Aplicación del algoritmo k-means para la segmentación de clientes de un holding gastronómico en el Perú

Abstract

El presente estudio analiza el comportamiento de los clientes de un holding gastronómico del Perú con el propósito de identificar segmentos homogéneos que permitan optimizar las estrategias comerciales y de marketing. Para ello, se trabajó con información transaccional correspondiente al segundo trimestre del año 2025. Se aplicaron técnicas de análisis descriptivo, identificación de outliers multivariados, evaluación de correlaciones y estandarización de variables. La investigación se desarrolló bajo un enfoque cuantitativo, con un diseño no experimental y transversal. Para la segmentación, se empleó el algoritmo de aprendizaje no supervisado k-means, y la determinación del número óptimo de grupos se realizó mediante el coeficiente de silueta, el cual identificó k = 3 como la mejor estructura de segmentación. El algoritmo permitió clasificar a los clientes en tres segmentos: Clientes presenciales tradicionales de baja actividad, Clientes multicanal de alto valor, Clientes digitales ocasionales. Las conclusiones del estudio evidencian que el algoritmo aplicado es una herramienta eficaz para la segmentación de clientes, ya que los grupos formados mostraron diferencias claras en las variables analizadas, lo cual fue corroborado mediante análisis de varianzas. Los resultados ofrecen una visión integral y accionable del comportamiento de los clientes, permitiendo a la empresa diseñar estrategias personalizadas de fidelización, reactivación y optimización comercial. Asimismo, el estudio demuestra la utilidad de la analítica avanzada y la integración de datos como herramientas clave para la toma de decisiones estratégicas en organizaciones con alto volumen transaccional.

This study analyzes the behavior of customers of a Peruvian restaurant group to identify homogeneous segments that will allow for the optimization of sales and marketing strategies. Transactional data from the second quarter of 2025 was used. Descriptive analysis techniques, multivariate outlier identification, correlation evaluation, and variable standardization were applied. The research was conducted using a quantitative approach with a non-experimental, cross-sectional design. The k-means unsupervised learning algorithm was used for segmentation, and the optimal number of groups was determined using the silhouette coefficient, which identified k = 3 as the best segmentation structure. The algorithm allowed for the classification of customers into three segments: Traditional, low-activity, in-store customers; High-value, multichannel customers; and Occasional digital customers. The study's findings demonstrate that the applied algorithm is an effective tool for customer segmentation, as the resulting groups showed clear differences in the analyzed variables, which was corroborated through analysis of variance. The results offer a comprehensive and actionable view of customer behavior, enabling the company to design personalized strategies for loyalty, reactivation, and sales optimization. Furthermore, the study demonstrates the usefulness of advanced analytics and data integration as key tools for strategic decision-making in organizations with high transaction volumes.