USArrest

Arrest

Importar base de datos

data("USArrests")
summary(USArrests)

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

Herramienta “El generador de valor de Datos”

Paso 1. Definir el área del negocio que buscamos impactar y mejorar su KPI.

Impactar el departamento de dirección de EUA. KPI: crímenes por estado

Paso 2. Seleccionar plantilla (-s) para crear valor a partir de los datos de los clientes

Segmentación

Paso 3. Generar ideas o conceptos específicos

Desarrollar un gráfico con la segmentación de los estados relacionada con los crímenes cometidos durante cierto periodo de tiempo.

Paso 4. Reunir los datos requeridos

Base de datos que nos informe sobre los arrestos en EUA.

Paso 5. Plan de ejecución:

El área de análisis debe tener la flexibilidad de poder utilizar la base de datos para sacar más información que se pueda interpretar.

Normalizar Variables

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

K-means clustering

clusters <- kmeans(bd1, 4)

asignacion <- cbind(bd1, cluster = clusters$cluster)
head(asignacion,10)

##                  Murder    Assault   UrbanPop         Rape cluster
## Alabama      1.24256408  0.7828393 -0.5209066 -0.003416473       3
## Alaska       0.50786248  1.1068225 -1.2117642  2.484202941       2
## Arizona      0.07163341  1.4788032  0.9989801  1.042878388       2
## Arkansas     0.23234938  0.2308680 -1.0735927 -0.184916602       3
## California   0.27826823  1.2628144  1.7589234  2.067820292       2
## Colorado     0.02571456  0.3988593  0.8608085  1.864967207       2
## Connecticut -1.03041900 -0.7290821  0.7917228 -1.081740768       4
## Delaware    -0.43347395  0.8068381  0.4462940 -0.579946294       4
## Florida      1.74767144  1.9707777  0.9989801  1.138966691       2
## Georgia      2.20685994  0.4828549 -0.3827351  0.487701523       3

Visualizar Segmentos

library(factoextra)

## Loading required package: ggplot2

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

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

#install.packages("cluster")

Optimizar k

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

En el cuadrante uno podemos interpretar los países más seguros que son West Virginia y Vermont, estos los podemos comparar con los más peligrosos e inseguros en el otro extremo inferior izquierdo siendo California, New York, Colorado y Nevada teniendo un índice mayor de problemáticas

Esto puede ser útil para ver el indice de seguridad con el que cuenta un país y visualizar los lugares donde puede hacerse una mayor inversión en el desarrollo de seguridad mediante distintos medios.