流程中的社交团体分析

团体是社交网络的一个子集，同一团体中的参与者具有相同或相似的技能、任务分工，内部合作更加紧密。而不同团体之间的参与者通常协作较少，分工和专长差异较大。发现社交网络中的团体有助于更好地理解人员之间的分工与协作，优化业务流程的任务分配。

在计算机领域发现社交团体的常用方法是利用图论将社交网络图每次分割为两个子图，直到发现合适的团体。该方法每次划分只能把图划分为两组，这与实际的社交团体结构并不相符。在此基础上，通过分析参与者之间的关系度量求出距离，然后使用聚类算法将员工划分为各个团体。例如，Newman通过删除不同社团之间的临界节点，对社交网络进行分割[6]。为保证发现较优的社交团体，Newman提出了模块度（modularity）的概念，模块度越高意味着团体内部关联越紧密，而团体之间的关联越稀疏[7]。

目前，除了使用传统的聚类方法外，还出现了一些使用遗传算法、神经网络等发现最优社交团体的做法[8]。

【例5.1】 基于聚类的医护流程社交团体分析[9]

传统医护流程中存在不同科室之间协作松散、团队效率低等问题，而患者病情的日益复杂、各种新型医疗技术的出现则要求科室之间通过紧密协作为患者提供优质的服务。使用聚类方法挖掘医护流程日志，对团体之间的协作进行分析，发现科室之间合作中存在的问题以及协作模式，可以促进医疗流程中各个科室之间的协作水平。

共同工作度量显示了医护人员参与同一治疗实例的频繁程度，能够较好地反映医生之间的协作关系。因此，使用共同实例度量可挖掘医生之间的社交关系，并用聚类方法分析医护流程中的社交团体。

表5.2显示了6名员工之间的共同工作矩阵，矩阵中的元素为共同工作度量，对应两名员工共同参与同一流程实例的次数，例如Carl和Penny一起工作5次，Bill和Jack一起工作1次。共同参与相同实例的次数高，则协作关系越紧密。

表5.2　共同工作矩阵

根据共同工作矩阵，可以创建员工之间的社交网络图。然后在社交网络图的基础上，使用层次型聚类方法对员工进行团体划分。在聚类过程中，需要指定节点之间的初始相似度，将相似度高的节点分为一组，随后根据组间相似度函数计算各组之间的相似程度，将相似度高的组合并。如此反复迭代，从而实现节点之间的层次聚类。这里使用共同工作度量作为员工之间的初始相似度s（i，j）。在迭代过程中，使用平均相似度作为组间相似度函数，即有

式中：Sim（Cr，Cs）为聚类过程中组Cr与Cs之间的相似度，Cr和Cs分别包含nr和ns个节点；s（i，j）为员工i和j之间的相似度。通过将相似度高的组聚合成更大的分组，实现不同层次的团体划分。

图5.1显示了员工层次聚类的过程，虚线为迭代的次数，实线为对应迭代次数的划分结果。如第一次迭代将Penny和Carl划分为一组，其他4位成员各自为组。而第三次迭代将Penny，Carl和Jack分为一组，David和Bill分为一组，Bob单独为组。最后一次迭代则将所有人分为一个团体。为得到最优的团体划分，需要计算每次迭代结果的模块度。分析发现，开始的时候随着迭代次数的增加，团体划分的模块度呈现上升趋势。原因在于通过将有协作关系的员工划分为一个团体，减少了组间的耦合性，从而提升了模块度。但在达到一定程度后，团体数的减少使得关系不够紧密的员工划分为同一团体，降低了组内的内聚性，从而使模块度呈下降趋势。计算可知，在迭代次数为3的情况下模块度最高，即此时的分组结果为最优团体划分，即﹛Penny，Carl，Jack﹜、﹛David，Bill﹜和﹛Bob﹜分别为3个不同的团体。

图5.1　员工层次聚类结果

在使用层次聚类得到的医护流程团体图中，结果显示急救科的医生通常合作紧密，而且与其他部门都有一定的协作关系。急救科在社交关系图中构成最大的组织团体，且处于中心地位。因此，医院可以适当增加对急救科的资源分配，以避免因人员不足而影响协作的效率。此外，骨科、妇科的医生在社交团体中处于相对孤立的状态，与急救科协作不多，且内部协作不够紧密。针对内部关系松散的团体，医院可以通过强化合作意识等方式增进资源之间的有效合作，提高流程处理的效率。

社交团体的发现有助于更好理解组织内部的协作关系，促进员工协作，提升流程的效率。