Las preferencias grupales son cruciales para las Soluciones Inspiradoras de Diseño Automotriz (ISAD). Sin embargo, el escaso comportamiento de compra individual dificulta la identificación de las preferencias grupales. Por lo tanto, se propone un novedoso sistema de recomendación de inspiración (IR) basado en la minería de datos de comportamiento de usuarios a múltiples niveles. En primer lugar, se emplea el algoritmo K-means para agrupar a los usuarios en función de una variedad de características. Luego, se aplica la regla de asociación fija para filtrar e identificar subconjuntos relevantes, formando la base fundamental para construir un retrato del usuario. Se construye el Ranking Personalizado Bayesiano No Lineal (NBPR) para explorar preferencias comunes utilizando retroalimentación explícita. Finalmente, la matriz de preferencias de artículos se enriquece con retroalimentación implícita para compilar una lista de recomendaciones completa que se adapte a las preferencias grupales. Utilizando un enfoque de evaluación conjunta de múltiples usuarios, comparamos el rendimiento de IR con modelos de referencia a través de múltiples métricas. Esta comparación demuestra la robusta fiabilidad del sistema IR y su capacidad para priorizar ISAD con grupos alineados por preferencias. Nuestra investigación supera la escasez de datos en el sistema de recomendación automotriz, proporcionando un nuevo método para incorporar elementos humanos en los sistemas de apoyo a la decisión.