Hai il CRM pieno di contatti, lo storico ordini del tuo e-commerce, dati di campagne marketing, ticket di assistenza e magari anche fogli Excel creati da team diversi. Tutto esiste. Tutto è utile. Ma spesso tutto è mescolato.
Per molte PMI il problema non è la mancanza di dati. È la mancanza di struttura. Un retail manager vuole capire quali clienti comprano in modo simile. Un responsabile operations vuole vedere quali prodotti si muovono insieme. Un team finance vuole separare i comportamenti normali da quelli che meritano attenzione. Senza un metodo chiaro, i dati restano un archivio invece di diventare una guida.
Qui entra in gioco l’agglomerative hierarchical clustering. È una tecnica di machine learning che organizza le osservazioni in gruppi costruendo una gerarchia dal basso verso l’alto. Non nasce oggi. È una tecnica consolidata: introdotta negli anni ’60, in Italia è stata applicata già nel 1985 in un progetto su dati socio-economici che ha ridotto 50 regioni a 7 cluster principali (riferimento riportato qui). Questo conta perché mostra una cosa semplice: quando i dati sembrano caotici, il clustering gerarchico può rivelare una struttura leggibile.
Se vuoi partire da una visione più ampia dell’uso dei dati in azienda, questa guida sull’analisi dati aziendali è un ottimo complemento.
Lunedì mattina. Il responsabile commerciale apre il CRM, il marketing guarda campagne con risultati molto diversi tra loro, la logistica segnala prodotti con rotazioni imprevedibili. I dati ci sono, ma manca una mappa utile per decidere.
È qui che un manager di PMI inizia a farsi le domande giuste. Quali clienti hanno davvero comportamenti simili? Quali prodotti meritano una strategia distinta? Quali sedi o aree di business vanno gestite con logiche diverse, anche se oggi finiscono tutte nello stesso report?
L’agglomerative hierarchical clustering serve a trasformare questo disordine in una struttura leggibile. Invece di forzare subito categorie decise a tavolino, organizza gli elementi per somiglianza e mostra come i gruppi prendono forma passo dopo passo. Il risultato non è solo un esercizio statistico. È un supporto concreto per segmentazione commerciale, priorità operative e scelte di posizionamento.
Per un’azienda, il punto non è conoscere il nome dell’algoritmo. Il punto è usare bene tre leve pratiche: scegliere il linkage adatto al proprio caso, leggere un dendrogramma senza perdersi nei tecnicismi e capire dove tagliare la gerarchia per ottenere cluster utili al business.
Qui sta la differenza tra una guida accademica e un uso manageriale del clustering.
Se stai già lavorando su segmentazione, reporting o analisi dei dati aziendali per decisioni più rapide e concrete, questo metodo ti aiuta a vedere relazioni che nei fogli Excel restano nascoste. E con strumenti come Electe, anche una PMI senza un team di data scientist può portare questo approccio dentro i processi quotidiani, dalla lettura dei dati alla scelta operativa.
L’agglomerative hierarchical clustering parte dal basso. Ogni record inizia come un gruppo a sé. Poi l’algoritmo confronta le somiglianze, unisce i due elementi più vicini e ripete lo stesso passaggio fino a costruire una gerarchia completa.
Per una PMI, questo approccio è utile perché rispecchia un processo decisionale realistico. All’inizio non sai ancora quanti segmenti ti servono davvero. Sai solo che alcuni clienti si comportano in modo simile, che certi prodotti hanno pattern comparabili e che alcune aree del business meritano di essere osservate insieme. Il clustering agglomerativo organizza queste relazioni senza obbligarti a fissare subito un numero di gruppi.
Il meccanismo operativo è lineare:
Qui nasce un punto che spesso crea confusione. L’algoritmo non restituisce subito “i 4 cluster giusti” o “i 6 segmenti corretti”. Costruisce prima una mappa delle vicinanze. La decisione su quanti gruppi mantenere arriva dopo, quando leggi quella gerarchia in funzione dell’obiettivo di business.
