Caso Práctico: Segmentación de Clientes - Modelo de Clusterización (K-Means)
Aprende a segmentar clientes con el algoritmo k-means
Cuando se nos plantea una necesidad, una de las cosas que hacemos a menudo es dividirla en partes más simples. Esta estrategia suele ser buena por varias razones: una es que las partes suelen ser más fáciles de resolver que el problema entero y la otra, que a veces resolviendo tan solo alguna de ellas llegamos a una solución satisfactoria para el total.
En la empresa, segmentar es una manera de dividir un problema en partes más sencillas que ayuda a priorizar esfuerzos y a localizar oportunidades de negocio. No todos los clientes son iguales ni tienen las mismas necesidades. Por tanto, las compañías deben entenderlo y adaptar sus propuestas de valor a cada grupo objetivo. Segmentar es dividir una población en grupos homogéneos en función de necesidades, comportamientos, características o actitudes y caracterizar a los grupos resultantes para saber qué les distingue entre sí.
Una manera muy útil de segmentar y entender a qué tipo de población estamos estudiando es ver cómo se organizan sus individuos de forma natural. Para eso se utiliza el algoritmo k-means, uno de los más famosos de la Ciencia de Datos en general y para hacer clustering en particular.
Entonces suponga que trabaja para una empresa con actividades comerciales, la cual tiene una gran cartera de clientes y tiene la necesidad de agruparlos según características similares. Además, en muchas ocasiones es difícil determinar cuál es ese comportamiento de los clientes que los caracteriza y nos permitirá ofrecerle nuestros productos o servicios de manera diferenciada.
¡Empieza el curso y aprende a segmentar con k-means!
Tu Instructor
Soy Informático de profesión, con estudios en Desarrollo de Sistemas, Administración de Empresas con Énfasis en Entidades Financieras, Minería de Datos, Maestría en Administración de Proyectos y Maestría en Tecnología de Datos. Cuento con 25 años de experiencia desempeñando funciones de Analista de Sistemas, Administrador de Bases de Datos y Analista de Inteligencia de Negocios en empresas como Banco Nacional de Costa Rica, Operadora de Pensiones de la Caja Costarricense de Seguro Social (CSSS), Operadora de Pensiones del Banco Nacional de Costa Rica (BN Vital). Me especializo en la definición y creación de depósitos de datos multidimensionales de gran volumen, utilizados por herramientas de inteligencia de negocios para la toma de decisiones.
El proceso de formación profesional que he realizado, tiene dos fines, completar un perfil de Científico de Datos y conocer de forma integral las necesidades de una organización con acertada comunicación entre las áreas funcionales, con lo que se puede transmitir e integrar el conocimiento de forma universal en todas las áreas.
En reuniones de ámbito empresarial para definir necesidades de las áreas funcionales (Finanzas, Comercialización, Ventas, Operaciones, Desarrollo Humano, entre otros) con áreas de Tecnología, siempre existe un factor importante en el éxito de los requerimientos: contar con un idioma universal. Por esto, Grow Up se ha preocupado y ocupado de que los cursos que sean impartidos enriquezcan a las áreas funcionales con nuevos conocimientos y colaboren con la comunicación.
Espero poder compartirte las buenas prácticas que he aprendido en todo este tiempo para que domines las mejores herramientas de Análisis de Datos.
Plan de Estudios
-
InicioMateriales del Caso
-
Inicio1.1 Introducción al Caso Práctico (3:00)
-
Inicio1.2 Conociendo el modelo de Clusterización (5:27)
-
Inicio1.3 Herramienta Spyder (4:34)
-
Inicio1.4 Análisis de código - Datos (27:48)
-
Inicio1.5 Análisis de código - Visualización de Datos (24:00)
-
Inicio1.6 Conociendo Cluster - Parte I (19:33)
-
Inicio1.7 Conociendo Cluster - Parte II (14:24)