El Archivos Internacionales de el Fotogrametría, Remoto Detección y Espacial Información Ciencias, Volumen XLII-4/W1, 2016 Internacional

Conferencia en Geomática y Geoespacial Tecnología (GGT) 2016, págs. 3–5 Octubre 2016, Kuala Lumpur, Malasia

SEGMENTACIÓN DE GEOMARKETING 3D: UNA PERSPECTIVA DE PLANIFICACIÓN DE

DIMENSIONES ESPACIALES MÁS ALTA

A. Suhaibaha*, U. Uznir a, A. A. Rahmana, F. Antonb y D. Miocb

un
laboratorio de investigación de infraestructura de información geoespacial (GeoI2).
Facultad de Geoinformación y Bienes Raíces, Universiti Teknologi Malasia,
81310 Skudai, Johor, Malasia
norsuhaibah@gmail.com, mduznir@utm.my, alias@utm.my

b
Dpto. de Geodesia, Instituto Nacional del Espacio, Universidad Técnica de
Dinamarca, Elektrovej 328, 2800 Kgs. Lyngby, Dinamarca
fa@space.dtu.dk, mioc@space.dtu.dk

PALABRAS CLAVE: Geomarketing, Segmentación del mercado, Geo-Clustering, Base de datos espacial 3D, SIG 3D, Recuperación
de información

ABSTRACTO:

El geomarketing es una disciplina que utiliza la información geográfica en el proceso de planificación e implementación de actividades
de marketing. Se puede utilizar en cualquier aspecto del marketing, como el precio, la promoción o la orientación geográfica. El
análisis de datos de geomarketing utiliza un enorme grupo de datos como la ubicación de áreas residenciales, topografía, también
analiza información demográfica como edad, género, ingresos anuales y estilo de vida. Esta información puede ayudar a los
usuarios a desarrollar campañas promocionales exitosas para lograr los objetivos de marketing. Una de las actividades comunes
en el geomarketing es la segmentación del mercado. La segmentación agrupa los datos en varios grupos en función de sus
criterios geográficos. Para refinar la operación de búsqueda durante el análisis, propusimos un enfoque para agrupar los datos
utilizando un algoritmo de agrupación. Sin embargo, con el enorme grupo de datos, la superposición entre clústeres puede ocurrir
y conduce a un análisis ineficiente. Además, el geomarketing suele estar activo en áreas urbanas y requiere que los clústeres se
organicen de manera tridimensional (3D) (es decir, lotes de tiendas de varios niveles, residenciales). apartamentos). Esta es una
restricción con el marco actual del Sistema de Información Geográfica (SIG). Para evitar este problema, propusimos una
combinación de segmentación del mercado basada en criterios geográficos y algoritmo de agrupación para la gestión de datos de
geomarketing 3D. El enfoque propuesto es capaz de minimizar la región de superposición durante la segmentación del mercado.
En este trabajo, el geomarketing en área urbana se utiliza como un estudio de caso. Según el estudio de caso, en la prueba se
utilizan varias ubicaciones de clientes y tiendas en 3D. Los experimentos demostrados en este documento corroboraron que el
enfoque propuesto es capaz de minimizar la segmentación superpuesta y reducir las entradas de datos repetitivas. La estructura
también se prueba para recuperar los registros espaciales de la base de datos. Para fines de marketing, se utiliza cierto radio de
punto para analizar los objetivos de marketing. Sobre la base de las pruebas presentadas en este documento, creemos firmemente
que la estructura es capaz de manejar y administrar un gran conjunto de datos de geomarketing. Para las perspectivas futuras, este
documento también
discute las posibilidades de expandir la estructura. minoristas. La selección del sitio se automatiza y se basa en
procedimientos científicos que ahorran tiempo y dinero. El
geomarketing utiliza hechos clave, un buen mapa base, capas de
1 INTRODUCCIÓN datos adecuadas, perfiles de consumidores confiables y criterios
adecuados de éxito o fracaso.
El geomarketing es la integración de la inteligencia geográfica en
varios aspectos del marketing, incluidas las ventas y la El Sistema de Información Geográfica (SIG) es una
distribución. La investigación de geomarketing es el uso de herramienta común utilizada para administrar información
parámetros geográficos en la metodología de investigación de comercial y de marketing , especialmente información
mercados, incluido el muestreo, la recopilación de datos, el relacionada con ubicaciones. Con GIS, los usuarios pueden
análisis y la presentación. La ubicación es un factor clave para determinar dónde se encuentra el cliente, calcular información
esta disciplina. Las ubicaciones geográficas junto con los datos resumida para áreas específicas o resolver problemas
demográficos se utilizan en el análisis de geomarketing para relacionados con la ubicación de un nuevo punto de venta. Los
estudiar el plan de ruta, la planificación territorial y la selección usos de los SIG en marketing y negocios se pueden ver en varios
del sitio. El geomarketing tiene un impacto directo en el estudios. Por ejemplo, (Supak et al., 2014) utilizando SIG como
desarrollo del comercio moderno y la reorganización de los tipos una herramienta de apoyo a la toma de decisiones para la

