El análisis de conglomerados (cluster analysis) permite descubrir grupos naturales en datos para segmentar clientes, productos o mercados y apoyar decisiones de negocio (surtido, pricing, campañas, diseño de productos). A continuación se muestran casos reales y lecciones prácticas con referencias.
La aseguradora reanalizó cinco bases de datos de estudios de mercado y aplicó dos procedimientos de clustering (atributos y respondentes) para investigar si existían segmentos de consumidores con preferencias diferenciadas por tipos de seguro. Identificaron dos segmentos robustos del mercado: “Tradicional” y “HMO”, y luego simularon la preferencia de productos por segmento para orientar el diseño de pólizas y la distribución.
Fuente: Quirk’s Media – Data Use: New findings with old data using cluster analysis
A partir del programa de fidelización Clubcard, Tesco define “Buckets” (conjuntos de productos comprados en conjunto) y aplica análisis de conglomerados sobre esos Buckets para identificar estilos de vida (p. ej., Loyal Low Spenders, Weekly Shoppers, High Spending Superstore Families). También asignan atributos a productos y agrupan personas por atributos de lo que compran para crear segmentos de hábitos de compra accionables.
Fuente: Tony Hirst – The Tesco Data Business (Notes on Scoring Points)
Un caso descrito en Practical Ecommerce detalla cómo, con 10 años de datos, se aplicó cluster analysis para agrupar productos por atributos (márgenes, popularidad regional) y segmentar clientes. Concluyeron que 20% de los SKUs aportaban <1% de ventas (candidatos a descontinuar) y que contratistas independientes eran un segmento de alto margen con potencial de crecimiento, reorientando marketing y simplificando portafolio.
Fuente: Practical Ecommerce – Case Study: Data Analysis Increases Profit for Manufacturer
Estudio de Momentive (creador de SurveyMonkey) aplicó cluster analysis a variables demográficas, de uso y actitudes para clasificar usuarios de tarjetas en cuatro segmentos: Economical End-Users, Untapped Utilizers, Strapped Spenders y Card Champions. La segmentación reveló qué características de las tarjetas valoraba cada grupo (cashback, cuotas anuales, recompensas de viaje) y permitió orientar mensajes y ofertas por segmento.
Fuente: SurveyMonkey – Cluster Analysis: Strategies And Examples