, hvem du kender
osv.
3
Helt tilbage fra starten af år 2000 har vi segmenteret grupper af folk efter diverse formål,
reklamer, politiske holdninger osv. I de seneste år har segmenteringen udviklet sig gevaldig i takt
med at sociale medier er blevet mere og mere populære. I denne opgave vil man se nærmer på
Facebooks sociale netværk og prøve at gennemskue, hvordan de holder styr på brugere og deres
relationer ud fra grafteori. Her vil man også komme ind på en matematik beskrivelse og udregning
af en personens indflydelse i et sådan netværk.
Det er vigtig at understege, at opgavens eksempler er baseret på realistiske bud, på hvordan man
tror facebook bruger matematikken i deres netværk. Der er derfor ikke nogen konkrete beviser på
hvordan facebook gør det.
1
https://www-01.ibm.com/software/data/bigdata/what-is-big-data.html
2
http://www.vcloudnews.com/every-day-big-data-statistics-2-5-quintillion-bytes-of-data-created-daily/
3
http://www.explainingcomputers.com/big_data.html
4 af 22
Figur 1 - De tre v’er: volume, velocity og variety. Model udformet af
Doug Laney.
9
Big data
Begrebet dækker over det at skabe værdi ud fra massive mængder af opsamlet data. Betegnelsen
værdi kan i denne sammenhæng have mange betydninger, eksempelvis ville en betydning for
værdi være at effektivisere sundhedsvæsnet. Ved at bruge oplysninger omkring, hvornår
forskellige personer er syge og i hvilke perioder det sker, kan sundhedsvæsnet stille en større
bemanding til rådighed i perioder med stor sygdom og mindre i perioder med mindre sygdom. På
den måde kan sundhedsvæsnet spare enorme mængder af ressourcer og give kunden en større
tilfredshed, ved at bruge big data til at effektivisere.
For at kunne opsamle, lagrer og behandle disse massive mængder data, kræver det et datacenter
med bedre end traditionel computer kraft. Dertil kommer de udfordringer, der kan karakteriseres
med de tre v’er volume, velocity og variety, på dansk volumen, hastighed og variation.
4
Volumen er big datas største udfordring, men samtidig også dets største potentiale. Da jo større
mængde data, der kan analyseres, jo bedre og mere præcist et svar, får man. Udfordringen er
således, at mængden af data der skal opsamles i de kommende år, vil stige eksponentielt, og
derfor skal der bruges enorme mængder processorkraft og lagring, som langt fra alle virksomheder har
eller er i stand til at opretholde.
5
Hastigheden, er som vi kender det, den fart dataen bliver behandlet på til og fra serverne. Her er der
også væsentlige udforinger, i det at flere og flere brugere i dag vil have streaming tjenester, som for
mange virksomheder er urealistisk, pga. deres IT-systemer, fordi streaming kræver høj hastighed.
Eksempelvis har Netflix, som de fleste
kender, flyttet deres streaming tjeneste
over til amazon-cloud, fordi de har en større server kapacitet. Derudover kan det også bedre betale sig
økonomisk og administrationsmæssig.
6
Den sidste udforing lægger i variationen af data der skal behandles. Som tidligere nævnt var det meget
simple data, der i 1992 blev generet, i dag er der flere hundrede forskellige filformater, såsom lydfiler,
3D modeller, locationer osv.
7
Variationerne i filtyperne gør det således svært at sorterer dataen uden
4
http://www.explainingcomputers.com/big_data.html
5
http://www.explainingcomputers.com/big_data.html
6
http://blogs.gartner.com/doug-laney/deja-vvvue-others-claiming-gartners-volume-velocity-variety-construct-for-big-data/
6
https://www.engadget.com/2016/02/12/netflix-uses-amazon-servers/
7
http://www.explainingcomputers.com/big_data.html
5 af 22
at have avanceret programmer til at håndtere det, som normale virksomheder ikke har erfaringen eller
viden til.
