AnálisisClustersConcentración

CONTEXTO

La segmentación o clusters es un conjunto de técinicas cuyo propósito es formar grupos a partir de un conjunto de elementos.

Más información: R for Data Science

Paso 1. Instalar paquetes y llamar librerías

#install.packages('cluster')
library (cluster)
#install.packages('ggplot2')
library(ggplot2)
#install.packages('data.table')
library(data.table)
#install.packages('factoextra')
library(factoextra)

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

Paso 2. Obtener los datos

df = data.frame (x=c(2,2,8,5,7,6,1,4), y=c(10,5,4,8,5,4,2,9))

Paso 3. Cantidad de grupos

grupos = 3

Paso 4. Generar los segmentos

segmentos <- kmeans(df,grupos)
segmentos

## K-means clustering with 3 clusters of sizes 3, 3, 2
## 
## Cluster means:
##          x        y
## 1 7.000000 4.333333
## 2 3.666667 9.000000
## 3 1.500000 3.500000
## 
## Clustering vector:
## [1] 2 3 1 2 1 1 3 2
## 
## Within cluster sum of squares by cluster:
## [1] 2.666667 6.666667 5.000000
##  (between_SS / total_SS =  85.8 %)
## 
## Available components:
## 
## [1] "cluster"      "centers"      "totss"        "withinss"     "tot.withinss"
## [6] "betweenss"    "size"         "iter"         "ifault"

Paso 5. Asignar el grupo al que pertenece cada observación

asignacion <- cbind(df, cluster = segmentos$cluster)
asignacion

##   x  y cluster
## 1 2 10       2
## 2 2  5       3
## 3 8  4       1
## 4 5  8       2
## 5 7  5       1
## 6 6  4       1
## 7 1  2       3
## 8 4  9       2

Paso 6. Graficar los Clusters

fviz_cluster(segmentos, data=df)

Paso 7. Optimizar la cantidad de Grupos

La cantidad óptima de grupos corresponde al punto mas alto en la siguiente gráfica

set.seed(123)
optimizacion = clusGap(df, FUN=kmeans, nstart=1, K.max=7)
plot(optimizacion, xlab= 'Número de clusters K')

Conclusión

La segmentación o clusters es un algoritmo muy útil para las empresas que desean clasificar a sus clientes y dirigir campañas de marketing más enfocada y especializadas.