Comportamiento de las reservas de una cadena de hoteles: una aproximación exploratoria

1. Introducción

El análisis exploratorio de datos constituye una etapa fundamental en el proceso de análisis estadístico, ya que permite identificar patrones, tendencias, relaciones entre variables y posibles inconsistencias en las observaciones o registros.

En el caso del sector hotelero, para la comprensión del comportamiento de las reservas, es de gran importancia conocer los factores que se asocian con aspectos como cancelaciones, tarifas y satisfacción por parte de los clientes, para contribuir a la toma de decisiones basadas en datos.

El presente informe tiene como objetivo realizar un análisis exploratorio de una base de datos de las reservas de una cadena hotelera, mediante técnicas de estadística descriptiva y herramientas de visualización. Para ello, se examinan variables relacionadas con la anticipación de las reservas, el número de noches, las tarifas por noche, el tipo de habitación, la ciudad del hotel, el canal de reserva, la frecuencia de los clientes, las cancelaciones y la satisfacción de los huéspedes.

El análisis se desarrolla a partir de un proceso inicial de revisión, estandarización y limpieza de la base de datos contenida en el archivo reservas_hotel_laboratorio.csv; seguido de la exploración de asociaciones entre variables cualitativas y cuantitativas. Se emplean tablas de frecuencia, medidas de tendencia central y dispersión, gráficos y coeficientes de correlación, según las características de cada pregunta de investigación. Además, se tienen en cuenta las limitaciones de cada caso, con el propósito de formular interpretaciones fundamentadas y evitar conclusiones que excedan el alcance del análisis.

2. Objetivos

Objetivo general: Explorar la relación entre variables de las reservas de una cadena hotelera, con el fin de identificar asociaciones relevantes que soporten la toma de decisiones y guíen análisis complementarios para fortalecer la gestión del servicio hotelero.

Objetivos específicos:

• Evaluar qué factores se asocian con las cancelaciones de las reservas en los hoteles.
• Explorar la relación entre la tarifa por noche, la anticipación de la reserva y la duración de la estadía.
• Evaluar si existe un comportamiento diferencial en las reservas de clientes frecuentes y ocasionales.
• Comparar el nivel de satisfacción del servicio que reportan los huéspedes según distintas características de su reserva, como el tipo de habitación o el canal de reserva.
• Generar recomendaciones a la cadena hotelera con base en los análisis realizados.

3. Métodos para la limpieza y depuración de datos

3.1 Carga de datos

Se utilizó una base de datos de empleados de la empresa, con las siguientes variables:

datos <- read.csv("reservas_hotel_laboratorio.csv",
                  na.strings = c("", "NA"),
                  stringsAsFactors = FALSE)

Tabla 1. Variables utilizadas en el análisis

Variable	Descripcion
id_reserva	Número de reserva
ciudad_hotel	Ciudad de la sede del hotel
tipo_habitacion	Sencilla, Doble o Suite
canal_reserva	Web, Agencia, Telefónico o Walk-in
cliente_frecuente	Sí/No
anticipacion_dias	Días entre la reserva y la fecha de llegada
noches	Número de noches de la reserva
tarifa_por_noche_miles	Tarifa por noche, en miles de pesos
cancelada	Sí/No
calificacion_satisfaccion	Calificación de satisfacción (escala 0 a 10)

La base contiene 668 empleados y 10 variables en total.

3.2 Inspección inicial

Se realizó la inspección inicial para verificar la asignación correcta del tipo de cada variable

head(datos, 10)
str(datos)      
summary(datos)

Todas las variables tenían el tipo correcto

3.3 Estandarización de variables cualitativas

Se revisaron las variables cualitativas: “ciudad_hotel”, “tipo_habitación”,“canal_reserva”,“cliente_frecuente” y “cancelada”.

Se encontró que las categorías estaban escritas de forma inconsistente, con espacios, mayúsculas y minúsculas, tildes faltantes y abreviaturas. Todas las variables cualitativas se estandarizaron para que cada categoría se cuente una sola vez.