Éste contribución tiene sido pares-Revisado.

doi:10.5194/isprs-archives-XLII-4-W1-1-2016 1
 El Archivos Internacionales de el Fotogrametría, Remoto Detección y Espacial Información Ciencias, Volumen XLII-4/W1, 2016 Internacional
Conferencia en Geomática y Geoespacial Tecnología (GGT) 2016, págs. 3–5 Octubre 2016, Kuala Lumpur, Malasia
planificación y comercialización del turismo. Desde el sistema,
los usuarios pueden visualizar y analizar fácilmente la
distribución espacial de los visitantes junto con la información
demográfica. Esta funcionalidad puede ser beneficiosa para
desarrollar o aumentar planes de negocios o estrategias de
marketing. Otro ejemplo es un estudio de (Musyoka et al., 2007).
A partir de su estudio, los SIG se utilizan como una herramienta
de decisión para analizar la distribución espacial de la industria
de refrescos en Kenia. El estudio desarrolló un modelo de
regresión múltiple para predecir la venta teniendo en cuenta las
cifras de ventas de puntos de distribución específicos,
demográficos y socioeconómicos. características.
En el geomarketing, antes de analizar la ubicación de los datos, los
datos deben clasificarse en varios clústeres. Este proceso se conoce
como segmentación de mercado. La segmentación del mercado se
puede practicar de varias maneras, como la segmentación geográfica,
la segmentación demográfica, la segmentación psicográfica y la
segmentación conductual. La segmentación geográfica es
importante y puede considerarse el primer paso para el marketing
internacional, seguido de la segmentación demográfica y
psicográfica. Según (Kotler y Keller, 2006), el enfoque de geo-
cluster combina datos demográficos con datos geográficos para
crear un perfil más preciso o específico.
En la segmentación geográfica, los datos se agrupan o
categorizan de acuerdo con criterios geográficos como naciones,
estados, regiones, países, ciudades, vecindarios o códigos
postales. Sin embargo, durante el proceso de segmentación,
puede ocurrir un problema grave de superposición y conduce a
un análisis geoespacial ineficiente. Además, el geomarketing
suele estar activo en áreas urbanas y requiere que los grupos se
organicen de manera tridimensional (3D) (es decir, lotes de
tiendas de varios niveles, apartamentos residenciales). Esta es
una restricción con el marco SIG actual. Por lo tanto, esta
investigación introduce un nuevo enfoque en el manejo de datos
de geomarketing. El enfoque minimiza eficientemente la
superposición entre clústeres durante la segmentación del
mercado y aumenta la precisión de las agrupaciones de objetos
espaciales en 3D.
Este documento está organizado de la siguiente manera: los
problemas y la motivación con respecto a la geoagrupación 3D
en la segmentación del mercado se discuten en la siguiente
sección. En la sección 3, el concepto del método propuesto se
explica con su implementación. En la sección 4 se presentan el
análisis y los resultados del experimento. Finalmente, las
conclusiones se presentan en la Sección 5.
2 PROBLEMA DE INVESTIGACIÓN Y
MOTIVACIÓN
Los grupos en la segmentación del mercado se pueden ver en
varios puntos de vista. Se puede utilizar para dividir un amplio
mercado objetivo en subconjuntos de consumidores, empresas o
países que tienen necesidades, intereses y prioridades comunes.
