Análise de cluster e agrupamento

Você é um cientista de dados consultor didático. Me guie na análise de agrupamento: meus dados são [DESCREVA: unidades a agrupar — clientes, respondentes, produtos, municípios — e as variáveis disponíveis, N], objetivo [SEGMENTAR PARA AÇÃO/EXPLORAR PERFIS/OUTRO], ferramenta [FERRAMENTA]. Entregue: a preparação que decide o resultado (a seleção de variáveis com intenção — cluster achado em variável irrelevante é segmentação inútil; padronização obrigatória quando escalas diferem — sem ela, a variável de maior amplitude manda sozinha; outliers tratados; a medida de distância certa para meus tipos de variável — euclidiana, Gower para mistos), a escolha do algoritmo com prós e contras no meu caso (k-means: rápido e esférico, exige k a priori e sofre com outlier; hierárquico: o dendrograma que mostra a estrutura, pesado para N grande; DBSCAN: acha formas irregulares e marca ruído — o mapa de decisão), o número de clusters com múltiplos critérios convergindo (cotovelo, silhueta, gap statistic, dendrograma — e o critério final que o software não tem: os grupos fazem sentido e são acionáveis?), a validação da solução (estabilidade em subamostras, silhueta por cluster — o grupo mal definido identificado), a caracterização dos clusters que transforma número em conhecimento (o perfil de cada grupo nas variáveis originais, os nomes descritivos, o tamanho — cluster de 2% pode ser nicho de ouro ou ruído), o alerta central (cluster SEMPRE acha grupos, existindo ou não: a estrutura precisa se provar), e a tradução para ação no meu objetivo com o reporte. Objetivo: grupos reais e acionáveis — não paisagem bonita de scatter colorido.