3.4 Corrección de variables cuantitativas

Se revisaron las variables cuantitativas: “anticipacion_dias”, “noches”,“tarifa_por_noche_miles” y “calificacion_satisfaccion”.

Se encontraron valores imposibles en las variables “anticipacion_dias” (6 valores negativos) y “tarifa_por_noche_miles” (3 valores negativos). Estos valores se reemplazaron por NAs, para no perder el resto de la información de esos registros. Los valores atípicos altos se conservaron porque son posibles, pero se deben tener en cuenta al interpretar los resultados de análisis que involucren esas variables.

La variable “noches” no contiene valores imposibles, pero hay valores atípicos muy altos que se alejan considerablemente del tercer cuartil que es 5.0, por ejemplo el valor máximo (88). Estos valores se deben considerar en las interpretaciones de análisis que involucren esta variable.

La variable “calificacion_satisfaccion” no contiene valores imposibles ni atípicos, pero llama la atención la cantidad de NAs (139), esto se inspecciona en la sección 3.6 “Valores faltantes (NA) en las variables después de la depuración”.

3.5 Identificación y eliminación de duplicados

sum(duplicated(datos))

Se identificaron 18 registros duplicados. En este caso el id_reserva es un valor único, no un consecutivo. Por ello, no se excluyó esa columna para la identificación

datos <-  distinct(datos, .keep_all = TRUE)

dim(datos)

## [1] 650  10

Se eliminaron los registros duplicados y se comprobó el número de observaciones sin duplicados, que en este caso corresponde a 650.

Los duplicados se identificaron y eliminaron después de la depuración para que registros repetidos no pasaran desapercibidos si inicialmente tenían los mismos datos pero sin estandarizar.

3.6 Valores faltantes (NA) en las variables después de la depuración

colSums(is.na(datos))

Se identificó que cuatro variables tienen datos faltantes:

• “anticipacion_dias”: 6
• “canal_reserva”: 39
• “tarifa_por_noche_miles”: 3
• “calificacion_satisfaccion”: 136

Se observó que hay muchos datos faltantes en la variable “calificacion_satisfaccion”, que parece tener relación con la variable “cancelada”. Un registro con reserva cancelada no debería tener registro de calificación de satisfacción.

datos[datos$cancelada == "Sí" & !is.na(datos$calificacion_satisfaccion), ]

Identificamos que no hay ningún registro con la reserva cancelada que tenga un valor diferente a NA en la columna “califiacion_satisfaccion”. Si ese no fuera el caso, las calificaciones asignadas a reservas canceladas tendrían que ser remplazadas por NAs.

Los registros con datos faltantes en la variable “calificacion_satisfaccion” no se deben eliminar, porque se perderían los datos de las otras variables que van a permitir explorar qué factores se asocian con las cancelaciones. Por otra parte, existen datos faltantes (“NA”) en la variable “calificacion_satisfacion” en registros donde la reserva no fue cancelada.

total_na<- rowSums(is.na(datos))
length(total_na[total_na>=1])

## [1] 175

En total hay 175 filas con datos faltantes, estos registros se perderían del estudio si se eliminaran. En este caso se van a conservar y tratar apropiadamente en el análisis.

El archivo de datos crudos tenía 668 registros inicialmente, después de la limpieza quedaron 650.

4. Preguntas de interés para el negocio de la cadena hotelera

4.1 ¿La probabilidad de que una reserva se cancele depende del canal por el que se hizo? ¿Hay algún canal que debería revisar la cadena hotelera por su alta tasa de cancelación?

Se usó una tabla de contingencia para explorar posibles asociaciones entre las dos variables cualitativas “canal_reserva” y “cancelada”.

