Please enable JavaScript.
Coggle requires JavaScript to display documents.
ANÁLISIS DE SEGMENTACIÓN DE MERCADOS UTILIZANDO MODELOS DE …
ANÁLISIS DE SEGMENTACIÓN DE MERCADOS UTILIZANDO MODELOS DE
INTERDEPENDENCIA
Introducción al análisis clúster
técnica estadística
agrupar elementos similares en
subconjuntos homogéneos
dentro
conjunto de datos más amplio
segmentar mercados identificando grupos de consumidores
segmentación efectiva
depende de la correcta selección de variables
Proceso de análisis clúster
Normalización de datos
Se estandarizan las variables
Elección del método de agrupamiento
Se estandarizan las variables
Selección de variables
como ingresos, edad, frecuencia de compra, etc
Formación de los grupos
Se ejecuta el algoritmo para identificar los clústeres.
Definición del problema
como segmentar clientes en
función de sus hábitos de compra
Validación e interpretación
Se evalúa la estabilidad y coherencia de los grupos
Determinación de las especificaciones del análisis clúster
El análisis bietápico combina métodos jerárquicos y no jerárquicos para segmentaciones más
eficientes.
Primera etapa
Se realiza una pre-agrupación de datos.
Segunda etapa
Se aplica un algoritmo como K-means para refinar los grupos.
Interpretación de los grupos en análisis clúster
permite asignar características a cada grupo
Perfilado de los clústeres
Se analiza la media y dispersión de las variables dentro de cada grupo
Visualización
Se utilizan gráficos de dispersión
Valoración del análisis para su validez
Para evaluar la validez del análisis
Comparación con datos externos
Se verifica si los segmentos reflejan patrones reales del mercado
Estabilidad del modelo
Se realiza un análisis de sensibilidad repitiendo el procedimiento
con diferentes muestras
Índice de Silueta
Mide la cohesión dentro de cada clúster
Análisis clúster Jerárquico
construye una jerarquía de grupos
Métodos de enlace
Puede ser simple, completo, promedio, etc
Dendrograma
Representación gráfica que permite definir el número óptimo de clústeres
Análisis clúster no Jerárquico
número de clústeres sea definido
previamente y optimiza la asignación iterativamente
Ventaja
Escalable a grandes volúmenes de datos
Desventaja
Sensible a la selección inicial de centroides
Análisis clúster Bietápico
Medida de distancia
Euclidiana, Manhattan o de Mahalanobis según la naturaleza de los
datos
Algoritmo de agrupación
Se selecciona con base en la estructura de los datos
la interpretación deseada
Número de clústeres
Se puede determinar mediante el método del codo