Se analizará el segmento para planificar las estrategias al
mercado objetivo. Las estrategias de segmentación del mercado
se utilizan generalmente para identificar y definir aún más a los
Éste contribución tiene sido pares-Revisado.
doi:10.5194/isprs-archives-XLII-4-W1-1-2016
clientes objetivo, y proporcionar datos de apoyo para los
elementos del plan de marketing , como el posicionamiento para
lograr ciertos objetivos del plan de marketing. Las empresas
pueden desarrollar estrategias de diferenciación de productos, o
un enfoque indiferenciado, que involucre productos o líneas de
productos específicos dependiendo de la demanda y los atributos
específicos. del segmento objetivo.
Como se discutió en la sección anterior, una superposición seria
entre grupos para la segmentación del mercado puede producir
resultados inexactos. Según la primera ley de la geografía, todo
está relacionado con todo lo demás, pero las cosas cercanas están
más relacionadas que las cosas distantes. Por lo tanto, el
resultado inexacto no optimizará el análisis de la segmentación
del mercado. Teniendo en cuenta las ubicaciones de las tiendas
minoristas y los clientes en las áreas urbanas de desarrollo de uso
mixto con edificios de varios niveles de gran altura, se requiere
un método 3D de manera prominente para para definir la
segmentación antes de que se pueda realizar un análisis espacial
adicional. La cuestión de la superposición puede considerarse un
problema grave en la recuperación y el análisis de datos.
Afectará la eficiencia de la consulta en términos de tiempo de
respuesta, almacenamiento de bases de datos y precisión de la
información. Además, con el enorme conjunto de datos de
geomarketing, el análisis y la eficiencia de la recuperación de
datos se volverán más complejos y cruciales.
Para segmentar el área de marketing, se utilizan técnicas
estadísticas comunes para el análisis de segmentación. Por
ejemplo, el algoritmo de agrupación más comúnmente utilizado
para la segmentación del mercado es ksignifica agrupación.
Mediante el uso de este algoritmo, los datos se dividirán en k
clústeres (C1, C2, ..., Ck). Las medias para todas las instancias de
cada clúster se calculan como centros de clúster.
El algoritmo comienza encontrando aleatoriamente los centros de
clúster iniciales. Para cada una de las iteraciones, se asigna un
objeto o instancia al centro de clúster más cercano en función de la
distancia euclidiana. Luego, los centros de clúster se recalculan hasta
que las coordenadas son constantes.
El centro de cada clúster se calcula como la media de todos los objetos
o instancias que pertenecen a ese clúster:
1 𝑁𝑘 μ𝑘 =
(1)
𝑋𝑞
Nk q=1
donde Nk es el número de instancias pertenecientes al clúster k y μk
es la media del clúster k.
Según (Selim e Ismail, 1984), un tamaño de muestra de m instancias
u objetos afecta la complejidad de las iteraciones T del algoritmo
k-means. Por lo tanto, la complejidad de cada búsqueda
caracterizada por N atributo es:
2
 El Archivos Internacionales de el Fotogrametría, Remoto Detección y Espacial Información Ciencias, Volumen XLII-4/W1, 2016 Internacional
Conferencia en Geomática y Geoespacial Tecnología (GGT) 2016, págs. 3–5 Octubre 2016, Kuala Lumpur, Malasia

DD(xx)2
O (T . hacia. m . (N) (2)

