Apunte 30 — Visualización de redes con ggraph y detección de comunidades

Analítica de Personas · Semestre otoño 2026 · Semana 12 · Prof. René Gempp

1. ¿Por qué visualizar redes?

Las métricas de centralidad que calculaste en el Apunte 29 son números. Un número te dice que la persona X tiene betweenness = 0.117. Pero no te dice dónde está X en la estructura, ni entre qué grupos funciona como puente, ni cuán aislado está un departamento del resto. Para eso necesitas un sociograma: la representación visual del grafo.

El paquete ggraph extiende ggplot2 para graficar redes. Su sintaxis es análoga: ggraph() reemplaza a ggplot(), geom_node_point() reemplaza a geom_point(), y geom_edge_link() es un geom nuevo para las aristas. Si sabes usar ggplot2, ya sabes la mitad de ggraph.

2. ggraph(): la gramática de los gráficos para redes

Un gráfico de red con ggraph tiene tres capas obligatorias:

1. ggraph(grafo, layout = "...") — inicializa el gráfico y elige el layout.
2. geom_edge_*() — dibuja las aristas.
3. geom_node_*() — dibuja los nodos.

library(ggraph)

set.seed(42)  # reproducibilidad del layout

ggraph(red_tidy, layout = "fr") +
  geom_edge_link(alpha = 0.05, color = "grey60") +
  geom_node_point(aes(color = departamento), size = 2) +
  theme_graph()

3. Layouts: cómo posicionar los nodos

El layout determina la posición espacial de cada nodo. No hay un layout "correcto" — cada uno revela aspectos distintos de la estructura.

# Comparar dos layouts
p1 <- ggraph(red_tidy, layout = "fr") +
  geom_edge_link(alpha = 0.03) +
  geom_node_point(size = 1) +
  labs(title = "Fruchterman-Reingold") +
  theme_graph()

p2 <- ggraph(red_tidy, layout = "kk") +
  geom_edge_link(alpha = 0.03) +
  geom_node_point(size = 1) +
  labs(title = "Kamada-Kawai") +
  theme_graph()

p1 + p2  # requiere library(patchwork)

4. Aristas: geom_edge_link()

Las aristas se dibujan con geom_edge_link() (líneas rectas) o geom_edge_arc() (arcos curvos). Los parámetros estéticos más útiles:

geom_edge_link(
  alpha = 0.06,              # transparencia (bajo = menos ruido visual)
  color = "grey60",           # color fijo
  aes(width = peso)          # grosor por peso (si la arista tiene peso)
)

5. Nodos: geom_node_point() y etiquetas

geom_node_point(
  aes(
    color = departamento,        # color por atributo categórico
    size  = cent_betweenness     # tamaño por centralidad
  ),
  alpha = 0.7
)

# Etiquetas solo para los nodos más centrales
geom_node_text(
  aes(label = ifelse(
    cent_betweenness > quantile(cent_betweenness, 0.99),
    nombre, ""
  )),
  size = 2.5,
  repel = TRUE,           # evita superposición de etiquetas
  max.overlaps = 15
)

6. Facetas: facet_nodes()

Al igual que ggplot2 tiene facet_wrap(), ggraph tiene facet_nodes() para crear un panel por cada valor de un atributo de nodo:

ggraph(red_tidy, layout = "fr") +
  geom_edge_link(alpha = 0.05) +
  geom_node_point(aes(color = departamento), size = 1) +
  facet_nodes(~ departamento, scales = "free") +
  theme_graph()

Cada panel muestra la subred de un departamento. Las aristas que cruzan paneles se dibujan tenuemente. Esto permite comparar la estructura interna de cada departamento.

7. ¿Qué es una comunidad?

Una comunidad en una red es un subgrupo de nodos que están más densamente conectados entre sí que con el resto de la red. Es el equivalente reticular de un cluster.

La calidad de una partición en comunidades se mide con la modularidad (Q): compara la densidad de aristas dentro de cada comunidad con la que se esperaría al azar.

Valores de Q por encima de 0.3–0.4 indican estructura comunitaria fuerte (Newman, 2006). Una Q ≈ 0.54 como la de InnovaCo indica comunidades muy marcadas.

