METODO JERARQUICOS DE CLUSTER

Los llamados métodos de jerárquicos de clúster, tienen por objetivo agrupar clúster para
formar un nuevo o bien separar alguno ya existente para dar origen a otros dos, de tal forma
que, si sucesivamente se va efectuando este proceso de aglomeración o división, se minimice
alguna distancia o bien se maximice alguna medida de similitud.

Los métodos jerárquicos se subdividen en aglomératelos y dispositivos. Cada una de estas

categorías presenta una gran diversidad de variantes.

1. Los métodos aglomératelos, también conocidos como ascendentes, comienzan el análisis

con tantos grupos como individuos haya. A partir de estas unidades iniciales se van formando
grupos, de forma ascendente, hasta que al final del proceso todos los casos tratados están
englobados en un mismo conglomerado.

2. Los métodos disociativos, también llamados descendentes, constituyen el proceso inverso al

anterior. Comienzan con un conglomerado que engloba a todos los casos tratados y, a partir
de este grupo inicial, a través de sucesivas divisiones, se van formando grupos cada vez más
pequeños. Al final del proceso se tienen tantas agrupaciones como casos han sido tratados.

EL ANALISIS CLUSTER EN INVESTIGACION DE MARKETING

Esta técnica multivariante es la búsqueda de grupos u objetos relativamente homogéneos. Su

nombre se utiliza para definir una serie de técnicas que tienen por objeto la búsqueda de
grupos similares de individuos o de variables que se van agrupando en conglomerados.

Si tenemos una muestra de individuos, de cada uno de los cuales se dispone de una serie de
observaciones, el análisis clúster sirve para clasificarlos en grupos lo más homogéneos posible
en base a las variables observadas.

Las aplicaciones del análisis clúster al marketing han sido múltiples, aunque, lógicamente, el
campo donde mayores niveles de aplicación alcanzan y donde más beneficios ofrecen es el de
la segmentación de mercados. También se ha utilizado en la identificación de hábitos de
compra, de grupos de productos competitivos, valoración de productos de competidores o
identificación de localidades que serán usadas posteriormente como mercados de prueba.

Una explicación detallada de los puntos específicos que acompañan a la aplicación de esta
técnica (algoritmos, medidas de distancia, etc), puesto que éstos ya aparecen en una serie de
publicaciones anteriores, tanto dentro como fuera del área de marketing. No resulta muy
difícil agrupar estos aspectos, ya que la mayoría de los expertos han destacado varios de ellos.
Sí es una tarea más complicada determinar cuál debe ser la metodología correcta pues, en la
mayoría de los casos, estos mismos expertos no han llegado a un acuerdo.
Puntos esenciales al aplicar el análisis clúster son: la selección de variables, los algoritmos o
métodos de agrupación, la determinación del número de grupos y la validación de los
resultados.

La selección de variables que se incluyen en el análisis es un a paso crucial, ya que si se

excluyen variables importantes éste será insuficiente y pobre. En el clúster, la selección inicial
de variables determina las características que se usarán para identificar los grupos. Existen
fundamentalmente tres métodos de selección de variables: inductivo, deductivo y cognitivo. El
primero, en el que ni las variables ni el número de grupos que se espera obtener tienen un
nexo con una teoría, es el que más se utiliza en estudios exploratorios. El segundo se apoya en
la literatura teórica preexistente. A diferencia del anterior, la consistencia interna de los
grupos es mayor, ya que no se incluyen variables irrelevantes que disminuyen la validez de las
agrupaciones resultantes.

El método cognitivo está muy cercano, en la práctica, al inductivo, ya que no se basa en

apreciaciones teóricas (hipótesis), sino que utiliza las predicciones de determinados expertos
de la industria para definir las variables (Ketchen y Shook, 1996). La selección de variables
basada en uno de estos tres métodos depende de los objetivos de la investigación. Si existe
una teoría previa, se debe confirmar mediante la utilización de las variables que facilita. No
obstante, en muchas ocasiones, los estudios realizados en el campo del marketing son
exploratorios y, por tanto, se debe recurrir a un enfoque inductivo o cognitivo. Si tenemos
acceso a las opiniones de expertos, es recomendable considerarlas, ya que de esta forma
aumentaremos la probabilidad de que las variables reflejen fielmente la realidad.

El análisis clúster es un método que puede ayudar al desarrollo de la ciencia del marketing
cuando el objetivo primario de la investigación es clasificar consumidores, productos u
organizaciones.

No obstante, esta técnica debe aplicarse con prudencia para que su validez sea plena. En
concreto, su utilización tiene que ceñirse a unas normas que se basan, sobre todo, en el uso
conjunto de varios métodos alternativos y de apoyo. En este artículo hemos puesto de
manifiesto que muchas de las investigaciones realizada

METODOSDE K –MEANS

El clustering es una técnica para encontrar y clasificar K grupos de datos (clusters). Así, los
elementos que comparten características semejantes estarán juntos en un mismo grupo, separados
de los otros grupos con los que no comparten características. 

Los algoritmos de clustering son considerados de aprendizaje no supervisado. Este tipo de

algoritmos de aprendizaje no supervisado busca patrones en los datos sin tener una predicción
específica como objetivo (no hay variable dependiente). En lugar de tener una salida, los datos
solo tienen una entrada que serían las múltiples variables que describen los datos.
K-means necesita como dato de entrada el número de grupos en los que vamos a segmentar la
población. A partir de este número k de clusters, el algoritmo coloca primero k puntos
aleatorios (centroides). Luego asigna a cualquiera de esos puntos todas las muestras con las
distancias más pequeñas.
A continuación, el punto se desplaza a la media de las muestras más cercanas. Esto generará
una nueva asignación de muestras, ya que algunas muestras están ahora más cerca de otro
centroide. Este proceso se repite de forma iterativa y los grupos se van ajustando hasta que la
asignación no cambia más moviendo los puntos. Este resultado final representa el ajuste que
maximiza la distancia entre los distintos grupos y minimiza la distancia intragrupo.