Um varejista online combinou muitas fontes de dados em uma única tabela com 980 variáveis. Você precisa construir um modelo para descobrir grupos de clientes propensos a responder a uma campanha de marketing. Qual par de técnicas você deve usar?

Para agrupar clientes com base em suas características e identificar aqueles propensos a responder a uma campanha, o K-means clustering é uma técnica de aprendizado não supervisionado ideal. Ele particiona os dados em k clusters, onde cada ponto de dado pertence ao cluster cujo centroide é o mais próximo. Com 980 variáveis, a dimensionalidade dos dados é muito alta. A Análise de Componentes Principais (PCA) é essencial para reduzir a dimensionalidade, transformando as variáveis originais em um conjunto menor de componentes principais não correlacionados, retendo a maior parte da variância dos dados. Isso melhora o desempenho do K-means e facilita a interpretação. LDA é para modelagem de tópicos em texto. Segmentação semântica é para visão computacional. Factorization Machines são para sistemas de recomendação e modelagem de interação.