Unüberwachtes Lernen (Unsupervised Learning) bezeichnet Verfahren des maschinellen Lernens, die Datensätze ohne vorgegebene Zielwerte (Labels) analysieren, um darin eigenständig Muster, Ähnlichkeitsgruppen oder statistische Ausreißer zu erkennen.
Erklärung
Zu den wichtigsten Verfahrensklassen zählen das Clustering (z. B. k-Means oder DBSCAN zum Gruppieren ähnlicher Datensätze), die Dimensionsreduktion (z. B. Hauptkomponentenanalyse/PCA oder UMAP zur Verdichtung vieler Variablen) sowie die Anomalieerkennung (etwa über Isolation Forests). Im B2B- und SaaS-Betrieb setzen Daten-Teams diese Methoden unter anderem ein, um Bestandskunden anhand realer Produktnutzung in Nutzungstypen zu gliedern, ungewöhnliche API-Zugriffe oder fehlerhafte Abrechnungsbuchungen zu erkennen und im Großhandel häufig gemeinsam bestellte Artikelgruppen zu ermitteln. Da beim Training keine bekannten Zielantworten als objektiver Maßstab vorliegen, müssen Fachabteilungen die gefundenen Cluster anschließend inhaltlich interpretieren und auf Plausibilität prüfen, bevor daraus Tarifpakete oder Betreuungssegmente im Account-Management abgeleitet werden.