Citation
Les auteurs
Jean-François De Moya
(jean-francois.de-moya@em-strasbourg.eu) - École de Management Strasbourg, Laboratoire HuManiS (EA 1347)Jessie Pallud
(jessie.pallud@em-strasbourg.eu) - École de Management de StrasbourgCaroline Merdinger-Rumpler
(caroline.merdinger@em-strasbourg.eu) - École de Management Strasbourg, Laboratoire HuManiS (EA 1347)Franck Schneider
(Franck.Schneider@hcuge.ch) - Hôpitaux Universitaires de Genève
Copyright
Déclaration d'intérêts
Financements
Aperçu
Contenu
Introduction
La popularité des médias sociaux a encouragé de nombreuses organisations hospitalières dans le monde à créer leurs propres comptes sur Twitter (Richter et al., 2014). Grâce à sa présence sur les médias sociaux, un hôpital est capable d’améliorer son image et sa visibilité (Hussain et Subramoniam, 2014; Güzel et al., 2015). La communication sur ces supports est vue comme un outil de marketing capable d’attirer de nouveaux patients et ainsi augmenter le taux d’activité de l’hôpital. Des institutions de grande taille, telles que la clinique Mayo aux États unis, capitalisent près de 700 000 abonnés sur Facebook. En France, plusieurs hôpitaux ont également ouvert un compte Twitter ces dernières années. Parmi eux, nous pouvons noter l’ouverture en 2010 des comptes francophones de l’assistance des hôpitaux de Paris, et celui des Hôpitaux Universitaires de Genève (HUG). Par conséquent, la communication digitale est au centre de la stratégie des hôpitaux.
La recherche s’intéresse également à l’utilisation des médias sociaux par les hôpitaux (Richter et al., 2014) et à la manière d’évaluer leurs performances (Neiger et al., 2012). Néanmoins peu de chercheurs se sont intéressés à l’étude de la structure même du réseau constitué par les publieurs d’information concernant un hôpital. L’analytique des réseaux sociaux représente ainsi une solution. Cela nous amène donc à la question de recherche suivante : « Dans quelle mesure l’analytique permet-elle de mieux comprendre comment se structure la communication entre un hôpital et ses parties prenantes ? »
Pour répondre à cette problématique, notre article s’appuie sur les publications Twitter de quatre structures hospitalières européennes. Le choix de cette plateforme s’explique par sa capacité à réunir les communautés autour d’un même centre d’intérêt contrairement à d’autres plateformes plutôt orientées vers les liens d’amitié ou le réseautage (Stenger et Coutant, 2013). À partir de ces publications, nous créons et représentons les visualisations du réseau des quatre hôpitaux grâce aux graphes de réseaux sociaux. Dans la suite de l’article, nous présentons tout d’abord l’analytique des médias sociaux. Ensuite nous exposerons notre méthodologie basée sur l’analyse des réseaux sociaux. Nous conclurons par une discussion sur les différentes stratégies de communication des hôpitaux.
L’analytique des médias sociaux
Les médias sociaux sont devenus une cible privilégiée de collecte et d’analyse de données (Baars et Kemper, 2008). En une seconde, Twitter génère 7567 Tweets. Cette masse de données ouvre aux entreprises de nouveaux moyens de comprendre et d’anticiper les besoins de leurs clients (Martinez-Lopez et al., 2010; Patino et al., 2012). L’écoute des médias sociaux apporte un ciblage plus précis de sa communication ainsi que des feedbacks sur l’appréciation du produit par le client (Liang et al., 2009). Elle peut aussi identifier les influenceurs, ces personnes qui jouent un rôle de relais d’information important sur Internet (Yang et Counts, 2010; Vernette et Tlssier-Desbordes, 2012).
Pour aider les décideurs, il existe des solutions de monitoring des médias sociaux (Brandwatch, Synthesio, Radarly, Trackur, Hootsuit, etc.) qui proposent des fonctionnalités de restitutions des résultats d’analyses. La Figure 1 montre une comparaison du compte Twitter de quatre hôpitaux européens sur la période de mars 2016 à février 2017 proposée par l’outil Radarly. Le benchmark affiche sous forme de barre les tweets, retweets et followers.
