ネットワーク分析とは？関係構造をグラフ理論で可視化・分析する手法を解説

ネットワーク分析とは

ネットワーク分析とは、人・組織・情報・システムなどの「つながり」をグラフ理論に基づいて可視化し、関係構造の特性を定量的に分析する手法です。英語では Network Analysis、あるいは Social Network Analysis（SNA）とも呼ばれます。

コンサルティングの現場では「組織内の情報はどの経路で流れているか」「どの人物がチーム間の連携において要となっているか」「部門間のサイロ化はどの程度進んでいるか」といった問いに対して、組織図やヒアリングだけでは見えない実態をデータから明らかにする手段として活用されます。

ネットワーク分析の特徴は、個々の属性（年齢、役職など）ではなく「関係性」を分析対象とする点にあります。従来の統計分析が個体の特徴に着目するのに対し、ネットワーク分析は個体間のつながりのパターンから、情報の流通経路、影響力の分布、組織の脆弱性などを読み解きます。

構成要素

ノードとエッジ

ネットワーク分析の基本単位は、ノード（頂点）とエッジ（辺）です。

要素	意味	具体例
ノード	分析対象となる個体	人、部署、企業、Webページ
エッジ	ノード間のつながり	メールのやり取り、取引関係、リンク
重み	エッジの強さ	やり取りの頻度、取引金額
方向	エッジの向き	情報の発信元と受信先

エッジには方向がある場合（有向グラフ）と方向がない場合（無向グラフ）があります。たとえばメールの送受信は有向グラフ、共同プロジェクトへの参加は無向グラフとして表現されます。

中心性指標

ネットワーク内でどのノードが重要かを測定する指標が中心性です。目的に応じて複数の指標を使い分けます。

• 次数中心性（Degree Centrality）: 直接つながっている相手の数です。値が大きいノードは多くの関係を持つ「ハブ」として機能します
• 媒介中心性（Betweenness Centrality）: 他のノード同士の最短経路上に位置する頻度です。値が大きいノードは異なるグループ間をつなぐ「ブリッジ」の役割を果たします
• 近接中心性（Closeness Centrality）: 全ノードへの平均距離の逆数です。値が大きいノードはネットワーク全体に素早く情報を伝播できます
• 固有ベクトル中心性（Eigenvector Centrality）: 影響力の高いノードとつながっているほど高くなる指標です。「重要な人とつながっている人は重要」という再帰的な評価を行います

コミュニティ検出

ネットワーク内で密に接続されたノード群をコミュニティ（クラスタ）として検出する手法です。モジュラリティ最適化やラベル伝播法などのアルゴリズムが用いられます。

コミュニティ検出により、公式な組織図とは異なる「実際の協働パターン」が浮かび上がることがあります。たとえば、部門を越えた非公式な情報共有ネットワークや、特定のプロジェクトを中心に形成されたクラスタの存在を明らかにできます。

組織ネットワーク分析（ONA）

組織ネットワーク分析（Organizational Network Analysis）は、ネットワーク分析を組織マネジメントに特化して応用した手法です。メール、チャット、会議への共同参加、サーベイ（「仕事上よく相談する相手は誰ですか」）などのデータを用いて、組織内の実際の情報流通パターンを分析します。

ONAによって以下のような知見が得られます。

• 公式な組織図には現れないインフォーマルリーダーの特定
• 部門間のサイロ化の程度の定量化
• 特定の人物に依存しすぎている情報ボトルネックの発見
• 合併・組織再編後の統合度の測定

実践的な使い方

ステップ1: 分析目的とデータソースを定義する

まず「何を明らかにしたいのか」を具体化します。「組織内の情報流通を改善したい」「キーパーソンの退職リスクを把握したい」「部門間連携の実態を可視化したい」など、目的によって収集すべきデータが変わります。メールのメタデータ、Slackのメンション履歴、会議の共同参加記録、サーベイ回答などが代表的なデータソースです。

