1 Compresión del Negocio

El sector hotelero es un componente clave en la economía global, impulsado por la alta demanda de servicios de alojamiento en diversas regiones, desde destinos turísticos hasta áreas de negocios. Para los hoteles, maximizar la ocupación de habitaciones es crucial para garantizar la rentabilidad, y lograr esto implica gestionar eficientemente las reservas. Sin embargo, uno de los desafíos más comunes en esta industria son las cancelaciones de reservas, que pueden afectar gravemente tanto los ingresos como la operativa diaria de los establecimientos.

Las cancelaciones, sobre todo las de última hora, generan incertidumbre operativa. Si bien es normal que haya algunas cancelaciones, aquellas que ocurren cerca de la fecha de llegada afectan significativamente la capacidad de un hotel para llenar sus habitaciones, especialmente cuando la demanda es elevada o la capacidad del hotel es limitada. Este tipo de cancelaciones, además, obstaculiza la planificación de recursos como el personal de limpieza, recepción y mantenimiento, lo que puede generar ineficiencias operativas y costos adicionales.

2 Comprensión de los Datos

2.1 Estructura del Conjunto de Datos

El conjunto de datos está compuesto por:

## Número de filas (observaciones): 119390
## Número de columnas (variables): 32

Estas variables se dividen según su tipo de dato en:

## Cantidad de variables numéricas: 16

Que incluyen información como el número de noches reservadas, el número de acompañantes, el tiempo de antelación con el que se realizó la reserva, la tarifa diaria promedio, entre otras.

## Cantidad de variables categóricas: 16

Que representan atributos como el tipo de hotel, el país de procedencia del cliente, el canal de distribución, el estado de la reserva y el tipo de cliente.

A continuación se listan las variables incluidas en el dataset:

## Variables del dataset:
##  [1] "hotel"                          "is_canceled"                   
##  [3] "lead_time"                      "arrival_date_year"             
##  [5] "arrival_date_month"             "arrival_date_week_number"      
##  [7] "arrival_date_day_of_month"      "stays_in_weekend_nights"       
##  [9] "stays_in_week_nights"           "adults"                        
## [11] "children"                       "babies"                        
## [13] "meal"                           "country"                       
## [15] "market_segment"                 "distribution_channel"          
## [17] "is_repeated_guest"              "previous_cancellations"        
## [19] "previous_bookings_not_canceled" "reserved_room_type"            
## [21] "assigned_room_type"             "booking_changes"               
## [23] "deposit_type"                   "agent"                         
## [25] "company"                        "days_in_waiting_list"          
## [27] "customer_type"                  "adr"                           
## [29] "required_car_parking_spaces"    "total_of_special_requests"     
## [31] "reservation_status"             "reservation_status_date"

2.1.1 Variable Objetivo

La variable que se desea predecir es is_canceled, la cual toma el valor:

  • 1 si la reserva fue cancelada.

  • 0 si la reserva se concretó.

Esta variable será tratada como una variable binaria, lo que justifica el uso de un modelo de regresión logística en el desarrollo posterior del proyecto.

2.2 Descripción y Análisis de Variables

A continuación, se presenta una tabla con la descripción de las principales variables del conjunto de datos, su tipo y su significado en el contexto del análisis de cancelaciones:

