Quando immaginiamo le grandi organizzazioni tendiamo a pensare a ruoli, funzioni e processi strutturati. Tuttavia, dietro le quinte, si tratta di reti di persone unite da relazioni sociali e interazioni. Queste reti spesso hanno proprietà emergenti e generano dinamiche spontanee difficili da comprendere dall’esterno. La scienza delle reti, o network science, è lo studio di questi sistemi complessi, il cui comportamento dipende da interazioni decentralizzate. Nei modelli di rete, i nodi sono entità che interagiscono tra loro e gli archi (o legami) rappresentano l’esistenza, l’intensità e il segno di queste interazioni. Quando questo sistema rappresenta una rete sociale, i nodi sono tipicamente individui e i legami sono formati da interazioni come il parlarsi, lavorare insieme o scambiare risorse.
I metodi di analisi e modellizzazione delle reti possono misurare, mappare e prevedere un’ampia gamma di fenomeni come – per esempio – la coesione sociale; la diffusione di idee e innovazioni; le dinamiche di potere o la capacità di influenza nei gruppi sociali. In particolare, quando studiamo un’organizzazione come una rete sociale, riusciamo a vedere quelle reti di relazioni e interazioni informali che la sostengono, la alimentano e, in ultima analisi, la fanno prosperare o fallire. La struttura e il funzionamento nascosti delle reti sociali possono essere analizzati per spiegare processi fondamentali nella vita organizzativa, come l’adozione di innovazioni nella forza lavoro (per esempio nuovi strumenti di AI); la resilienza di fronte a fattori che generano disruption o crisi aziendali (per esempio il turnover, transizioni manageriali e conflitti), oppure la capacità di trattenere i talenti o di creare percorsi di carriera efficaci. In questa analisi abbiamo utilizzato gli strumenti della network science per indagare una delle più longeve business community progettate e gestite da Logotel. Questa community, dedicata alla rete di vendita consumer di una grande organizzazione del settore terziario avanzato, è un esempio interessante di un ambiente lavorativo che dipende fortemente da una grande e complessa rete di relazioni e interazioni umane. Una complessità derivante anche dalla tipologia di iscritti in community, che non sono inquadrati come dipendenti, ma – come accade in molte reti di vendita – fanno parte del network con diverse tipologie di collaborazione. Quindi la coesione e la resilienza di questa rete risultano fondamentali per sostenere le performance di vendita dell’organizzazione. Per mappare e misurare la struttura di questo network abbiamo utilizzato dati su post e risposte degli iscritti alla piattaforma da ottobre 2023 a luglio 2025. Un obiettivo del lavoro è stato identificare i key player – le figure centrali nella struttura della rete che, quindi, si rivelano cruciali per la coesione e il funzionamento della community. Volevamo comprendere quali tipologie di utenti tendono ad assumere questo ruolo e come emergono queste posizioni chiave. Eravamo anche interessati a descrivere sottogruppi o cluster di utenti con alti livelli di interconnessione. Infine, in una simulazione di scenario, volevamo prevedere cosa sarebbe successo alla community se alcuni key player avessero abbandonato la comunità, e quanto la struttura della rete sarebbe stata resiliente rispetto a questo tipo di shock. Abbiamo scoperto che la forma della community è quella che gli scienziati delle reti chiamano “struttura core-periphery” (vedi Figura 1). Strutture di questo tipo sono formate da un nucleo centrale (core), altamente coeso e composto da utenti molto attivi, e una periferia (periphery) connessa in modo più sparso, la cui attività gravita attorno al nucleo.
Figura 1. La struttura core-periphery della comunità. Ogni nodo è un utente e due utenti sono connessi se hanno risposto l’uno ai post dell’altro almeno una volta.