Exploración frecuencias absolutas

tabla_canal_cancel <- table(datos$canal_reserva, datos$cancelada)
addmargins(tabla_canal_cancel)

Se identificó que el número de observaciones difiere entre los canales de reserva, por ello, resulta más apropiado comparar las frecuencias relativas para identificar relaciones entre las dos variables. Al haber solo cuatro canales de reserva, la tabla de contingencia permite observar los valores exactos de los porcentajes para realizar una interpretación más precisa al comparar las cancelaciones por canal de reserva.

Tabla 2. Porcentajes de las cancelaciones de las reservas según el canal de reserva

	No cancelada	Cancelada
Agencia	63.16	36.84
Telefónico	82.18	17.82
Walk-in	90.00	10.00
Web	87.98	12.02

Respuesta:

Las reservas hechas por medio de agencias presentan el mayor porcentaje de cancelaciones, correspondiente al 36.84 %. Este porcentaje es considerablemente mayor al observado en los otros canales, que no superan el 17.82 % de cancelaciones (Tabla 2). Los datos indican que hay una mayor probabilidad de que una reserva se cancele si se realiza por medio de una agencia de viajes. La cadena hotelera debería revisar qué ocurre con las reservas hechas a través de agencias, dada su alta tasa de cancelación.

4.2 ¿Reservar con mucha anticipación se relaciona con pagar una tarifa distinta por noche? ¿Y con una mayor probabilidad de cancelar?

• Relación de las variables “anticipacion_dias” y “tarifa por noche”

El gráfico más adecuado para explorar dos variblaes cuantitativas es el diagrama de dispersión, pues permite analizar visualmente la dirección, intensidad y posible forma de la relación.

El diagrama de dispersión no muestra una tendencia clara entre los días de anticipación de la reserva y la tarifa por noche.

La relación se explora también con el coeficiente de correlación de Pearson y Spearman

cor(datos$anticipacion_dias, datos$tarifa_por_noche_miles, method = "pearson", use = "complete.obs")

## [1] -0.02322382

cor(datos$anticipacion_dias, datos$tarifa_por_noche_miles, method = "spearman", use = "complete.obs")

## [1] -0.03714634

Los dos coeficientes de correlación son muy débiles, cercanos a cero. La relacion no es lineal, pero tampoco parece ser de otro tipo.

• Relación de las variables “anticipacion_dias” y “cancelada”

El diagrama de cajas comparativo es pertienente para este análisis, debido a que el objetivo es comparar una variable cuantitativa (anticipacion_dias) entre dos grupos categóricos de una variable cualitativa (cancelada: Sí/No).

Respuesta:

Reservar con mucha anticipación no parece estar asociado con pagar una tarifa distinta por noche. El diagrama de dispersión no muestra una tendencia clara entre los días de anticipación de la reserva y la tarifa por noche (Figura 1). Esta ausencia de asociación también se refleja en los coeficientes de correlación, cuyos valores son cercanos a cero.

En cuanto a la relación entre las cancelaciones de las reservas con la anticipación de días con los que se realizan, las reservas hechas con mayor anticipación muestran una ligera tendencia a cancelarse más, sin embargo, la relación parece ser débil (Figura 2). El grupo de las reservas canceladas presenta una mediana ligeramente mayor que la del grupo de las reservas no canceladas, el rango intercuartílico es mayor y el bigote superior es mucho más alto que el del grupo de las reservas no canceladas. Es decir,las reservas con anticipaciones mayores son relativamente más frecuentes en las reservas canceladas. Además, las reservas no canceladas con días de anticipación más altos son atípicas.

4.3 ¿La tarifa por noche cambia según el tipo de habitación y según la ciudad del hotel? ¿En qué ciudad(es) y tipo(s) de habitación se concentran las tarifas más altas?

• Relación de las variables “tarifa_por_noche_miles” y “tipo_habitacion”

Un diagrama de cajas es pertinente en este caso, porque permite comparar la distribución de una variable cuantitativa (la tarifa por noche) entre diferentes categorías de una variable cualitativa (tipos de habitaciones), observando sus medianas, dispersión y valores atípicos.

