¿Cómo encontrar segmentos de mercado usando machine learning?

​En las aplicaciones anteriores de machine learning en pricing, se analizaron algoritmos que requieren conjuntos de datos etiquetados, es decir, que incluyen una variable de salida. Pero también existen situaciones en las que se quiere clasificar la información sin contar con dicha variable.

En estos casos, se recurre a algoritmos de clasificación no supervisada. Uno de los más utilizados es el análisis de clusters, una técnica que permite agrupar datos en subconjuntos o segmentos que comparten características similares entre sí, y que se diferencian de los elementos de otros grupos.

Clustering para identificar segmentos de mercado
El análisis de clusters se aplica con frecuencia en pricing para identificar segmentos de mercado. Cada segmento agrupa personas que valoran atributos comunes del producto o servicio, aunque en distinta proporción respecto a otros segmentos.

Por ejemplo, una empresa de alquiler de autos realizó un análisis conjoint con 200 clientes potenciales. Este análisis permitió conocer la importancia relativa que cada encuestado le asignaba a seis atributos del servicio, además del precio.

Luego, el responsable de pricing utilizó una aplicación estadística para encontrar tres grupos diferentes en los datos. El algoritmo entregó la importancia media de cada atributo para los segmentos identificados.

En el primer grupo, el atributo más valorado fue la cobertura por daños y hurto. A este segmento se le denominó “Prevenidos”. El segundo grupo resultó ser el más sensible al precio, por lo cual se le llamó “Ahorradores”. El tercer segmento priorizaba la marca de la compañía, y fue etiquetado como “Confiables”.

Con base en estos hallazgos, el responsable de pricing diseñó tres planes de suscripción diferentes. Utilizó los dos atributos funcionales más relevantes —la cobertura por daños y hurto, y el kilometraje incluido— para construir un menú de precios dirigido a cada segmento.

¿Cuántos segmentos debe identificar el modelo?
El número de clusters a identificar no lo decide el algoritmo, sino el investigador. Este parámetro de entrada es fundamental, ya que afecta directamente la utilidad de los resultados.

Cuando se le pide al algoritmo encontrar demasiados segmentos, los grupos tienden a parecerse entre sí. En muchos casos, se terminan generando clusters que son simplemente puntos intermedios entre dos segmentos claramente diferenciados. Por ejemplo, un cuarto grupo podría ser solo una combinación de los “Ahorradores” y los “Confiables”, sin aportar información nueva. Estos segmentos redundantes deben eliminarse.

Por el contrario, dividir el mercado en solo dos grupos puede simplificar en exceso la diversidad del mercado y anular el propósito de la segmentación.

Por eso, una recomendación práctica al realizar un análisis de clusters en pricing es buscar entre tres y cuatro segmentos. Este rango ofrece un equilibrio entre simplicidad y riqueza informativa.

Conclusión
El análisis de clusters es una herramienta poderosa para segmentar mercados sin necesidad de variables de salida. Permite identificar patrones de comportamiento en los clientes y diseñar estrategias de precios diferenciadas para cada grupo.

Lo más interesante es que, al igual que otros modelos de machine learning vistos, no se requiere programar para usarlos. Basta con contar con un conjunto de datos suficientemente grande y de calidad, y la herramienta hace el resto.

Sin embargo, ¿qué ocurre cuando no se dispone de una base de datos robusta? ¿Es posible aplicar inteligencia artificial en pricing sin datos históricos confiables?

Esto se abordará en la siguiente etapa, donde se explorará el uso de sistemas expertos como alternativa cuando los datos no son suficientes.