Le analisi hanno individuato quindici key player (KP), approssimativamente il 5% della popolazione di utenti (i nodi colorati nella Figura 1). Questi sono stati identificati sulla base di un mix di tre fattori che misurano la centralità nell’analisi di rete – degree, eigenvector e betweenness centrality. Il degree è il numero di connessioni di un nodo, una misura base di connettività e attività individuale nella rete. L’eigenvector centrality è una sorta di degree ponderato in modo ricorsivo, in cui diamo maggior peso alle connessioni con nodi che sono essi stessi altamente connessi ad altri. L’eigenvector centrality è quindi alta quando un nodo ha molte connessioni con nodi che a loro volta hanno molte connessioni. La betweenness invece misura quanto un nodo si trova “in mezzo” ad altri nodi, cioè sui percorsi di rete più brevi che collegano gli altri. Quest’ultima misura ci è utile per identificare gli individui che agiscono da ponte tra aree della rete che sarebbero altrimenti disconnesse.
Dieci dei quindici key player risultano collaboratori della rete di vendita, situati in varie province italiane, tra cui Torino, Milano, Venezia, Macerata, Sassari e Trapani. I restanti cinque sono membri della redazione Logotel, che si occupa di sviluppare piani editoriali, programmi formativi e di engagement (i nodi verdi). Dalla posizione che assumono i key player rispetto alla rete, risulta che i KP collaboratori sono la colla che tiene insieme il nucleo della rete. Occupano snodi critici nel cuore della struttura relazionale della business community. Poiché si trovano in questa posizione, ottengono punteggi più alti degli utenti comuni sia in termini di degree centrality sia rispetto all’eigenvector centrality (vedi Figura 2). Al contrario dei KP redazione, i KP collaboratori hanno una degree mediana inferiore ma una eigenvector centrality superiore. Ciò significa che questo tipo di KP tende ad avere un numero inferiore di connessioni, ma connessioni più “strategiche” rispetto ai KP redazione. In altre parole, i KP collaboratori interagiscono con meno persone, ma con persone collegate meglio, rispetto ai KP redazione. In questo modo i KP collaboratori si trovano al centro dell’azione, profondamente radicati e impegnati nel nucleo più attivo della comunità.
Figura 2. La distribuzione di tre misure di centralità di rete nella comunità.
D’altra parte, i KP redazione formano una sorta di anello attorno al nucleo, fungendo da ponte tra il centro e il resto della rete. Questo si riflette in punteggi più alti di betweenness centrality (vedi Figura 2), che dimostrano come i KP redazione si trovino sui percorsi di rete più brevi che collegano molte coppie di nodi tra il nucleo e la periferia.
Come si diventa key player in una business community di questo tipo?
Parte della risposta sta nelle misure di centralità che abbiamo appena considerato. Un utente diventa key player attraverso un alto numero di post e risposte, generando molte interazioni con gli altri (degree centrality); un numero di interazioni “strategiche” con altri utenti che sono anch’essi altamente centrali (eigenvector centrality); e facendo da ponte, cioè colmando la distanza che intercorre tra nucleo e periferia della rete (betweenness centrality).
Ci sono però altri elementi che definiscono i key player: riguardano la prontezza e il tempo di attivazione, cioè la capacità di rispondere e reagire a ciò che accade nella comunità prima degli altri. La nostra analisi ha mostrato che i KP tendono a pubblicare messaggi e risposte più velocemente quando si verifica un “evento critico” nella vita della business community. In una rete di vendita, gli eventi critici riguardano, per esempio, il lancio di offerte nuove e molto diverse dalle precedenti, magari in partnership con nuove realtà o basate su nuove tecnologie. Per i collaboratori si tratta di uno shock, perché la nuova offerta implica la necessità di informarsi, formarsi e apprendere contenuti necessari per vendere il nuovo servizio o prodotto; lo sviluppo di nuovi comportamenti per interagire con i clienti e – più in generale – l’uscire da quella zona di comfort che porta a vendere solo ciò con cui si ha già familiarità.
Nella Figura 3 risulta evidente la capacità di attivazione dei key player: dopo aver individuato un evento critico abbiamo rilevato che questi impiegano circa una settimana per pubblicare un messaggio o una risposta. Ciò corrisponde a circa la metà del tempo mediano di attivazione tra gli utenti regolari (che, invece, impiegano due settimane). In generale, i tempi di attivazione sia dei KP collaboratori sia dei KP redazione si distribuiscono attorno a numeri di giorni molto più bassi (magenta e azzurro nella Figura 3) rispetto a quelli degli utenti generali (bianco nella figura). Questa rapidità di attivazione fa da traino verso il resto della community, spingendo l’intera rete ad acquisire familiarità con contenuti nuovi, a chiedere più informazioni e a interagire.