Resumen estadístico y descripción de las variables
variable tipo faltantes estadisticas descripcion
is_canceled numeric 0 Min: 0 Max: 1 Media: 0.370416282770751 SD: 0.482918226592599 Indica si la reserva fue cancelada (1 = cancelada, 0 = no cancelada)
lead_time numeric 0 Min: 0 Max: 737 Media: 104.01141636653 SD: 106.863097047988 Días entre la reserva y la fecha de llegada
arrival_date_year numeric 0 Min: 2015 Max: 2017 Media: 2016.15655415026 SD: 0.707475944520355 Año de llegada del cliente
stays_in_weekend_nights numeric 0 Min: 0 Max: 19 Media: 0.927598626350616 SD: 0.998613494597877 Número de noches de fin de semana reservadas
stays_in_week_nights numeric 0 Min: 0 Max: 50 Media: 2.50030153279169 SD: 1.90828561504791 Número de noches de la semana reservadas
adults numeric 0 Min: 0 Max: 55 Media: 1.856403383868 SD: 0.579260998832755 Número de adultos en la reserva
children numeric 4 Min: 0 Max: 10 Media: 0.10388990333875 SD: 0.398561444786442 Número de niños en la reserva
babies numeric 0 Min: 0 Max: 10 Media: 0.00794873942541252 SD: 0.0974361913012644 Número de bebés en la reserva
is_repeated_guest numeric 0 Min: 0 Max: 1 Media: 0.0319122204539744 SD: 0.175767145410657 Indica si el cliente es un huésped repetido (1 = sí, 0 = no)
previous_cancellations numeric 0 Min: 0 Max: 26 Media: 0.0871178490660859 SD: 0.844336384154511 Número de cancelaciones anteriores realizadas por el cliente
previous_bookings_not_canceled numeric 0 Min: 0 Max: 72 Media: 0.137096909288885 SD: 1.49743684770768 Número de reservas previas no canceladas realizadas por el cliente
booking_changes numeric 0 Min: 0 Max: 21 Media: 0.221124047240137 SD: 0.652305572674772 Número de cambios de reserva realizados
days_in_waiting_list numeric 0 Min: 0 Max: 391 Media: 2.32114917497278 SD: 17.5947208787762 Número de días en la lista de espera
adr numeric 0 Min: -6.38 Max: 5400 Media: 101.831121534467 SD: 50.5357902855487 Tarifa diaria promedio por habitación
required_car_parking_spaces numeric 0 Min: 0 Max: 8 Media: 0.0625177988106206 SD: 0.245291147467494 Número de espacios de estacionamiento requeridos
total_of_special_requests numeric 0 Min: 0 Max: 5 Media: 0.571362760700226 SD: 0.792798422809411 Número total de solicitudes especiales realizadas por el cliente
hotel character 0 City Hotel : 79330, Resort Hotel : 40060 Tipo de hotel (Resort o City Hotel)
arrival_date_month character 0 April : 11089, August : 13877, December : 6780, February : 8068, January : 5929, July : 12661, June : 10939, March : 9794, May : 11791, November : 6794, October : 11160, September : 10508 Mes de llegada del cliente