Un esempio aiuta. Se stai analizzando il portafoglio clienti, potresti scoprire che alcuni clienti si assomigliano per frequenza d’acquisto, altri per valore medio, altri ancora per stagionalità. Il clustering agglomerativo non ti costringe a scegliere subito il livello di dettaglio. Ti fa vedere sia i micro-gruppi, utili per campagne mirate, sia i macro-segmenti, utili per definire budget, servizio e priorità commerciali.
La differenza pratica rispetto a metodi come k-means è semplice. Con k-means devi decidere prima quanti cluster vuoi trovare. Con l’agglomerative hierarchical clustering costruisci una gerarchia e scegli dopo dove fermarti.
Per un manager, questo cambia molto. Significa poter partire da una domanda aperta, non da una risposta ipotizzata in anticipo. Se il team commerciale sospetta che esistano profili clienti diversi ma non sa ancora quanti siano, questo metodo offre una vista più utile per discutere una strategia.
Piace anche per un altro motivo. Il risultato è leggibile. Non hai solo etichette finali assegnate ai record, ma un percorso che mostra come i gruppi si formano passo dopo passo. È proprio questa struttura gerarchica che rende il metodo interessante nelle decisioni aziendali, perché collega l’analisi statistica a una scelta concreta: dove ha senso separare i gruppi per ottenere insight utilizzabili.
Regola pratica: usa il clustering gerarchico quando vuoi esplorare la struttura dei dati prima di definire segmenti operativi stabili.
Se vuoi confrontare questo approccio con altri algoritmi di machine learning per problemi aziendali diversi, ha senso valutarli in base alla decisione che devi prendere, non solo alla tecnica.
Due aziende possono usare lo stesso algoritmo e ottenere segmentazioni molto diverse. Il motivo, quasi sempre, sta qui: nella scelta di come misurare la distanza e di come decidere quali gruppi fondere.
Per un manager di una PMI, questa non è una finezza tecnica. È una scelta che cambia il risultato operativo. Può portarti a cluster utili per campagne commerciali e pricing, oppure a gruppi poco leggibili che il team non riesce a usare.
La metrica di distanza serve a misurare quanto due osservazioni siano diverse tra loro. Se stai analizzando clienti, prodotti o punti vendita, è la regola con cui l’algoritmo confronta i profili.
Le più comuni sono:
Qui nasce un errore frequente. Se una variabile ha una scala molto più ampia delle altre, finirà per dominare il calcolo della distanza. In pratica, il clustering seguirà quasi solo quella colonna. Per questo, prima di scegliere il linkage, conviene verificare se i dati sono stati standardizzati.
Il linkage entra in gioco dopo. Non confronta due singoli punti, ma due gruppi già formati.
Una buona analogia è questa: la metrica decide come misuri la distanza tra due negozi sulla mappa. Il linkage decide come valuti la distanza tra due intere catene di negozi. Cambia molto.
I metodi principali sono:
| Metodo di Linkage | Come Funziona | Pro | Contro | Ideale per |
|---|---|---|---|---|
| Single Linkage | Usa la distanza minima tra punti di due cluster | Cattura connessioni progressive | Può creare cluster “a catena” poco compatti | Pattern molto connessi, esplorazione iniziale |
| Complete Linkage | Usa la distanza massima tra punti di due cluster | Genera cluster più compatti | Può separare troppo gruppi naturalmente vicini | Segmentazioni dove conta l’omogeneità |
| Average Linkage | Media le distanze tra punti dei due cluster | Buon compromesso | Meno immediato da spiegare al business | Analisi bilanciate |
| Ward | Minimizza l’aumento della varianza intra-cluster | Produce partizioni stabili e leggibili | Richiede variabili numeriche ben preparate | Segmentazione clienti, analisi business |
La scelta corretta dipende dalla decisione che devi prendere in azienda, non da una preferenza astratta.
Se il tuo obiettivo è trovare nuclei collegati da somiglianze progressive, single linkage può essere utile nella fase esplorativa. Se invece devi costruire segmenti chiari da assegnare a campagne, listini o livelli di servizio, in molti casi complete o Ward producono gruppi più facili da interpretare. Average linkage è spesso una buona via di mezzo quando non vuoi né cluster troppo rigidi né strutture troppo allungate.