8. Louvain: cluster_louvain()

El algoritmo de Louvain (Blondel, Guillaume, Lambiotte & Lefebvre, 2008) optimiza la modularidad de forma iterativa. Es rápido, escalable, y es el algoritmo más utilizado en la práctica.

set.seed(42)
comunidades <- cluster_louvain(red)

# ¿Cuántas comunidades?
length(unique(membership(comunidades)))

# ¿Qué tan buena es la partición?
modularity(comunidades)
# → Q ≈ 0.54 → estructura comunitaria fuerte

# Agregar al grafo
red_tidy <- red_tidy |>
  activate(nodes) |>
  mutate(comunidad = as.factor(membership(comunidades)))

# Visualizar
ggraph(red_tidy, layout = "fr") +
  geom_edge_link(alpha = 0.04) +
  geom_node_point(aes(color = comunidad), size = 1.5) +
  labs(title = "Comunidades detectadas por Louvain") +
  theme_graph()

9. Walktrap: cluster_walktrap()

El algoritmo walktrap (Pons & Latapy, 2006) detecta comunidades basándose en caminatas aleatorias: una caminata que empieza dentro de una comunidad tiende a quedarse ahí antes de salir.

com_walktrap <- cluster_walktrap(red)
modularity(com_walktrap)

10. Comparar comunidades con la estructura formal

La pregunta central del ONA es: ¿la estructura informal (comunidades detectadas) coincide con la estructura formal (departamentos del organigrama)?

# Tabla cruzada: comunidad × departamento
red_tidy |>
  activate(nodes) |>
  as_tibble() |>
  count(comunidad, departamento) |>
  pivot_wider(names_from = departamento, values_from = n, values_fill = 0)

Tres escenarios posibles:

• Coincidencia: cada comunidad corresponde a un departamento → la estructura informal replica la formal.
• Cruce: una comunidad incluye personas de varios departamentos → hay integración interdepartamental que el organigrama no captura.
• Fragmentación: un departamento se divide en varias comunidades → hay fracturas internas que el organigrama esconde.

11. Marcos teóricos: Granovetter, Burt, Coleman

Granovetter (1973): la fuerza de los lazos débiles

La información novedosa no fluye por los lazos fuertes (amigos cercanos, colegas directos) sino por los lazos débiles (conocidos de otros departamentos). Los lazos fuertes conectan personas similares que comparten la misma información. Los lazos débiles cruzan círculos sociales y traen información nueva. Implicancia: las conexiones entre departamentos son potencialmente más valiosas para la innovación que las conexiones dentro del departamento.

Burt (1992): los huecos estructurales

Un hueco estructural (structural hole) es una brecha en la red entre dos grupos desconectados. Las personas que cierran estos huecos — los brokers — obtienen ventajas competitivas: acceso a información no redundante, control del flujo, y visibilidad ante múltiples audiencias. La betweenness centrality captura exactamente esta posición.

Coleman (1988): closure y capital social

James Coleman argumentó que las redes densas y cerradas (closure) facilitan la confianza, las normas compartidas y la cooperación. Burt argumentó que las redes abiertas con huecos (brokerage) facilitan la innovación. Ambos tienen razón: los equipos necesitan cohesión interna (closure) y conexiones externas (brokerage). Una red que solo tiene una u otra es disfuncional.

12. Aplicaciones de ONA en people analytics

13. Ética del ONA: privacidad, consentimiento y los límites del mapeo

Un mapa de red organizacional es una herramienta de poder. Saber quién conecta con quién, quién está aislado, quién es periférico — esa información puede usarse para apoyar o para controlar. La ética del ONA requiere tres condiciones:

1. Consentimiento informado: los empleados deben saber que la encuesta de redes se va a analizar y para qué.
2. Anonimización en los reportes: el mapa de red con nombres reales es una herramienta interna del equipo de analytics, no un entregable para el directorio. Los reportes ejecutivos deben referirse a roles, departamentos y patrones, no a personas identificables.
3. Uso para mejorar, no para controlar: la finalidad del ONA es diagnosticar silos, planificar sucesiones y facilitar la colaboración — no identificar "resistentes al cambio" ni vigilar la comunicación informal.

14. Resumen del kit técnico y referencias

Referencias

• Blondel, V. D., Guillaume, J.-L., Lambiotte, R. & Lefebvre, E. (2008). Fast unfolding of communities in large networks. Journal of Statistical Mechanics, P10008.
• Borgatti, S. P., Mehra, A., Brass, D. J. & Labianca, G. (2009). Network analysis in the social sciences. Science, 323(5916), 892–895.
• Burt, R. S. (1992). Structural holes: The social structure of competition. Harvard University Press.
• Coleman, J. S. (1988). Social capital in the creation of human capital. American Journal of Sociology, 94(Suppl.), S95–S120.
• Cross, R. & Parker, A. (2004). The hidden power of social networks. Harvard Business School Press.
• Freeman, L. C. (1979). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215–239.
• Granovetter, M. S. (1973). The strength of weak ties. American Journal of Sociology, 78(6), 1360–1380.
• McNulty, K. (2021). Handbook of graphs and networks in people analytics. Chapman & Hall/CRC. Disponible en: https://ona-book.org
• Newman, M. E. J. (2006). Modularity and community structure in networks. Proceedings of the National Academy of Sciences, 103(23), 8577–8582.
• Pons, P. & Latapy, M. (2006). Computing communities in large networks using random walks. Journal of Graph Algorithms and Applications, 10(2), 191–218.