La complejidad lineal es una de las razones de la popularidad de los

k-means. Incluso si el tamaño de las instancias es grande, este Paso 5: mientras no se cumpla la condición de terminación, haga
algoritmo es computacionalmente atractivo. Además de eso, los k- Paso 6: Asignar objetos al centro de clúster más cercano.
means ofrecen simplicidad, velocidad y adaptabilidad a datos Paso 7: Actualizar los centros de clúster.
dispersos (Dhillon y Modha, 2001). El algoritmo k-means es sensible Paso 8: termina mientras
a la presencia de ruido y valores atípicos (Hasan et al., 2009;
Kaufman y Rousseeuw, 2008). Un solo valor atípico puede aumentar
drásticamente el error al cuadrado. Sin embargo, esta desventaja es
Figura 1. flujo de trabajo k-means++.
excepcional en nuestro caso, ya que los datos utilizados en esta
investigación son estáticos y estancados, como los edificios y las
ubicaciones de los clientes. El único problema preocupante que
utiliza este método es la semilla inicial del centro de clúster en el
algoritmo k-means. Además de eso, una de las funciones en k-
medias se clasifica como NP (Non-deterministic Polynomial-time)
problema difícil. Esta función está inclinada a enfocar los centros de
clúster en un punto o área. Por lo tanto, cualquier selección es muy
sensible al grupo de grupos y puede marcar la diferencia para el
resultado final.

3 MEJORA DE LA GEO-CLUSTERING 3D

Dado que el algoritmo k-means no podía producir una

superposición mínima entre sus clusters, propusimos una versión
mejorada de k-means llamada k-means++. Sobre la base de nuestros
estudios previos, k-means++ ha demostrado su capacidad para
producir un buen equilibrio y distribuir uniformemente los centros
de clúster. k-means++ ha sido inventado por (Arthur y
Vassilvitskii, 2007) hace unos años. Este algoritmo agrupa los
puntos de datos ponderados por distancia al cuadrado. A
continuación, se definen inicialmente los centros de clúster más
cercanos. La semilla inicial de los centros de clúster se definió y
se combinó con el algoritmo k-means, el algoritmo resultante se
conoce como k-means++. El algoritmo de kmedias++ se describe en
la Figura 1.

Un conjunto de ubicaciones de mercado objetivo , es decir, clientes,

se utilizan como ejemplo para discutir la comparación de k-medias y
k-means++ agrupación. A partir de la prueba, veríamos los efectos
hacia los centros de clúster y cómo puede afectar los resultados
finales. La Figura 2 muestra un conjunto de datos en 3D que se han
agrupado utilizando k-medias y k-medias++. Los puntos azules son
el centro de clúster inicial para ambos algoritmos. El centro de
clúster inicial por k-medias parece estar concentrado en un área,
mientras que el centro de clúster inicial por kmedios ++ se
distribuye uniformemente para toda el área del conjunto de datos.
A continuación, cada objeto se asigna al centro de clúster más
cercano.

Entrada: P (conjunto de objetos), k (número de clústeres)

Salida: clústeres
Paso 1: Inicializar k centros de clúster.
Paso 2: Elige un centro C1
Paso 3: Repetir durante 2 ≤ i ≤ k

Paso 4: Elija Ci para que sea x ∈ X con ponderación D2

Éste contribución tiene sido pares-Revisado.

doi:10.5194/isprs-archives-XLII-4-W1-1-2016 3
 El Archivos Internacionales de el Fotogrametría, Remoto Detección y Espacial Información Ciencias, Volumen XLII-4/W1, 2016 Internacional
Conferencia en Geomática y Geoespacial Tecnología (GGT) 2016, págs. 3–5 Octubre 2016, Kuala Lumpur, Malasia

