วิเคราะห์นักฟุตบอลด้วย Social Network Analysis (SNA) Part I

ลองเอาความรู้ที่ได้เรียนเกี่ยวกับ Social Network Analysis (SNA) มาทำอะไรสนุก ๆ เล่นนะครับ ซึ่ง SNA นี้เป็นวิชาที่ว่าด้วยการหาค่าความสัมพันธ์ ค่าความสำคัญของสิ่งที่มีความสัมพันธ์ต่าง ๆ ด้วยทฤษฏีกราฟ (Graph Theory) สิ่งที่เราพบเห็นได้ในปัจจุบันแต่เราไม่ได้คิดว่ามันเป็น Social Network อย่างเช่น การรู้จักคนอื่นๆ, การส่งอีเมลล์หาคนอื่น, เส้นทางการเดินทางไปยังที่ต่าง ๆ เป็นต้น หากเราได้ศึกษาแล้วสิ่งอย่างน้อยสิ่งพวกนี้จะบอกเราได้ว่าใครมีความมสำคัญที่สุดในเครือข่ายนั้นและใครสามารถกระจายข่าวได้เร็วที่สุดในเครือข่ายนั้น โดยทั่วไปแล้วเครือข่ายเราจะมีอยู่ด้วยกันอยู่ 2 รูปแบบคือ
1. Directed Network คือ เครือข่ายที่มีทิศทางการเชื่อมต่อ อย่างเช่น A->B คือ A จะคุยกับ B ได้เท่านั้นแต่ B จะคุยกับ A ไม่ได้
2. Undirected Network คือเครือข่ายที่ไม่มีทิศทางการเชื่อมต่อ อย่างเช่น A-B คือ A และ B สามารถคุยหากันได้ตลอด
คุณสมบัติเบื้องต้นที่เราควรหาออกมาพิจารณาคือ
1. Degree Centrality คือ จะบอกได้ว่าใครเชื่อมต่อไปหาคนอื่นเยอะที่สุด โดยพิจารณาจากการเชื่อมต่อ (degree)
2. Closeness Centrality คือ ภายในเครือข่ายนั้นอยู่ใกล้จุดศูนย์กลางของเครือข่ายขนาดไหน ถ้าอยู่ได้มากโอกาสที่ข้อมูลจะเดินไปหาครบทุกคนในเครือข่ายก็จะสูง
3. Betweeness Centrality คือ จะบอกได้ว่าใครจะเป็นคนสำคัญในการนำข้อมูลข่าวสารจากเครือข่ายนึงไปให้อีกกับเครือข่ายนึงได้

เอาหล่ะ มาเข้าเรื่องสนุกเลยดีกว่า ผมได้ลองคิดว่า เอ จะเอาอะไรมาวิเคราะห์ดีนะ ด้วยความที่ว่าเป็นคนที่ชอบฟุตบอลก็เลยอยากจะหาความสัมพันธ์ของนักฟุตบอลดีกว่า มาตั้งสมมติฐานเลยดีกว่า
สมมติฐาน :
1. ใครเป็นคนที่มี Degree Centrality สูงสุด
2.ใครเป็นคนที่มี Closeness Centrality สูงสุด
3. ใครเป็นคนที่มี Betweeness Centrality สูงสุด

เครื่องมือที่ใช้ในการวิเคราะห์
ผมเลือกใช้เครื่องมือที่ชื่อว่า Pajek เป็นโปรแกรมเล็ก ๆ มันก็จะมีรูปแบบข้อมูล input ที่ต้องการ ที่เราจะต้องสร้างด้วย text file ตาม format ของโปรแกรมมัน หลังจากนั้นเราก็จะไปวิเคราะห์ค่าต่าง ๆ ได้

เริ่มต้นหาข้อมูล
ด้วยความที่ว่านักฟุตบอลนั้นมีเยอะมากมายเหลือเกิน จึงต้องบีบขอบเขตลงมาหน่อย ผมจึงเลือกดังนี้
1. เอานักฟุตบอลที่ติดทีมชาติใน 10 อันดับแรกของ FIFA Rangking (15 เมษายน 2015)

