Mientras que los grandes datos están revolucionando la investigación científica, las tareas de gestión y análisis de datos se están volviendo más desafiantes que nunca. Una forma de remediar la dificultad es obtener la jerarquía multinivel incrustada en los datos. Conocer la jerarquía no solo permite revelar la naturaleza de los datos, sino que también es a menudo el primer paso en el análisis de grandes datos. Sin embargo, los algoritmos actuales para aprender la jerarquía típicamente no son escalables a grandes volúmenes de datos con alta dimensionalidad. Para abordar este desafío, en este artículo, proponemos un nuevo enfoque escalable para construir la estructura de árbol a partir de los datos. Nuestro método construye el árbol de manera ascendente, con un k-means incremental adaptado. Al referenciar la distribución de las distancias entre puntos, se puede controlar de manera flexible la altura del árbol y la ramificación de cada nodo. También se realiza una reducción de dimensiones como un pre-proceso, para aumentar aún más la eficiencia computacional. El algoritmo tiene un diseño paralelo y se implementa con CUDA (Arquitectura de Dispositivo Unificado de Cómputo), para que pueda aplicarse de manera eficiente a grandes datos. Probamos el algoritmo con dos conjuntos de datos del mundo real, y los resultados se visualizan con dendrogramas circulares extendidos y otras técnicas de visualización.