Regola pratica: se devi presentare i cluster a commerciale, marketing o direzione, parti da Ward. Se il risultato appare troppo “forzato”, confrontalo con average linkage.
Qui le guide accademiche spesso si fermano alla definizione. In azienda, invece, serve una logica di scelta.
Usa questa traccia:
In altre parole, non esiste il metodo migliore in assoluto. Esiste il metodo più coerente con la domanda di business.
Supponiamo che tu voglia segmentare i clienti di una PMI retail usando frequenza d’acquisto, valore medio ordine e numero di categorie acquistate.
Con single linkage, potresti ottenere un cluster molto esteso, unito da passaggi graduali tra clienti abbastanza diversi tra loro. È utile se vuoi osservare continuità nel comportamento, ma meno se devi creare azioni commerciali distinte.
Con complete linkage, i gruppi diventano più serrati. I clienti dentro ogni cluster si assomigliano di più, quindi il team marketing riesce più facilmente a costruire promozioni dedicate.
Con Ward, spesso ottieni segmenti ordinati e leggibili. Per questo è una scelta frequente quando l’obiettivo non è solo analizzare, ma arrivare a una decisione.
L’agglomerative hierarchical clustering può diventare pesante su dataset grandi. Questo aspetto conta in modo concreto: tempi lunghi, memoria più alta e meno spazio per fare test rapidi su metriche e linkage diversi.
Per una PMI il punto non è fare teoria sugli algoritmi. Il punto è sapere se l’analisi resterà praticabile con i dati disponibili, con i tempi del team e con gli strumenti in uso.
Per questo la scelta tecnica dovrebbe rispondere a tre domande semplici:
È qui che una piattaforma come Electe diventa utile. Riduce la parte più tecnica della configurazione e rende più accessibile un confronto tra opzioni diverse, anche quando non hai un team interno di data scientist. Il valore non sta nel “fare clustering”. Sta nel scegliere una segmentazione che il business possa capire, validare e usare.
Il vero valore dell’agglomerative hierarchical clustering appare quando guardi il suo output più tipico: il dendrogramma. Non è un grafico decorativo. È una mappa decisionale.
Sull’asse orizzontale trovi le osservazioni, oppure piccoli gruppi di osservazioni. Sull’asse verticale vedi la distanza o dissimilarità alla quale avvengono le fusioni.
La regola visiva più importante è questa: più in alto avviene una fusione, più diversi erano i gruppi uniti.
Questo ti permette di fare qualcosa che molti manager apprezzano subito. Non stai accettando un numero di cluster scelto da una formula “nera”. Stai osservando la struttura dei dati e decidendo dove ha senso fermarti.
Per esempio:
Un dendrogramma traduce una decisione statistica in una decisione visiva. Per questo è utile anche in riunione, non solo in notebook Python.
Un supporto visivo può aiutare a fissare il concetto:
Molti si bloccano qui. “Quanti cluster devo tenere?” La risposta onesta è: dipende dal problema che vuoi risolvere.
Se devi attivare azioni commerciali, troppi cluster complicano l’operatività. Se stai analizzando comportamenti molto diversi, pochi cluster rischiano di schiacciare pattern utili.
Un criterio pratico è questo:
Supponiamo che il taglio intercetti quattro rami principali. Hai quattro segmenti. A quel punto il lavoro manageriale non è più statistico. Diventa interpretativo.
Chiediti:
Osservazione operativa: il miglior dendrogramma non è quello più elegante. È quello che ti permette di motivare una scelta di segmentazione davanti a chi dovrà usarla.
Hai un dataset clienti, qualche variabile utile e una domanda concreta: esistono gruppi che meritano azioni commerciali diverse? Python serve proprio a trasformare questa domanda in una prova veloce, leggibile e replicabile.
Per farlo, di solito si usano scikit-learn per creare il modello e SciPy per disegnare il dendrogramma. La parte tecnica è accessibile. La parte che fa la differenza, per una PMI, è impostare bene i dati e leggere il risultato con criterio.
L’errore più comune nasce prima dell’algoritmo. Se metti nello stesso modello una variabile come il fatturato annuale e una come il numero di ordini, la più grande per scala rischia di pesare molto di più. Il cluster finale, quindi, riflette più le unità di misura che le vere somiglianze tra clienti o prodotti.
