네트워크 커버리지 최적화를 위한 휴리스틱과 조직 변화 에이전트 선정

초록

**
본 논문은 조직 내 변화 촉진자를 선정할 때 네트워크 커버리지를 극대화하는 새로운 휴리스틱 알고리즘을 제안한다. 기존의 중심성 기반 방법들과 비교해 선택된 에이전트가 직접 도달할 수 있는 구성원 비율이 높으며, 동시에 영향력 있는 의견 리더로서의 특성을 유지한다는 실증 결과를 제시한다.

**

상세 분석

**
이 연구는 조직 변화 관리에서 ‘변화 에이전트’를 어떻게 효율적으로 선정할 것인가라는 실질적 문제에 초점을 맞춘다. 네트워크 분석 관점에서 에이전트의 역할은 자신이 직접 연결된 노드, 즉 1‑hop 이웃을 통해 정보를 전파하고 행동 변화를 유도하는 것이다. 따라서 ‘네트워크 커버리지’—선택된 노드 집합이 직접 도달할 수 있는 전체 노드 비율—를 최적화하는 것이 핵심 목표가 된다. 기존 문헌에서는 주로 연결 중심성(degree), 매개 중심성(betweenness), 근접 중심성(closeness), 고유벡터 중심성(eigenvector) 등 단일 지표를 활용해 상위 k 개의 노드를 선택했다. 그러나 이러한 방법은 커버리지 최적화라는 전역적 목표를 직접 고려하지 않으며, 선택된 노드 간 중복이 발생해 실제 도달 범위가 제한된다.
논문은 이를 보완하기 위해 ‘그리디 마진 커버리지 휴리스틱’을 제안한다. 알고리즘은 매 반복마다 현재까지 커버되지 않은 노드 수를 가장 크게 감소시키는 후보 노드를 추가한다. 즉, 후보 노드의 ‘추가 커버리지’(새롭게 도달 가능한 이웃 수)를 계산하고, 이를 기준으로 최적의 노드를 선택한다. 이 과정은 O(N·k) 시간 복잡도를 가지며, N은 전체 노드 수, k는 선택할 에이전트 수이다.
실험은 중간 규모(≈300명) 조직의 소셜 네트워크 데이터를 사용했다. 네트워크는 평균 차수 4.2, 밀도 0.014 수준으로 비교적 희소했으며, 연결성은 큰 클러스터와 몇몇 브리지 노드로 구성돼 있었다. 알고리즘은 k = 10일 때 전체 노드의 78 %를 직접 커버했으며, 이는 degree‑top10(62 %)이나 betweenness‑top10(65 %)보다 현저히 높았다. 또한 선택된 노드들의 평균 degree와 eigenvector 값도 기존 방법과 동등하거나 약간 높은 수준을 유지해, 단순히 커버리지만을 최적화한 것이 아니라 영향력 있는 의견 리더도 동시에 확보함을 보여준다.
이러한 결과는 조직 내 변화 확산 전략에서 ‘전달 효율성’과 ‘리더십 영향력’ 두 축을 동시에 만족시키는 에이전트 선정이 가능함을 시사한다. 다만, 그리디 휴리스틱이 전역 최적을 보장하지는 않으며, 네트워크 구조가 매우 밀집하거나 다중 레이어(예: 공식·비공식 네트워크)가 존재할 경우 성능이 다소 감소할 수 있다는 한계도 논의된다.

**