En el panorama empresarial actual impulsado por datos, la segmentación efectiva de clientes es crucial para mejorar el compromiso, la lealtad y la rentabilidad. Los métodos de agrupamiento tradicionales a menudo tienen dificultades con conjuntos de datos que contienen tanto variables numéricas como categóricas, lo que lleva a una segmentación subóptima. Este estudio aborda esta limitación al introducir una nueva aplicación del Análisis Factorial de Datos Mixtos (FAMD) para la reducción de dimensionalidad, integrado con K-means y Agrupamiento Aglomerativo para una segmentación robusta de clientes. Aunque el FAMD no es nuevo en el análisis de datos, su potencial en la segmentación de clientes ha sido poco explorado. Esta investigación cierra esa brecha al demostrar cómo el FAMD puede armonizar tipos de datos mixtos, preservando relaciones estructurales que los métodos convencionales pasan por alto. La metodología propuesta fue probada en un conjunto de datos de retail obtenido de Kaggle que comprende 3900 clientes, con pasos de preprocesamiento que incluyen filtrado de razón de correlación (>= 0.03), estandarización y codificación. El FAMD redujo el espacio de características a tres componentes principales, capturando el 81.46% de la varianza, lo que facilitó una segmentación más clara. El análisis comparativo de agrupamiento mostró que el Agrupamiento Aglomerativo (Puntuación de Silueta: 0.52) superó a K-means (0.51) en k = 4, revelando segmentos de clientes distintos como compradores estacionales y grandes gastadores. Las implicaciones prácticas incluyen el desarrollo de estrategias de marketing dirigidas, validadas a través de visualizaciones de mapas de calor y perfiles de clústeres. Este estudio no solo subraya la idoneidad del FAMD para la segmentación de clientes, sino que también establece las bases para análisis de marketing más matizados impulsados por metodologías de datos mixtos.