Segmentacin

MBA
Universidad ICESI, Febrero 5 de 2016
Carlos Ignacio Patio F.

Control de Lectura
Defina, en sus propias palabras,

el trmino segmentacin
Qu es una medida de

similitud?

Segmentacin Estratgica
Empleada de manera usual para segmentar clientes,

unidades de negocio, puntos de venta, proveedores,

empleados
Simple; basada en uno o pocos factores al tiempo

(geografa, ventas, referencias, tecnologa, funciones,

etc)
til para la gestin de operaciones

Segmentacin Natural
Surge a partir del anlisis de mltiples dimensiones de

manera simultnea
Separacin natural entre grupos de unidades de anlisis
Clustering: Permite agrupar clientes (o cualquier otra unidad

de inters) en grupos homogneos tales que sus miembros

son similares en trminos de demografa y comportamiento,
mientras que unidades en diferentes clusters son diferentes
entre si

Proceso para Clustering

Definicin
de unidad
analtica a
segmentar

Variables

Similaridad

Mtodo

Nmero de
k

Perfilar y
evaluar

Refinar?

Variables para la segmentacin

Beneficios (qu buscan los clientes en los

productos?) encuestas
Variables

Psicogrficas
Demogrficas
Geogrficas
Comportamiento (transaccionales)
Competitivas (SoW)
Valor (Lifetime Value, etc)

Medidas de Similaridad
Similaridad

Hamming

Atributo 2

Euclideana

B:
(2,3)

C:
(5,3)

Manhattan
Similaridad Coseno
A:
(1,1)
Atributo 1

Distancia Euclideana
Si los valores son reales, se

emplea la Distancia Euclideana:

D(xi, xj)

=|| x i - x j ||

Ak

( v ik v jk )2

Ejemplo
Ejemplo 1 (MPG dataset, 3 real-valued input attributes)
Car 1: weight = 2500, displacement = 250, horsepower = 100
Car 2: weight = 3000, displacement = 150, horsepower = 150
Car 3: weight = 3050, displacement = 250, horsepower = 100

Cul carro es ms similar al carro 1?

D(x1, x2) = (2500 3000)2 + (250 150)2 + (100 150)2 512
D(x1, x3) = (2500 3050)2 + (250 250)2 + (100 100)2 = 550

Ejemplo, normalizando valores

Ejemplo 2 (MPG dataset, 3 scaled real-valued input attributes)
Car 1: weight = -0.20, displacement = 0.32, horsepower = -0.51
Car 2: weight = 0.75, displacement = -0.90, horsepower = -0.19
Car 3: weight = 0.84, displacement = 0.32, horsepower = -0.51
El peso en el carro 3 est
0.84 desviaciones estndar
por encima del peso medio
para todo el dataset.

El carro 3 es ahora el ms cercano

al carro 1:
D(x1, x2) = 1.58
D(x1, x3) = 1.04

Distancia Hamming
Si los valores son discretos, se emplea la

Distancia Hamming:
D(xi, xj) = # de atributos para los cuales x i y xj
son diferentes

Distancia Manhattan
City Block: esta medida mide la

distancia en el nmero de unidades

horizontales y verticales que toma
llegar de un punto (real) a otro (no
permite movimientos diagonales)

Mtodos
Jerrquico

Generan una estructura de tipo arbol a travs de la fusin serial de

clusters (mtodo aglomerativo)

No
Jerrquico

Dependen de la seleccin del nmero de clusters por parte del

usuario

Mtodo Aglomerativo para Clustering

Jerrquico
Inicia con n segmentos (donde n es el nmero de

observaciones)
Produce una solucin con n-1 segmentos, al combinar

los segmentos ms cercanos

Itera sobre el paso anterior (n-2, ) hasta que todas

las observaciones han sido asignadas a un solo

segmento

Ejemplo
14 registros
2 atributos reales
Distancia: Euclidean

Ejemplo
(1 fusin)

Ejemplo
(2 fusiones)

Ejemplo
(6 fusiones)

Ejemplo
(7 fusiones)

Ejemplo
(8 fusiones)

Ejemplo
(9 fusiones)

Ejemplo
(9 fusiones)

Ejemplo
(10 fusiones)

Ejemplo
(11 fusiones)

Ejemplo
(12 fusiones)

Ejemplo
Fin!

Mtodo K-Medias
Especificar nmero k de segmentos (usuario)
Seleccin aleatoria de k centros (unidades analticas)
El resto de las observaciones se asignan al centro ms cercano
Clculo de nuevos centros (promedios para cada variable en cada cluster)
Reasignar instancias de acuerdo a la distancia frente a los nuevos centros
ITERAR y PARAR cuando no ocurran reasignaciones

K-means
1. Seleccione k

Gracias a Andrew Moore y Daniel Neill por este ejemplo

K-means
1. Seleccione k
2. Seleccione centros
de manera aleatoria

Gracias a Andrew Moore y Daniel Neill por este ejemplo

K-means
1. Seleccione k
2. Seleccione centros
de manera aleatoria
3. Cada instancia
busca su centro
ms cercano

Gracias a Andrew Moore y Daniel Neill por este ejemplo

K-means
1. Seleccione k
2. Seleccione centros
de manera aleatoria
3. Cada instancia
busca su centro
ms cercano
4. Cada centro es
recalculado
teniendo en las
instancias en el
segmento

Gracias a Andrew Moore y Daniel Neill por este ejemplo

K-means
1. Seleccione k
2. Seleccione centros
de manera aleatoria
3. Cada instancia
busca su centro
ms cercano
4. Cada centro es
recalculado
teniendo
las
Repetir
3 y 4en
hasta
instancias
en el
que
haya
segmento
convergencia

Gracias a Andrew Moore y Daniel Neill por este ejemplo

Nmero de Segmentos, k
La parte ms difcil
Subjetividad es importante
Tradeof entre significado gerencial y costo de

implementacin
Alternativas formales

Interpretacin de Resultados
Perfilamiento
Fue correcto el nmero de clusters?
Es necesario incluir variables adicionales?
Es necesario probar un mtodo diferente?
Ejemplo:

Caso de estudio interpretacin de segmentacin