Tienes el CRM repleto de contactos, el historial de pedidos de tu tienda online, datos de campañas de marketing, tickets de asistencia y quizá incluso hojas de Excel creadas por diferentes equipos. Todo está ahí. Todo es útil. Pero a menudo todo está mezclado.
Para muchas pymes, el problema no es la falta de datos, sino la falta de estructura. Un responsable de ventas minoristas quiere saber qué clientes tienen patrones de compra similares. Un responsable de operaciones quiere ver qué productos se venden juntos. Un equipo financiero quiere distinguir entre los comportamientos normales y aquellos que merecen atención. Sin un método claro, los datos siguen siendo un mero archivo en lugar de convertirse en una guía.
Aquí es donde entra en juegoel agrupamiento jerárquico aglomerativo. Se trata de una técnica de aprendizaje automático que organiza las observaciones en grupos construyendo una jerarquía de abajo hacia arriba. No es algo nuevo. Se trata de una técnica consolidada: introducida en los años 60, en Italia ya se aplicó en 1985 en un proyecto sobre datos socioeconómicos que redujo 50 regiones a 7 clústeres principales (referencia aquí). Esto es importante porque pone de manifiesto algo sencillo: cuando los datos parecen caóticos, la agrupación jerárquica puede revelar una estructura legible.
Si quieres empezar por una visión más amplia del uso de los datos en la empresa, esta guíasobre el análisis de datos empresariales es un complemento excelente.
Lunes por la mañana. El responsable comercial abre el CRM, el departamento de marketing revisa campañas con resultados muy dispares y el de logística señala productos con rotaciones impredecibles. Los datos están ahí, pero falta un mapa útil para tomar decisiones.
Es aquí donde un directivo de una pyme empieza a plantearse las preguntas adecuadas. ¿Qué clientes tienen realmente comportamientos similares? ¿Qué productos merecen una estrategia específica? ¿Qué sedes o áreas de negocio deben gestionarse con lógicas diferentes, aunque hoy en día todas figuren en el mismo informe?
El agrupamiento jerárquico aglomerativo sirve para transformar este desorden en una estructura legible. En lugar de imponer de inmediato categorías preestablecidas, organiza los elementos por similitud y muestra cómo los grupos van tomando forma paso a paso. El resultado no es solo un ejercicio estadístico. Es un apoyo concreto para la segmentación comercial, las prioridades operativas y las decisiones de posicionamiento.
Para una empresa, lo importante no es saber el nombre del algoritmo. Lo importante es saber utilizar bien tres herramientas prácticas: elegir el enlace adecuado para cada caso, interpretar un dendrograma sin perderse en tecnicismos y saber dónde dividir la jerarquía para obtener clústeres útiles para el negocio.
Ahí radica la diferencia entre una orientación académica y un uso gerencial de la agrupación por clústeres.
Si ya estás trabajando en la segmentación, la elaboración de informes o el análisis de datos empresariales para tomar decisiones más rápidas y concretas, este método te ayuda a detectar relaciones que en las hojas de Excel pasan desapercibidas. Y con herramientas como ELECTE, incluso una pyme que no cuente con un equipo de científicos de datos puede integrar este enfoque en sus procesos cotidianos, desde la interpretación de los datos hasta la toma de decisiones operativas.
El agrupamiento jerárquico aglomerativo parte de abajo hacia arriba. Cada registro comienza como un grupo independiente. A continuación, el algoritmo compara las similitudes, une los dos elementos más cercanos y repite el mismo paso hasta construir una jerarquía completa.
Para una pyme, este enfoque resulta útil porque refleja un proceso de toma de decisiones realista. Al principio, aún no sabes cuántos segmentos necesitas realmente. Solo sabes que algunos clientes se comportan de manera similar, que ciertos productos presentan patrones comparables y que algunas áreas del negocio merecen ser analizadas conjuntamente. La agrupación aglomerativa organiza estas relaciones sin obligarte a fijar de inmediato un número de grupos.
El funcionamiento es sencillo:
Aquí surge un punto que a menudo genera confusión. El algoritmo no devuelve inmediatamente «los 4 clústeres correctos» o «los 6 segmentos adecuados». Primero construye un mapa de proximidades. La decisión sobre cuántos grupos mantener se toma después, cuando se interpreta esa jerarquía en función del objetivo empresarial.