Virksomheder som Google og Amazon, der har ressourcerne og teknologien til at køre store
datacentre, bruger med fordel big data til at inddele brugere i segmenter, baseret på den opsamlede
data, så kaldt datadreven segmentering. Datadreven segmentering er på mange måder ens med den
traditionelle måde at segmentere på, da det handler om at inddele brugere i segmenter ud fra en
enorm mængde af oplysninger. Det kan være lige fra politisk holdning til hvad din yndlings ret er. Der
hvor det adskiller sig fra traditionel segmentering, er hvor processen går hen og bliver automatiseret
ved hjælp af algoritmer. Her kan algoritmerne altså gå ind og lave en målrettet segmentering, til
eksempelvis en virksomhed, som ønsker at sælge et produkt til en speciel målgruppe.
8
8
http://data-informed.com/use-data-driven-segmentation-find-target-audience/
6 af 22
Grafteori
I forbindelse med big data og datadreven segmentering er grafteori et vigtig værktøj, da det er
med til at beskrive sammenhængen i bestemte typer data. Kort sagt er grafteori et område inde
for diskret matematik, som ofte bliver brugt i datalogien, til at løse mange forskellige opgaver, som
f.eks. rutevejledning og skemalægning.
9
For at forstå grafteorien og måden det forbinder data på,
skal man først kende nogle essentielle begreber.
En graf består af en samling af punkter og kanter.
Som man kan se ovenfor, består grafen i figur 2, af to punkter,
og en kant der forbinder
de 2 punkter. En sådan graf kaldes en orienteret graf og er vist ved at kanten der forbinder de to
punkter har en pil.
10
F.eks. hvis man starter i punkt
, kan man gå hen til
, men hvis man starter
i
kan man ikke gå hen til punkt
, fordi kanten er der forbinder de to punkter er orienteret i en
retning. Den orienteret kant forbindelse kan beskrives som følgende.
Omvendt findes der også uorienterede grafer, som figur 3 viser, hvor retningen man går er
ligegyldig.
11
Den uorienteret kant forbindelse kan beskrives som følgende.
9
https://da.wikipedia.org/wiki/Grafteori
10
http://20bits.com/article/graph-theory-part-i-introduction/
11
http://20bits.com/article/graph-theory-part-i-introduction/
𝑃
𝑃
Figur 3 - Eksempel på graf
Orienteret graf
Uorienteret graf
𝑃
𝑃
Kant
Punkt
Figur 2 - Eksempel på graf
k
k
Kant
7 af 22
Vis man nu ser på figur 4, som er en orienteret graf med fire punkter, så kan den opskrives på
følgende måde. Hvis man siger at definitionen på en graf G er par (P,K) af sæt kaldet punkt sæt og
kant sæt, kan man opskrive grafen som følgende.
12
Altså bliver en graf opskrevet ved antallet af punkterne og kanterne der indgår, og i hvilken retning
kanterne går, hvis det er en orienteret graf. Det er vigtig at huske på at figur 4 viser en orienteret graf,
hvis grafen var uorienteret ville der være flere kanter (forbindelser) at opskrive. Dertil kommer
definitionerne på den orienteret og uorienteret graf.
For en orienteret graf gælder:
13
En orienteret graf G er et par
bestående af
Et antal P af punkter.
Et antal
af ordnede par af punkter (kanter)
For en uorienteret graf gælder:
14
En orienteret graf G er et par
bestående af
Et antal P af punkter.
Et antal
af uordnede par af punkter (kanter)
12
http://20bits.com/article/graph-theory-part-i-introduction/
13
https://da.wikipedia.org/wiki/Grafteori
14
https://da.wikipedia.org/wiki/Grafteori
𝑃
𝑃
𝑃
𝑃
Figur 4 - Eksempel på graf
med fire punkter
𝑃
𝑃
𝑃
𝑃
8 af 22
Når man regner med grafteori, er der udover ovenstående, nogle regler, som er vigtig for
helhedsforståelsen og udregningerne af en graf.