1. Germany
2. Argentina
3. Belgium
4. Columbia
5. Brazil
6. Netherlands
7. Portugal
8. Uruguay
9. Switzerland
10. Spain

2. เอาข้อมูลนักเตะที่ติดทีมชาติมาจาก wikipedia ของทีมแต่ละประเทศ เราจะได้นักเตะเฉลี่ยแล้วจะมีนักเตะที่ติดทีมชาติอยู่ 23 คน ข้อมูลที่เราจะได้ของนักเตะนี้จะเป็น 230 คน แล้วใน wikipedia ก็ได้บอกเราด้วยว่าแต่ละคนนั้นอยู่ในสโมสรไหน
3. ผมสร้างความสัมพันธ์ของนักเตะด้วยเงื่อนไขที่ว่า ใครเล่นบอลหรือเตะบอลด้วยกันถือว่ามันมีความสัมพันธ์กัน ไอ้คนนี้มันอาจจะมีการแลกเปลี่ยน skill การเตะฟุตบอลให้กันและกัน เราจะได้ความสัมพันธ์ดังนี้
– ความสัมพันธ์นักเตะในทีมชาติกันเอง
– ความสัมพันธ์นักเตะในสโมสรกันเอง
4. ได้ข้อมูลทุกอย่างแล้ว ผมก็เอาข้อมูลทุกอย่างมาทำการเขียน script ด้วย ruby เล็ก ๆ น้อยๆ ให้ data ทั้งหมดอยู่ในรูปแบบที่โปรแกรม pajek สามารถนำไปใช้งานได้

หลังจากเข้าโปรแกรม pajek แล้วผมได้
จำนวนนักเตะ 233 คน
จำนวนเส้นความสัมพันธ์ 2790 เส้น

ผลที่ได้

1. Degree Centrality ค่ามากสุด 20 อันดับแรกคือ

จะเห็นได้ว่า Messi และ Mascherano มาเป็นอันดับ 1 คู่กัน เพราะว่าข้อมูลนักเตะที่เอาเข้ามานี้นั้น สโมสรที่ติดทีมชาติภายใน Top 10 FIFA Ranking มากที่สุดนั่นคือ Barcelona นั่นทำให้ Messi และ Mascherano มีความสัมพันธ์ที่สูง(ด้วยค่า degree = 32) เพราะมีความสัมพันธ์ต่อคนในสโมสรและทีมชาติมากกว่าทุกคน ผมสามารถสรุปได้อย่างนึงว่าบุคคลที่อยู่ในทีม Barcelona นี้มีโอกาสที่จะแลกเปลี่ยนทักษะกันสูง Messi และ Mascherano สามารถนำทักษะหรือความรู้จากการเตะฟุตบอลในทีมชาติอาร์เจนตินาเข้ามาสู่ทีมบาร์เซโลน่าได้ ส่วนอันดับ 3 จะเห็นได้ว่าเป็น Neymar ซึ่งก็อาจจะบอกได้ว่า Neymar อาจจะนำเอาทักษะการเตะฟุตบอลหรือข้อมูลต่างๆ จากการเล่นฟุตบอลกับคนในทีมบาร์เซโลน่าออกไปให้คนในทีมชาติบราซิลได้เช่นกัน

ด้วยความที่ว่าไอ้ค่า degree เนี่ยมันบ่งบอกว่าคนๆ นั้นมันรู้จักคนเยอะขนาดไหน ในชีวิตจริงถ้าเรายิ่งรู้จักคนเยอะ โอกาสดีๆ โอกาสต่างๆ ก็จะมีเข้ามาได้ง่ายๆ ได้พบเจอคนโน้นคนนี้เยอะขึ้น เยอะกว่าคนที่ไม่มี connection เลย ไปอยู่ที่ไหนก็สบาย เพราะรู้จักคนเยอะ มีเพื่อนเยอะ ฮะๆ สรุปแบบงง ๆ ไว้เจอกันใหม่ ใน Part II ครับ

สวัสดี