フレームワーク活用ガイドひとことで言うと#
「モノとモノのつながり（ネットワーク）を数学的に分析し、関係性の構造やパターンを明らかにする手法」。人間関係、取引関係、Webのリンク構造など、つながりのあるデータをノード（点）とエッジ（線）のグラフとして表現し、中心的な存在やコミュニティを発見する。
押さえておきたい用語#
- ノード（頂点）
- ネットワークを構成する個々の要素のこと。人、企業、Webページ、商品など分析対象のエンティティを表す。
- エッジ（辺）
- ノード間のつながりのこと。友人関係、取引、リンク、共起など。方向性（有向/無向）と重み（強さ）を持つことがある。
- 中心性（Centrality）
- ネットワーク内でのノードの重要度を測る指標の総称。次数中心性、媒介中心性、近接中心性、固有ベクトル中心性などがある。
- 媒介中心性
- あるノードが他のノード間の最短経路にどれだけ含まれるかを示す指標。高いほど「橋渡し役」として重要で、そのノードが失われると通信が分断される。
- コミュニティ検出
- ネットワーク内の密につながったグループを自動的に発見する手法。Louvain法やラベル伝播法が代表的。
ネットワーク分析の全体像#
こんな悩みに効く#
- SNSやコミュニティで影響力のある人物を特定したい
- 組織内のコミュニケーションの偏りやサイロ化を可視化したい
- 不正な取引ネットワークを検出したい
基本の使い方#
分析対象をノード（点）とエッジ（線）で表現する。
- ノード: 分析対象のエンティティ（人、企業、Webページ、商品など）
- エッジ: ノード間のつながり（友人関係、取引、リンク、共起など）
- 方向性: エッジに向きがあるか（フォロー関係は有向、友人関係は無向）
- 重み: つながりの強さ（取引金額、やりとりの回数など）
例: 社内メールの分析なら、ノード=社員、エッジ=メールのやりとり、重み=メール回数。
ネットワーク内で重要な役割を果たすノードを定量的に評価する。
主な中心性指標:
- 次数中心性: つながりの多さ（何人とつながっているか）
- 媒介中心性: 橋渡し役としての重要度（最短経路にどれだけ含まれるか）
- 近接中心性: 他のすべてのノードへの近さ（情報伝達の速さ）
- 固有ベクトル中心性: 影響力のあるノードとつながっているかの重要度（PageRankの原理）
使い分け:
- 情報発信力のある人を見つけたい → 次数中心性
- 部門間の橋渡し役を見つけたい → 媒介中心性
- 情報が最も早く届く人を見つけたい → 近接中心性
ネットワーク内の密につながったグループを発見する。
手法:
- モジュラリティ最適化: ネットワークを密度の高いサブグループに分割（Louvain法など）
- ラベル伝播法: ノードにラベルを伝播させてグループを形成
- 階層的クラスタリング: ネットワークの類似度に基づいて階層構造を抽出
分析のポイント:
- グループ間のつながりが少ない箇所はサイロ化の兆候
- 複数のグループをつなぐノードは**ブリッジ（架け橋）**として重要
- グループの大きさの偏りは組織構造の歪みを示唆することがある
ネットワークを視覚的に表現し、パターンを発見する。
可視化のコツ:
- ノードのサイズを中心性に比例させる
- エッジの太さを重み（つながりの強さ）に比例させる
- コミュニティごとに色分けする
- レイアウトアルゴリズム（Force-directed、Fruchterman-Reingold）で見やすく配置
ツール:
- Python: NetworkX、igraph、Pyvis
- 可視化特化: Gephi、Cytoscape
- BIツール: Tableau、Power BIのネットワーク可視化機能
具体例#
状況: 従業員300人のIT企業。部門間の連携がうまくいっていないという声があるが、具体的にどこに問題があるかわからない。
分析データ: 過去6ヶ月のSlackでのメンション・DM回数（匿名化処理済み）
ネットワーク分析の結果:
- コミュニティ検出: 5つの明確なクラスタが見つかり、ほぼ部門ごとに分かれていた
- 媒介中心性: PM3名が部門間の橋渡し役として突出。この3名がいなくなると部門間のコミュニケーションが激減するリスク
- 孤立ノード: 新入社員15名のうち8名が、自部門以外とのつながりがゼロ
- 弱いつながり: 開発部門とカスタマーサポート部門の間のエッジが極端に少ない
施策: 各部門にリエゾン担当を設置、部門横断メンター制度の導入、開発×CS週次合同ミーティング開始。
結果: 部門間のメッセージ数が40%増加。顧客の声が開発に届くスピードが改善し、バグ対応のリードタイムが30%短縮。
状況: スキンケアD2Cブランド。インフルエンサーマーケティングに月300万円投資しているが、フォロワー数だけで選定しており、効果にバラつきが大きい。
分析: InstagramのAPI（許可範囲内）で、自社ブランドに言及した5,000アカウントのフォロー/被フォロー関係をネットワーク化。
発見:
- フォロワー数5万人のインフルエンサーAは、自社ターゲット層とのつながりが薄い（コミュニティ外）
- フォロワー8,000人のマイクロインフルエンサーBは、ターゲットコミュニティの中心に位置し媒介中心性が高い
施策: フォロワー数ではなく、ターゲットコミュニティ内の中心性スコアでインフルエンサーを選定。
結果: 同額の予算でキャンペーンのCVRが0.8%→2.6%に向上。ROIが3.2倍に改善。
状況: 地方銀行。マネーロンダリング対策として、不正な送金パターンを検出する仕組みを強化したい。
分析: 口座間の送金データ（月間50万件）をネットワーク化。ノード=口座、エッジ=送金、重み=送金額。
検出されたパターン:
- 循環型ネットワーク: A→B→C→D→A と循環する送金パターン（4ノード以上のサイクル）を18件検出
- ハブノード: 短期間に50以上の口座から少額送金を受け、まとめて海外送金する口座を3件特定
- 異常なコミュニティ: 通常の取引パターンと異なる密度の高いクラスタを検出
結果: 従来のルールベース検知では見逃していた不正疑い案件を月平均12件追加検出。うち8件が実際の不正と確認され、被害額推定3,200万円の未然防止に貢献。
やりがちな失敗パターン#
- 大きすぎるネットワークをそのまま可視化する — ノード数が1万を超えると、可視化しても「毛玉」にしか見えない。フィルタリングや集約を行い、分析の焦点を絞る
- つながりの「ある・なし」だけで分析する — 重みや方向性を無視すると浅い分析になる。やりとりの頻度や方向も加味する
- プライバシーへの配慮を怠る — 人間関係のネットワーク分析は個人情報に直結する。匿名化、集計レベルでの表示、利用目的の限定を徹底する
- 一時点のスナップショットだけで判断する — ネットワーク構造は時間とともに変化する。定期的に分析を繰り返し、変化のトレンドを把握する
まとめ#
ネットワーク分析は、つながりのデータからパターンや構造を発見する手法。中心性指標で重要なノードを特定し、コミュニティ検出でグループ構造を把握し、可視化で直感的な洞察を得る。組織分析、マーケティング、不正検知など幅広い場面で活用できる。まずは身近なネットワーク（社内のやりとり、顧客間の関係など）を可視化するところから始めよう。