# La segmentación o clusters es un conjunto
# de técnicas cuyo propósito es formar
# grupos a partir de un conjunto de elementos.
# 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,4)
segmentos
## K-means clustering with 4 clusters of sizes 1, 2, 3, 2
##
## Cluster means:
## x y
## 1 2.0 10.000000
## 2 4.5 8.500000
## 3 7.0 4.333333
## 4 1.5 3.500000
##
## Clustering vector:
## [1] 1 4 3 2 3 3 4 2
##
## Within cluster sum of squares by cluster:
## [1] 0.000000 1.000000 2.666667 5.000000
## (between_SS / total_SS = 91.4 %)
##
## 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 4
## 3 8 4 3
## 4 5 8 2
## 5 7 5 3
## 6 6 4 3
## 7 1 2 4
## 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
# 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 sus clientes y dirigir campañas de marketing
# más enfocadas y especializadas.