El presente estudio tiene como objetivo realizar un análisis de agrupamiento de clientes de un servicio hotelero mediante técnicas de aprendizaje no supervisado, con el fin de identificar perfiles diferenciados de comportamiento y mejorar las estrategias de atención y fidelización. Para ello, se utilizó el algoritmo k-medias para agrupar a los clientes a partir de variables numéricas y categóricas relacionadas con el proceso de reserva, el tipo de cliente y las características de la estancia. El número óptimo de clústeres (grupos de perfiles) se determinó mediante el método del codo, identificándose cinco grupos claramente diferenciados, los cuales fueron validados e interpretados mediante análisis estadísticos y visualización con t-SNE. Cada clúster refleja un perfil distintivo, como familias, parejas espontáneas o parejas de alta demanda, que presenta patrones específicos en la anticipación de la reserva, la duración de la estancia, la composición del grupo y el canal de adquisición. Los resultados obtenidos proporcionan una base sólida para el diseño de estrategias comerciales personalizadas y la optimización operativa en el sector hotelero.
Palabras clave:
Segmentación de clientes, análisis de clústeres, aprendizaje no supervisado, algoritmo k-medias, sector hotelero.
El presente estudio tiene como objetivo realizar un análisis de agrupamiento de clientes de un servicio hotelero mediante técnicas de aprendizaje no supervisado, con el fin de identificar perfiles diferenciados de comportamiento y mejorar las estrategias de atención y fidelización. Para ello, se utilizó el algoritmo k-medias para agrupar a los clientes a partir de variables numéricas y categóricas relacionadas con el proceso de reserva, el tipo de cliente y las características de la estancia. El número óptimo de clústeres (grupos de perfiles) se determinó mediante el método del codo, identificándose cinco grupos claramente diferenciados, los cuales fueron validados e interpretados mediante análisis estadísticos y visualización con t-SNE. Cada clúster refleja un perfil distintivo, como familias, parejas espontáneas o parejas de alta demanda, que presenta patrones específicos en la anticipación de la reserva, la duración de la estancia, la composición del grupo y el canal de adquisición. Los resultados obtenidos proporcionan una base sólida para el diseño de estrategias comerciales personalizadas y la optimización operativa en el sector hotelero. Palabras clave:Segmentación de clientes, análisis de clústeres, aprendizaje no supervisado, algoritmo k-medias, sector hotelero. Read More