Qué es el aprendizaje no supervisado
Aquí no hay profesor: le das al modelo miles de clientes con su historial de compra y, sin decirle qué buscar, encuentra grupos con comportamientos parecidos. Es útil cuando no sabes exactamente qué hay en tus datos o cuando etiquetarlos sería imposible.
Técnicas principales
- Clustering (agrupamiento): reunir elementos parecidos. Por ejemplo, segmentar clientes.
- Reducción de dimensionalidad: simplificar datos con muchas variables para visualizarlos o analizarlos mejor.
- Detección de anomalías: encontrar lo que no encaja con el patrón habitual (fraude, errores, picos raros).
Ejemplo real
Un ecommerce aplica clustering a sus 30.000 clientes según frecuencia, ticket medio, categorías y uso de descuentos. Aparecen cinco grupos claros, entre ellos «compradores de rebajas» y «fieles de alto valor que nunca usan cupones». Cada grupo recibe una estrategia de email distinta.
Para qué te sirve en tu negocio
Para descubrir segmentos de clientes, agrupar productos o keywords por temática, detectar comportamientos anómalos o explorar datos antes de decidir qué analizar. En SEO, por ejemplo, se usa para agrupar miles de keywords por intención.
Errores comunes
- Esperar que los grupos tengan sentido de negocio sin interpretarlos: el modelo agrupa, tú das el significado.
- Elegir variables irrelevantes: los grupos serán irrelevantes.
- Decidir un número de grupos sin validarlo.
Preguntas frecuentes
¿Qué diferencia hay con el aprendizaje supervisado?
El no supervisado no necesita datos etiquetados; busca patrones por sí mismo.
¿Qué es el clustering?
La técnica de agrupar elementos similares sin categorías previas.
¿Los LLM usan aprendizaje no supervisado?
Su preentrenamiento con grandes volúmenes de texto se considera autosupervisado, una variante cercana.