Algoritmo PCA

Es un método matemático que se utiliza para reducir el número de variables de forma que pasemos
a tener el mínimo número de nuevas variables y que representen a todas las antiguas variables de
la forma más representativa posible. Es decir, si se reduce el número de variables a dos o tres
nuevas, se pueden representar los datos originales en el plano o en un gráfico de 3-dimensiones y,
así, se visualiza de forma gráfica un resumen de nuestros datos. El simple hecho de poder tener los
datos de manera visible simplifica mucho el entender qué puede estar pasando y ayuda a tomar
decisiones. A continuación, se procede con el análisis de las órdenes de compra. No se entrará en
los detalles puramente matemáticos dada su complejidad El primer paso de todos es observar
mediante la siguiente gráfica cuántas componentes principales debemos coger.

Elección número de componentes principales

Como se ve en el gráfico anterior, las tres primeras componentes aglutinan la mayor varianza, por
lo que podemos decir que son las componentes principales las principales para realizar el análisis.
Sin embargo, para poder representar de forma bidimensional los resultados a lo largo de este post,
escogeremos sólo las dos primeras. En el siguiente gráfico Podemos ver qué influencia ejerce cada
variable en las nuevas componentes principales:

Influencia de cada variable en las dos componentes principales

Como podemos observar, las variables que más peso ejercen sobre la primera de las componentes
principales son las medidas de las piezas, mientras que las variables que más peso ejercen sobre la
segunda de las componentes principales son el resto de las variables, teniendo una mayor influencia
el año en el que se realizó la compra y el número de la orden de la compra. Se podría decir que la
primera componente principal representa las características de las piezas compradas mientras que
la segunda componente principal representa las propiedades de la compra.

Una vez que se sabe que representa cada una de las variables, se representan en dos dimensiones.
Se representa en el eje ‘x’ la primera de las componentes principales y en el eje ‘y’ la segunda de las
componentes principales. De este modo se obtiene el gráfico 3. En él se puede observar la
representación de los datos de inicio en dos dimensiones. De esta forma, se puede hacer una
interpretación de cada una de las órdenes de compra. Se puede ver que la orden de compra número
46 (arriba a la izquierda en el gráfico 3), al igual que la compra 108 (arriba a la derecha) podrían
considerarse outliers. Pero sin duda, lo que más llama la atención de este gráfico es que más del
80% de los datos están condensados en dos grupos, destacados por dos círculos rojos. Esto nos
indica que las órdenes de compra que no están próximas a estos grupos son las que provocan una
varianza mayor en el precio de las órdenes de compra. Cuanto más a la derecha se encuentre una
orden de compra más cara debe de ser y cuanto más a la izquierda se localice esta orden más barata
ha de ser. Esto lo deducimos del gráfico 2 y cómo influye cada variable en las componentes
principales.

Representación gráfica en las dos principales componentes

Clasificación de los datos por medio del algoritmo K-Means

Una vez realizado esta representación gráfica, pasamos a utilizar el algoritmo K-means. Este
algoritmo sirve para localizar grupos dentro de una “nube de puntos”, que en este caso son las
compras. Se ha decidido agrupar los datos en tres grupos, por lo tanto, se está realizando el
algoritmo K-means con K=3. El resultado obtenido es el siguiente:

Se obtienen, por consiguiente, tres grupos. Como se había mencionado primero, había dos grupos
claramente diferenciados (ahora en rojo uno y en azul el otro) y, localizamos otro tercer grupo,
formado por el resto de los puntos que representan todos los datos que se “salen” de los dos grupos
de órdenes de compras mencionados previamente. Para continuar con el análisis y sacar
conclusiones más profundas e importantes, habría que realizar un análisis en profundidad sobre los
datos del tercero de los grupos representados en color verde.

Conclusión.

Cuando nos encontremos con multitud de variables que analizar, lo mejor es reducir estas variables
al mínimo para poder representarlas de manera gráfica e intuitiva. Una vez hecho este paso, se
pueden aplicar otro tipo de técnicas, como en este caso, que sirven para entender aún de forma
más clara y explícita para qué usar los datos o cómo interpretarlos. Este tipo de análisis de datos es
muy útil para poder relacionar variables entre ellas y entender cómo están relacionadas. Aplicado a
logística, por ejemplo, este estudio se puede aplicar también para decidir en qué lugar geográfico
es mejor asentar un almacén. Si consideramos que los puntos de la última imagen son clientes
finales y tenemos pensado construir tres almacenes desde donde distribuir los productos de una
empresa, podremos saber el lugar óptimo dónde asentar los almacenes sería en el centro de cada
uno de estos grupos, consiguiendo que la distancia desde el almacén a los clientes sean las mínimas.