Descripción general

El módulo de Segmentación Avanzada de SurveyAnalytica’s le permite dividir sus datos en grupos significativos según características compartidas. La plataforma admite tres enfoques de segmentación: segmentación basada en reglas mediante lógica de negocio, segmentación automática mediante algoritmos de machine learning no supervisado, y segmentación predictiva mediante clasificadores de ML supervisado. Acceda a la segmentación desde cualquier vista de analítica haciendo clic en la pestaña Segments.

Segmentación basada en reglas

La segmentación basada en reglas le permite definir segmentos usando condiciones explícitas y reglas de negocio. Este enfoque es ideal cuando sabe exactamente cómo desea categorizar sus datos.

Creación de una regla de segmento

1. Vaya a la vista Segments dentro de Analytics.
2. Haga clic en Create Segment y seleccione Rules-Based.
3. Asigne a su segmento un nombre descriptivo.
4. Agregue condiciones usando el generador de condiciones.

Operadores de condición

Cada condición evalúa un campo frente a un valor usando uno de estos operadores:

• EQUALS / NOT_EQUALS: Coincidencia exacta (sin distinguir mayúsculas y minúsculas para cadenas)
• CONTAINS / NOT_CONTAINS: Coincidencia de subcadena
• STARTS_WITH / ENDS_WITH: Coincidencia de prefijo o sufijo
• GREATER_THAN / LESS_THAN: Comparación numérica
• GREATER_THAN_OR_EQUAL / LESS_THAN_OR_EQUAL: Comparación numérica inclusiva
• BETWEEN: Comprobación de rango (requiere un segundo valor)
• IN / NOT_IN: Pertenencia a una lista
• IS_EMPTY / IS_NOT_EMPTY: Comprobación de nulo o vacío
• MATCHES_REGEX: Coincidencia con expresión regular

Combinación de condiciones

Las condiciones se organizan en grupos. Dentro de un grupo, las condiciones se combinan usando lógica AND u OR. Varios grupos pueden combinarse a su vez con lógica AND/OR, lo que le brinda plena flexibilidad para expresar reglas de negocio complejas.

Estadísticas del segmento

Después de aplicar una regla de segmento, el sistema calcula y muestra:

• Total de registros que coinciden con el segmento
• Porcentaje del conjunto de datos total
• Distribución de valores dentro del segmento

Segmentación automática (agrupamiento por ML)

La segmentación automática usa machine learning no supervisado para descubrir automáticamente agrupaciones naturales en sus datos. La plataforma admite tres algoritmos de agrupamiento:

Agrupamiento K-Means

El algoritmo más utilizado, ideal para encontrar clústeres esféricos de tamaño similar.

• Cómo funciona: Divide los datos en K clústeres minimizando la distancia entre los puntos de datos y el centro de su clúster.
• Configuración: Especifique el número de clústeres (K) o deje que el sistema detecte automáticamente el K óptimo mediante el método del codo y el análisis de silueta.
• Escalabilidad: Optimizado para manejar grandes conjuntos de datos de forma eficiente.

Agrupamiento jerárquico

Construye una jerarquía de clústeres en forma de árbol, útil para explorar los datos en distintos niveles de granularidad.

• Cómo funciona: Usa un enfoque aglomerativo (de abajo hacia arriba) con métodos de enlace que incluyen ward, complete, average y single.
• Ideal para: Conjuntos de datos más pequeños donde desea explorar estructuras de clústeres anidadas.
• Resultado: Una visualización de dendrograma que muestra cómo se fusionan los clústeres en distintos umbrales de distancia.

DBSCAN (agrupamiento espacial basado en densidad)

Descubre clústeres de forma arbitraria basándose en la densidad de los datos, detectando automáticamente valores atípicos.

• Cómo funciona: Agrupa los puntos que están densamente concentrados, marcando los puntos en regiones de baja densidad como valores atípicos.
• Parámetros clave: eps (radio de vecindad) y min_samples (número mínimo de puntos para formar un clúster).
• Ideal para: Conjuntos de datos con clústeres de forma irregular o cuando se esperan valores atípicos.

Compatibilidad con tipos de datos mixtos

El motor de agrupamiento maneja datos tanto numéricos como categóricos:

• Características numéricas: Estandarizadas mediante normalización antes del agrupamiento.
• Características categóricas: Codificadas de forma adecuada según la cardinalidad.
• Detección automática: El sistema identifica automáticamente los tipos de características a partir de los tipos de pregunta (RADIO, CHECKBOX, DROPDOWN se tratan como categóricas; NPS, SLIDER y campos numéricos como numéricas).

Feature Studio

Antes de ejecutar el agrupamiento, puede usar Feature Studio para preparar y transformar sus características de datos. Las transformaciones disponibles incluyen:

• Normalizar: Escalado estándar, normalización min-max
• Codificar: Codificación de variables categóricas
• Imputar: Manejar valores faltantes con media, mediana, moda u otras estrategias personalizadas
• Agrupar en bins: Convertir variables continuas en bins discretos (de ancho igual, de frecuencia igual o personalizados)
• Escalar: Aplicar transformaciones de escalado logarítmico, raíz cuadrada u otras
• Características derivadas: Crear nuevas características a partir de las existentes usando expresiones personalizadas
• Selección de características: Identificar automáticamente las características más importantes para el agrupamiento

Métricas de calidad de agrupamiento

Después de ejecutar la segmentación automática, la plataforma proporciona métricas de calidad para evaluar sus clústeres:

• Puntuación de silueta: Mide qué tan similar es un punto a su propio clúster en comparación con otros clústeres. Va de -1 a 1, con valores más altos que indican clústeres mejor definidos.
• Índice de Davies-Bouldin: Mide la similitud promedio entre clústeres. Valores más bajos indican mejor separación entre clústeres.
• Tamaños de clúster: El número de registros en cada clúster, lo que le ayuda a identificar segmentos desequilibrados.
• Perfiles de clúster: Resúmenes estadísticos de cada clúster que muestran las características distintivas.

Segmentación predictiva

Una vez que ha establecido segmentos (ya sea mediante reglas o agrupamiento), puede entrenar un modelo de ML supervisado para predecir la pertenencia a segmentos en datos nuevos. La segmentación predictiva admite:

• Regresión logística: Modelo rápido e interpretable para la clasificación de segmentos.
• Random Forest: Modelo más complejo que puede capturar relaciones no lineales.

Entrenamiento de un modelo predictivo

1. Seleccione las características a usar para la predicción.
2. Elija la columna objetivo (asignaciones de segmento existentes).
3. Configure la proporción de división prueba/entrenamiento (predeterminado: 80/20).
4. Seleccione el tipo de modelo (regresión logística o random forest).
5. Entrene el modelo y revise las métricas (exactitud, precisión, recall, puntuación F1, matriz de confusión).

Importancia de características

Después del entrenamiento, el sistema extrae puntuaciones de importancia de características que muestran qué variables tienen mayor influencia en la asignación de segmentos. Esto le ayuda a comprender qué impulsa las diferencias entre sus segmentos.

Aplicación de segmentos

Una vez definidos los segmentos, se almacenan en cada registro de los datos. Cada registro de segmento incluye:

• configId: El ID de la configuración de segmentación
• configName: Nombre de la configuración de segmentación
• segmentName: El nombre del segmento asignado
• appliedAt: Marca de tiempo de cuándo se aplicó el segmento

Los segmentos se pueden usar como filtros en toda la interfaz de analítica y como criterios de segmentación (targeting) en los flujos de trabajo de campañas.