La presente tesi propone un modello predittivo ibrido data-driven basato sull'utilizzo degli algoritmi K-Means Clustering e Isolation Forest applicati a dati telemetrici OBD-II relativi al funzionamento motore di 3853 veicoli mappati nel dataset obd2data preso come riferimento per lo studio. L’applicazione degli algoritmi di Machine Learning genera una classificazione oggettiva dello stato di usura dei veicoli monitorati (Ranking 1-5), che sostituisce i paradigmi soggettivi di analisi tradizionalmente utilizzati nel settore della rivendita di auto usate. L’elemento di innovazione del presente studio consiste nell’eliminazione dell’asimmetria informativa strutturale nel mercato della rivendita di auto usate, fornendo un metodo di valutazione oggettivo del prodotto, con un impatto atteso sul piano economico e ambientale.