Et punkts antal af kanter der går til og fra punktet, bliver beskrevet med punkts grad, f.eks. hvis
man ser på figur 5, har punktet
en grad på 2 og punkt
en grad på 3 osv. Hvis man nu ser på
figur 6, kan man se, at
har en kant der går fra
, hvilket punktet gerne må. Men det vil så
sige at punktet har en grad på 3, fordi punktets grad er defineret ved antallet af gange den bliver
forbundet med en kant. Det er også muligt for et punkt ikke at have nogen forbindelse, så er
punktet isoleret med en grad på 0. Til sidst er det også muligt at have 2 eller flere kanter, der
forbinder de 2 samme punkter (se figur 7).
15
I grafteorien kan man gå fra et punkt til et andet punkt. Dette er nyttigt, når der skal udregnes
forskellige sammenhænge i f.eks. sociale netværk eller rutevejledning. Der er forskellige måder at
gå fra et punkt til et andet punkt i en graf. Disse måder er som følgende.
Et walk, er en måde at gå fra et punkt til et andet punk, hvori man gerne må genbruge punkter og
kanter. Open walk er fra et punkt til et andet vilkårligt punk i grafen. I et closed walk, skal man
slutte walken, der hvor man starter. Definition: Open walk , closed walk . I denne
forbindelse betyder x begyndelsen og y slutningen.
16
En trail er på samme måde som et walk, en måde at gå fra et punkt til et andet, man må bare ikke
genbruge kanter. Et circuit er så præcis det sammen som et closed walk, hvor man ikke må
15
https://www.youtube.com/watch?v=HkNdNpKUByM
16
https://www.youtube.com/watch?v=HkNdNpKUByM
𝑃
𝑃
𝑃
𝑃
Figur 5 - Eksempel på graf
med fire punkter
𝑃
𝑃
𝑃
𝑃
Figur 6 - Eksempel på graf
med fire punkter
𝑃
𝑃
𝑃
𝑃
Figur 7 - Eksempel på graf
med fire punkter
9 af 22
genbruge kanter og turen skal slutte i samme punkt hvor man starter. Definition: trail ,
circuit .
17
En path, foregår igen på samme måde som en walk, hvor man ikke må genbruge punkter. En cycle
er her også det det sammen som et closed walk, dog er det her tilladt at genbruge det sammen
punkt som der hvor man starter, men kun det punkt. Definition: trail , circuit .
18
Eksempel på walk:
Eksempel på closed walk:
S
17
https://www.youtube.com/watch?v=HkNdNpKUByM
18
https://www.youtube.com/watch?v=HkNdNpKUByM
a
b
c
d
e
f
Walk 𝑎 𝑑
𝑘
𝑘
a
b
c
d
e
f
Path 𝑎 𝑎
𝑘
𝑘
𝑘
𝑘
10 af 22
Facebook
Nu hvor grundlæggende begreber indenfor big data, grafteori og datadreven segmentering er på
plads, er det tid til se nærmere på en af større virksomheder, såsom Facebook og Google. I dette
afsnit vil der blive analyseret på hvordan Facebook bruger big data, grafteori og datadreven
segmentering, på deres sociale platform.
Grafteori
Facebook har i det seneste årti udviklet sig til stor social platform med flere end 1,8 milliard online
brugere hver måned.
19
For at kunne beskrive og holde styr på alle deres brugere, har Facebook
nogle avancerede algoritmer, hvor de sandsynligvis bruger en form for grafteori. Man kan
selvfølge ikke direkte bevise at Facebook bruger grafteori på deres platform, dog kan man stadig
komme med hypoteser på hvordan de bruger grafteorien.
Til en start, kan man beskrive en hel normal og simpel relation, som ofte forekommer. Hans er venner med
3 personer, Gitte, Erik og Anton. Derudover har han en kæreste, Anna og er bekendte med 2 personer,
Jesper og Claus. Altså ville en graf en ud som følgende.
