После этой огромной работы, они начали проверять свои гипотезы и находить другие инсайты. Кратко:
1. Основная гипотеза про "баланс" ролей в сообщество подтвердилась.
2. Нашли свое доказательство "на данных" несколько теорий из социологии, что также сработало как доп.фактор валидации модели.
3. Нашли "путь успешного пользователя" форума, который становится костяком сообщества. Как следствие, смогли лучше понять retention/churn.

So What?
1. Исследователи разработали рабочий подход к нахождению "социальных ролей". Они заявляют, что эта методология универсальна и может быть использована в других предметных областях. На работе я уже частично использовал методы из этого ресерча (привет, Алися!) и получил интересные результаты.
2. Найдя роли в своих продуктах, можно будет 1) определить хорошие Health-метрики, 2) более четко формулировать и проверять продуктовые гипотезы, 3) системно развивать социальную составляющую продукта.

[Detecting Network Effects: Randomizing Over Randomized Experiments](http://www.youtube.com/watch?v=1v5_CzdRVAc)

Martin Saveski (MIT), Jean Pouget-Abadie (Harvard), Guillaume Saint-Jacques (MIT), Weitao Duan, Souvik Ghosh, Ya Xu (LinkedIn), Edo Airoldi (Harvard)

Randomized experiments, or A/B tests, are the standard approach for evaluating the causal effects of new product features, i.e., treatments. The validity of these tests rests on the “stable unit treatment value assumption” (SUTVA), which implies that the treatment only affects the behavior of treated users, and does not affect the behavior of others. Violations of SUTVA, common in features that exhibit network effects, result in inaccurate estimates of the causal effect of treatment. In this paper, we leverage a new experimental design for testing whether SUTVA holds, without making any assumptions on how treatment effects may spill over between the treatment and the control group. To achieve this, we simultaneously run both a completely randomized and a cluster-based randomized experiment, and then we compare the difference of the resulting estimates. We present a statistical test for measuring the significance of this difference and other theoretical bounds on the Type I error rate. We provide practical guidelines for implementing our methodology on large-scale experimentation platforms. Importantly, the proposed methodology can be applied to settings in which a network is not necessarily observed but, if available, can be used in the analysis. Finally, we deploy this design to LinkedIn’s experimentation platform and apply it to two online experiments, highlighting the presence of network effects and bias in standard A/B testing approaches in a real-world setting.

Визуализация больших графов для самых маленьких – Святослав Ковалев
https://www.youtube.com/watch?v=SjO_UyRgvlE

Визуализация и анализ комментариев на ютубе – Антон Костин
https://www.youtube.com/watch?v=wn9N82ut1ZAъ

Граф знаний для поиска: построение и использование – Дмитрий Ильвохин
https://www.youtube.com/watch?v=fgyw_j6qPSI

Ростислав Яворский, Высшая Школа Экономики, «Как использовать анализ сетевых данных для управленческих решений». Выступление Ростислава состоит из двух частей: «Визуализация реальной структуры организации» и «Анализ и визуализация профессиональных сообществ».
https://www.slideshare.net/MailRuGroup/ss-59828544

Анализ социальных сетей в телекоме — Александр Семёнов
https://www.youtube.com/watch?v=wuii1EOOhaY

Анализ данных в социальных сетях — Дмитрий Бугайченко
https://www.youtube.com/watch?v=FMoFg9pikWE
https://www.slideshare.net/MailRuGroup/ss-59828596

Community Identity and User Engagement in a Multi-Community Landscape
https://cs.stanford.edu/people/jure/pubs/identity-icwsm17.pdf

Число Данбара — ограничение на количество постоянных социальных связей, которые человек может поддерживать.

Поддержание таких связей предполагает знание отличительных черт индивида, его характера, а также социального положения, что требует значительных интеллектуальных способностей. Лежит в диапазоне от 100 до 230, чаще всего считается равным 150.

https://en.wikipedia.org/wiki/Dunbar%27s_number

Концепция силы слабых связей — это концепция американского социолога Марка Грановеттера, согласно которой в межличностной коммуникации слабые связи имеют большее значение, чем сильные. Отражена в статье Грановеттера «Сила слабых связей», наиболее известной его работе.

https://en.wikipedia.org/wiki/Interpersonal_ties

On the Structural Properties of Massive Telecom Call
Graphs: Findings and Implications
https://ebiquity.umbc.edu/_file_directory_/papers/452.pdf

Social Ties and their Relevance to Churn in Mobile
Telecom Networks
https://openproceedings.org/2008/conf/edbt/DasguptaSVCMNJ08.pdf

Calling patterns in human communication dynamics
https://arxiv.org/abs/1301.7173

Analysis of Network Clustering Algorithms and Cluster Quality Metrics at Scale

Louvain
Smart Local Moving (SLM)
Infomap
Label Propagation
Affinity Propagation

https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0159161

The Matthew effect, Matthew principle, or Matthew effect of accumulated advantage can be observed in many aspects of life and fields of activity. It is sometimes summarized by the adage "the rich get richer and the poor get poorer".

https://en.wikipedia.org/wiki/Matthew_effect