Luego, los datos en cada segmento se agrupan utilizando el

k-medios++
Superposición: Mínima

k-medio
Figura 2. Comparación del centro de clúster inicial
El límite paralelepípedo se forma utilizando el valor mínimo y
máximo de la ubicación de los objetos en el clúster de grupo. Al
formar este paralelepípedo, se puede analizar la región de
superposición. Dado que los centros de racimo de k-medias ++ están
distribuidos uniformemente, la región producida está equilibrada y la
superposición entre paralelepípedos es mínima. Mientras tanto, los
centros de conglomerado distribuidos de manera desigual por k-
medias produjeron un número desequilibrado de datos en el grupo
de grupos y produjeron una gran área de superposición entre
paralelepípedos. Esta situación crea entradas de datos repetitivas
donde algunos de los objetos caen en dos o más regiones
paralelepípedas. Por lo tanto, la información sobre los objetos se
registrará más de una vez.
Superposición: Área de
Grande superposición
k-medios
por y k-significa++.
algoritmo de agrupación propuesto. Cada grupo de clústeres también
está acotado con el valor de coordenadas máximo y mínimo y forma
un paralelepípedo. La combinación de criterios geográficos y el
enfoque de agrupación propuesto constelarán los datos de
geomarketing de manera eficiente en la base de datos. Cada grupo
de los resultados de la agrupación se identificará de forma única en
la base de datos con su identificación única. Con esta identificación,
los usuarios se verán beneficiados para ahorrar tiempo de
recuperación de datos. El flujo de trabajo general del enfoque
propuesto se describe en la figura
3.

Antes de que se implemente el paso de agrupación, el mercado

objetivo debe agruparse en función de criterios geográficos.

Éste contribución tiene sido pares-Revisado.

doi:10.5194/isprs-archives-XLII-4-W1-1-2016 4
 El Archivos Internacionales de el Fotogrametría, Remoto Detección y
Espacial Información Ciencias, Volumen XLII-4/W1, 2016 Internacional
Conferencia en Geomática y Geoespacial Tecnología (GGT) 2016, págs. 3–
5 Octubre 2016, Kuala Lumpur, Malasia

Éste contribución tiene sido pares-Revisado.

doi:10.5194/isprs-
archives-XLII-4-W1-1-2016 5
 El Archivos Internacionales de el Fotogrametría, Remoto Detección y Espacial Información Ciencias, Volumen XLII-4/W1, 2016 Internacional
Conferencia en Geomática y Geoespacial Tecnología (GGT) 2016, págs. 3–5 Octubre 2016, Kuala Lumpur, Malasia
Figura 5. Registro recuperado de la base de datos.
En el segundo prueba, SQL declaración será ser Realizado Para
recuperar archivo con varios condiciones. Para ejemplo, calcular
los códigos postales son 25220. En base a esa situación, el SQL
la declaración sería:
Seleccione
Desde
* Market_Segment2
Donde Postal_Codes = 25220
y Purchase_Status = 'Cancelar';
El resultado devuelto de la instrucción query se presenta en la figura
6. De la figura, el número total de registros muestra que 12
el cliente ha cancelado su compra a la empresa debido a
varios Razones. Mucho veces clientela mover compra
preferencias a una marca de la competencia. Esto puede suceder para muchos
razones de las cuales pueden ser más difíciles de medir. Lo es
muchas veces beneficioso para que la primera empresa gane significado
ideas, a través del análisis de datos, sobre por qué este cambio de
se ha producido preferencia. Tales conocimientos pueden conducir a una eficacia
estrategias para recuperar al cliente o sobre cómo no perder el
cliente objetivo en primer lugar.
número de cliente ese Cancelar el empresa servicio en el área
Dónde
Éste contribución tiene sido pares-Revisado.
doi:10.5194/isprs-archives-XLII-4-W1-1-2016
Figura 6. Lista de clientes que cancelan su compra.
4.2 Región de superposición
En la gestión del territorio de ventas, la segmentación de los datos
de marketing podría aumentar la eficiencia del tiempo y el
volumen de ventas. Sin embargo, la superposición de áreas entre
clústeres segmentados puede dar lugar a una gestión de datos
ineficiente. Dado que, el algoritmo de agrupamiento propuesto ,
k-means++ podría reducir el área de superposición, se
implementa una prueba de comparación. 10,000 KM2 de área
urbana con 6,000 clientes las ubicaciones en edificios 3D se
utilizan en esta prueba. La Figura 7 muestra algunos de los
conjuntos de datos de construcción 3D utilizados en esta prueba.
Figura 7. Edificios 3D de 10.000 KM2 zona urbana.
Tabla 1. Comparación de la región de superposición.
Clúster Superposición total Número de
Acercarse Región (KM2) Cliente en
Región de
k-medios++ 752 178
superposición
k-medio 2750 589
A partir de la prueba, los clientes se segmentan en función de
los códigos postales. Se producen 8 grupos de segmentación del
mercado. Las áreas segmentadas se agrupan en varios grupos
utilizando el algoritmo k-means y kmeans++. El área de
superposición de ambos resultados se calcula y se presenta en
la Tabla 1. También se calcula el número de ubicaciones de
clientes que pertenecen a la región de superposición. Este
número contribuyó a las entradas repetitivas en la base de datos
porque pertenece a más de un centro de clúster y produjo
múltiples registros en el base de datos. De la Tabla 1, el área
total de la región de superposición producida por k-means++ es
6
 El Archivos Internacionales de el Fotogrametría, Remoto Detección y Espacial Información Ciencias, Volumen XLII-4/W1, 2016 Internacional
Conferencia en Geomática y Geoespacial Tecnología (GGT) 2016, págs. 3–5 Octubre 2016, Kuala Lumpur, Malasia

