Segmentación por k-medias
Agrupa clientes por similitud y ayuda a elegir el número de grupos con el codo y la silueta.
¿Qué grupos naturales de clientes hay según cuánto y cuán a menudo compran, y cuántos grupos tiene sentido distinguir?
Clientes sintéticos con frecuencia anual de compra y ticket medio; los grupos reales se generan alrededor de centros conocidos. Las variables se estandarizan antes de agrupar.
Controles
Ficha del modelo
Las siete preguntas que todo modelo de la biblioteca debe responder antes de publicarse.
- ¿Qué grupos naturales de clientes hay según cuánto y cuán a menudo compran, y cuántos grupos tiene sentido distinguir?
- Variables numéricas por cliente (frecuencia, ticket, antigüedad…).
- Idealmente en escalas comparables o estandarizadas.
- Los grupos son compactos y de tamaño parecido.
- La distancia euclídea sobre variables estandarizadas representa la similitud.
- El número de grupos se elige; el algoritmo no lo descubre.
- Grupo de cada cliente y centro de cada grupo.
- Inercia por número de grupos (codo).
- Coeficiente de silueta.
- El resultado depende de la inicialización; se usan cinco reinicios y se conserva el de menor inercia.
- Silueta media: por encima de 0,5 hay estructura clara; por debajo de 0,25, los grupos son débiles. En el ejemplo se conoce el número real de grupos.
- Con grupos alargados o de densidad muy distinta, k-medias los corta mal.
- Variables sin estandarizar: la de mayor escala domina.
- Siempre devuelve k grupos, aunque no haya ninguno.
- MacQueen, J. (1967). Berkeley Symposium 1. Arthur, D. y Vassilvitskii, S. (2007). k-means++. Rousseeuw, P. J. (1987). J. Comp. Appl. Math. 20.