Figur 8 viser de relationer Hans har i sit liv, hvor lyserrød er kæreste, grøn er venner og blå er
bekendte. Grafen kan beskrives sådan.
19
https://bsocial.dk/facebooks-news-feed-algoritme/
Hans
Gitte
Erik
Anton
Anna
Jesper
Claus
Figur 8 - Eksempel på
relation ved grafteori.
11 af 22
I figur 8, kan man se at Hans har en relation til alle de folk som er i grafen, ud fra den kant der
forbinder dem, præcis på samme måde som Facebooks platform virker. Dog kan man ikke ud fra
denne graf, se hvilken slags relation det er Hans har med de personer i grafen.
For at kunne beskrive Hans forhold til de andre, kan man ændre i antallet af forbindelser. Jo
tættere man er på Hans, desto flere kanter. Så hvis man siger folk han ikke er venner med, men
stadig er venner med hans venner har 1 kant (vens ven), bekendte har 2 kanter, venner har 3,
kærester har 4 og familie 5. Den nye graf vil altså komme til at se sådan ud.
Man kan nu, ud fra grafen (figur 9) se Hans relationer til de andre personer. Ud fra denne metode
kan man altså bestemme, hvilken forbindelse det er, personer har til hinanden. På Facebooks
platform, kan man beskrive brugernes forhold på en nogenlunde ens måde. For at kunne bevise
det, skal man se på en persons newsfeed
20
. På ens newsfeed, bliver der delt alverdens historier,
nogle mere ligegyldige end andre, som en algoritme bestemmer ud fra ens forhold til andre. Den
vurder altså simpelthen hvad du gerne vil se og læse ud fra dine relationer til andre.
21
(Bilag side 21)
Denne metode er udledt ud fra en rækker teorier af Jesse Farmer
22
Metoden er dog kun på sin vis
effektiv, da it-systemer skal bruge ekstra processor kraft, hvis de skal begynde at tage højde for
antallet af kanter der forbinder personer, hvor der ellers kun er en kant der forbinder personer.
20
Frontsiden på Facebook, hvor nyheder befinder sig.
21
https://www.facebook.com/
22
http://20bits.com/article/graph-theory-part-iii-facebook
Hans
Gitte
Erik
Anton
Anna
Jesper
Claus
Figur 9 - Eksempel på
relation ved grafteori.
𝑉𝑒𝑛𝑠𝑣𝑒𝑛
𝑉𝑒𝑛𝑠𝑣𝑒𝑛
Familie
12 af 22
En anden og mere effektiv metode ville at benytte grafteoriens stier, som er beskrevet tidligere i
opgaven. På den måde skal it-systemet kun tælle antallet punkter der er fra personen til den
valgte person og derigennem afgøre, hvilken relationer det er personen har. Altså vil grafsen se
således ud.
Man kan så ud fra denne graf i figur 10, matematiks beskrive personens relation til personer, hvor
der er et punkt imellem.
Ud fra opskrivningen af grafen, kan man altså definere relationen fra personen til
ved
at lave et walk, som kan beskrives på følgende måde.
Set i forhold til Facebooks Sociale netværk, er denne graf (figur10) det tætteste man kommer på et
realistisk bud, på hvordan deres netværk er opstillet i grafteorien.
Person
𝑉𝑒𝑛
𝑉𝑒𝑛
𝑉𝑒𝑛
Kæreste
𝐵𝑒𝑘𝑒𝑛𝑑𝑡
𝐵𝑒𝑘𝑒𝑛𝑑𝑡
_2
Figur 10 - Eksempel på
relation ved grafteori.
Bekendts ven
Familie
𝑉𝑒𝑛𝑠𝑣𝑒𝑛
𝑉𝑒𝑛𝑠𝑣𝑒𝑛
𝐾
𝐾
13 af 22
Vurdering af netværksrelationer
Så hvad er det Facebook bruger de relationer til, som de kan finde ved hjælp af grafteorien?