de 752 KM2 , mientras que el área de 2.750 KM2 es producida

por k- media que es 3 o 4 veces mayor que ksignifica++. El radio
número total de clientes que pertenecen a la región de
superposición es de 178 para k-medias++ y 589 para k-medias.
La información derivada de la Tabla 1 muestra que el área de
superposición producida por k-means++ propuesta es mínima
y el número de clientes en la región de superposición también
es menor.

520 potencial clientela en 3KM

Figura 8. Cliente potencial dentro de un radio de 3KM desde la

nueva tienda de apertura (bloque amarillo).

La siguiente prueba es encontrar el competidor más cercano a la

4.3 Análisis del objetivo del mercado
El geomarketing ha ayudado a las empresas a adquirir información
valiosa como comportamientos de tránsito, lugares o áreas más
visitadas, etc. Esta información ayuda a las empresas a entregar el
mensaje correcto en el momento y lugar correctos. Para analizar
el objetivo del mercado, se utilizan las ubicaciones de los clientes
en la Figura 5 para responder a la operación de consulta. La
siguiente prueba se realizará para responder al número de clientes
potenciales dentro de un radio de 3 KM de la nueva tienda de
apertura. La instrucción SQL se realiza dentro de la base de datos
y se vincula a la región o área geográfica. El resultado devuelto se
presenta en la Figura 8. De la base de datos, hay alrededor de 520
clientes potenciales que serán un mercado objetivo para la nueva
tienda de apertura.
nueva tienda de apertura. El análisis de la competencia en el
geomarketing es una evaluación de las fortalezas y debilidades de
los competidores actuales y potenciales. La técnica común es
crear perfiles detallados sobre cada uno de sus principales
competidores. Estos perfiles ofrecen una descripción detallada de
los antecedentes, las finanzas, los productos, los mercados, las
instalaciones, el personal y las estrategias del competidor. Esto
implica ubicación, productos, marketing y personal. En esta prueba,
se realiza una operación de consulta para encontrar la lista de
competidores dentro de un radio de 3 KM y los resultados de
retorno se visualizan en la Figura 9.

Éste contribución tiene sido pares-Revisado.

doi:10.5194/isprs-archives-XLII-4-W1-1-2016 7
 El Archivos Internacionales de el Fotogrametría, Remoto Detección y Espacial Información Ciencias, Volumen XLII-4/W1, 2016 Internacional
Conferencia en Geomática y Geoespacial Tecnología (GGT) 2016, págs. 3–5 Octubre 2016, Kuala Lumpur, Malasia

RECONOCIMIENTO

Este trabajo cuenta con el apoyo del Ministerio de Educación de

Malasia en el marco de las iniciativas MyPhD, MyBrain15.

