Tipos de redes empresariales y visualización con python

En este artículo vamos a hablar sobre los diferentes tipos de redes empresariales, qué características tienen y además el impacto de cada uno cuando se trata de la transferencia de conocimiento. En fin vamos a mostrar cómo podemos visualizar esta dinámica con python con los libraries neworkx y matplotlib.

Hoy en día son más comunes las colaboraciones entre diferentes actores; ver a una empresa cómo una entidad aislada es algo que tiene menos sentido que antes. Con este aumento de colaboración tenemos también un aumento de transferencia de conocimiento entre los diferentes actores.

La innovación abierta y tipos de redes empresariales

Hablamos normalmente sobre la innovación abierta y la innovación cerrada (Chesbrough, 2003). En la innovacion abierta tenemos un alto nivel de colaboración y transferencia de conocimiento entre los diferentes actores, y en el caso de la innovacion cerrada la transferencia es, cómo suena, más limitada. En las industrias cómo farmacéuticas y biotecnología todavía en muchos casos tiene sentido tener un sistema de innovacion más cerrada, puesto que se trata de productos en los que se necesita un alto nivel de protección de propiedad intelectual y patentes.

Sin embargo, en otros casos cómo software, y un rango inmenso de otras industrias, las condiciones son un poco diferentes. En software, por ejemplo, la industria se ha beneficiado relativamente más por la innovación abierta. El tema de patentes es por ejemplo menos delicado; no tenemos una situación donde tenemos que proteger cada propiedad intelectual y patente con la misma vigorosidad cómo cuando se trata de las farmacéuticas, puesto que la trayectoria del desarrollo de un producto desde la idea hasta el producto finalizado no es tan largo y no incluye los mismos obstáculos. Cabe destacar que el proceso de desarrollar un nuevo producto farmacéutico esta sujeto a varias pruebas de calidad durante un tiempo prolongado antes de que un lanzamiento sea posible.

Por ende sería adecuado concluir, cómo anteriormente fue mencionado, que la red hoy en día tiene más importancia. Con esta importancia entonces sigue la necesidad de entender las redes que tenemos en nuestra industria. Es difícil para un único actor lograr obtener todo el conocimiento necesario para tener una ventaja competitiva, y varios investigadores han destacado la importancia de una red heterogénea.

Los vínculos fuertes y suaves

Segun un estudio de Powell & Grodal podemos distinguir las diferentes redes con respecto a su duración y estabilidad, y si son creadas para lograr un objetivo específico (Powell & Grodal 2005). Algunas tienen un carácter jerárquico con una sola autoridad que mantiene el flujo de información, entre otras cosas, mientras otras tienen un carácter más horizontal. Según un estudio de Granovetter los tipos de redes empresariales pueden tener vínculos fuertes o suaves (Granovetter 1973). Un vínculo fuerte caracteriza una situación donde interactúas con la entidad o persona regularmente. Los vínculos fuertes son basados en intereses mutuos y en dichos casos tenemos un flujo de información más grande.

Los vínculos suaves no transmiten la misma cantidad de información, pero las investigaciones han mostrado que son los que más transmiten novedades. Entonces podemos decir que los vínculos suaves tienen una banda ancha más pequeña pero con un alcance más grande (lejos). Aquí en Mimer Relaciones Internacionales nos enfocamos en poner estas teorías en practica y ahora vamos a mirar en cómo podemos utilizar el análisis de redes con python para tener una mejor vista sobre nuestras redes.

Base de datos y networkx

Primero que todo hemos preparado un archivo con el nombre network_agents2.xlsx. En este archivo tenemos una tabla con la siguiente información:

Tabla con información sobre tipos de redes empresariales

En python vamos a necesitar los siguientes tres libraries:

Libraries que son necesarios

Con pandas podemos cargar la tabla de arriba en un hashmap. Con networkx vamos a agregar la información del hashmap en una red en networkx y finalmente vamos a utilizar matplotlib para ilustrar todo.

Cargamos el archivo de excel en un variable en python con el próximo código:

Cargar archivo de excel

Ahora hemos leído nuestro archivo de excel a un hashmap. Lo próximo que vamos a hacer es asignar colores basados en los tipos de relaciones entre los actores empresariales en la tabla de arriba:

Asignar colores a los tipos de redes empresariales.

Proyección visual de los tipos de redes empresariales

Las relaciones fuertes van a tener el color azul mientras las relaciones débiles van a tener el color naranja. Después vamos a crear un gráfico donde agregamos los nodos (que representan las empresas) y los bordes (que representan las relaciones entre las empresas mencionadas arriba).

Dibujar las relaciones con colores.

Finalmente utilizamos matplotlib para visualizar la red que hemos creado:

Proyección de los diferentes tipos de redes empresariales..

Cómo podemos ver, los colores corresponden a las relaciones que teníamos en nuestro archivo de excel. Si en nuestra organización sólo tenemos algunos contactos entonces no agrega mucho valor hacer este tipo de proyección. Sin embargo si nuestra red crece, cómo debe hacer, entonces podemos sencillamente entrar los datos de nuestros contactos (y los contactos de nuestra competición, nuestros proveedores etc.) en un archivo de excel para después cargarlo con python con el fin de obtener una vista/proyección más “espacial” sobre cómo podemos mejorar nuestras condiciones de transferencia de conocimiento, entre otras cosas. Fijase en lo que dijimos arriba, osea que:

Los vínculos suaves no transmiten la misma cantidad de información, pero las investigaciones han mostrado que son las que más transmiten novedades.

Por ende acá tenemos un ejemplo sencillo que nos ayuda a ver donde tenemos nuestras fortalezas y debilidades en nuestra red y las redes de los otros actores en la industria donde estamos. Esta proyección es dinámica, puesto que sólo tenemos que agregar las nuevas conexiones (cuando surjan) en la tabla y ejecutar nuestro script, y puede ser más avanzada debido a la posibilidad de agregar más aspectos y funciones.

Guardar imagen.

Matplotlib en python también nos da la posibilidad de guardar nuestra proyección cómo una imagen para después utilizar en nuestras presentaciones, pdfs o lo que sea. Y cómo todas las herramientas que hemos utilizado en este articulo son open source es algo que podemos hacer sin la necesidad de tener que pagar por software con un alto costo.

Esto es un ejemplo sencillo de Mimer Relaciones Internacionales cómo podemos utilizar python para tener una mejor vista sobre nuestros diferentes tipos de redes empresariales. Síguenos en nuestros diferentes canales cómo este blog, nuestra pagina en Facebook y además Instagram para más información y trucos con respecto a cómo podemos combinar las investigaciones universitarias, que han sido hechas en el campo de innovacion, con python.

Leave Comment

Your email address will not be published. Required fields are marked *