Desarrollo de una Metodología de Comportamiento Dinámico en Cluster Dinámico

Abstract

En los últimos años el desarrollo y los avances tecnológicos han marcado a la sociedad actual, volviéndola cada vez más compleja, por lo cual se hacen necesarias herramientas más sofisticadas para lograr conocer el comportamiento de los consumidores. Por otro lado, los volúmenes de información que se comienzan a manejar se incrementan día a día, lo cual significa que para efectuar análisis se requiere de potentes herramientas que extraigan la información necesaria. El Data Mining es una de las herramientas más utilizadas para determinar patrones de comportamientos y dentro de ésta los métodos de clustering figuran como buenos instrumentos de agrupamiento. De acuerdo a lo anterior, como el comportamiento de los consumidores no es estático se hace necesario el desarrollo de herramientas que permitan la resolución de este problema. Los métodos de clustering tradicionales son capaces de establecer con suficiente claridad el comportamiento en un momento determinado del tiempo, sin embargo, posee algunas limitaciones para tomar la información existente de una segmentación pasada para un periodo posterior al analizado. El objetivo de esta investigación apunta al desarrollo de una metodología que permita el agrupamiento dinámico de objetos con identificador, considerando como información relevante la segmentación del periodo inmediatamente anterior. La primera etapa consiste en determinar la creación de nuevas clases para lo cual se deben identificar aquellos objetos mal clasificados a partir de una serie de indicadores. La segunda, caracteriza las nuevas clases, esto significa establecer el número de nuevas clases y sus centros. La tercera, determina las clases que deben ser eliminadas en un periodo específico, según la cantidad de objetos que posean. Finalmente, es necesaria una actualización de la segmentación que ejecuta el algoritmo fuzzy c-means partiendo de un centro escogido inteligentemente, es decir, utilizando el centro del periodo anterior en conjunto con los de la etapa de creación y eliminación del periodo actual, por tanto, converge a la solución más rápidamente. Entre las cualidades del método se destaca que generaliza la resolución de problemas de segmentación dinámica, puesto que no le importa si la información cuenta con identificadores como lo sería una base de datos bancaria, en donde es posible realizar seguimiento a los clientes, como también resuelve el problema de clasificación sin identificador, como lo es un supermercado en donde no es posible realizar un seguimiento a un cliente en particular. Lo cual representa un avance con respecto a los estudios realizados hasta este momento. La metodología propuesta resultó ser más efectiva en calidad y más eficiente en tiempo de ejecución para dos casos particulares analizados con respecto a una solución tradicional. Uno con datos reales para una cadena de retail nacional y otro con datos teóricos, lo cual habla de un importante potencial de la herramienta aquí presentada. Finalmente, el estudio abre nuevas vetas de investigaciones posibles, ya sea desde el punto de vista de los criterios e indicadores presentados, como de la cantidad de parámetros que se requieren definir. Además de una profundización del estudio en términos de eficiencia y eficacia.