Figure 1 : Benchmark Twitter sur la période de mars 2016 à février 2017
L’analyse des médias sociaux peut cependant devenir plus difficile avec des données textuelles car celles-ci ne sont pas structurées et requièrent généralement une réorganisation. La lourdeur de ces traitements explique que les outils d’analyse et de monitoring ne proposent généralement pas d’analyse basée sur le texte. Par exemple, le sarcasme, le contexte culturel, les jeux de mots, etc. sont autant de défis à la résolution de l’analyse (Branthwaite et Patterson, 2011).
En définitive, les entreprises n’en sont encore qu’aux prémices de l’exploitation des médias sociaux et le réel potentiel de ces plateformes reste encore à découvrir (Järvinen et Karjaluoto, 2015). C’est pour ces raisons que nous proposons une étude basée sur l’analyse des réseaux sociaux numériques. Ce type d’analyse ne se base pas sur le contenu textuel, mais sur la structure même du réseau social. La phase la plus importe est la collecte des données. Contrairement à l’approche textuelle, elle ne présente pas de difficulté technique particulière. La seule contrainte est le temps passé à collecter un volume de données assez conséquent puisqu’il s’agit de récupérer les liens d’abonnés/abonnements de tous les publieurs. La structure d’un tel réseau se décrit d’après les indicateurs suivants (Freeman, 2004; Kadushin, 2012): la taille, les connexions, la distribution et la segmentation. Au niveau des comptes Twitter, nous avons retenu trois indicateurs de base qui seront expliqués par la suite : le degré, la centralité de proximité, et la centralité d’intermédiarité. Grâce à ces indicateurs, nous allons pouvoir comparer la structure des graphes et déduire la stratégie de communication de chacun des comptes.
Méthodologie
Notre méthodologie de recherche s’appuie sur le processus d’analyse des données des médias sociaux décrit par Fan et Gordon (2014) qui se décompose en trois parties : la récolte des données, l’analyse et la restitution. Nous détaillons ci-dessous ces trois phases.
Les comptes Twitter
Dans l’échantillonnage de 20 hôpitaux qu’un des coauteurs de l’article, responsable de la communication digitale des Hôpitaux Universitaires de Genève (HUG) suit fréquemment, nous avons sélectionné quatre comptes Twitter d’hôpitaux (dont celui des HUG) sur une période d’un an. Le premier choix d’hôpital s’est porté sur le Barth Health qui se compose de quatre hôpitaux situés à Londres. Cet ensemble constitue l’un des leaders dans le domaine de la santé en Grande-Bretagne. Son volume de tweets et retweets le place comme un exemple en matière de communication sur les médias sociaux. En second choix, nous avons opté pour le compte de l’APHP (assistance publique des hôpitaux de Paris), pour sa communication francophone et son niveau d’activité qui ne cesse d’augmenter ces dernières années. En troisième choix, nous avons sélectionné le Centre médical universitaire de Radbound au Pays-Bas, qui est l’un des plus grands hôpitaux des Pays-Bas. Historiquement, c’est l’un des premiers hôpitaux à avoir mis en avant l’intérêt des médias sociaux dans l’engagement du patient. Et enfin, le dernier compte choisi est celui des Hôpitaux Universitaires de Genève (HUG). Ce centre hospitalier regroupe huit hôpitaux publics et deux cliniques. C’est un hôpital de référence pour la Suisse romande. Cette institution est pionnière dans la communication 2.0. Les HUG sont présents sur tous les réseaux sociaux et possèdent leur propre site web depuis 1999. Le tableau 1 propose un résumé des caractéristiques de ces quatre hôpitaux.
Tableau 1 : Description des 4 structures hospitalières au 19 mai 2017
La récolte des données
La récolte des données s’est opérée en deux phases. Tout d’abord, nous avons lancé une recherche basée sur le compte de chacun des hôpitaux directement sur le site de Twitter, par exemple « @APHP since:2017-02-01 until:2017-02-28 include:retweets ». Après avoir lancé plusieurs recherches en faisant varier la période, nous avons extrait le nom des publieurs de tweets entre mars 2016 et février 2017. La deuxième phase a consisté à récupérer les abonnés de ces publieurs par l’intermédiaire de la librairie Twitter de R. Une fois tous les abonnés récupérés, nous avons construit le réseau des publieurs pour chaque hôpital.
