Clustering para plan de expansión de tiendas

Problema

Identificar las zonas geográficas óptimas para abrir nuevos centros comerciales requiere agrupar áreas por características censales (población, renta, densidad, demografía) sin etiquetas predefinidas. Distintos algoritmos de clustering revelan distintas estructuras en los datos geográficos.

Solución

Aplicación y comparativa de tres algoritmos de clustering — K-Means, DBSCAN y clustering jerárquico — sobre datos censales para identificar agrupaciones de zonas con características similares. El análisis geográfico permite priorizar candidatos de expansión con criterios cuantitativos.

K-Means, DBSCAN y clustering jerárquico

K-Means: agrupación esférica con selección de K por silhouette score — resultado interpretable
DBSCAN: clustering por densidad — detecta zonas de alta concentración y ruido geográfico
Clustering jerárquico aglomerativo con dendrograma: estructura de grupos a distintos niveles
Comparativa de los tres algoritmos sobre los mismos datos censales

Análisis geográfico y decisión

Visualización de clusters en mapas con Folium — distribución espacial de los grupos
Perfilado de zonas por cluster: renta media, densidad poblacional, estructura demográfica
Priorización de candidatos: qué clusters representan mayor potencial comercial
Análisis con datos censales reales para fundamento cuantitativo de la decisión

Clustering para plan de expansión de tiendas

Problema

Solución

K-Means, DBSCAN y clustering jerárquico

Análisis geográfico y decisión

Clustering de cereales con K-Means

Análisis PCA de vehículos