Este documento describe el proceso de agrupar clientes mediante clustering. Explica que el clustering agrupa objetos similares en clústeres y puede usarse tanto para métodos supervisados como no supervisados. Luego detalla las etapas del proceso de clustering, incluyendo la definición de objetivos, recolección y análisis de datos, uso de herramientas como K-means, y aplicación de resultados. Finalmente, presenta un caso práctico de clustering de clientes de una clínica veterinaria.

1. Clustering de
clientes
Economista y Consultor ialiende.es
Es profesor de postgrado de la
Universidad de Mondragón, ESIC y el
Centro de Competencia del Arbitraje.
Profesor Asociado de Economía Aplicada
de la Universidad Complutense de Madrid.
Anteriormente, ha sido consultor
internacional del Banco Mundial y
consultor senior del Grupo Cegos.

2. Sumario
2
1. Punto de partida. ¿Clustering
para qué?
2. Proceso y herramientas de
Clustering.
3. Variables de estudio en
Clustering.
4. Caso práctico por el método K-
means.
5. Conclusiones y siguientes
pasos.
Iñaki Aliende, 2022. Clustering de Clientes

3. 1. Punto de partida
3
• Clustering es un método de ciencia de los datos que consiste en agrupar
un conjunto de objetos de tal manera que los objetos en el mismo grupo
(llamado clúster) son más similares (en algún sentido) entre sí que con los
de otros grupos.
• Puede combinar métodos supervisados y no supervisados, es decir, tanto
en los que se predeterminan las variables explicativas y respuesta como en
los que se deja hacer a la IA.
• Se trata de una técnica intermedia, es decir, que exige conocer cuál el
resultado que deseamos obtener del análisis para que aporte valor:
- Identificar clientesA
- Elegir las zonas óptimas de buzoneo
- Caracterizar los públicos de nuestra publicidad
- Definir campañas comerciales
- Determinar las necesidades de los clientes

4. 2. Proceso y herramientas de Clustering
4
Pasos Ejemplo
1. Necesidad (para qué)
Fijar los objetivos de crecimiento por zona y tipo de cliente
2. Datos Operaciones de venta en la clínica y
respuesta a campañas publicitarias + Redes sociales
3. Método y herramientas
Método K-Means mediante software Radiant
4. Resultados
Caracterización de segmentos de clientes, preventa y postventa
5. Aplicaciones Tratamiento en clínica por tipo de cliente, Telemarketing y publicidad,
Campañas en redes sociales, Retención, Dimensionamiento de la plantilla,
etc.
6. Mejorar el modelo Comparación de resultados (confirmar que los clientes
de cada clúster siguen comportamientos particulares).
Caso: ClínicaVeterinaria

5. 2. Proceso y herramientas de Clustering
5
HERRAMIENTAS DE CIENCIA DE LOS DATOS
 Paquetes estadísticos: Stata, SPSS, Excel
 Lenguajes de programación: R, Python
 Visualización: Power BI,Tableau
MÉTODOS DE CLUSTERING
 K-Means
 Hierarchical clustering
 Fisher-Jenks
 Fuzzy clustering

6. 3.Variables de trabajo en Clustering
6
POSTVENTA
 Valor compras semestrales
 Número deVisitas
 Importe medio de compra
 Horarios de compra
 Línea de productos
 …
PREVENTA
 Edad
 Código postal
 Sexo
 Estado civil
 Profesión
 …
¿CORRESPONDENCIA?

7. 4. Caso práctico: clínica veterinaria
7
POSTVENTA
 Valor compras semestrales (datos
de últimos 4 semestres) de los 500
mejores clientes
 Número deVisitas
 Número de servicios (Tienda |
Consulta y Preventiva |
Diagnóstica y Analítica | Cirugía)
 Horarios de compra (mañana 10-
14 | tarde 14-18 | noche 18-22)
PREVENTA
 Edad (subjetiva)
 CP
 Familia: sí (mascota
compartida) | no
 Animal (perro pequeño, perro
grande, gato)

8. 8
MATRIZ DE
CORRELACIONES
Análisis exploratorio

9. 9
EDAD/CONSUMO/F
AMILIA
Análisis exploratorio
 2 clúster con diferenciación de
nivel de consumo por edad.
 A más familia menos consumo,
dentro del clúster joven.

10. 10
CP/CONSUMO/ED
AD
Análisis exploratorio
 Población mayor se concentra
en el centro, más cerca de la
clínica (CP-4).
 Consumo de todos los CP.
 ¿CP-6 es un área de potencial
crecimiento?
CENTRO ENSANCHE PERIFERIA
1 2 3 4 5 6 7 8 9 0

11. 11
ANÁLISIS K-MEANS
K=3
Análisis confirmatorio

12. 12
ANÁLISIS K-MEANS
K=4
Análisis confirmatorio

13. 13
¿QUÉ K ELEGIMOS?
K
Heterogeneidad
intercluster
2 23,3
3 37,8
4 42,7
5 46,3
6 49,1
7 51,5
10.00
15.00
20.00
25.00
30.00
35.00
40.00
45.00
50.00
55.00
60.00
1 2 3 4 5 6 7 8
heterogeneidad según K

14. 14
CLÚSTER 1
 Rango de edad amplio
 Residen hacia el exterior
 Dueños de perros grandes y gatos,
sobre todo
CLÚSTER 2
 Mayores
 Residentes en el centro
 Dueños de perros pequeños
CLÚSTER 3
 Jóvenes
 Residentes en el centro y ensanche
 Perros grandes, sobre todo
CLÚSTER 4
 Jóvenes y mediana edad

15. 15
CLÚSTER 1
 Tendencia al Servicio 4
CLÚSTER 2
 Tendencia al Servicio 1
CLÚSTER 3
 Tendencia al Servicio 3 y 4

16. 16
CLÚSTER 2
 Menos visitas por la noche
CLÚSTER 3
 Menos visitas por la tarde
CLÚSTER 2
 Menor volumen de compra
CLÚSTER 3
 Mayor volumen de compra

17. 17
5. Conclusiones y siguientes pasos.
Fieles
Pacientes
Amistosos
Rigurosos
Puntuales
Solventes
Imprevisibles
Varios interlocutores
Flexibles

18. hola@ialiende.es
18