Análisis de Clusters

# 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 3, 3, 1, 1
## 
## Cluster means:
##          x        y
## 1 3.666667 9.000000
## 2 7.000000 4.333333
## 3 2.000000 5.000000
## 4 1.000000 2.000000
## 
## Clustering vector:
## [1] 1 3 2 1 2 2 4 1
## 
## Within cluster sum of squares by cluster:
## [1] 6.666667 2.666667 0.000000 0.000000
##  (between_SS / total_SS =  90.7 %)
## 
## 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       4
## 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 sus clientes y dirigir campañas de marketing

más enfocadas y especializadas.