• Relación de las variables “tarifa_por_noche_miles” y “ciudad_hotel”

Un diagrama de cajas es pertinente en este caso, porque permite comparar la distribución de una variable cuantitativa (la tarifa por noche) entre diferentes categorías de una variable cualitativa (ciudades), observando sus medianas, dispersión y valores atípicos.

Respuesta:

La tarifa por noche presenta diferencias representativas, según el tipo de habitación y según la ciudad del hotel. Con respecto al tipo de habitación, las medianas muestran un incremento desde la habitación Sencilla, seguida de la Doble y finalmente la Suite, donde se concentran las tarifas más altas (Figura 3). En el caso específico de la Suite, su tarifa mínima es similiar a las tarifas más altas en las habitaciones dobles y sencillas.

En cuanto a las ciudades, las tarifas más altas se concentran en Cartagena y Santa Marta, las cuales muestran medianas superiores a las de las otras tres ciudades (Cali, Medellín y Bogotá) (Figura 4).

Es relevante tener en cuenta las tarifas atípicas altas, en los tres tipos de habitación y especialmente en las ciudades Cali, Cartagena y Medellín, ya que si se analizan indicadores como la media, estos datos extremos podrían sobreestimar la tarifa promedio por noche para cada tipo de habitación y en las ciudades mencionadas. En este caso lo recomendable sería analizar las medianas.

4.4 ¿La satisfacción de los huéspedes varía según el tipo de habitación o el canal de reserva?

Consideraciones iniciales: análisis de variables mixtas, una cuantitativa y una cualitativa:

“calificacion_satisfaccion”: Variable cuantitativa (escala 0 a 10); “tipo_habitacion”: Variable cualitativa; “canal_reserva”: Variable cualitativa.

El diagrama de cajas comparativo es pertinente para visualizar el comportamiento de la calificación de satisfacción según el tipo de habitación y según el canal de reserva. Esta es la herramienta estándar para análisis bivariado mixto (cuantitativo vs. cualitativo). Permite comparar visualmente simetría, rango intercuartílico y presencia de valores atípicos.

• Relación de las variables “calificacion_satisfaccion” y “tipo_habitacion”

• Relación de las variables “calificacion_satisfaccion” y “canal_reserva”

Respuesta:

La satisfacción de los huéspedes presenta una variación considerable según el tipo de habitación (Figura 5), y en menor medida según el canal de la reserva (Figura 6). La habitación tipo “suite” registra mejores calificaciones que las habitaciones tipo doble y sencilla, con una mediana mucho mayor que las demás y, en general, menor dispersión de las calificaciones. Los húespedes reportan una mejor experiencia en las habitaciones tipo “suite” (Figura 5).

En cuanto a los canales de reserva, aunque la diferencia entre las medianas no es tan considerable, las reservas por medio de Web registran calificaciones de satisfacción ligeramente mayores que por los otros canales y tienen una dispersión menor (Figura 6), por lo que la satisfacción de la experiencia parece evaluarse desde el momento en el que se hace la reserva. Las reservas Walk-in presntan la mayor dispersión, lo que refleja una mayor variabilidad en las expectativas de quienes llegan al hotel sin reserva.

Es relevante señalar que existe una concentración alta de datos faltantes en la variable calificación de la satisfacción del servicio, principalmente en habitaciones dobles (68 NAs) y reservas por Agencias (60 NAs). Si las reservas no canceladas que no registran calificación correponden a clientes no encuestados por insatisfacción, los indicadores analizados podrían estar sobreestimando la satisfacción real del servicio.

También se debería analizar el factor de confusión del precio pagado (tarifa_por_noche_miles): Aunque evaluamos la satisfacción según el tipo de habitación, este análisis bivariado no controla la variable tarifa_por_noche_miles presente en el dataset. La mayor satisfacción en Suites podría estar mediada por el mayor nivel de gasto o disposición a pagar del cliente, y no solo por las características físicas de la habitación. Se podría realizar una exploración complementaria para evaluar esa confusión.

