Descripción general
Este proyecto consiste en un análisis exploratorio de datos enfocado en comprender el comportamiento de los clientes, sus patrones de compra y los factores que influyen en su valor dentro de la empresa. A través de procesos de limpieza, visualización y segmentación mediante técnicas de clustering, se identifican distintos perfiles de clientes, destacando aquellos con mayor potencial para estrategias de marketing, retención y crecimiento.
Resultados Python
1 — Comportamiento de Compra por Género
El gráfico muestra la distribución del gasto según género. Se observa que los hombres registran un gasto más alto y frecuente, manteniendo la tendencia general del dataset, donde el público masculino representa la mayor actividad de compra.
2 — Método del Codo: Identificación del Punto Óptimo de Segmentación
El gráfico del codo muestra cómo varía la inercia (distorsión) al aumentar el número de clusters. El punto donde la curva deja de disminuir de forma significativa indica el número óptimo de grupos. Aunque el codo sugiere 4 clusters, el Silhouette Score recomendó 2 clusters, por lo que se eligió un valor intermedio (3 clusters) para equilibrar separación y coherencia.
3 — Gasto Promedio por Cluster: Identificación de Clientes de Alto Valor
El gráfico muestra el gasto promedio en USD por cluster. Cada cluster representa un grupo de clientes con patrones de compra similares. La barra más alta identifica al segmento que realiza los mayores gastos promedio, señalando a los clientes de mayor valor para la empresa.
4 — Análisis Multivariable por Cluster: Identificación de Perfiles de Consumo
El pairplot muestra las relaciones entre variables dentro de cada cluster. Se identifican tres perfiles claros:
Cluster 0: mayor gasto y compras previas.
Cluster 1: montos bajos y menor actividad.
Cluster 2: comportamiento intermedio (gastos medios-altos y edades variadas).
Las distribuciones diagonales y las tendencias observadas respaldan la validez de la segmentación.