Un ejemplo puede ayudar. Si estás analizando la cartera de clientes, es posible que descubras que algunos clientes se parecen entre sí por la frecuencia de compra, otros por el valor medio y otros por la estacionalidad. La agrupación aglomerativa no te obliga a elegir de inmediato el nivel de detalle. Te permite ver tanto los microgrupos, útiles para campañas específicas, como los macrosegmentos, útiles para definir presupuestos, servicios y prioridades comerciales.
La diferencia práctica con respecto a métodos como k-means es sencilla. Con k-means hay que decidir primero cuántos clústeres se quieren encontrar. Con el agrupamiento jerárquico aglomerativo, se construye una jerarquía y luego se elige dónde detenerse.
Para un directivo, esto supone un gran cambio. Significa poder partir de una pregunta abierta, en lugar de una respuesta preestablecida. Si el equipo comercial sospecha que existen diferentes perfiles de clientes, pero aún no sabe cuántos son, este método ofrece una perspectiva más útil para debatir una estrategia.
También gusta por otra razón. El resultado es claro. No solo se asignan etiquetas finales a los registros, sino que se muestra un proceso que ilustra cómo se forman los grupos paso a paso. Es precisamente esta estructura jerárquica la que hace que el método resulte interesante para la toma de decisiones empresariales, ya que vincula el análisis estadístico con una decisión concreta: dónde tiene sentido separar los grupos para obtener información útil.
Regla práctica: utiliza la agrupación jerárquica cuando quieras explorar la estructura de los datos antes de definir segmentos operativos estables.
Si quieres comparar este enfoque con otros algoritmos de aprendizaje automático para distintos problemas empresariales, lo más sensato es evaluarlos en función de la decisión que debas tomar, y no solo de la técnica.
Dos empresas pueden utilizar el mismo algoritmo y obtener segmentaciones muy diferentes. El motivo, casi siempre, radica aquí: en la elección de cómo medir la distancia y cómo decidir qué grupos fusionar.
Para el director de una pyme, esto no es una sutileza técnica. Es una decisión que influye en el resultado operativo. Puede llevarte a crear grupos útiles para campañas comerciales y de fijación de precios, o bien a grupos poco claros que el equipo no sabe cómo utilizar.
La métrica de distancia sirve para medir el grado de diferencia entre dos observaciones. Ya sea que estés analizando clientes, productos o puntos de venta, es la regla con la que el algoritmo compara los perfiles.
Las más comunes son:
Aquí es donde suele producirse un error frecuente. Si una variable tiene un rango mucho mayor que las demás, acabará dominando el cálculo de la distancia. En la práctica, la agrupación se basará casi exclusivamente en esa columna. Por eso, antes de elegir el método de enlace, conviene comprobar si los datos se han estandarizado.
El enlace entra en juego después. No compara dos puntos individuales, sino dos grupos ya formados.
Una buena analogía es la siguiente: la métrica determina cómo se mide la distancia entre dos tiendas en el mapa. El enlace determina cómo se evalúa la distancia entre dos cadenas de tiendas completas. Es una gran diferencia.
Los métodos principales son:
| Método de enlace | Cómo funciona | A favor | En contra | Ideal para |
|---|---|---|---|---|
| Articulación simple | Utiliza la distancia mínima entre los puntos de dos clústeres | Captura de conexiones progresivas | Puede crear clústeres «en cadena» poco compactos | Patrones muy interrelacionados, exploración inicial |
| Enlace completo | Utiliza la distancia máxima entre los puntos de dos clústeres | Genera clústeres más compactos | Puede separar demasiado a grupos que, por naturaleza, están muy unidos | Segmentaciones en las que prima la homogeneidad |
| Vínculo medio | Calcular la distancia media entre los puntos de los dos clústeres | Un buen compromiso | Más difícil de explicar a la empresa | Análisis equilibrados |
| Ward | Minimiza el aumento de la varianza intraclúster | Crea particiones estables y legibles | Requiere variables numéricas bien definidas | Segmentación de clientes, análisis empresarial |
La elección correcta depende de la decisión que debas tomar en la empresa, no de una preferencia abstracta.
Si tu objetivo es encontrar grupos relacionados por similitudes progresivas, el «single linkage» puede resultar útil en la fase exploratoria. Si, por el contrario, necesitas crear segmentos claros para asignarlos a campañas, listas de precios o niveles de servicio, en muchos casos los métodos «complete» o «Ward» generan grupos más fáciles de interpretar. El «average linkage» suele ser un buen término medio cuando no se desean ni clústeres demasiado rígidos ni estructuras demasiado alargadas.
Regla práctica: si tienes que presentar los clústeres al departamento comercial, de marketing o a la dirección, empieza por Ward. Si el resultado parece demasiado «forzado», compáralo con el average linkage.