Pueden haber factores no registrados que influyen en la satisfacción del servicio como: variables de entorno: temporada (alta/baja); o el motivo del viaje (negocios/placer).

4.5 ¿Los clientes frecuentes (cliente_frecuente) se comportan distinto a los ocasionales? Explora si cancelan con menor frecuencia y si reportan una satisfacción distinta.

• Exploración entre el tipo de cliente y las cancelaciones

Para comparar el comportamiento de las cancelaciones según el tipo de cliente, resulta más apropiado comparar las frecuencias relativas para identificar relaciones entre las dos variables. En este caso la gráfica permite observar los porcentajes de las cancelaciones para clientes frecuentes y ocasionales.

• Exploración entre el tipo de cliente y el reporte de satisfacción del servicio

El diagrama de cajas comparativo es pertinente para visualizar el comportamiento de la calificación de satisfacción según el tipo de cliente, es decir, una variable cuantitativa con una variable cualitativa.

Respuesta:

Los clientes frecuentes muestran un comportamiento muy similar a los clientes ocasionales, con respecto a las cancelaciones de las reservas y a la satisfacción reportada del servicio. Los clientes frecuentes y ocasionales cancelan las reservas casi con la misma frecuencia (menor al 20% de las reservas) (Figura 7). En cuanto a la satisfacción del servicio, ambos tipos de cliente muestran un rango intercuartílico similar y para ambos casos la distribución de las calificaciones es simétrica, con un valor atípico bajo en cada caso, correspondiente a una calificación de 4/10. De allí que los clientes frecuentes y ocasionales reportan la misma calificación promedio (Figura 8). Esto indica que el tipo de cliente no determina la calificación del servicio, y esta depende de la experiencia específica en cada reserva.

4.6 ¿El número de noches de la reserva se relaciona con la tarifa pagada por noche? ¿Se observa algo parecido a un descuento por estadías largas, el efecto contrario, o ninguna relación?

• Relación de las variables “noches” y “tarifa por noche”

El gráfico más adecuado para explorar dos variblaes cuantitativas es el diagrama de dispersión, pues permite analizar visualmente la dirección, intensidad y posible forma de la relación.

El diagrama de dispersión no muestra una tendencia clara entre el número de noches de la reserva y la tarifa por noche.

La relación se explora también con el coeficiente de correlación de Pearson y Spearman

cor(datos$noches, datos$tarifa_por_noche_miles, use = "complete.obs", method = "pearson") 

## [1] 0.03671342

cor(datos$noches, datos$tarifa_por_noche_miles, use = "complete.obs", method = "spearman")

## [1] -0.0007716049

Los dos coeficientes de correlación son muy débiles, cercanos a cero. La relacion no es lineal, pero tampoco parece ser de otro tipo.

Respuesta:

El número de noches de la reserva no parece tener relación con la tarifa pagada por noche. El gráfico de dispersión no evidencia una relación lineal entre el número de noches de la reserva y la tarifa por noche (Figura 9), y los índices de correlación confirman que no hay asociación lineal o no lineal entre estas variables. Los registros con los números de noches más altos varían en la tarifa por noche, por lo que no se observa una política de descuento por estadías largas.

4.7 ¿Existe una preferencia de canal de reserva según el tipo de cliente? ¿Los clientes frecuentes realizan sus reservas directas a través de Web/Telefónico o prefieren intermediarios (Agencia)?

• Relación de las variables “canal_reserva” y “tipo_cliente”

Un diagrama de barras apiladas permite comparar las preferencicas en los canales de reserva según el tipo de cliente, ya que muestra las frecuencias relativas (porcentajes) de una forma organizada y visualmente entendible.

4.8 ¿Los clientes frecuentes prefieren algún tipo de habitación en particular? Explora la relación entre cliente_frecuente y tipo_habitacion.

