Último proyecto, y volvemos a casa. Después de viviendas, imágenes, sentimientos y fraude, cerramos el círculo donde empezó todo: MercaFresh. El encargo es el clásico del aprendizaje no supervisado: sin etiqueta alguna, descubrir qué segmentos naturales de clientes existen, ponerles nombre de negocio, proponer una acción para cada uno y dejar el sistema listo para producción. Practicarás de punta a punta el módulo 5 completo — K-means, jerárquico, DBSCAN, PCA y t-SNE — sobre un dataset sintético pero realista de ~2.000 clientes generado en el propio código, construyendo las features RFM y los ratios que aprendiste en 03-06 "Ingeniería de características". Y como es el proyecto que cierra el módulo, terminaremos con una recapitulación de los cinco proyectos y el puente hacia el módulo 10.

1. Definición del problema: ¿qué es "éxito" sin etiquetas?
2. Generación del dataset de clientes
3. De pedidos a features: RFM y ratios
4. EDA y escalado
5. K-means: elegir k con codo y silhouette
6. Contraste: clustering jerárquico y DBSCAN
7. Visualización: PCA y t-SNE
8. Perfilado: de centroides a nombres de negocio
9. Acciones por segmento y cómo medirlas
10. De los segmentos a producción
11. Recapitulación del módulo 9

En los proyectos 1–4 había una verdad contra la que medirse. Aquí no: nadie sabe cuántos segmentos "de verdad" hay. El éxito se define distinto, como aprendiste en el módulo 5:

• Validez interna: clusters compactos y separados (silhouette, 05-01).
• Estabilidad: los segmentos no deben cambiar radicalmente con otra semilla u otra muestra.
• Accionabilidad: cada segmento debe ser describible en una frase y asociable a una acción de marketing distinta. Un clustering estadísticamente perfecto pero inexplicable a negocio es un fracaso.

Objetivo concreto: entre 3 y 8 segmentos (menos no discrimina, más no se gestiona), perfilados y con plan de acción.

Simulamos el histórico de pedidos de ~2.000 clientes con arquetipos de comportamiento mezclados y ruido — así luego podremos juzgar si los algoritmos los redescubren. En la realidad, esta tabla saldría de una consulta SQL al histórico de pedidos:

Nota honesta: conocemos los arquetipos porque los hemos sembrado, pero no se los daremos a ningún algoritmo — están aquí solo para que tú, al final, puedas comparar lo descubierto con lo sembrado. El clustering trabajará a ciegas, como en la realidad.

Sobre las columnas base construimos el vector de segmentación, reeditando el RFM de 03-06:

El último ratio es ingeniería con intención: un cliente con 3 pedidos y 20 años de antigüedad no es lo mismo que uno con 3 pedidos y 3 semanas — el ratio de intensidad los separa, distinguiendo nuevos prometedores de ocasionales crónicos.

Verás asimetrías fuertes en recencia, frecuencia y monetario (colas a la derecha, el patrón de 03-03 "Transformación de datos") — les aplicamos log para que los clusters no los dominen unos pocos extremos — y después estandarizamos, porque K-means mide distancias euclídeas y sin escalar mandaría la variable de mayor magnitud (monetario, en cientos de euros), como aprendiste en 03-05 y sufriste en 05-01:

El protocolo de 05-01 "Clustering: K-means", completo:

Con estos datos, el codo se dobla hacia k = 4–5 y la silhouette suele hacer máximo local en k = 5 (≈ 0,30–0,40; en datos reales de clientes, valores así son normales — los segmentos humanos no son esferas nítidas). Elegimos k = 5, y anotamos el argumento: coincide codo, silhouette razonable y un número gestionable para marketing. La decisión de k siempre es mitad métrica, mitad negocio.

Un solo algoritmo es una sola opinión. El jerárquico de 05-02 aporta el dendrograma — la foto de cómo se agrupan los clientes a todas las escalas:

Si el dendrograma muestra 4–5 ramas gruesas y la tabla cruzada revela que los clusters jerárquicos coinciden en gran medida con los de K-means, tenemos convergencia de evidencia: la estructura es real, no un artefacto del algoritmo.

DBSCAN (05-04) responde otra pregunta: ¿hay clientes que no pertenecen a ningún grupo?

Los etiquetados como −1 son clientes-ruido: combinaciones raras (ticket enorme con frecuencia mínima, por ejemplo) que no encajan en ningún segmento. K-means los habría forzado dentro del centroide más cercano, contaminando su perfil. En la práctica conviene revisarlos aparte: algunos son errores de datos (03-01), otros son oportunidades singulares — cuentas de empresa, por ejemplo. Ajusta eps con criterio: demasiado pequeño y todo es ruido; demasiado grande y todo es un único cluster.

Seis dimensiones no se dibujan; las proyectamos con las dos lentes del módulo 5 — la lineal y global (PCA, 05-03) y la no lineal centrada en vecindarios (t-SNE, 05-05):

Recuerda las reglas de lectura de 05-05: en PCA las distancias globales significan algo (y pca.components_ te dice qué combinación de features es cada eje); en t-SNE solo la pertenencia a grupos es interpretable — ni tamaños ni distancias entre islas. Si los colores de K-means aparecen como regiones coherentes en ambas proyecciones, el clustering gana otra confirmación visual.

