Segmentación de Clientes con K-Means

En el ámbito del análisis de datos, frecuentemente la información recopilada carece de categorías predefinidas. El aprendizaje no supervisado permite que los algoritmos analicen estructuras internas y descubran agrupaciones naturales en los datos. Esta actividad sitúa al estudiante en el rol de un analista de datos de un centro comercial que requiere identificar distintos perfiles de compradores basándose en sus ingresos anuales y su puntuación de gasto. Al encontrar estos segmentos, el negocio podrá dirigir campañas de marketing de forma más efectiva.
Objetivo general
El estudiante será capaz de implementar y evaluar un modelo de aprendizaje no supervisado utilizando el algoritmo K-Means en Python, logrando agrupar datos no etiquetados e interpretar el significado de los clústeres resultantes para la toma de decisiones empresariales.
Materiales o recursos necesarios:
- Computadora con acceso a internet.
- Entorno de desarrollo de Python (se sugiere Google Colab para evitar problemas de instalación local).
- Librerías de Python instaladas:
pandas,scikit-learn,matplotlibyseaborn. - El conjunto de datos en formato CSV (provisto a continuación).
Generación de Insumos Prácticos
Para realizar esta práctica, el estudiante debe guardar el siguiente bloque de texto en un archivo llamado clientes_mall.csv o cargarlo directamente en su entorno mediante un DataFrame de Pandas. Se ha preparado una muestra representativa con cuatro variables clave.
Instrucciones paso a paso:
- Carga del conjunto de datos: El estudiante debe importar la librería
pandasy leer el archivoclientes_mall.csv.¿Por qué? Para convertir los datos crudos en un formato tabular estructurado (DataFrame) que permita su manipulación. - Selección de características: Se debe extraer un nuevo arreglo bidimensional (X) que contenga únicamente las columnas
Annual_Income_kySpending_Score. ¿Por qué? K-Means requiere datos numéricos para calcular distancias espaciales; aislar las variables más relevantes mejora la definición de los clústeres. - Cálculo del “Método del Codo” (Elbow Method): El estudiante ejecutará un bucle entrenando el algoritmo K-Means con diferentes números de clústeres (de 1 a 10) y graficará la inercia (suma de errores cuadráticos). ¿Por qué? En el aprendizaje no supervisado no se conoce de antemano el número ideal de grupos; este método gráfico ayuda a identificar el punto óptimo (el “codo”).
- Entrenamiento del modelo final: Basado en la gráfica anterior, el estudiante instanciará el modelo K-Means con el número de clústeres elegido (generalmente 3 a 5 para este tipo de datos) y ajustará el modelo con los datos X. ¿Por qué? Para que el algoritmo asigne a cada cliente a un grupo específico basándose en su cercanía al centroide.
- Visualización de resultados: Utilizando
matplotliboseaborn, el estudiante creará un gráfico de dispersión (Scatter Plot) donde el eje X sea el ingreso, el eje Y sea la puntuación de gasto, y el color de cada punto represente el clúster asignado. ¿Por qué? El cerebro humano procesa mejor los patrones de forma visual, lo que facilita enormemente la interpretación de los perfiles descubiertos.
Recomendaciones
- Asegurarse de que el archivo CSV y el Notebook se encuentren en la misma carpeta o ruta de acceso.
- Comentar cada bloque de código explicando su función; esto consolida el aprendizaje.
- Prestar especial atención a los ejes de la gráfica del método del codo para identificar claramente dónde se aplana la curva.
- No desanimarse si el gráfico de dispersión parece desordenado inicialmente; la selección de características afecta directamente la visualización.
- Pensar como un analista de negocios al redactar la conclusión final, no solo como un programador.
Posible problema y solución rápida
- Problema: Al intentar generar el gráfico de dispersión final, ocurre un error de dimensionalidad o el gráfico resulta ilegible al intentar trazar más de dos variables simultáneamente.
- Solución: Explicar al estudiante que, aunque el algoritmo puede procesar múltiples dimensiones (ej. Edad, Ingreso,Puntuación), un gráfico 2D estándar solo soporta dos ejes (
x,y). Para solucionarlo rápidamente, se debe asegurar que en la instrucción de visualización (ej.plt.scatter()) se seleccionen explícitamente los índices0y1del arreglo de características para los ejes coordenados.