Je hebt klantgegevens voor een online retailer (demografie, bezoekgeschiedenis, locatie). Het doel is om winkelpatronen, voorkeuren en trends van klanten te ontdekken om de site te verbeteren en gepersonaliseerde aanbevelingen te doen. Welke aanpak is het meest geschikt?

Collaborative filtering is de meest geschikte aanpak omdat het expliciet is ontworpen voor het ontdekken van patronen in gebruikersinteracties en het genereren van gepersonaliseerde aanbevelingen, wat direct aansluit bij het doel van het verbeteren van de site en het doen van aanbevelingen. Het maakt gebruik van de overeenkomsten tussen gebruikers of items om voorkeuren te voorspellen. LDA is minder geschikt omdat het primair wordt gebruikt voor onderwerpsmodellering in tekstuele data, niet voor het analyseren van algemene klantgegevens zoals demografie en bezoekgeschiedenis voor aanbevelingen. Een neuraal netwerk met willekeurige gewichtsinitialisatie is te algemeen en vereist specifieke architectuur en training voor deze taak; collaborative filtering is een meer gerichte oplossing. Random Cut Forest (RCF) is een algoritme voor anomaliedetectie, wat niet het primaire doel is van deze use case.