Distancia con significado
Clustering aprende de la representación. Escala, variables redundantes y codificación alteran distancias; por eso la preparación es parte del modelo.
Módulo 10 · Unidad III
PCA, K-Means y clustering jerárquico
Descubrir estructuras no supervisadas con escala, distancia, estabilidad e interpretación orientada a acciones.
Dedicación2 encuentros
RequisitosMódulos 01 y 04
Centro del módulo
Índice interactivo
Abrí cada recurso y marcá el avance. El estado se conserva en tu navegador.
| Recurso | Acceso |
|---|---|
| Guía del módulo | Abrir recurso |
| Simulación interactiva | Abrir recurso |
| Cuestionario | Abrir recurso |
| Glosario | Abrir recurso |
| Notebook en Colab | Abrir recurso |
Al completar el módulo
Resultados de aprendizaje
- Preparar variables y distancias para segmentación.
- Explicar asignación y convergencia de K-Means.
- Leer dendrogramas, linkage y cortes jerárquicos.
- Usar PCA, silhouette, estabilidad y DBSCAN como diagnóstico.
Marco conceptual
Ideas que organizan la práctica
K-Means
Alterna asignación al centroide más cercano y actualización de centroides. Favorece grupos compactos, aproximadamente esféricos y de escala comparable.
Jerarquía y densidad
El clustering jerárquico construye un dendrograma según distancia y linkage. DBSCAN identifica regiones densas y ruido sin fijar de antemano la cantidad de grupos.
Validar sin etiquetas
Silhouette, inercia, estabilidad por remuestreo, perfiles y utilidad operacional aportan evidencia complementaria. PCA ayuda a visualizar y reducir redundancia, no certifica segmentos.
Nivel profesional
Profundización aplicada
Estos temas conectan el fundamento con decisiones modernas, evaluación rigurosa y operación real.
Estabilidad por remuestreo y consenso entre soluciones.
UMAP/HDBSCAN como profundización, con control de parámetros y ruido.
Validación operativa: tamaño, alcanzabilidad, diferenciación y respuesta al tratamiento.
Control de calidad
Errores frecuentes que invalidan la conclusión
- Elegir K solo por inercia o por una figura atractiva.
- Describir clusters sin verificar estabilidad ni acción posible.
- Usar PCA como prueba de que existen segmentos reales.
Caso de negocio
Decidir con contexto
Marketing busca segmentos de clientes para diseñar propuestas distintas. Un grupo estadístico solo es útil si puede describirse, alcanzarse y tratarse.
Explorar en la simulaciónPráctica guiada
Secuencia de laboratorio
- 01Seleccionar variables alineadas con el uso del segmento.
- 02Escalar y revisar correlaciones o aplicar PCA.
- 03Comparar K, linkage y sensibilidad a inicialización.
- 04Nombrar perfiles con evidencia y proponer acciones.
Desafío de transferencia
Tomar una decisión defendible
Defendé una segmentación que pueda ser encontrada en producción y reciba acciones distintas.
- Escribí una hipótesis antes de calcular.
- Definí la evidencia que podría refutarla.
- Compará al menos dos escenarios.
- Terminá con acción, límite y responsable.
Producto del módulo
Entregable esperado
Segmentación comparada con K-Means y jerárquico, diagnóstico de escala, estabilidad, perfiles y acciones propuestas.