library(readr)
# file.choose()
spotify <- read_csv("/Users/constantinomilletxacur/Desktop/Concentracion/Most Streamed Spotify Songs 2024.csv")
## Warning: One or more parsing issues, call `problems()` on your data frame for details,
## e.g.:
##   dat <- vroom(...)
##   problems(dat)
## Rows: 4615 Columns: 1
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (1): Most Streamed Spotify Songs 2024
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
# 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

library(cluster)

library(ggplot2)

library(data.table)

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 3, 1, 2, 2
## 
## Cluster means:
##     x         y
## 1 7.0  4.333333
## 2 2.0 10.000000
## 3 1.5  3.500000
## 4 4.5  8.500000
## 
## Clustering vector:
## [1] 2 3 1 4 1 1 3 4
## 
## Within cluster sum of squares by cluster:
## [1] 2.666667 0.000000 5.000000 1.000000
##  (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       2
## 2 2  5       3
## 3 8  4       1
## 4 5  8       4
## 5 7  5       1
## 6 6  4       1
## 7 1  2       3
## 8 4  9       4
# 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")

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)

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 # Paso 5. Asignar el grupo al que pertenece cada observación asignacion <- cbind(df, cluster = segmentos$cluster) asignacion

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.