REFERENCIAS

Arthur, D., Vassilvitskii, S., 2007. k-Means++: Las ventajas de

Cuidadosa siembra, Actas del Decimoctavo Simposio Anual
ACMSIAM sobre Algoritmos Discretos. Sociedad de
Matemáticas Industriales y Aplicadas, Pp. 1027-1035.

Dhillon, I.S., Modha, D.S., 2001. Descomposiciones de conceptos

para datos de texto dispersos grandes mediante clustering. Mach.
Aprender. 42, 143175.

Hasan, M.A., Chaoji, V., Salem, S., Zaki, M.J., 2009. Clustering
Figura 9. Lista de competidores de la nueva tienda de apertura.
particional robusto por outlier y density Insensitive Seeding.
Letras de reconocimiento de patrones 30, 994-1002.
5 CONCLUSIÓN
Kaufman, L., Rousseeuw, P.J., 2008. Análisis Divisivo (Programa
Este artículo propuso un enfoque eficiente de segmentación del Diana), Encontrando Grupos en Datos. John Wiley & Sons, Inc.,
mercado basado en criterios geográficos y algoritmo de pp.
agrupación. Utilizando el enfoque propuesto, los datos de
253-279.
geomarketing se constelan en bases de datos geoespaciales para
una gestión eficiente de los datos. El enfoque propuesto tiene
Kotler, P., Keller, K.L., 2006. Dirección de Marketing. Pearson
como objetivo reducir la región de superposición durante la
Prentice Hall.
segmentación del mercado.
Musyoka, S.M., Mutyauvyu, S.M., Kiema, J.B.K., Karanja, F.N.,
Siriba, D.N., 2007. Segmentación del mercado utilizando sistemas
A continuación se examinan las conclusiones y aplicaciones
de información geográfica (SIG): un estudio de caso del refresco
resultantes de las pruebas y análisis exhaustivos del enfoque
Industria en Kenia. Inteligencia y Planificación de Marketing 25,
propuesto. En primer lugar, los datos de geomarketing, es decir,
632642.
el objetivo del mercado, se recuperan e identifican de la base de
datos comparando la ubicación del cliente o el mercado objetivo
Selim, S.Z., Ismail, M.A., 1984. k-Means-Type Algorithms: A
con la coordenada paralelepípeda y por utilizando su identificación
Generalized Convergence Theorem and Characterization of Local
única. Sobre la base de esta identificación, los datos y la
Optimality. Análisis de patrones e inteligencia de máquinas,
información se recuperaron directamente de segmentos
transacciones IEEE en Pami-6, 81-87.
específicos. En comparación con los datos no constelados, cada
registro de la tabla de la base de datos debía escanearse o visitarse
para el proceso de filtrado. En la prueba de la región de Supak, S.K., Devine, H.A., Brothers, G.L., Rozier Rich, S., Shen,
superposición, la capacidad del enfoque propuesto es notable al W., 2014. Un sistema de mapeo web de código abierto para la
producir una pequeña área de región de superposición. Los planificación y comercialización del turismo. Revista de Marketing
resultados muestran que la región de superposición es mínima en de Viajes y Turismo 31, 835-853.
comparación con la región producida por el algoritmo k-means
original. En la prueba final, el objetivo del mercado se analiza
recuperando un conjunto de clientes y analizando la ubicación del
competidor de la nueva ubicación de las tiendas.

Sobre la base de estos hallazgos, creemos que el enfoque propuesto

es adecuado para la segmentación del mercado en la aplicación de
geomarketing. Sin embargo, se sugieren más pruebas para facilitar
mejoras adicionales. Para ampliar el análisis de esta estructura,
sugerimos combinar los datos con los datos de ventas y compras
para marketing y planificación estratégica. Esto puede ayudar a
los especialistas en marketing a desarrollar campañas
promocionales exitosas que logren los objetivos de marketing.

Éste contribución tiene sido pares-Revisado.

doi:10.5194/isprs-archives-XLII-4-W1-1-2016 8