Figura 3. Tempi di attivazione sulla piattaforma per tipo di utente dopo il lancio di una nuova offerta.
Finora abbiamo considerato solo gli aspetti statici delle reti sociali, ad esempio la posizione di alcune persone più centrali, o come alcuni nodi formino un nucleo altamente interconnesso mentre altri rimangono nella periferia. Tuttavia, le reti sociali sono in realtà sistemi dinamici che cambiano, si evolvono e attraversano crisi e interruzioni. La resilienza del sistema – e cioè la sua capacità di riprendersi e adattarsi con successo dopo una crisi o uno shock – dipende appunto dalla sua rete, quella struttura nascosta e adattiva che emerge dalle relazioni tra i suoi membri. Uno dei tipi più comuni di shock organizzativo è la dipartita di uno o più membri, a causa – per esempio – di pensionamento o cambio di lavoro. Per questo motivo, una parte della nostra analisi si è concentrata sul misurare la resilienza della business community gestita da Logotel dopo la dipartita dei key player. Ci siamo chiesti: cosa accadrebbe a questa rete se venissero rimossi i suoi nodi più critici? La rete preserverebbe la sua configurazione complessiva e le sue proprietà strutturali, oppure si sfalderebbe rapidamente in una serie dispersa e disfunzionale di piccoli gruppi disconnessi? Possiamo rispondere a queste domande calcolando metriche di coesione della rete (come densità e raggiungibilità media) e di frammentazione (come il numero di componenti disconnesse), per poi mappare come queste metriche si evolvono dopo la dipartita dei key player (vedi Figura 4).
Quando i nodi più centrali abbandonano la rete, la coesione diminuisce e la frammentazione aumenta: è una tendenza inevitabile in tutti questi sistemi. Nelle reti a bassa resilienza, tuttavia, questa dinamica è esponenziale, discontinua o avviene “a gradini”, causando un collasso molto rapido della struttura di connettività del sistema. Al contrario, nelle nostre simulazioni, la business community gestita da Logotel ha mostrato un alto livello di resilienza. Nella Figura 4 vediamo che, rimuovendo progressivamente i key player (dal più centrale al più periferico), la struttura della rete cambia in modo graduale e lineare, senza che si verifichi un collasso discontinuo. La linearità di questo cambiamento si verifica in vari indicatori di coesione e frammentazione, dalla densità della rete e raggiungibilità media dei nodi (misure della connettività complessiva della rete e della capacità dei nodi di raggiungersi reciprocamente) al numero di componenti e cluster nella rete (cioè quanti gruppi si scindono e si disconnettono al diminuire dei key player).
Figura 4. Misure di coesione e frammentazione della rete quando i key player vengono rimossi.
Nel complesso, queste analisi mostrano il valore dell’applicazione di un approccio di network science allo studio delle organizzazioni e delle comunità di persone che le sostengono. Le analisi di rete ne rivelano la struttura nascosta, permettendoci di dare precisione quantitativa a concetti altrimenti vaghi come centralità e gruppi. Questi metodi ci aiutano anche a comprendere le dinamiche delle comunità interconnesse e cosa le rende più o meno resilienti alle sfide che emergono dentro o fuori le organizzazioni.
In definitiva, come i microscopi per i biologi e i telescopi per gli astronomi, gli strumenti della network science ci offrono una visione completamente nuova dei sistemi umani. Questi strumenti ci permettono di spiegare e prevedere processi organizzativi che altrimenti sarebbe impossibile comprendere. Mappare le strutture di queste reti nelle organizzazioni e nelle comunità aziendali sarebbe utile anche per i decision maker, perché permette sia di comprendere meglio gli effetti delle strategie messe in atto, sia di valutare in modo critico le proprie iniziative top-down grazie a un nuovo punto di vista: quello degli insight emergenti dagli scambi, interazioni e dinamiche sociali nelle organizzazioni contemporanee.