L’analyse des données
Le graphe ainsi constitué, nous l’avons exporté dans un outil d’analyse de réseaux sociaux appelé Gephi (Bastian et al., 2009). L’avantage principal de cet outil est la facilité de manipulation et de visualisation des réseaux sociaux. Nous avons retenu plusieurs indicateurs pour l’analyse. Tout d’abord la réciprocité qui est le reflet de la circulation de l’information. Plus la valeur est basse, plus le réseau est considéré comme un média de masse, et au contraire, plus la valeur est élevée, plus le réseau s’apparente à un réseau social (Kwak et al., 2010). Ensuite, la centralité qui permet l’identification des nœuds importants en signifiant une position stratégique dans le réseau. Trois mesures de centralités sont couramment utilisées : la centralité de degré, décrite comme la somme des liens sortants et des liens entrants du nœud; la centralité de proximité, qui est le degré auquel est lié directement un nœud du réseau aux autres nœuds; la centralité d’intermédiarité décrite comme la façon dont un nœud fait le pont entre les autres nœuds du réseau. Pour chaque graphe, le nœud de l’hôpital est mesuré afin de déterminer son importance. La dernière mesure est l’identification des communautés, définie comme un groupe de nœuds plus densément connectés entre eux que les nœuds en dehors du groupe (Wasserman et Faust, 1994). Plusieurs algorithmes d’identification existent, mais nous avons retenu l’algorithme de Blondel et al. (2008) car c’est celui qui est également disponible dans Gephi.
La restitution
Les résultats se présentent sous forme de graphes de réseaux et de tableaux récapitulatifs. Le graphe social, quant à lui, restitue les principales communautés. La taille des nœuds est proportionnelle à la mesure de centralité de degré ; et chaque nœud possède la couleur de la communauté à laquelle il appartient. Ainsi, la visualisation d’un graphe donne rapidement une idée de la position occupée par l’hôpital dans sa communauté.
Résultats
Les graphes de réseaux sociaux
La Figure 2 présente les graphes de quatre hôpitaux européens. Chaque cercle représente un publieur. La taille des cercles est proportionnelle à la centralité de degré du publieur, c’est-à-dire à la somme des abonnés et abonnements de ce publieur (notons que l’échelle entre les graphes n’est pas identique). Chaque couleur représente une communauté.
Figure 2 : Graphes sociaux des 4 hôpitaux
La structure des graphes
Le graphe du NHSBarthHealth s’est construit après avoir récolté 15472 messages, publiés par 2480 comptes Twitter. Pour L’APHP, nous avons récolté 5517 messages de 2367 publieurs. Pour le Radboudumc, ce sont 5338 messages de 1771 publieurs. Et pour les HUG, 1763 messages pour 427 publieurs. Bien que le NHSBartsHealth et l’APHP possèdent un volume de publieurs à peu près identique, le nombre de liens du NHSBartsHealth est bien plus important. L’APHP a un nombre de liens quasi similaire au Radboudumc alors que celui-ci possède moins de nœuds. Concernant les HUG, la taille du graphe est plus petite, mais sa densité dépasse les trois autres. La réciprocité de ce graphe dépasse aussi ses concurrents avec un indice de 0,65, ce qui signifie que plus de la moitié des nœuds du réseau suivent l’activité des autres (voir tableau 3).
Les métriques des nœuds
Globalement, nous observons qu’il existe des communautés importantes au sein des graphes et, hormis les HUG, les comptes Twitter des autres hôpitaux font tous partie de communautés de grande taille. Ces comptes sont les plus gros de leurs réseaux (en se basant sur la somme des liens entrants et sortants). Il faut tout de même noter une différence entre liens entrants, qui correspondent aux abonnés et liens sortants qui correspondent aux abonnements. Les liens entrants ont donc une bien plus grande importance en matière de diffusion de l’information. Le ratio abonnés/abonnements (ou degrés sortants/entrants) fait apparaître une différence entre les hôpitaux. Pour les HUG et le Radboudumc, il est proche de 1, et pour l’APHP et le NHSBartsHealth il est de 4 (voir tableau 4). Sur le plan de la taille, les HUG et le Radboudumc sont bien plus gros que leurs autres nœuds du réseau. Leurs indices de centralité, de proximité et d’intermédiarité sont très proches. Enfin, ils possèdent tous deux une bonne proximité et intermédiarité.