La fase que convierte el análisis en producto — tabla de medias por segmento en unidades originales, no escaladas:

Con estas cifras se bautiza cada segmento. Un resultado típico (tus números variarán; los nombres los pones mirando tu tabla, no esta):

Y el momento de la verdad de nuestro experimento: cruza clientes["segmento"] con los arquetipos sembrados (pd.crosstab(clientes["segmento"], arquetipo)). Verás una correspondencia fuerte pero imperfecta — fronteras borrosas entre habituales y ocasionales, nuevos repartidos —, que es exactamente lo que pasa con segmentos reales: el clustering recupera la estructura, no la partición exacta.

Un segmento sin acción es un gráfico bonito. La tabla que marketing espera:

¿Y cómo sabremos si la acción funciona? Con el test A/B de 02-04 "Inferencia estadística": dentro de cada segmento, un grupo aleatorio recibe la acción y otro no, y se contrasta la diferencia en la métrica de éxito con su test de hipótesis. Sin grupo de control, cualquier mejora es atribuible a la estacionalidad o al azar — el clustering propone, la inferencia dispone.

Cerramos con el oficio de 08-02 "Implementación de modelos en producción". El pipeline transformaciones + escalado + K-means se serializa y se ejecuta como scoring batch: cada noche (o cada semana — los segmentos se mueven despacio), se recalculan las features de cada cliente y se le asigna segmento con predict, escribiendo el resultado donde el CRM lo lea:

Dos vigilancias del monitoreo de 08-03 aplican también aquí: el tamaño de cada segmento en el tiempo (si los dormidos crecen un 30 %, es una alarma de negocio, no del modelo) y la deriva de los centroides cuando se reentrena — si los perfiles cambian de significado, los nombres y las campañas deben revisarse con ellos. Y el recordatorio de 08-04: segmentar para tratar distinto a los clientes exige revisar que ningún segmento sea un proxy de un colectivo protegido.

• Olvidar el escalado (o el log). Sin estandarizar, monetario dicta los clusters él solo; sin log, los cuatro clientes extremos se convierten en "segmentos" de cuatro personas. Es el error número uno en segmentación.
• Elegir k solo por la métrica. Una silhouette de 0,41 con k = 2 puede ser peor negocio que 0,35 con k = 5: dos segmentos no dan juego comercial. Métrica y accionabilidad deciden juntas.
• Perfilar en unidades escaladas. Un centroide de "−0,3 recencias estándar" no se lo puedes contar a marketing. El perfilado siempre en unidades originales.
• Tratar los segmentos como verdades eternas. Son una foto: los clientes migran entre segmentos y esa migración (¿cuántos habituales caen a dormidos cada mes?) es a menudo más valiosa que la foto misma.
• Lanzar acciones sin grupo de control. Sin A/B no hay atribución; habrás gastado el presupuesto en confirmar tus sesgos.

1. Más features, mejores segmentos. Añade al vector variables de comportamiento: porcentaje de compras con cupón, diversidad de categorías, tasa de devoluciones, canal (app/web). Pista: repite codo + silhouette desde cero — con más dimensiones el k óptimo puede cambiar — y vigila con PCA cuánta varianza aportan de verdad las nuevas columnas.
2. Clustering de productos. Gira la matriz: en vez de clientes descritos por compras, productos descritos por quién los compra (o por co-aparición en cestas). Pista: la matriz producto × cliente es enorme y dispersa — reduce primero con el PCA de 05-03 (o TruncatedSVD, su variante para matrices dispersas) y agrupa después; los grupos resultantes alimentan recomendaciones del tipo "quienes compran esto...".
3. Panel de seguimiento. Construye con matplotlib un informe mensual automático: tamaño de cada segmento en el tiempo, gasto medio por segmento y matriz de migraciones mes a mes. Pista: guarda cada scoring batch con su fecha; la migración es un pd.crosstab(segmento_mes_anterior, segmento_actual) — y conviértelo en el monitoreo permanente que pedía 08-03.

Cinco proyectos, cinco problemas distintos, un mismo método. La tabla que resume lo que has practicado:

Y transversal a los cinco: definir el problema y la métrica antes de tocar datos, apartar el test al principio, encapsular en Pipeline, comparar contra un baseline con validación cruzada honesta, analizar los errores en lugar de solo contarlos, y traducir el resultado al idioma de negocio.

El círculo está cerrado: MercaFresh abrió el curso enseñándote cada pieza por separado y lo cierra viéndote ensamblarlas todas sin ayuda — has descubierto sus segmentos de clientes desde cero, los has validado con tres algoritmos y dos proyecciones, les has puesto nombre, acción y grupo de control, y los has dejado sirviéndose en batch con su monitoreo previsto. Ya no eres la persona que empezó el módulo 1: tienes un método completo y cinco proyectos que lo demuestran, listos para convertirse en el embrión de tu portafolio. Lo que queda no es aprender más lecciones, sino seguir aprendiendo por tu cuenta: en el módulo 10 te dejamos el mapa — libros, cursos, comunidades y herramientas — para que el final de este curso sea solo el principio de tu camino en el machine learning.