Optimización de Campaña de Marketing-KMEANS: Segmentación Inteligente con Data Analytics
Proyecto Final de Hugo Aracena
Diplomatura en Data Analytics con R y Python
En el marco de la Diplomatura en Data Analytics del Instituto Data Science Argentina, el estudiante Hugo Aracena Armoa presentó su proyecto final titulado “Optimización de Campaña de Marketing-KMEANS”, una propuesta que combina análisis de datos, aprendizaje automático y predicción de comportamiento de clientes para maximizar los resultados de una estrategia comercial.
Introducción al Proyecto
El trabajo se basó en los datos reales de la última campaña de marketing de una empresa minorista de alimentos, que contaba con 2.205 clientes.
De ellos, solo el 15% respondió positivamente a las ofertas, lo que evidenció la necesidad de optimizar el enfoque comercial y personalizar las promociones según el perfil de cada consumidor.
La empresa comercializaba cinco tipos de productos —dulces, frutas, vinos, carnes y pescados— en versiones regulares y premium. El desafío fue segmentar a los clientes según su comportamiento de compra y proponer nuevas ofertas personalizadas para aumentar la tasa de respuesta.
Objetivos del Análisis
El proyecto tuvo cuatro grandes objetivos:
- Explorar y visualizar los datos de la campaña original.
- Segmentar a los clientes en grupos con comportamientos similares.
- Predecir la respuesta a futuras ofertas de marketing.
- Maximizar el beneficio de la próxima campaña publicitaria.
Para alcanzarlos, Hugo utilizó técnicas de aprendizaje no supervisado —en particular, el algoritmo K-MEANS— y posteriormente aplicó modelos supervisados como Árboles de Decisión y Random Forest para realizar predicciones.
Segmentación de Clientes con K-MEANS
La Optimización de Campaña de Marketing-KMEANS se centró en agrupar a los clientes según sus patrones de consumo, utilizando métricas como gasto total, frecuencia de compras, cantidad de hijos en el hogar y visitas al sitio web.
A través del método del codo y el coeficiente de silueta (0.64), se determinaron tres clusters principales:
- Cluster 0 – Clientes de bajos gastos: mayor cantidad de hijos, más visitas al sitio web pero pocas compras, y mayor cantidad de quejas.
- Cluster 1 – Clientes de altos gastos: sin hijos, mayor cantidad de compras en tienda y web, y alta aceptación de ofertas.
- Cluster 2 – Clientes de gasto medio: equilibrio entre visitas, compras y respuestas a ofertas.
Esta segmentación permitió comprender mejor los hábitos de consumo y personalizar las estrategias de marketing para cada grupo.
Propuesta de Ofertas: Alfa y Beta
Basándose en la segmentación obtenida, se diseñaron dos tipos de ofertas:
- Oferta Alfa:
- 50% de descuento en vinos.
- Descuentos especiales en carnes premium.
- Dirigida a clientes con gasto total ≥ 400 USD y alto consumo en vinos.
- Oferta Beta:
- 30% de descuento en compras por sitio web.
- 20% en productos dulces.
- Orientada a clientes con gasto medio o bajo, especialmente familias con hijos.
El Cluster 1 (altos gastos) recibió la oferta Alfa, el Cluster 0 (bajos gastos) la oferta Beta, y el Cluster 2 se dividió en ambos grupos para comparar resultados.
Resultados y Predicciones
Mediante el uso de Árboles de Decisión y Random Forest, se obtuvieron métricas muy positivas en la predicción de aceptación de ofertas:
- Exactitud general: 91%
- Precisión promedio: 68%
- Recall promedio: 45%
- F1 Score: 58%
En comparación con la campaña original (15% de aceptación), el nuevo modelo logró incrementar la probabilidad de respuesta hasta un 54% para la oferta Alfa y 34% para la oferta Beta, generando una contribución estimada de hasta 12,70 USD por cliente aceptado.
Conclusiones
La Optimización de Campaña de Marketing-KMEANS demostró el poder de la analítica de datos en la personalización de estrategias comerciales.
Gracias a la segmentación inteligente y la aplicación de modelos predictivos, fue posible aumentar la eficacia de las ofertas, reducir costos y mejorar el retorno de inversión.
Este proyecto no solo optimizó la campaña anterior, sino que sentó las bases para una estrategia de marketing data-driven, donde cada decisión se fundamenta en evidencia y análisis profundo.
LinkedIn de Hugo Aracena: https://www.linkedin.com/in/hugo-aracena/