Graphe |
Nombre de nœuds |
Nombre de liens |
Densité |
Réciprocité |
Moyenne des degrés |
---|---|---|---|---|---|
APHP |
2367 |
68238 |
0,012 |
0,47 |
57,6 |
HUG |
427 |
4359 |
0,024 |
0,65 |
20,4 |
NHSBartsHealth |
2480 |
84807 |
0,014 |
0,53 |
68,4 |
Radboudumc |
1771 |
67257 |
0,021 |
0,54 |
75,9 |
Compte Twitter | Taille de la communauté d’appartenance | Degré entrant | Degré sortant | Degré total | Proximité | Intermédiarité |
---|---|---|---|---|---|---|
APHP | 22% | 657 | 138 | 795 | 0,42 | 0,03 |
HUG | 12% | 206 | 204 | 410 | 0,71 | 0,31 |
NHSBartsHealth | 20% | 1046 | 275 | 1321 | 0,49 | 0,09 |
Radboudumc | 30% | 874 | 865 | 1739 | 0,66 | 0,22 |
Discussion
Aujourd’hui, les outils en ligne délivrent quelques indicateurs permettant de comparer sa communication avec celles des autres acteurs du marché. Par exemple, le volume de publications, les retweets et le nombre d’abonnés nous renseignent sur les questions suivantes : la communication est-elle très active (nombre de publications), y a-t-il de l’intérêt pour ses publications (taux de retweets), l’information est-elle suivie (nombre d’abonnés) ? Notre analyse des graphes de réseaux apporte des réponses supplémentaires et nous permet de répondre à notre problématique concernant la structure communicationnelle entre un hôpital et ses parties prenantes, notamment par rapport à la structure des publieurs et à la position de l’hôpital dans le réseau. Les trois critères que nous avons retenus nous permettent entre autres de répondre aux questions suivantes : les publieurs sont-ils organisés (présence de communautés), l’hôpital possède-t-il une position stratégique dans le réseau (centralité), somme-nous en présence de relations d’échanges ou de diffusion d’information (réciprocité) ?
Notre analyse nous montre que nous sommes en présence de deux types de stratégies. La première stratégie est celle mise en œuvre par les HUG et par le Radboudumc. Ces deux hôpitaux ont choisi de créer des liens d’abonnement avec les publieurs du graphe, démontrant ainsi une proximité avec eux et un intérêt pour les communautés. Cette proximité est confirmée par une centralité de proximité importante. Ces deux comptes possèdent aussi un emplacement stratégique dans le réseau puisqu’ils ont une bonne centralité d’intermédiarité, ce qu’il faut tout même pondérer avec le fait qu’il existe des fonctions de recherche dans Twitter qui permettent de s’affranchir de traverser le réseau pour atteindre un compte. Mais une bonne intermédiarité reste tout de même utile pour contrôler la diffusion de l’information à travers le réseau.
Les comptes de l’APHP et du NHSBartsHealth n’ont pas choisi cette stratégie et n’ont en moyenne qu’un abonnement pour quatre abonnés. Ils gardent tout de même une centralité de proximité correcte, qui se voit sur le graphique par leur position assez centrale. Mais leur intermédiarité est très faible, ce qui peut devenir gênant en termes de diffusion de l’information ou pour toucher de nouveaux abonnés. Leur taille reste importante sans toutefois se détacher des autres comptes du graphe.
En ce qui concerne les communautés, seuls les HUG ne font pas partie d’une communauté importante du réseau. L’union faisant la force, il est risqué de ne pas être intégré dans une communauté. À ce niveau, il devient aussi intéressant d’aller plus en détail dans la visualisation du graphe afin de savoir qui sont les personnes qui constituent la communauté dans laquelle le compte de l’hôpital est intégré. Visualiser cela permet de confirmer que la stratégie est correcte et que le message véhiculé est bien reconnu / identifié par la communauté. C’est une caractéristique que l’on appelle l’homophilie et qui se retrouve fréquemment dans les réseaux socionumériques (appartenance à un groupe ayant les mêmes caractéristiques que les nôtres). Cette caractéristique est aussi importante que l’identification des leaders d’opinion puisqu’elle pourrait être responsable dans certains cas des phénomènes de contagions (Aral et al., 2009). Pour illustrer l’homophilie dans le réseau, nous avons examiné la communauté de l’APHP. Nous notons que les comptes les plus importants appartiennent tous au domaine médical : HAS_sante (Haute Autorité de Santé), Allodocteurs (émission de TV médicale), esante_gouv_fr, laFHF (Fédération Hospitalière de France), hopital_necker, LeFigaro_Sante, institutpasteur, HopitalPompidou.