arrival_date_week_number factor 0 1 : 1047, 2 : 1218, 3 : 1319, 4 : 1487, 5 : 1387, 6 : 1508, 7 : 2109, 8 : 2216, 9 : 2117, 10 : 2149, 11 : 2070, 12 : 2083, 13 : 2416, 14 : 2264, 15 : 2689, 16 : 2405, 17 : 2805, 18 : 2926, 19 : 2402, 20 : 2785, 21 : 2854, 22 : 2546, 23 : 2621, 24 : 2498, 25 : 2663, 26 : 2391, 27 : 2664, 28 : 2853, 29 : 2763, 30 : 3087, 31 : 2741, 32 : 3045, 33 : 3580, 34 : 3040, 35 : 2593, 36 : 2167, 37 : 2229, 38 : 2661, 39 : 2581, 40 : 2397, 41 : 2699, 42 : 2756, 43 : 2352, 44 : 2272, 45 : 1941, 46 : 1574, 47 : 1685, 48 : 1504, 49 : 1782, 50 : 1505, 51 : 933, 52 : 1195, 53 : 1816 Número de la semana del año en que se hace la llegada
arrival_date_day_of_month factor 0 1 : 3626, 2 : 4055, 3 : 3855, 4 : 3763, 5 : 4317, 6 : 3833, 7 : 3665, 8 : 3921, 9 : 4096, 10 : 3575, 11 : 3599, 12 : 4087, 13 : 3745, 14 : 3819, 15 : 4196, 16 : 4078, 17 : 4406, 18 : 4002, 19 : 4052, 20 : 4032, 21 : 3767, 22 : 3596, 23 : 3616, 24 : 3993, 25 : 4160, 26 : 4147, 27 : 3802, 28 : 3946, 29 : 3580, 30 : 3853, 31 : 2208 Día del mes en que se realiza la llegada
meal character 0 BB : 92310, FB : 798, HB : 14463, SC : 10650, Undefined : 1169 Tipo de comida reservada (por ejemplo, BB, HB, etc.)
country character 0 N/A País de origen del cliente
market_segment character 0 Aviation : 237, Complementary : 743, Corporate : 5295, Direct : 12606, Groups : 19811, Offline TA/TO : 24219, Online TA : 56477, Undefined : 2 Segmento de mercado de la reserva (por ejemplo, agencia, corporativo, etc.)
distribution_channel character 0 Corporate : 6677, Direct : 14645, GDS : 193, TA/TO : 97870, Undefined : 5 Canal de distribución (por ejemplo, web, agencia de viajes, etc.)
reserved_room_type character 0 A : 85994, B : 1118, C : 932, D : 19201, E : 6535, F : 2897, G : 2094, H : 601, L : 6, P : 12 Tipo de habitación reservada
assigned_room_type character 0 A : 74053, B : 2163, C : 2375, D : 25322, E : 7806, F : 3751, G : 2553, H : 712, I : 363, K : 279, L : 1, P : 12 Tipo de habitación asignada
deposit_type character 0 No Deposit : 104641, Non Refund : 14587, Refundable : 162 Tipo de depósito (sin depósito, con depósito, etc.)
agent character 0 N/A Número de agente que realizó la reserva
company character 0 N/A Número de compañía que realizó la reserva
customer_type character 0 Contract : 4076, Group : 577, Transient : 89613, Transient-Party : 25124 Tipo de cliente (nuevo o recurrente)
reservation_status character 0 Canceled : 43017, Check-Out : 75166, No-Show : 1207 Estado final de la reserva (por ejemplo, completada, cancelada, etc.)