Primært handler det om den måde, vi hver i sær har indflydelse på hinanden. Facebook kan ved
hjælp af antallet af relationer vurder, hvor indflydelsesrig man er. I den virkelige verden er der
selvfølgelig andre faktorer der spiller ind, i deres udregninger af indflydelse. Men for at finde frem
til et forsimplet eksempel af, hvad der kan spille ind i deres udregninger, skal man først kende til
nogle forskellige måder, hvorpå et mennesker kan have indflydelse.
Indflydelse bliver i denne sammenhæng betegnet som personens grad, altså antallet af
forbindelser til andre personer. Fra en simpel synsvinkel er der to primære måder, hvorpå en
person kan have indflydelse. En person med høj grad af forbindelser (Kanter) eller en person med
lav grad af forbindelser, men høj tilslutning.
23
Som man kan se i figur 11 og 12, kan begge personer, som er angivet med orange, have en lige stor
indflydelse, bare baseret på to forskellige måder. For nu at kunne beskrive en personens
indflydelse, kan man bruge denne formel, som er udledt af Jesse Farmer.
24
23
http://20bits.com/article/graph-theory-part-iii-facebook
24
http://20bits.com/article/graph-theory-part-iii-facebook
a
b
c
d
e
g
h
i
f
Figur 11 - Eksempel på person
med høj grad af forbindelser.
a
b
f
c
h
d
j
e
i
Figur 12 - Eksempel på person
med lav grad af forbindelser,
men høj tilslutning.
g
14 af 22
Formlen skal forstås som at , som er lig med summen af de andre personers
indflydelser, multipliceret med 1 divideret med lambda . Bogstavet lambda er i denne
sammenhæng en meget vigtig komponent, da det alt efter situationen ændre værdien, altså er
lambda en form for vægtningsgrad af indflydelse. For at kunne finde værdien af lambda, skal man
kende til avanceret matematik på universitetsplan. I de kommende eksempler har jeg derfor
bestemt lambda til at have en værdi på 0,9 i figur 11 og 1,23443 i figur 12, som jeg har vurderet
realistisk, ud fra matematiske beskrivelser og udregninger af eigenvalues.
25
Således kommer
formlerne til at se ud.
Vis man starter med at se på figur 11, så er udregningen relativ simpel, da person a’s indflydelse
kan beskrives ved graden af forbindelser han har, multipliceret med
.
Udregning:
Hovedpersonen i figur 11 har altså en indflydelse på ca. 8,88.
Herefter kan man tag hovedpersonen i figur 12 og udregne han indflydelse for så at sætte dem op
mod hinanden. Husk at man her tæller hver gruppe af nedre personer som en mængde
indflydelse. (Bilag side 22)
Udregning:
Altså har en hovedpersonen i figur 12, en indflydelse på ca. 7,29.
25
http://mathworld.wolfram.com/Eigenvalue.html
15 af 22
Hvis man så sammenligner de værdier for indflydelser, kan man se at hovedpersonen i figur 11 er
mere indflydelsesrig end hovedpersonen i figur 12. Man kan sige at dette resultatet kun er delvist
pålideligt, eftersom at lambda er en vigtig faktor i udregningen af indflydelsen, og at man skal have
arbejdet mange år med sådanne netværk for at kunne komme med et konkret bud på en lamdba
værdi ud fra udregninger.
Med det sagt, kan der stadig trækkes tråde fra det Jesse Farmer skriver i hans artikel om Facebook
og grafteori. ”One way to measure influence is connectivity. People who have lots of friends tend
to have more influence (indeed, it's possible they have more friends precisely because they are
influential).”
26
I det mener han, at ens indflydelse er højere jo flere venner man har, men at man
kan have en lige stor indflydelse, hvis man har få venner med høj indflydelse.
Datadreven segmentering
Nu når Facebook effektivt kan beskrive dine relationer og hvor indflydelsesrig du egentlig er, hvad
kan de så bruge det til? Som man kan se på Facebooks business side tilbyder Facebook en lang
række målrettet reklamekampagner, som er baseret på den datadrevne segmentering de kan få
ud fra personers relationer og oplysninger.