En este ámbito, las guías académicas suelen limitarse a la definición. En la empresa, en cambio, se necesita una lógica de elección.
Utiliza esta pista:
En otras palabras, no existe un método que sea el mejor en absoluto. Lo que existe es el método que mejor se adapta a las necesidades de la empresa.
Supongamos que quieres segmentar a los clientes de una pyme del sector minorista utilizando la frecuencia de compra, el valor medio de los pedidos y el número de categorías compradas.
Con el enlace simple, podrías obtener un grupo muy amplio, unido por transiciones graduales entre clientes bastante diferentes entre sí. Esto resulta útil si quieres observar continuidad en el comportamiento, pero no tanto si necesitas crear acciones comerciales diferenciadas.
Con el «complete linkage», los grupos se vuelven más homogéneos. Los clientes de cada grupo se parecen más entre sí, por lo que al equipo de marketing le resulta más fácil diseñar promociones específicas.
Con Ward, a menudo se obtienen segmentos ordenados y fáciles de leer. Por eso es una opción habitual cuando el objetivo no es solo analizar, sino llegar a una decisión.
El agrupamiento jerárquico aglomerativo puede resultar pesado con conjuntos de datos de gran tamaño. Esto tiene consecuencias prácticas: tiempos de ejecución más largos, mayor consumo de memoria y menos margen para realizar pruebas rápidas con diferentes métricas y enlaces.
Para una pyme, lo importante no es teorizar sobre los algoritmos. Lo importante es saber si el análisis seguirá siendo viable con los datos disponibles, el tiempo del equipo y las herramientas que se utilizan.
Por eso, la elección técnica debería responder a tres preguntas sencillas:
Es aquí donde una plataforma como ELECTE útil. Simplifica la parte más técnica de la configuración y facilita la comparación entre diferentes opciones, incluso cuando no se cuenta con un equipo interno de científicos de datos. El valor no reside en «realizar un análisis de conglomerados». Reside en elegir una segmentación que la empresa pueda comprender, validar y utilizar.
El verdadero valordel agrupamiento jerárquico aglomerativo se pone de manifiesto cuando se observa su resultado más característico: el dendrograma. No se trata de un gráfico decorativo, sino de un mapa de decisión.
En el eje horizontal encontrarás las observaciones, o pequeños grupos de observaciones. En el eje vertical verás la distancia o la diferencia a la que se producen las fusiones.
La regla visual más importante es la siguiente: cuanto más arriba se produce una fusión, más diferentes eran los grupos que se unieron.
Esto te permite hacer algo que muchos directivos valoran de inmediato. No estás aceptando un número de clústeres determinado por una fórmula «misteriosa». Estás analizando la estructura de los datos y decidiendo dónde tiene sentido detenerte.
Por ejemplo:
Un dendrograma traduce una decisión estadística en una decisión visual. Por eso resulta útil también en las reuniones, no solo en el cuaderno de Python.
Una ayuda visual puede ayudar a asimilar el concepto:
Muchos se quedan atascados aquí. «¿Cuántos clústeres debo mantener?» La respuesta sincera es: depende del problema que quieras resolver.
Si tienes que poner en marcha acciones comerciales, un número excesivo de clústeres complica las operaciones. Si estás analizando comportamientos muy diferentes, un número reducido de clústeres corre el riesgo de ocultar patrones útiles.
Un criterio práctico es el siguiente:
Supongamos que el corte atraviesa cuatro ramas principales. Quedan cuatro segmentos. En ese momento, la labor de gestión deja de ser estadística. Se convierte en interpretativa.
Pregúntate:
Observación práctica: el mejor dendrograma no es el más elegante. Es aquel que te permite justificar una elección de segmentación ante quienes vayan a utilizarlo.
Tienes un conjunto de datos de clientes, algunas variables útiles y una pregunta concreta: ¿hay grupos que merezcan un tratamiento comercial diferente? Python sirve precisamente para convertir esta pregunta en una prueba rápida, legible y reproducible.
Para ello, normalmente se utiliza scikit-learn para crear el modelo y SciPy para trazar el dendrograma. La parte técnica es accesible. Lo que marca la diferencia, para una pyme, es preparar bien los datos e interpretar el resultado con criterio.
El error más común surge antes del algoritmo. Si se introducen en el mismo modelo una variable como la facturación anual y otra como el número de pedidos, la de mayor magnitud corre el riesgo de tener mucho más peso. Por lo tanto, el clúster final refleja más las unidades de medida que las verdaderas similitudes entre clientes o productos.
