Contexto

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

Más información: R for Data Science (2ed)

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

#Optimización (inicia en un 3 o 4)

#grupos <- 4 hipótesis
grupos <- 3 #Optimización

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 3.666667 9.000000
## 2 7.000000 4.333333
## 3 1.500000 3.500000
## 
## Clustering vector:
## [1] 1 3 2 1 2 2 3 1
## 
## Within cluster sum of squares by cluster:
## [1] 6.666667 2.666667 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       1
## 2 2  5       3
## 3 8  4       2
## 4 5  8       1
## 5 7  5       2
## 6 6  4       2
## 7 1  2       3
## 8 4  9       1

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 más alto de 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 útil para las empresas que desean clasificar a sus clientes y dirigir campañas de marketing más enfocadas y especializadas.

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