Implementación de un modelo de clusterización para la segmentación del perfil del cliente en el área comercial de supermercados

• Autor: Arrelucea Zapata, Gustavo Alfonso
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Privada del Norte
• Repositorio: UPN-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.upn.edu.pe:11537/31935
• Enlace del recurso: https://hdl.handle.net/11537/31935
• Nivel de acceso: acceso abierto
• Materia: Base de datos; Procesamiento de datos; Almacenamiento de datos; Minería de datos; Análisis RFM; Perfiles de clientes; Segmentación de clientes; Coeficiente de silueta; https://purl.org/pe-repo/ocde/ford#2.02.04

Actualmente, la abundante cantidad de datos que se tienen de clientes en las distintas empresas y el incremento en el uso de la tecnología han generado interés por profundizar la investigación sobre ello, además de desarrollar algoritmos y modelos para análisis de agrupamiento. Los modelos de clustering dirigidos al agrupamiento de clientes permiten a las organizaciones encontrar perfiles y patrones de servicios o compra, los cuales permiten generar estrategias para tomar mejores decisiones en la publicidad y canales con sus clientes. En la presente investigación, se realiza el análisis RFM (Recencia, Frecuencia y Dinero) para identificar los perfiles de clientes en un supermercado en base a sus iteraciones; luego, se emplea el algoritmo k-means para obtener los clústers adecuados y así identificar a los clientes potenciales. El objetivo de esta investigación es desarrollar un modelo de clusterización y generar la segmentación de clientes para el área comercial en un supermercado. Como resultado se tuvo que, a la hora de determinar qué tan leal es un cliente se obtuvo los siguientes perfiles: mejores clientes, clientes leales, los más gastadores, los casi muertos, los perdidos y los perdidos que son baratos; mientras que, el número óptimo de clústers o segmentaciones de clientes son dos, ya que gracias al Coeficiente de Silueta se determinó como valor de predicción un 84%.