En analysant davantage les trois plus gros graphes, c’est-à-dire celui du NHSBartsHealth, de l’APHP, et du Radboudumc, nous constatons une différence sur la communauté du Radboudumc. En effet, cette communauté, contrairement aux deux autres (qui ont une moyenne de 70 et 90) n’est pas constituée de gros nœuds (en moyenne ceux-ci ont une taille de 20), ce qui signifie que les publieurs de cette communauté n’ont pas beaucoup de connexions avec le reste de la communauté, ce qui peut altérer leur niveau de retweet par exemple. Par contre, c’est une communauté importante (30%). Concernant l’APHP et NHSBartsHealth, il y a plus de connexions, donc, potentiellement plus de retweets, mais moins de publieurs.
En résumé, le Radboudumc a su intégrer une grande communauté de petits publieurs, tout en gardant une proximité et une intermédiarité avec le reste du réseau. Les HUG suivent à peu près la même stratégie, mais n’ont pas intégré de communautés et restent donc un peu en retrait dans le réseau. Le NHSBartsHealth et l’APHP ont un nombre de publieurs équivalent et suivent la même stratégie. Ils sont bien intégrés dans une grande communauté, mais ont fait le choix de ne pas s’abonner en retour. Ils gardent une bonne centralité de proximité, bien que moindre par rapport à celles des autres graphes. Par contre, leur intermédiarité est très faible, ce qui en termes de diffusion peut s’avérer dangereux puisque les messages entre publieurs ne passeront pas par le compte de l’hôpital.
Conclusion
En prenant l’exemple de l’analyse de ces quatre comptes d’hôpitaux, nous avons démontré l’utilité de l’analytique dans la compréhension de la structure communicationnelle d’un réseau. Le calcul des indicateurs de base de l’analyse des réseaux socionumériques nous renseigne sur les différentes stratégies de communication. Cette utilisation des indicateurs par le professionnel peut venir compléter avantageusement les indicateurs de performances offerts par les outils de monitoring. De plus, la représentation sous forme de graphe offre le bénéfice d’une visualisation rapide de la place qu’occupe un compte Twitter dans le réseau des publieurs. Ces indicateurs peuvent aussi bien être utilisés pour échanger avec les directions que pour établir le bilan des actions de communications entreprises durant l’année et ainsi décider de nouvelles actions : se rapprocher des communautés, attirer de nouveaux acteurs, modifier sa position dans le réseau.
Les pistes de recherches sont nombreuses. L’analyse du réseau des publieurs n’étant que rarement étudiée dans la littérature, nous ne pouvons qu’encourager les chercheurs à exploiter ces données1 pour continuer l’analyse et identifier les leaders d’opinion du réseau des publieurs (Vernette et Tissier-Desbordes, 2012), qui peut être bien différent des influenceurs du réseau des abonnés. Cette étude peut mener à d’autres développements afin d’apprécier plus finement les stratégies de communication mises en place. Il serait utile de pouvoir identifier physiquement les communautés en action dans le réseau et de mieux comprendre leurs motivations à publier des informations sur un hôpital ou à interagir avec celui-ci.
En limite, nous souhaitons préciser que pour construire les graphes, nous avons récolté les données de la fonction de recherche de Twitter. Cette fonction utilise un algorithme non connu du public pour délivrer des résultats pertinents, mais ceux-ci sont non exhaustifs et ne permettent pas un monitoring en temps réel.