La estandarización sirve para evitar este problema. En la práctica, consiste en situar las variables numéricas en una escala comparable. Es una decisión sencilla, pero cambia el resultado de forma significativa, sobre todo si quieres utilizar el método de enlace de Ward, que funciona bien con datos numéricos bien preparados.
Antes de lanzar el modelo, comprueba tres cosas:
Una analogía útil es la siguiente: estás comparando clientes como si tuvieras que evaluarlos con la misma unidad de medida. Si a uno se le mide en euros y a otro en recuentos brutos, la comparación ya parte de una situación desequilibrada.
He aquí un ejemplo básico con scikit-learn:
import pandas as pdfrom sklearn.preprocessing import StandardScalerfrom sklearn.cluster import AgglomerativeClustering# Esempio: dataset con variabili numerichedf = pd.DataFrame({"frequenza_acquisto": [12, 10, 2, 3, 15, 1],"scontrino_medio": [80, 75, 20, 25, 95, 15],"numero_categorie": [5, 4, 1, 2, 6, 1]})# 1. Scalingscaler = StandardScaler()X_scaled = scaler.fit_transform(df)# 2. Modellomodel = AgglomerativeClustering(n_clusters=3,linkage="ward")# 3. Assegnazione clusterlabels = model.fit_predict(X_scaled)df["cluster"] = labelsprint(df)El código es breve. Lo que más cuenta es la lectura gerencial.
En este ejemplo, le estás diciendo al modelo: «agrupa estas observaciones en tres clústeres, uniendo progresivamente los casos más similares». El resultado final es la columna grupo, es decir, la etiqueta asignada a cada fila del conjunto de datos. A partir de ahí comienza el trabajo útil para la empresa: comprender qué distingue al clúster 0 del clúster 1, y qué decisiones merecen ser tomadas.
Si también quieres ver la estructura jerárquica completa, normalmente utilizarás scipy.cluster.hierarchy.linkage junto con dendrograma. Scikit-learn te ayuda a obtener los grupos. SciPy te ayuda a ver cómo se han formado.
En el ámbito empresarial, el valor de la agrupación no depende de la complejidad del portátil. Depende de la calidad de tres decisiones.
Aquí se aprecia la diferencia entre un ejercicio técnico y una herramienta de toma de decisiones. Un directivo no necesita «realizar agrupamientos» de forma abstracta. Necesita segmentos que se puedan nombrar, explicar y utilizar.
Si estás trabajando con Python, no te limites a la etiqueta asignada por el modelo. Observa la media de las variables de cada clúster, compara los perfiles resultantes y pregúntate de inmediato: ¿este grupo requiere una acción diferente a la de los demás? Si la respuesta es no, el problema no está en el código. Por lo general, radica en la elección de las variables, el enlace o el punto de corte.
Un algoritmo solo es realmente interesante cuando da lugar a una acción concreta.El agrupamiento jerárquico aglomerativo resulta útil cuando transforma las filas de una base de datos en segmentos que la empresa puede utilizar.
Muchas pymes siguen segmentando a sus clientes de una forma muy básica: por edad, zona geográfica y, tal vez, rango de facturación. Es un comienzo, pero a menudo no basta.
Con un agrupamiento jerárquico puedes combinar variables de comportamiento como la frecuencia de compra, el valor medio, las categorías preferidas y la respuesta a las promociones. El resultado no es solo una lista de perfiles. Es una jerarquía que te muestra qué grupos están realmente próximos entre sí y cuáles, por el contrario, deben tratarse con mensajes diferentes.
Esto ayuda al equipo de marketing a tomar decisiones más acertadas:
En el comercio minorista y el comercio electrónico, la agrupación de datos no solo sirve para comprender a las personas. También sirve para comprender los productos.
Puedes agrupar los productos según patrones de venta, compras combinadas, estacionalidad o respuesta a las promociones. Esto permite mejorar diversas decisiones operativas:
La ventaja desde el punto de vista de la gestión es evidente. No se están analizando referencias individuales de forma aislada, sino que se están identificando grupos operativos que pueden planificarse conjuntamente.
Cuando los productos se agrupan de forma similar, las decisiones sobre reposición y promoción también se vuelven más coherentes.
En el ámbito financiero, la agrupación de datos puede ayudar a distinguir los patrones normales de aquellos que merecen un análisis más detallado. No sustituye a los controles normativos ni a los modelos especializados, pero puede ser una herramienta útil para agrupar comportamientos similares y detectar anomalías.
