definir k apenas por julgamento especialista, evitando métricas internas de validação.

trocar a distância para Manhattan, o que impacta positivamente na geometria e na convergência do algoritmo.

usar k-means++ e múltiplas inicializações, selecionando a solução com menor inércia.

fixar centroides por quartis das variáveis originais, garantindo melhor separação dos grupos.

manter os dados padronizados, mas priorizar a magnitude fiscal original na distância (por reponderação), sendo positivo para a formação dos clusters.