La standardizzazione serve a evitare questo problema. In pratica, porti le variabili numeriche su una scala comparabile. È una scelta semplice, ma cambia il risultato in modo concreto, soprattutto se vuoi usare il Ward linkage, che lavora bene con dati numerici ben preparati.
Prima di lanciare il modello, controlla tre punti:
Un’analogia utile è questa: stai confrontando clienti come se dovessi valutarli con la stessa unità di misura. Se uno viene misurato in euro e un altro in conteggi grezzi, il confronto parte già sbilanciato.
Ecco un esempio essenziale con scikit-learn:
import pandas as pdfrom sklearn.preprocessing import StandardScalerfrom sklearn.cluster import AgglomerativeClustering# Esempio: dataset con variabili numerichedf = pd.DataFrame({"frequenza_acquisto": [12, 10, 2, 3, 15, 1],"scontrino_medio": [80, 75, 20, 25, 95, 15],"numero_categorie": [5, 4, 1, 2, 6, 1]})# 1. Scalingscaler = StandardScaler()X_scaled = scaler.fit_transform(df)# 2. Modellomodel = AgglomerativeClustering(n_clusters=3,linkage="ward")# 3. Assegnazione clusterlabels = model.fit_predict(X_scaled)df["cluster"] = labelsprint(df)Il codice è breve. La lettura manageriale conta di più.
In questo esempio stai dicendo al modello: "raggruppa queste osservazioni in 3 cluster, unendo progressivamente i casi più simili". Il risultato finale è la colonna cluster, cioè l’etichetta assegnata a ogni riga del dataset. Da lì inizia il lavoro utile per il business: capire che cosa distingue il cluster 0 dal cluster 1, e quali decisioni meritano.
Se vuoi visualizzare anche la struttura gerarchica completa, userai in genere scipy.cluster.hierarchy.linkage insieme a dendrogram. Scikit-learn ti aiuta a ottenere i gruppi. SciPy ti aiuta a vedere come si sono formati.
In azienda, il valore del clustering non dipende dalla complessità del notebook. Dipende dalla qualità di tre scelte.
Qui si vede la differenza tra un esercizio tecnico e uno strumento decisionale. Un manager non ha bisogno di "fare clustering" in astratto. Ha bisogno di segmenti che si possano nominare, spiegare e usare.
Se stai lavorando in Python, quindi, non fermarti all’etichetta assegnata dal modello. Osserva la media delle variabili per ciascun cluster, confronta i profili emersi e chiediti subito: questo gruppo richiede un’azione diversa dalle altre? Se la risposta è no, il problema non è il codice. Di solito è nella scelta delle variabili, del linkage o del punto di taglio.
Un algoritmo interessa davvero quando cambia un’azione concreta. L’agglomerative hierarchical clustering diventa utile quando trasforma righe di database in segmenti che il business può usare.
Molte PMI segmentano ancora i clienti in modo molto semplice. Età, area geografica, forse fascia di fatturato. È un inizio, ma spesso non basta.
Con un clustering gerarchico puoi combinare variabili comportamentali come frequenza d’acquisto, valore medio, categorie preferite e risposta alle promozioni. Il risultato non è solo una lista di profili. È una gerarchia che ti mostra quali gruppi sono davvero vicini tra loro e quali invece vanno trattati con messaggi diversi.
Questo aiuta il team marketing a fare scelte più precise:
Nel retail e nell’e-commerce, il clustering non serve solo a capire le persone. Serve anche a capire gli articoli.
Puoi raggruppare i prodotti in base a pattern di vendita, co-acquisto, stagionalità o risposta alle promozioni. Questo consente di migliorare varie decisioni operative:
Il vantaggio manageriale qui è evidente. Non stai guardando singoli SKU in modo isolato. Stai individuando famiglie operative che possono essere pianificate insieme.
Quando i prodotti si muovono in cluster simili, anche le decisioni di riordino e promozione diventano più coerenti.
Nel finance, il clustering può aiutare a distinguere i pattern normali da quelli che meritano analisi aggiuntiva. Non sostituisce i controlli normativi o i modelli specialistici, ma può essere una lente utile per organizzare comportamenti simili e far emergere anomalie.