2.2.1 Análisis de las Variables Numéricas

  1. is_canceled (Cancelación de reserva):
    • La media de esta variable es de 0.37, lo que significa que aproximadamente el 37% de las reservas fueron canceladas. Esta es una tasa relativamente alta, lo que podría indicar que los clientes cancelan las reservas con frecuencia o que la política de cancelación es flexible. La desviación estándar de 0.48 también muestra que no hay una gran variabilidad en esta variable, lo que refuerza que la cancelación es una característica relativamente constante en el conjunto de datos.
  2. lead_time (Anticipación de la reserva):

    • La media de 104 días sugiere que, en promedio, las reservas se hacen con alrededor de tres meses de anticipación. Sin embargo, el valor máximo de 737 días (aproximadamente 2 años) es un valor atípico, lo que sugiere que algunas reservas son realizadas con una anticipación extremadamente larga. Podría ser interesante investigar si estos casos corresponden a reservas corporativas o a eventos especiales con mucho tiempo de antelación.

      La desviación estándar alta de 106.86 indica que hay una gran variabilidad en cuanto a la anticipación de las reservas, lo que podría ser un indicio de que los clientes toman decisiones muy diferentes en cuanto a la planificación de sus viajes.

  3. arrival_date_year (Año de llegada):
    • Los valores en este caso son muy concentrados alrededor del 2016, ya que la media está en 2016.16 y la desviación estándar es mínima (0.71). Esto indica que la mayoría de las reservas son recientes, dentro de un rango de 2015 a 2017. Esto podría indicar que el conjunto de datos proviene de un periodo específico de tiempo, lo cual no es raro en conjuntos de datos de reservas de hoteles.
  4. stays_in_weekend_nights y stays_in_week_nights (Noches de fin de semana y noches entre semana):
    • La variable stays_in_weekend_nights tiene una media baja de 0.93, lo que indica que la mayoría de las reservas no incluyen noches de fin de semana. Esto puede reflejar que los clientes prefieren reservar para estancias más cortas, tal vez por motivos laborales o de negocio. También se observa una alta desviación estándar en esta variable, lo que sugiere que hay algunos clientes que reservan estancias largas durante los fines de semana, mientras que otros no se quedan en fin de semana.
    • La variable stays_in_week_nights tiene una media de 2.5, lo que muestra que, en promedio, las reservas son para estancias de 2 a 3 noches durante la semana. Esto tiene sentido en el contexto de reservas de corta duración, pero el rango de 0 a 50 noches (con una desviación estándar de 1.91) sugiere que hay algunas reservas excepcionales con una duración mucho mayor de lo esperado. Esto puede indicar reservas para grupos grandes o estancias prolongadas, pero vale la pena investigar si estos valores extremos corresponden a clientes corporativos o eventos especiales.
  5. adults (Número de adultos en la reserva):
    • La media de 1.86 es consistente con el hecho de que muchas reservas son para viajeros individuales o parejas. Sin embargo, el valor máximo de 55 adultos en una sola reserva es un valor extremo que probablemente esté relacionado con reservas de grupos grandes o eventos, lo cual es una ocurrencia poco frecuente.
  6. children (Número de niños en la reserva):
    • La media de 0.10 es baja, lo que indica que pocas reservas incluyen niños. Sin embargo, el mínimo es 0 (lo que es esperado) y el máximo es 10. Este rango sugiere que algunas reservas son para familias grandes. La desviación estándar de 0.40 también indica que, aunque la mayoría de las reservas no incluyen niños, algunas de ellas incluyen grupos familiares más grandes.
  7. babies (Número de bebés en la reserva):
    • La media de 0.01 es muy baja, lo cual tiene sentido, ya que las reservas que incluyen bebés deben ser una proporción menor. Sin embargo, al igual que con los niños, el valor máximo de 10 bebés parece un valor atípico y podría indicar errores o entradas incorrectas de datos. Es algo muy poco probable que una reserva incluya tal cantidad de bebés, por lo que podría ser interesante revisar si esos registros son correctos.
  8. adr (Tarifa diaria promedio por habitación):
    • La media de 101.83 es un valor razonable, pero el mínimo de -6.38 es un valor extraño. Este valor negativo podría indicar un error de registro o un descuento o ajuste muy inusual en el precio. De igual forma, el máximo de 5400 es un valor extremadamente alto, lo cual podría estar relacionado con eventos especiales o precios de lujo para ciertas habitaciones. La gran desviación estándar (50.54) sugiere una gran variabilidad en los precios de las habitaciones.

2.2.2 Análisis de las Variables Categóricas

  1. hotel
    • Las City Hotels representan 79,330 reservas y los Resort Hotels 40,060. Los patrones de cancelación pueden variar: los resorts son más estacionales, lo que puede aumentar las cancelaciones en temporada baja.
  2. arrival_date_month
    • Meses como agosto (13,877) y julio (12,661) concentran mayor demanda. En meses como enero (5,929) o noviembre (6,794), las cancelaciones podrían aumentar por menor ocupación o cambios en los planes de viaje.
  3. deposit_type
    • El 84% de las reservas no requieren depósito (No Deposit), mientras que solo un 12% son Non Refund. Las cancelaciones puden ser menos comunes cuando hay penalización.
  4. market_segment
    • Online TA domina con 56,477 reservas, seguido por Offline TA/TO (24,219) y Groups (19,811). Los segmentos grupales y en línea tienden a mostrar más cancelaciones, por su flexibilidad y volumen.
  5. meal
    • La mayoría elige BB (desayuno incluido) con 92,310 reservas, mientras que opciones más completas como HB (14,463) o FB (798) son menos comunes. Los clientes que pagan más por comida podrían estar menos dispuestos a cancelar.
  6. arrival_date_week_number (Semana del año de llegada):
    • Las llegadas están bastante distribuidas a lo largo del año. No obstante, hay algunas reservas en semanas inusuales (por ejemplo, la semana 53, que solo aparece cada 4 años). Puede ser útil investigar si estas reservas corresponden a clientes que están reservando fuera de los períodos pico.
  7. arrival_date_day_of_month (Día del mes de llegada):
    • La mayoría de las llegadas ocurren hacia la mitad del mes, con algunos picos o concentraciones hacia los primeros y últimos días.

2.3 Análisis univariado

En esta etapa se analiza cada variable de forma individual con el objetivo de entender su distribución, identificar valores atípicos y detectar posibles problemas en los datos. Esto es esencial para preparar correctamente las variables antes de evaluar su relación con la cancelación de reservas y construir modelos predictivos más robustos.

