En el contexto de big data e inteligencia artificial, analizar y extraer información procesable de conjuntos de datos extensos para mejorar los procesos de toma de decisiones presenta tanto oportunidades intrigantes como desafíos formidables. Las metodologías existentes de clasificación por múltiples criterios (MCS) a menudo luchan con la magnitud de estos conjuntos de datos, particularmente en términos de requisitos de tiempo y memoria. Además, los enfoques tradicionales suelen depender de información de preferencias directas, lo que puede ser cognitivamente exigente para los tomadores de decisiones y puede no escalar de manera efectiva con el aumento de la complejidad de los datos. Este estudio introduce un enfoque MCS escalable basado en el marco MapReduce, diseñado para manejar conjuntos extensos de alternativas e información de preferencias en un paradigma de procesamiento paralelo. El enfoque propuesto utiliza una función de valor aditiva por partes como el modelo de preferencias subyacente, con parámetros del modelo inferidos a partir de ejemplos de asignación en un subconjunto de alternativas de referencia mediante la aplicación de principios de desagregación de preferencias. Para permitir la ejecución paralela del procedimiento de clasificación, se formula un modelo de optimización convexa para estimar los parámetros del modelo de preferencias. Posteriormente, se elabora un algoritmo paralelo para resolver este modelo de optimización, aprovechando el marco MapReduce para procesar el conjunto de alternativas de referencia y la información de preferencias asociada de manera concurrente, acelerando así la eficiencia computacional. Además, se evalúa el rendimiento del enfoque propuesto utilizando un conjunto de datos del mundo real y una serie de conjuntos de datos sintéticos que comprenden hasta 400,000 alternativas. Los hallazgos demuestran que este enfoque aborda de manera efectiva el problema MCS en el contexto de grandes conjuntos de alternativas y extensa información de preferencias.