요약

데이터 과학자 모멘은 실무에서 고객 이해를 위해 주로 쓰이는 클러스터링 (clustering) 을 선호하지 않습니다. 해석이 어렵고 클러스터 개수를 제한해야 하는 단점이 있기 때문입니다. 실제 현장에서는 보통 10 개 내외의 클러스터만 허용되지만, 고객 세분화는 그보다 훨씬 복잡합니다. 또한 많은 변수를 투입해 유사한 클러스터를 대량 생산하는 경향이 있습니다. 이러한 한계를 극복하기 위해 무한 잠재 특징 모델 (Infinite Latent Feature Model) 을 실용화하려는 의도를 밝혔습니다.

핵심 포인트

• 실무 데이터 과학에서 클러스터링은 해석의 어려움과 클러스터 수 제한으로 인해 선호되지 않습니다.
• 고객 세분화는 단순한 10 개 내외의 클러스터로 표현하기에는 훨씬 더 복잡하고 다양합니다.
• 많은 변수를 투입하여 유사한 클러스터를 대량 생산하는 잘못된 관행이 흔하게 발생합니다.
• 이러한 문제를 해결하기 위해 무한 잠재 특징 모델 (Infinite Latent Feature Model) 을 도입해야 합니다.