2.4 Visualización y análisis de variables categóricas

En esta sección se exploran las variables categóricas más relevantes, visualizando su distribución y su relación con la variable objetivo (is_canceled). Esto permite identificar patrones y asociaciones útiles para el modelado y la toma de decisiones.

Informe de análisis de cancelaciones según variables categóricas

A continuación se presenta un análisis detallado de la relación entre la variable objetivo (is_canceled) y las principales variables categóricas del dataset hotelero, basado en las tablas cruzadas obtenidas.

2.4.1 Hotel

  • Las cancelaciones son proporcionalmente más frecuentes en los hoteles urbanos (City Hotel), con una tasa aproximada del 41.7%, frente al 27.8% en los hoteles de resort. Esto sugiere que los clientes de hoteles urbanos tienden a cancelar más, posiblemente por mayor flexibilidad o menor compromiso.

2.4.2 Mes de llegada (arrival_date_month)

  • Los meses de julio, agosto, mayo y octubre presentan los mayores números absolutos de cancelaciones. La proporción de cancelaciones es más alta en los meses de alta demanda (verano europeo), lo que indica una mayor volatilidad en temporada alta.

2.4.3 Tipo de depósito (deposit_type)

  • Las reservas sin depósito presentan una tasa de cancelación alta (28.4%). Llama la atención que las reservas “Non Refund” muestran una tasa de cancelación extremadamente alta (99.4%), lo que podría indicar un error en la codificación o interpretación de la variable. Se recomienda revisar la calidad de estos datos.

2.4.4 Segmento de mercado (market_segment)

  • Los segmentos “Online TA” y “Groups” concentran la mayoría de las cancelaciones. En particular, el segmento “Groups” tiene una tasa de cancelación del 61%, y “Online TA” del 36.7%. Esto puede deberse a la flexibilidad de las reservas grupales y a la naturaleza de las agencias online.

2.4.5 Tipo de comida (meal)

  • No se observa una diferencia marcada en la tasa de cancelación según el tipo de comida. La opción más popular, “BB” (Bed & Breakfast), tiene una tasa de cancelación del 37.4%.

2.4.6 Tipo de cliente (customer_type)

  • Los clientes “Transient” y “Transient-Party” son los que más cancelan, mientras que los clientes de grupo o contrato presentan tasas de cancelación mucho menores. Esto sugiere que los clientes individuales o de fiestas pequeñas son más propensos a cancelar.

2.4.7 Tipo de habitación reservada y asignada

  • Las habitaciones tipo “A” y “D” concentran la mayor cantidad de cancelaciones, pero esto parece estar relacionado con su popularidad y volumen de reservas. No se observa un patrón claro de cancelación por tipo de habitación.

Conclusiones: - El segmento de mercado, el tipo de hotel y la estacionalidad son los factores categóricos más asociados a la cancelación. - Las reservas sin depósito y las realizadas a través de agencias online o para grupos presentan mayor riesgo de cancelación. - Se recomienda revisar la calidad de los datos en la variable deposit_type, ya que la tasa de cancelación en “Non Refund” es inusualmente alta. - Este análisis aporta información clave para definir políticas de depósito, estrategias de segmentación y gestión de reservas en el sector hotelero.

2.5 Visualización y análisis de variables Numéricas

2.6 Análisis bivariado

En esta etapa se analiza la relación entre las variables y la variable objetivo is_canceled. Esto ayuda a identificar patrones significativos que puedan influir en la cancelación de reservas, lo que es crucial para mejorar la precisión de los modelos predictivos y tomar decisiones informadas en la gestión de reservas.

2.6.1 Gráfico de correlaciones (heatmap)

Uno de los hallazgos más relevantes es la correlación positiva moderada entre el lead_time (tiempo de anticipación) y la variable de cancelación. Con una correlación de 0.29, esto sugiere que a medida que aumenta el tiempo de anticipación de una reserva, también lo hace la probabilidad de que sea cancelada. Es probable que los clientes que realizan reservas con muchos meses de antelación cambien sus planes, lo que incrementa el riesgo de cancelación. Este dato es clave, ya que permite a los hoteles tomar medidas proactivas para gestionar esas reservas con mayor antelación, ofreciendo incentivos para mantener la reserva o hacer ajustes en la política de cancelación.

