Clustsize: An Algorithmic Framework for Size-constrained Clustering

El clustering con restricciones de tamaño aborda una necesidad fundamental en muchas aplicaciones del mundo real, al garantizar que los clústeres se adhieran a los límites de tamaño especificados por el usuario, ya sea para equilibrar los grupos o para satisfacer requisitos específicos del dominio. En este artículo, presentamos ClustSize, una plataforma web interactiva que implementa dos algoritmos avanzados: K-MedoidsSC y CSCLP, para realizar clustering en tiempo real de datos tabulares bajo estrictas restricciones de tamaño. Desarrollado en R Studio utilizando el framework Shiny y desplegado en Shinyapps. io, ClustSize no solo impone cardinalidades precisas en los clústeres, sino que también facilita el ajuste dinámico de parámetros y la visualización para una mejor exploración por parte del usuario. Validamos su rendimiento de forma exhaustiva a través de un benchmarking completo, evaluando también el tiempo de ejecución, el uso de RAM, las condiciones de carga y de estrés, y recopilamos información sobre la usabilidad mediante encuestas a usuarios. Las evaluaciones posteriores al despliegue confirman que ambos algoritmos producen consistentemente clústeres que cumplen exactamente con los límites de tamaño especificados, y que el sistema soporta de manera fiable hasta 50 usuarios concurrentes y mantiene su funcionalidad bajo estrés, procesando aproximadamente 90 solicitudes en 5 segundos. Estos resultados destacan el potencial de integrar el clustering avanzado con restricciones de tamaño en plataformas web interactivas para el análisis práctico de datos.