Een online retailer heeft veel databronnen gecombineerd in één tabel met 980 variabelen. Je moet een model bouwen om groepen klanten te ontdekken die waarschijnlijk zullen reageren op een marketingcampagne. Welk paar technieken moet je gebruiken?

K-means clustering is een geschikte techniek voor het ontdekken van groepen (clusters) van klanten op basis van hun kenmerken, wat direct aansluit bij het doel om klantsegmenten te vinden die waarschijnlijk reageren op een marketingcampagne. Principal Component Analysis (PCA) is essentieel voor dimensionale reductie bij een groot aantal variabelen (980 in dit geval). PCA helpt ruis te verminderen, multicollineariteit aan te pakken en de interpreteerbaarheid en efficiëntie van het clusteringalgoritme te verbeteren door de meest informatieve kenmerken te behouden. Latent Dirichlet Allocation (LDA) is primair voor onderwerpsmodellering in tekstdata, niet voor numerieke klantdata. Semantic segmentation is een computer vision techniek voor beeldanalyse. Factorization Machines (FM) zijn geschikt voor aanbevelingssystemen en sparse data, maar minder direct toepasbaar voor onbegeleide clustering van klantgedrag.