Otra variable con correlación moderada es previous_cancellations (cancelaciones previas), con una correlación de 0.11. Este valor indica que los clientes que han cancelado reservas en el pasado tienen más probabilidades de cancelar nuevamente. Esta es una observación importante, ya que sugiere que un comportamiento repetitivo de cancelación puede ser un predictor confiable de futuras cancelaciones. A través de este análisis, los hoteles pueden identificar y monitorear a estos clientes, implementando estrategias de fidelización o condiciones más estrictas en sus reservas.

La variable required_car_parking_spaces (espacios de estacionamiento requeridos) muestra una correlación negativa moderada de -0.20 con la cancelación. Esto implica que los clientes que requieren espacio de estacionamiento tienen menos probabilidades de cancelar. Este hallazgo podría reflejar que los clientes que buscan estos servicios adicionales están más comprometidos con su estancia y, por lo tanto, menos inclinados a cancelar sus reservas. Los hoteles que ofrecen estacionamiento pueden usar este dato para crear paquetes o incentivos que promuevan la permanencia de los clientes.

Adicionalmente, total_of_special_requests (solicitudes especiales) presenta una correlación negativa de -0.23. A mayor número de solicitudes especiales, menor es la probabilidad de cancelación. Esto sugiere que los clientes que hacen solicitudes especiales, como habitaciones específicas o servicios adicionales, tienden a estar más comprometidos con su reserva y, por lo tanto, tienen menos probabilidades de cancelarla. Este es un dato útil para los hoteles, ya que las solicitudes especiales pueden ser una indicación de un cliente más comprometido.

Aunque algunas variables cumplen con las expectativas, hay algunas que resultan sorprendentes. Por ejemplo, adr (tarifa diaria promedio) tiene una correlación muy baja de 0.05 con la cancelación, lo que indica que la relación entre la tarifa y la probabilidad de cancelación no es significativa. Esto desafía la intuición, ya que se podría suponer que los clientes que pagan tarifas más altas tendrían menos incentivos para cancelar. Sin embargo, los datos sugieren que factores como la flexibilidad de la reserva o las políticas de cancelación podrían tener un impacto más significativo que la tarifa misma.

Además, las variables relacionadas con la duración de la estancia, como stays_in_weekend_nights y stays_in_week_nights, tienen correlaciones muy bajas, cerca de cero (-0.00 y 0.02, respectivamente), lo que sugiere que la duración de la estancia no es un factor relevante a la hora de predecir cancelaciones. Este hallazgo es contrario a la expectativa común de que los clientes que reservan estancias más largas puedan estar más comprometidos con sus planes. Sin embargo, los datos no muestran una relación significativa entre la duración de la estancia y la cancelación.

2.6.1.1 Conclusión

El análisis de las correlaciones ha permitido identificar varios factores clave que influyen en la probabilidad de cancelación de una reserva. Variables como el tiempo de anticipación de la reserva, el historial de cancelaciones previas, y las solicitudes especiales son importantes para predecir la cancelación de una reserva. Por otro lado, algunos factores que comúnmente se asumirían relevantes, como la tarifa diaria o la duración de la estancia, tienen una correlación casi nula con las cancelaciones.

Estos hallazgos permiten a los hoteles tomar decisiones informadas sobre cómo gestionar las reservas y reducir las cancelaciones. Las políticas de cancelación podrían adaptarse para aquellos con un historial de cancelaciones, o bien, ofrecer incentivos para mantener las reservas de aquellos que las hagan con mucha antelación. Además, los hoteles podrían beneficiarse de identificar a los clientes que hacen solicitudes especiales, ya que estos tienden a ser más comprometidos con sus reservas.

3 Preparación de los datos

En esta sección, se detalla el proceso de preparación de los datos, basado en el análisis previo de las variables. Según la Descripción y Análisis de Variables, se identificaron las siguientes acciones necesarias para preparar los datos:

3.1 Evaluación de la calidad y consistencia de los datos

Antes de la preparación final, es fundamental revisar la calidad y consistencia de los datos para evitar sesgos o errores en el modelado.