ステップ2: ネットワークデータを構築する

収集したデータから、ノード一覧とエッジ一覧（関係リスト）を作成します。エッジには重み（やり取りの頻度）や方向（誰から誰へ）を付与します。ノイズを除去するために、一定の閾値以下の弱い関係をフィルタリングすることも有効です。Python の NetworkX や R の igraph といったライブラリがデータ構築に広く使われています。

ステップ3: 中心性指標とコミュニティを計算する

構築したネットワークに対して、次数中心性、媒介中心性、近接中心性などの指標を算出し、コミュニティ検出アルゴリズムを適用します。算出結果はノードごとの属性データとして保持し、後のステップで組織上の役職や部門情報と突き合わせて解釈します。

ステップ4: 可視化して構造を解釈する

ネットワーク図を描画し、中心性の高いノードを大きく、コミュニティを色分けして表示します。可視化によって、データの数値だけでは読み取りにくい全体構造のパターンが直感的に把握できます。ハブの偏在、孤立ノード、コミュニティ間の橋渡し役の存在など、組織課題に直結する構造的特徴を読み取り、施策の方向性を検討します。

活用場面

• 組織開発: ONAを用いて部門間のサイロ化やインフォーマルリーダーを特定し、組織設計や人材配置の見直しに活用します
• ナレッジマネジメント: 情報流通の経路とボトルネックを可視化し、ナレッジ共有の仕組みを設計します
• サプライチェーン分析: 企業間の取引ネットワークを分析し、リスクの集中や代替調達先の検討に役立てます
• マーケティング: SNS上の影響力のあるユーザー（インフルエンサー）を特定し、口コミの伝播経路を把握します
• 不正検知: 取引ネットワークの異常なパターン（循環取引、不自然なクラスタ）を検出し、コンプライアンスリスクに対応します

注意点

プライバシーへの配慮を徹底する

メールやチャットの送受信データを分析する場合、個人のプライバシーに深く関わります。分析目的の明示、データの匿名化、分析結果の取り扱いルールを事前に定め、従業員への説明と同意取得を丁寧に行う必要があります。特にONAでは「誰が誰とどの程度コミュニケーションを取っているか」が可視化されるため、監視目的と誤解されないよう配慮が重要です。

ネットワークの境界設定に注意する

分析対象となるネットワークの範囲（どこまでをノードとして含めるか）は、分析結果に大きく影響します。部門単位で切り出すのか、全社を対象とするのか、社外のステークホルダーも含めるのかによって、中心性の値やコミュニティの構成が変わります。分析目的に即した適切な境界を設定してください。

スナップショットではなく時系列で捉える

ネットワークは時間とともに変化します。ある一時点のスナップショットだけで判断すると、一時的なプロジェクトの影響を恒常的な構造と誤認するリスクがあります。可能であれば四半期ごとなど定期的にネットワーク分析を行い、構造の変化を追跡することで、施策の効果測定や早期警戒にも活用できます。

中心性指標の解釈には文脈が不可欠

中心性の値が高いことが常に「良い」わけではありません。媒介中心性が極端に高い人物は、情報の単一障害点（Single Point of Failure）となるリスクも抱えています。数値の大小だけで判断せず、組織の役割やビジネスの文脈と照らし合わせて解釈することが大切です。

まとめ

ネットワーク分析は、人・組織・情報のつながりをグラフ理論に基づいて可視化・定量化する手法であり、組織図やヒアリングだけでは見えない関係構造の実態を明らかにします。中心性指標とコミュニティ検出を組み合わせることで、ハブ、ブリッジ、サイロといった組織の構造的特性を把握でき、人材配置、情報流通の改善、リスク管理などの施策に直結する知見を得ることができます。

参考資料

• 組織ネットワーク分析 - グロービス経営大学院（MBA用語集。組織ネットワーク分析の概念と組織開発への活用法を解説）
• The new possible: How HR can help build the organization of the future - McKinsey & Company（組織ネットワーク分析を含む組織開発の最新手法とHR変革の方向性を解説）
• Networks, Crowds, and Markets: Reasoning About a Highly Connected World - David Easley, Jon Kleinberg（ネットワーク科学の基礎理論からビジネス応用までを体系的にカバーする教科書。無料公開）