Además, hay una tendencia interesante en el ámbito de la ciberseguridad. Una perspectiva emergente se refiere al uso de AHC avanzado para el tráfico de red en las pymes italianas. En 2025, los ataques de ransomware contra las pymes italianas del sector de las tecnologías de la información aumentaron un 27 %, y los marcos de AHC basados en productos internos mejoraron la detección de valores atípicos en un 18 % en conjuntos de datos italianos de tráfico de red (referencia de JMLR citada aquí).
Es importante interpretar esto correctamente. No significa que todas las pymes deban crear de inmediato una estructura de agrupación de datos para la seguridad. Sin embargo, sí significa que la agrupación jerárquica no se limita al marketing ni al comercio minorista. Puede convertirse en una estructura de análisis transversal, desde el comportamiento de los clientes hasta la supervisión de riesgos.
Tienes datos de clientes en el CRM, pedidos en el comercio electrónico, márgenes en un archivo de Excel y cierta información operativa en el sistema de gestión. Mientras permanezcan separados, la agrupación en clústeres sigue siendo un ejercicio teórico. Para una pyme, el problema no es comprender que los clústeres pueden ser útiles. El problema es conseguir clústeres legibles, coherentes y lo suficientemente fiables como para orientar una decisión comercial u operativa.
Es aquí donde una plataforma como ELECTE el trabajo manual y hace que el método resulte más práctico para quienes deben tomar decisiones, no para quienes programan.
En la práctica, hay cuatro obstáculos recurrentes.
El aspecto más subestimado es precisamente este: el algoritmo no basta. Se necesita un proceso que permita pasar de los datos brutos a una segmentación que la empresa pueda utilizar. ELECTE ya ELECTE en el primer paso, conectando de forma ordenada las fuentes de la empresa. Si quieres ver qué integraciones hay disponibles, puedes consultar la página de fuentes de datos conectables en ELECTE.
Además, existe una segunda dificultad, más estratégica que técnica. Elegir un método de vinculación inadecuado puede dar lugar a grupos poco útiles para la empresa, aunque el modelo se haya ejecutado correctamente. Un directivo no necesita conocer todos los detalles matemáticos. Necesita comprender qué configuración genera segmentos lo suficientemente estables como para respaldar una campaña, una política de existencias o una revisión de la cartera de clientes.
Con un flujo de trabajo automatizado, el proceso se asemeja más a una línea de producción bien organizada que a una serie de pruebas realizadas de forma artesanal. Los datos se introducen, se procesan de manera coherente, se comparan varias configuraciones y el resultado final se presenta en un formato legible.
En concreto, el proceso puede seguir estos pasos:
La ventaja no radica en la automatización en sí misma. Radica en que el equipo puede dedicar su tiempo a lo que realmente importa: interpretar el dendrograma, elegir el nivel de segmentación adecuado y decidir qué hacer con esos grupos.
Para una pyme, esto supone un gran cambio. En lugar de plantearse de forma abstracta si utilizar Ward, average o complete, la comparación se vuelve práctica: ¿qué método genera grupos más claros para nuestros clientes, nuestros productos y nuestros objetivos? ELECTE esta cuestión ELECTE más accesible, incluso sin contar con un equipo interno de científicos de datos.
Por lo tanto, la automatización no sustituye al criterio directivo. Lo sitúa en el lugar adecuado del proceso.
El agrupamiento jerárquico aglomerativo no es solo un tema de clase universitaria. Es una herramienta práctica para poner orden en datos que, de otro modo, permanecerían fragmentados.
Los puntos clave que hay que tener en cuenta son pocos, pero decisivos:
Para una pyme, ahí reside el verdadero valor. Comprender mejor a los clientes, los productos y los procesos operativos sin basarse únicamente en la intuición. Si tu equipo cuenta con conocimientos técnicos, puedes empezar con Python y scikit-learn. Si, por el contrario, quieres obtener información útil más rápidamente, un enfoque automatizado reduce las dificultades y el tiempo necesario.
La cuestión no es utilizar un algoritmo «avanzado». La cuestión es tomar decisiones más claras, con más contexto y menos ruido.
Si quieres convertir datos dispersos en segmentos claros y decisiones operativas, descubre cómo ELECTE hace que el análisis sea accesible incluso sin un equipo de científicos de datos. Puedes conectar tus fuentes de datos, obtener información clara y pasar más rápidamente del análisis a la acción.
.svg)
.svg)
.svg)
