Definizione
Che cos’è Unsupervised learning e come funziona?
È utile per esplorare dati e individuare segmenti o comportamenti insoliti. I risultati devono essere interpretati insieme agli esperti del dominio.
Gli algoritmi più usati sono il k-means, che divide i dati in un numero di gruppi deciso in anticipo, il DBSCAN, che trova gruppi di forma libera e isola i punti sparsi, e l’isolation forest per le anomalie. Il risultato dipende molto da quali variabili si includono e da come vengono scalate: fatturato in euro e numero di ordini su scale diverse falsano le distanze.
Esempio aziendale
Esempio di Unsupervised learning in azienda
Un’azienda raggruppa clienti in cluster di comportamento senza definire prima le categorie commerciali.
Applicazioni
Quando può essere utile
- segmentazione clienti
- clustering
- riduzione dimensionale
- esplorazione dati
- rilevamento di anomalie
Limiti
Quando fare attenzione
- numero di cluster scelto in modo arbitrario
- variabili su scale diverse non normalizzate
- gruppi matematici senza significato commerciale
- anomalie statistiche che non sono guasti reali
Da non confondere
Unsupervised learning: con cosa non va confuso?
L’apprendimento non supervisionato scopre strutture. Quello supervisionato apprende da esempi con una risposta attesa.
Dalla definizione al progetto
Cosa può realizzare Agentix con Unsupervised learning
Agentix usa tecniche non supervisionate come primo passo esplorativo sui dati del cliente: trovare articoli duplicati in anagrafica, raggruppare clienti con andamenti d’acquisto simili, individuare cicli macchina fuori dal comportamento abituale senza uno storico guasti catalogato.
I gruppi trovati vengono presentati con le variabili che li distinguono e alcuni esempi reali, poi rivisti con commerciale o produzione. Quando un gruppo si rivela utile, diventa un’etichetta da cui costruire un modello supervisionato o una regola stabile nel gestionale.
Valuta il caso d’uso con AgentixRisposte rapide
Domande frequenti su Unsupervised learning
Quando si usa l’apprendimento non supervisionato?
Quando non esistono etichette affidabili o quando si vuole scoprire una struttura prima di definirla: segmentare clienti per comportamento d’acquisto, raggruppare articoli simili in anagrafica, individuare cicli macchina anomali senza aver mai catalogato i guasti.
Come si capisce se i cluster trovati sono validi?
Esistono indici matematici come il silhouette score, ma il controllo decisivo è con chi conosce il dominio: i gruppi devono essere descrivibili e utili per una decisione. Va anche verificato che restino simili ripetendo l’analisi su un periodo diverso.
Dal concetto all’applicazione
Vuoi applicare Unsupervised learning nella tua azienda?
Partiamo dal processo, dai dati disponibili e dal risultato atteso per definire un primo progetto concreto.