Con los problemas de Toma de Decisiones Multicriterio (MCDM) volviéndose cada vez más complejos, los métodos tradicionales de MCDM no pueden manejar de manera efectiva datos ambiguos, incompletos o inciertos. Mientras se han propuesto varios tipos novedosos de métodos de MCDM para abordar esta limitación, no logran considerar las potencialmente complejas interacciones entre los criterios de decisión. Definitivamente se necesita una metodología efectiva de identificación de capacidades para superar este problema. En este artículo, desarrollamos un nuevo método no supervisado para identificar capacidades 2-aditivas mediante el Análisis de Componentes Principales (PCA) y el coeficiente de correlación de Kendall. Durante el proceso, se logran algunos resultados significativos. En primer lugar, se derivan los valores de Shapley de los criterios de decisión utilizando el PCA, a través de una combinación de la tasa de contribución de varianza de cada Componente Principal (PC) y su correspondiente vector propio. En segundo lugar, el coeficiente de correlación de Kendall derivado de los datos de decisión creados para ayudar a identificar el índice de interacción de Shapley para cada par de criterios mediante aprendizaje no supervisado. Luego se establece un modelo de optimización equipado con una nueva forma de condiciones de monotonía para determinar aún más el índice de interacción de Shapley óptimo. Con estos dos tipos de índices, se identifica finalmente una capacidad 2-aditiva monótona deseada de manera objetiva y eficiente. Experimentos numéricos demuestran que nuestra propuesta puede considerar adecuadamente la importancia de los criterios e identificar con precisión los tipos de índices de interacción de Shapley entre criterios, y por lo tanto puede producir resultados más convincentes y lógicos en comparación con otros métodos de identificación no supervisados.