27
På den måde kan Facebook finde frem til de
personer, som har høj indflydelser iblandt brugere, der har den højeste værdi for firmaer, da de i
sig selv fungere som reklame pga. deres indflydelse. På den måde har Facebook lavet datadreven
segmentering til en forretning, fordi målrettet reklame har en større værdi for virksomheder.
Som nævnt tidligere i opgaven, er det ikke kun Facebook der nyder godt af
segmenteringsmulighederne, men også de firmaer, som via Facebook gør brug af de målrettede
reklamer. Grunden til dette, er de mange muligheder for et bedre målrettet publikum, som
datadreven segmentering tilbyder, igennem big data på Facebook.
I denne sammenhæng, kan jeg komme med dette eksempel fra min dagligdag, hvor SRP har haft
en stor indflydelse på stress i hverdagen. Her har jeg søgt på ”Stress i SRP’en” på google (Bilag side
22), hvorefter jeg besøgte en side, der havde forbindelse til Facebook.
26
http://20bits.com/article/graph-theory-part-iii-facebook - citat fra starten af siden.
27
https://www.facebook.com/business/help/1-12-2016
16 af 22
Efterfølgende er reklamen, som er vist i figur 13 dukket frem på min newsfeed. Facebook har altså
her, lavet en datadreven segmentering på det som jeg har søgt på og herefter solgt rettighederne
til at lave en målrettet reklame.
Moderne kommunikation
Kommunikation spiller en stor rolle i vores moderne samfund, hvor datadreven segmentering og
big data i stigende grad bliver normalt på massemedier. Som beskrevet tidligere i opgaven har
datadreven segmentering visse fordele over traditionel segmentering, hvori datadreven
segmentering har en enorm mængde oplysninger/data, hvorpå der kan segmenteres. Men er det
muligt, at vi i fremtiden kommer til at oversegmentere, i stedet for at se et realistisk billede af et
potentielt marked?
Man kan argumentere for at, vi i fremtiden kommer til at oversegmentere vores data. Man kan
miste potentielle kunder og vigtigere endnu, virksomheden kan miste penge på at markedsføre
deres produkt ud til en forkert målgruppe. Ud fra en nystartet virksomhed kan sådanne ulemper
være katastrofale og medføre konkurs inden for en kortsigtet periode.
Big data kan også diskuteres i forhold til, hvordan individet uden indsigt og viden bliver inddelt i
segmenter, som individet ikke er herre over. Ingen ønsker at blive fordelt i kasser, som individet
ikke selv er herre over. Det giver massemedierne en magt, som kan være foruroligende, og
frarøver brugere muligheden for selv at blive konfronteret med andre synspunkter, end deres
egen. Det vil i det stor og hele gør at vi ubevidst kun bliver bekræftet i vores egne holdninger og
surfer på nettet med skyklapper. I fremtiden bør man oplyse bruger/individet om, hvad det er der
bliver filtreret fra.
I opgaven er der anvendt grafteori og datasegmentering som teori. En anden teori som kunne
være anvendt til at forklar sociale netværk er Elihu Katz og Lazersfelds two-step model om
moderne kommunikation (Bilag side 22).
28
Deres teori er udviklet helt tilbage fra 1950’erne, og
viser, at vi dengang allerede begyndte at udvikle modeller til forklar de sociale medier. Deres
model beskriver på massemediernes kontakt til meningsdannere, som derefter påvirker individer.
28
https://kommunikationita.systime.dk/index.php?id=016
17 af 22
Set i forhold til nutiden sociale netværk, er det stadig meningsdannerne som medierne prøver at
få fat på. Måden de gør det på, er til gengæld ændret sig en del, hvor de førhen kun komme i
kontakt med meningsdannere igennem radio eller avis, hvor det i dag stort set foregår digitalt.
