“US Arrests”

File Choose y nombre de variable

#file.choose()
USArrests <- read.csv("/Users/carlosgonzalez/Desktop/Analitica para negocios/Modulo 3/Todos los R Rdowns y HTMLs/Arrestos/USArrests.csv")
summary(USArrests)

##       X                 Murder          Assault         UrbanPop    
##  Length:50          Min.   : 0.800   Min.   : 45.0   Min.   :32.00  
##  Class :character   1st Qu.: 4.075   1st Qu.:109.0   1st Qu.:54.50  
##  Mode  :character   Median : 7.250   Median :159.0   Median :66.00  
##                     Mean   : 7.788   Mean   :170.8   Mean   :65.54  
##                     3rd Qu.:11.250   3rd Qu.:249.0   3rd Qu.:77.75  
##                     Max.   :17.400   Max.   :337.0   Max.   :91.00  
##       Rape      
##  Min.   : 7.30  
##  1st Qu.:15.07  
##  Median :20.10  
##  Mean   :21.23  
##  3rd Qu.:26.18  
##  Max.   :46.00

rownames(USArrests) <- USArrests$X
USArrests <- subset(USArrests, select = -c (X))

#1 Normalizar variables

bd1 <- USArrests
bd1 <- as.data.frame(scale(USArrests))

El Generador de Valor de Datos

Paso 1: Definir el area del negocio que buscamos impactar o mejorar y su KPI

Capacitación de cuerpo policiaco

Paso 2: Seleccionar plantilla para crear valor a partir de los datos de los clientes:

#Visión | Segmentación | Personalización | Contextualización Visión; ya que se planteará realizar esfuerzos para capacitar a los oficiales a cómo actuar dependiendo del crimen con mayor tendencia en la zona geografica donde operan.

Paso 3: Generar ideas o conceptos especificos

Dar mayor capacitación e infraestructura a las autoridades para actuar con mayor eficacia e incluso prevenir crimenes comunes en el estado.

Paso 4: Reunir los datos requeridos

Arrestos en los estados de Estados Unidos.

Paso 5: Plan de ejecución

Lo que se plantea es que en conjunto con el gobierno estatal, las autoridades oficiales de seguridad como por ejemplo Alabama; donde hay más asesinatos, Alaska, donde hay más violaciones y California donde hay más asaltos; se le de la capacitación correspondiente a las autoridades para prevenir este tipo de crimenes.

Paso 2 k means clustering

segmentos <- kmeans(bd1, 4)
asignacion <- cbind(USArrests, cluster = segmentos$cluster)
head(asignacion,10)

##             Murder Assault UrbanPop Rape cluster
## Alabama       13.2     236       58 21.2       1
## Alaska        10.0     263       48 44.5       3
## Arizona        8.1     294       80 31.0       3
## Arkansas       8.8     190       50 19.5       1
## California     9.0     276       91 40.6       3
## Colorado       7.9     204       78 38.7       3
## Connecticut    3.3     110       77 11.1       2
## Delaware       5.9     238       72 15.8       2
## Florida       15.4     335       80 31.9       3
## Georgia       17.4     211       60 25.8       1

Exportar csv

write.csv(asignacion,"Datos_con_cluster_USArrests.csv")

Visualizar Segmentos

#install.packages("factoextra")
library(factoextra)

## Loading required package: ggplot2

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

fviz_cluster(segmentos, data = bd1,
             palette=c("red", "blue", "black", "darkgreen"),
             ellipse.type = "euclid",
             star.plot = T,
             repel = T,
             ggtheme = theme())

Optimizar k

#install.packages("data.table")
library(cluster)
library(data.table)

set.seed(123)
optimizacion <- clusGap(bd1, FUN = kmeans, nstart = 25, K.max = 10, B = 50)
plot(optimizacion, xlab = "Numero de clusters k")

Conclusiones

Considero que mis aprendizajes durante este trabajo, me permitieron reafirmar mis conocimientos de cómo hacer diagramas que me permitan realizar visualizaciones. Por otra parte, en este caso la considero como una herramienta de gran utilidades ya que permite ver graficamente por agrupaciones los estados y realizar correlaciones que permitan identificar las tendencias de caracter delictivo en cada estado y por consiguiente proponer acciones que mitiguen dichos crimenes como se propueso en el generador de valor.