Bir çevrimiçi perakendeci, birçok veri kaynağını 980 değişkenli tek bir tabloda birleştirdi. Bir pazarlama kampanyasına yanıt verme olasılığı yüksek müşteri gruplarını keşfetmek için bir model oluşturmanız gerekiyor. Hangi teknik çiftini kullanmalısınız?

Bu senaryoda, müşteri gruplarını keşfetmek için kümeleme (clustering) algoritmalarına ihtiyaç vardır ve değişken sayısını azaltmak için boyut indirgeme (dimensionality reduction) teknikleri faydalı olacaktır. K-means clustering doğru bir seçimdir çünkü müşterileri benzer özelliklere göre gruplandırarak pazarlama kampanyasına yanıt verme olasılığı yüksek segmentleri belirleyebilir. Principal Component Analysis (PCA), 980 değişken gibi yüksek boyutlu verilerle çalışırken boyut indirgeme için idealdir. PCA, verilerdeki varyansın çoğunu korurken değişken sayısını azaltarak K-means gibi kümeleme algoritmalarının performansını artırır ve aşırı uyumu (overfitting) önlemeye yardımcı olur. Diğer seçenekler neden uygun değil: Latent Dirichlet Allocation (LDA) genellikle metin verilerinde konu modellemesi için kullanılır, müşteri gruplaması için uygun değildir. Semantic segmentation görüntü işleme alanında pikselleri anlamlı bölgelere ayırmak için kullanılır. Factorization machines (FM) genellikle tavsiye sistemleri ve seyrek verilerle çalışmak için kullanılır, bu senaryodaki temel problem için en uygun çözüm değildir.