Ved ovenstående argumentation og sammenligninger, kan man vurdere at datadreven
segmentering er en automatiseret forbedring, af moderne kommunikation.
Værdien af kommunikation
I denne tid, hvor man stadig bliver mere og mere segmenteret af forskellige massemedier, såsom
Google og Facebook, kan man ikke undgå at se på relevansen af værdien, af moderne
kommunikation. Som Eli Pariser siger i hans ted-talk, stræber flere og flere internetfirmaer efter at
skræddersy deres tjenester efter din personlige smag, hvorefter man bliver fanget i en
filterboble.
29
Altså vil det sige at internetvirksomheder benytter segmentering til at personalisere
ens oplevelse af deres tjenester. I fremtiden kunne man tænke sig til sådanne filterbobler gik hen
og fik store konsekvenser for nogle samfund, i og med at man ikke får udfordret i sine holdninger.
Samtidig er man i stigende grad længere og længere på internettet.
Derfor er især vigtig i at have fokus på sådanne filterbobler i vores informationssamfund, da man
ellers kan få et forvrænget eller endda helt forkert syn på verden, end man ellers ville uden den
personaliserede version af internettet. Det er derfor specielt vigtig at virksomheder som Google og
Facebook, bliver presset til at give brugeren mere kontrol, over det der ønskes at se.
29
https://www.ted.com/talks/eli_pariser_beware_online_filter_bubbles?language=da
18 af 22
Konklusion
I denne opgave har man belyst sammenkoblingen mellem grafteori, big data og datadreven
segmentering set i forhold til et socialt netværk. Ud fra en række eksempler og teorier, kan man
konkludere at grafteorien kan bruges til at beskrive relationer og indflydelse i sociale netværk.
Man har fundet frem til at indflydelsesformlen af Jesse Farmer matematisk kan beskrive personers
indflydelse i forskellige netværkssituationer.
Derigennem har man koblet indflydelse med datadreven segmentering, hvorved man kan
konkluderer at meningsdannere er en essentiel og kostbar kilde i segmenteringen, da de kan
bruges til at videreføre og påvirke andre brugere med værdifuld information.
Til sidst kan man også konkludere, at datadreven segmentering er en videre bygning på morderne
kommunikation. Endvidere har firmaer, som Google, skabt den såkaldte filterboble, hvor det i
fremtiden er vigtig man tager hensyn til filterboblerne for ikke at indskrænke individets syn på
verden/internettet.
19 af 22
Litteraturliste
https://www-01.ibm.com/software/data/bigdata/what-is-big-data.html
http://www.vcloudnews.com/every-day-big-data-statistics-2-5-quintillion-bytes-of-data-created-daily/ 21-
12-2016
http://www.explainingcomputers.com/big_data.html
https://www.engadget.com/2016/02/12/netflix-uses-amazon-servers/
http://data-informed.com/use-data-driven-segmentation-find-target-audience/
http://blogs.gartner.com/doug-laney/deja-vvvue-others-claiming-gartners-volume-velocity-variety-
construct-for-big-data/
https://da.wikipedia.org/wiki/Grafteori
http://20bits.com/article/graph-theory-part-i-introduction/
https://www.youtube.com/watch?v=HkNdNpKUByM
https://bsocial.dk/facebooks-news-feed-algoritme/
http://20bits.com/article/graph-theory-part-iii-facebook
http://mathworld.wolfram.com/Eigenvalue.html
https://www.facebook.com/business/help/1-12-2016
https://www.enotes.com/homework-help/possible-segment-market-too-far-what-potential-12-
2016
https://kommunikationita.systime.dk/index.php?id=016
https://www.ted.com/talks/eli_pariser_beware_online_filter_bubbles?language=da
20 af 22
Bilag
21 af 22
a
b
f
c
h
d
j
e
i
Figur 12 - Eksempel på person
med lav grad af forbindelser,
men høj tilslutning.
g
Indflydelse på 3
Indflydelse på 3
Indflydelse på 3
Elihu Katz og Lazersfelds two-step model