Análise de Cluster

Esse planeta é onde você aprende a arte de agrupar dados para revelar padrões escondidos. Começamos entendendo a missão da clusterização e os métodos hierárquicos — como vizinho mais próximo, vizinho mais distante e centróide — construindo dendrogramas à mão e depois no R e no Python. Em seguida, exploramos técnicas para definir o número ideal de grupos, como Elbow e Silhueta, e avançamos para o K-means, o método não hierárquico mais usado, aplicado em R e Python. Também discutimos desafios como o uso de variáveis categóricas, a importância da padronização e a interpretação dos grupos. Para fechar, trabalhamos com cases reais, desde exemplos práticos até apresentações inspiradoras para negócios, consolidando o aprendizado e mostrando como clusters podem se transformar em decisões estratégicas.