C’è poi una direzione interessante in cybersecurity. Una prospettiva emergente riguarda l’uso di AHC avanzato per il traffico di rete nelle PMI italiane. Nel 2025, gli attacchi ransomware sulle PMI IT italiane sono saliti del 27%, e framework AHC basati su inner-products hanno migliorato il rilevamento degli outlier del 18% su dataset italiani di traffico di rete (riferimento JMLR riportato qui).
Questo è utile da leggere nel modo giusto. Non significa che ogni PMI debba costruire subito una pipeline di clustering per la sicurezza. Significa però che il clustering gerarchico non è limitato al marketing o al retail. Può diventare una struttura di analisi trasversale, dal comportamento clienti fino al monitoraggio del rischio.
Hai dati clienti nel CRM, ordini nell’e-commerce, margini in un file Excel e qualche informazione operativa nel gestionale. Finché restano separati, il clustering resta un esercizio teorico. Per una PMI, il problema non è capire che i cluster possono essere utili. Il problema è arrivare a cluster leggibili, coerenti e abbastanza affidabili da guidare una decisione commerciale o operativa.
È qui che una piattaforma come Electe riduce il lavoro manuale e rende il metodo più pratico per chi deve decidere, non programmare.
Nella pratica, gli ostacoli ricorrenti sono quattro.
Il punto più sottovalutato è proprio questo: l’algoritmo non basta. Serve un percorso che porti dai dati grezzi a una segmentazione che il business possa usare. Electe aiuta già nel primo passaggio, collegando in modo ordinato le fonti aziendali. Se vuoi vedere quali integrazioni sono disponibili, puoi consultare la pagina delle fonti dati collegabili in Electe.
C’è poi una seconda difficoltà, più strategica che tecnica. Scegliere il metodo di linkage sbagliato può produrre gruppi poco utili per l’azienda, anche se il modello è stato eseguito correttamente. Un manager non ha bisogno di conoscere ogni dettaglio matematico. Ha bisogno di capire quale configurazione genera segmenti abbastanza stabili da sostenere una campagna, una politica di stock o una revisione del portafoglio clienti.
Con un workflow automatizzato, il processo assomiglia di più a una linea di produzione ben organizzata che a una serie di test artigianali. I dati entrano, vengono preparati in modo coerente, si confrontano più configurazioni e l’output finale arriva in una forma leggibile.
In concreto, il flusso può seguire questi passaggi:
Il vantaggio non sta nell’automazione in sé. Sta nel fatto che il tempo del team viene spostato verso la parte che conta di più: interpretare il dendrogramma, scegliere il livello di segmentazione utile e decidere cosa fare con quei gruppi.
Per una PMI, questo cambia molto. Invece di chiedersi se usare Ward, average o complete in modo astratto, il confronto diventa pratico: quale metodo produce cluster più chiari per i nostri clienti, i nostri prodotti e i nostri obiettivi? Electe rende questa domanda più accessibile anche senza un team interno di data scientist.
L’automazione, quindi, non sostituisce il giudizio manageriale. Lo colloca nel punto giusto del processo.
L’agglomerative hierarchical clustering non è solo un argomento da corso universitario. È uno strumento concreto per mettere ordine in dati che, altrimenti, restano frammentati.
I punti chiave da tenere a mente sono pochi ma decisivi:
Per una PMI, il valore vero sta qui. Capire meglio clienti, prodotti e comportamenti operativi senza affidarsi solo all’intuizione. Se il tuo team ha competenze tecniche, puoi iniziare con Python e scikit-learn. Se invece vuoi arrivare più rapidamente a insight leggibili, un approccio automatizzato riduce attrito e tempi.
Il punto non è usare un algoritmo “avanzato”. Il punto è prendere decisioni più chiare, con più contesto e meno rumore.
Se vuoi trasformare dati dispersi in segmenti chiari e decisioni operative, scopri come Electe rende l’analisi accessibile anche senza un team di data scientist. Puoi collegare le tue fonti dati, ottenere insight leggibili e passare più velocemente dall’analisi all’azione.
.svg)
.svg)
.svg)