• Relación entre dos variables cualitativas: “cliente_frecuente” y “tipo_habitacion”

Exploración de frecuencias absolutas

tabla_c_h <- table(datos$cliente_frecuente,datos$tipo_habitacion)
addmargins(tabla_c_h)

Teniendo en cuenta que el número de observaciones difiere entre los tipos de cliente por habitación, resulta más apropiado comparar las frecuencias relativas para identificar relaciones entre las dos variables. Al haber solo tres tipos de habitación, la tabla de contingencia permite observar los valores exactos de los porcentajes para realizar una interpretación más precisa al comparar las preferencias del tipo de habitación según el tipo de cliente.

Tabla 3. Porcentajes de la preferencia del tipo de habitación según el tipo de cliente

	Doble	Sencilla	Suite
Clientes ocasionales	43.62	41.06	15.32
Clientes frecuentes	43.33	37.22	19.44

Respuesta:

Los clientes frecuentes tienen una ligera preferencia hacia la habitación Doble sobre la Sencilla, y considerablemente mayor sobre la Suite (Tabla 3). Al explorar la relación entre el tipo de cliente y el tipo de habitación, se observa la misma tendencia en la preferencia de la habitación Doble, seguida de la Sencilla y por último la Suite, tanto para clientes frecuentes como ocasionales.

4.9 ¿Cómo se comportan en conjunto las cuatro variables cuantitativas del dataset (anticipacion_dias, noches, tarifa_por_noche_miles y calificacion_satisfaccion)?

Para explorar el comportamiento de todas las variables cuantitativas, es pertinente construir una matriz de correlación y visualizarlo en un gráfico de correlaciones con orden por clustering

• Selección de variables cuantitativas

vars_cuant <- c("anticipacion_dias", "noches", "tarifa_por_noche_miles","calificacion_satisfaccion")

• Matriz de correlación

matriz_cor <- cor(datos[, vars_cuant], use = "complete.obs")
round(matriz_cor, 3)

• Gráfico de correlación con orden por clustering

Respuesta:

Al explorar la correlación de todas las variables cuantitativas en conjunto, no se observa ninguna asociación entre ningún par de variables que no se hubiera observado en el análisis bivariado. De acuerdo con los coeficientes de correlación, la relación lineal entre las variables es muy débil o prácticamente nula (Figura 11).

5. Conclusiones y recomendaciones para la cadena hotelera

Con base en los resultados del análisis exploratorio, se proponen las siguientes recomendaciones para la cadena hotelera:

• Revisar las reservas realizadas a través de agencias. Este canal presenta la mayor tasa de cancelación (36,84 %), considerablemente superior a la de los demás canales, cuyas tasas no superan el 17,8 %. Además, registra la menor mediana de satisfacción. Se recomienda revisar las condiciones comerciales acordadas con las agencias y analizar las características de estas reservas para identificar oportunidades de mejora en la gestión de cancelaciones y en la experiencia de los huéspedes.

• Fortalecer el canal Web. Este canal es el más utilizado tanto por clientes frecuentes como ocasionales y las reservas hechas a través de este canal presentan una mediana de satisfacción ligeramente superior, con menor dispersión en la calificación de los clientes. Se recomienda evaluar incentivos para las reservas directas por la página web, como beneficios exclusivos o tarifas diferenciadas, y monitorear su efecto sobre las cancelaciones, la satisfacción y los ingresos de la cadena hotelera.

• Evaluar estrategias tarifarias para estadías prolongadas. El análisis exploratorio no evidencia una relación clara entre el número de noches y la tarifa por noche. Por ello, se propone evaluar la viabilidad de ofrecer descuentos por estadías prolongadas, considerando el tipo de habitación, la ciudad y la rentabilidad de las reservas, con el fin de determinar si esta estrategia puede contribuir a mejorar la ocupación y los ingresos.

• Mejorar la calidad y la integridad de los datos. Se recomienda implementar listas desplegables, reglas de validación y controles de consistencia en los sistemas de registro para reducir errores e inconsistencias. Asimismo, conviene revisar la cobertura de la encuesta de satisfacción y la distribución de los valores faltantes, con el propósito de identificar posibles sesgos que puedan afectar la interpretación de los resultados.