La réduction de dimensionnalité compresse des données à haute dimensionnalité en moins de caractéristiques tout en préservant l'information la plus importante, facilitant la visualisation, le traitement et la modélisation. L'ACP (analyse en composantes principales) est la méthode linéaire classique ; t-SNE et UMAP sont des alternatives non linéaires populaires pour la visualisation. Un data scientist chez un opérateur télécom marocain pourrait réduire des centaines de variables de comportement client en quelques composantes avant de faire du clustering ou construire un modèle de churn.