Un détaillant en ligne a combiné de nombreuses sources de données dans une seule table contenant 980 variables. Vous devez créer un modèle pour découvrir des groupes de clients susceptibles de répondre à une campagne marketing. Quelle paire de techniques devriez-vous utiliser ?

Pour découvrir des groupes de clients (segmentation), le K-means clustering est une technique non supervisée appropriée qui regroupe les observations similaires. Avec 980 variables, la réduction de dimensionnalité est cruciale pour améliorer l'efficacité et la performance du clustering. L'Analyse en Composantes Principales (PCA) est une méthode efficace pour réduire le nombre de variables tout en conservant la majeure partie de la variance des données. LDA (Latent Dirichlet Allocation) est utilisée pour la modélisation thématique de texte, pas pour le clustering de clients. La segmentation sémantique est une technique de vision par ordinateur. Les Factorization Machines sont utilisées pour des tâches de régression ou de classification sur des données creuses, souvent pour des systèmes de recommandation.