Notes
- L’ensemble des données peut être récupéré à l’URL : http://www.box.net. Pour accéder aux fichiers, veuillez utiliser jfdmresearch@gmail.com comme identifiant et opendata1 en mot de passe. Le répertoire contenant les données se nomme QuatreHopitaux.[↑]
Bibliographie
- Aral, S., Muchnik, L., & Sundararajan, A. (2009). Distinguishing influence-based contagion from homophily-driven diffusion in dynamic networks. Proceedings of the National Academy of Sciences, 106(51), 21544-21549.
- Baars, H., & Kemper, H. G. (2008). Management support with structured and unstructured data—an integrated business intelligence framework. Information Systems Management, 25(2), 132-148.
- Bastian, M., Heymann, S., & Jacomy, M. (2009). Gephi: an open source software for exploring and manipulating networks. Icwsm, 8, 361-362.
- Blondel, V. D., Guillaume, J. L., Lambiotte, R., & Lefebvre, E. (2008). Fast unfolding of communities in large networks. Journal of statistical mechanics: theory and experiment, 2008(10), P10008.
- Branthwaite, A., & Patterson, S. (2011). The power of qualitative research in the era of social media. Qualitative Market Research: An International Journal, 14(4), 430-440.
- Davenport, T. H., Harris, J. G., & Morison, R. (2010). Analytics at work: Smarter decisions, better results. Harvard Business Press.
- Fan, W., & Gordon, M. D. (2014). The power of social media analytics. Communications of the ACM, 57(6), 74-81.
- Freeman, L. (2004). The development of social network analysis. A Study in the Sociology of Science, 1.
- Järvinen, J., & Karjaluoto, H. (2015). The use of Web analytics for digital marketing performance measurement. Industrial Marketing Management, 50, 117-127
- Kadushin, C. (2012). Understanding social networks: Theories, concepts, and findings. OUP USA.
- Kaplan, A. M., & Haenlein, M. (2010). Users of the world, unite! The challenges and opportunities of Social Media. Business horizons, 53(1), 59-68.
- Kwak, H., Lee, C., Park, H., & Moon, S. (2010, April). What is Twitter, a social network or a news media?. In Proceedings of the 19th international conference on World wide web (pp. 591-600). ACM.
- Liang, H., Tsai, F. S., & Kwee, A. T. (2009, December). Detecting novel business blogs. In Information, Communications and Signal Processing, 2009. ICICS 2009. 7th International Conference on (pp. 1-5). IEEE.
- Murray, K. B., Liang, J., & Häubl, G. (2010). ACT 2.0: the next generation of assistive consumer technology research. Internet Research, 20(3), 232-254.
- Neiger, B. L., Thackeray, R., Van Wagenen, S. A., Hanson, C. L., West, J. H., Barnes, M. D., & Fagen, M. C. (2012). Use of social media in health promotion: purposes, key performance indicators, and evaluation metrics. Health promotion practice, 13(2), 159-164.
- Patino, A., Pitta, D. A., & Quinones, R. (2012). Social media’s emerging importance in market research. Journal of Consumer Marketing, 29(3), 233-237.
- Richter, J. P., Muhlestein, D. B., & Wilks, C. E. (2014). Social media: how hospitals use it, and opportunities for future use. Journal of Healthcare Management, 59(6), 447-461.
- Rollins, M., Bellenger, D. N., & Johnston, W. J. (2012). Does customer information usage improve a firm’s performance in business-to-business markets?. Industrial Marketing Management, 41(6), 984-994.
- Stenger, T., & Coutant, A. (2013). Médias sociaux: clarification et cartographie Pour une approche sociotechnique. Décisions marketing, 107-117.
- (2015). Teradata Data Driven Marketing Report.
- Vernette, E., & Tlssier-Desbordes, E. (2012). Le repérage marketing des influenceurs dans les réseaux sociaux : Des dangers de l’ignorance aux risques de l’à peu près… Décisions Marketing, 5-8.
- Wasserman, S., & Faust, K. (1994). Social network analysis: Methods and applications (Vol. 8). Cambridge university press.
- He, W., Shen, J., Tian, X., Li, Y., Akula, V., Yan, G., & Tao, R. (2015). Gaining competitive intelligence from social media data: Evidence from two largest retail chains in the world. Industrial Management & Data Systems, 115(9), 1622-1636.
- Yang, J., & Counts, S. (2010). Predicting the Speed, Scale, and Range of Information Diffusion in Twitter. ICWSM, 10, 355-358.