Clusterização

É a tarefa de agrupar elementos semelhantes sem que os grupos tenham sido definidos antes. O algoritmo analisa as características dos dados e organiza os itens em grupos (clusters), de forma que os elementos de um mesmo grupo sejam mais parecidos entre si do que com os de outros grupos. Como não existem rótulos, o resultado depende de escolhas do time: quais variáveis serão consideradas, como serão medidas as semelhanças e quantos grupos se espera encontrar. Mudar essas escolhas muda os grupos. O algoritmo encontra os grupos, mas não diz o que eles significam. Interpretar, nomear e validar cada cluster é um trabalho humano, e é nele que a técnica se torna útil ou não.

Em Produto, clusterização é uma ferramenta de discovery, e não de decisão automática. Serve para descobrir grupos que o time não sabia que existiam: perfis de uso, padrões de comportamento, temas recorrentes em feedbacks. Por exemplo, em vez de assumir que os usuários se dividem em “iniciantes” e “avançados”, o time pode analisar dados de uso e descobrir que existem, na verdade, quatro padrões distintos, com necessidades diferentes. O passo seguinte é essencial: validar esses grupos com pesquisa e decidir se fazem sentido como segmentos de produto. Um cluster é um padrão matemático; um segmento é uma decisão de negócio. Nem todo cluster vira segmento, e isso é esperado.

Use clusterização quando quiser explorar os dados e descobrir grupos que ainda não foram definidos. Use classificação quando os grupos já existem e o objetivo é atribuir novos itens a eles. É comum que a clusterização venha primeiro, para descobrir os grupos, e a classificação depois, para operar com eles. Não confunda clusterização com segmentação. Clusterização é a técnica que encontra grupos nos dados; segmentação é a decisão de Produto ou negócio sobre como organizar e tratar diferentes públicos. Uma forma simples de diferenciar: clusterização descobre grupos; classificação atribui itens a grupos conhecidos; segmentação decide o que fazer com os grupos.

k-means (MacQueen, 1967) e métodos hierárquicos; base da segmentação em marketing desde os anos 1970.

Google Machine Learning Glossary; MacQueen (1967)