## Cantidad de filas duplicadas: 31994
## Reservas sin adultos, niños ni bebés: 180
## [1] "Cantidad de valores negativos por variable:"
## # A tibble: 1 × 6
##   adults children babies stays_in_weekend_nights stays_in_week_nights   adr
##    <int>    <int>  <int>                   <int>                <int> <int>
## 1      0        0      0                       0                    0     1
## Reservas con más de 20 adultos: 10

3.2 Eliminar Variables

Se eliminaron variables que no aportan información relevante al modelo o que podrían introducir ruido en el análisis. En este caso, se eliminaron las siguientes variables:

  • reservation_status: Representa información redundante o derivada de la variable objetivo is_canceled.

  • reservation_status_date: Información redundante que no aporta valor predictivo directo.

  • arrival_date_year: No se considera relevante para el análisis, ya que las diferencias entre años no son significativas en este contexto.

Además, para manejar los valores faltantes en las variables numéricas, se reemplazaron con el promedio de cada columna. Este enfoque asegura que no se pierda información valiosa debido a la eliminación de filas y que las distribuciones de las variables se mantengan estables.

## Número de valores faltantes después de reemplazar con el promedio:
##                          hotel                    is_canceled 
##                              0                              0 
##                      lead_time             arrival_date_month 
##                              0                              0 
##       arrival_date_week_number      arrival_date_day_of_month 
##                              0                              0 
##        stays_in_weekend_nights           stays_in_week_nights 
##                              0                              0 
##                         adults                       children 
##                              0                              0 
##                         babies                           meal 
##                              0                              0 
##                        country                 market_segment 
##                              0                              0 
##           distribution_channel              is_repeated_guest 
##                              0                              0 
##         previous_cancellations previous_bookings_not_canceled 
##                              0                              0 
##             reserved_room_type             assigned_room_type 
##                              0                              0 
##                booking_changes                   deposit_type 
##                              0                              0 
##                          agent                        company 
##                              0                              0 
##           days_in_waiting_list                  customer_type 
##                              0                              0 
##                            adr    required_car_parking_spaces 
##                              0                              0 
##      total_of_special_requests 
##                              0

3.3 Eliminación de datos atipicos y valores repetidos

Se identificaron y eliminaron valores atípicos en variables clave como adr (tarifa diaria promedio), babies (número de bebés), stays_in_weekend_nights (noches de fin de semana) y stays_in_week_nights (noches entre semana). Para ello, se utilizó el rango intercuartílico (IQR), eliminando los valores que se encontraban fuera del rango [Q1 - 1.5 * IQR, Q3 + 1.5 * IQR]. Este procedimiento permite reducir el impacto de valores extremos que podrían sesgar los resultados del modelo.

## Dimensiones después de la limpieza: 79766 filas y 29 columnas

3.4 Transformación de variables categoricas grandes

Conteo de valores únicos en variables categóricas
Variable Valores_Unicos
hotel hotel 2
arrival_date_month arrival_date_month 12
arrival_date_week_number arrival_date_week_number 53
arrival_date_day_of_month arrival_date_day_of_month 31
meal meal 5
country country 176
market_segment market_segment 8
distribution_channel distribution_channel 5
reserved_room_type reserved_room_type 10
assigned_room_type assigned_room_type 12
deposit_type deposit_type 3
agent agent 324
company company 348
customer_type customer_type 4

3.4.1 Codificación binaria de variables diversas:

Las variables categóricas con un alto número de categorías, como country, agent, company, arrival_date_week_number, y arrival_date_day_of_month fueron transformadas mediante codificación binaria. Este método convierte cada categoría en una representación binaria, lo que permite al modelo procesar estas variables de manera eficiente.

## Número de columnas antes de la codificación: 29
## Número de columnas después de la codificación: 61
## Número de columnas nuevas generadas: 32

3.5 Conclusión

La preparación de los datos incluyó la eliminación de variables irrelevantes, el manejo de valores faltantes, la eliminación de datos atípicos y la transformación de variables categóricas. Estas acciones garantizaron que el conjunto de datos estuviera limpio, consistente y listo para ser utilizado en el modelo predictivo. Este proceso es fundamental para mejorar la calidad de las predicciones y minimizar el impacto de posibles sesgos en los resultados.