# ---- Paleta: elegir UNA cambiando esta línea ("A", "B" o "C") ----
opcion_paleta <- "A"

# ---- Paleta del proyecto: Okabe-Ito ajustada, verificada para daltonismo ----
pal_perfiles <- c(
  "Reservan por plataforma"   = "#56B4E9",  # azul claro
  "Compran paquete"           = "#E69F00",  # naranja
  "Reservan sin plataforma"   = "#AA4499",  # morado oscuro
  "Se quedan donde conocidos" = "#009E73"   # verde
)
protagonista <- "#AA4499"   # color único en gráficos de "uno resaltado"
gris         <- "#CDD0D5"   # contexto

tema_evi <- theme_minimal(base_size = 12) +
  theme(plot.title = element_text(face = "bold", size = 14),
        plot.subtitle = element_text(color = "grey35"),
        plot.caption = element_text(color = "grey45", size = 9),
        panel.grid.minor = element_blank(),
        legend.position = "top")
# Mediana ponderada: el gasto tiene cola larga, por eso mediana y no promedio.
# El peso es el factor de expansión, para hablar de viajes/visitantes y no de encuestas.
mediana_pond <- function(x, w) {
  ok <- !is.na(x) & !is.na(w)
  x <- x[ok]; w <- w[ok]
  o <- order(x); x <- x[o]; w <- w[o]
  x[which(cumsum(w) >= sum(w) / 2)[1]]
}

1 Planteamiento del problema

El turismo internacional es uno de los motores de desarrollo económico más importantes para Colombia. No obstante, las dinámicas de gasto, los patrones de estadía, los canales de reserva y las actividades realizadas por los visitantes varían considerablemente según el motivo de viaje y el país de procedencia. Sin una caracterización clara y visual de estos hábitos, los tomadores de decisiones enfrentan dificultades para optimizar la oferta turística y focalizar las campañas de promoción internacional.

Esta diferencia importa porque los recursos de promoción son limitados. ProColombia, la entidad encargada de promover el turismo de Colombia en el exterior, debe decidir en qué mercados invertir sus campañas.Si esa decisión se toma solo por el número de visitantes que llegan, se pueden dejar de lado mercados que llegan en menor cantidad pero gastan más por noche, o promocionar productos que no corresponden al tipo de turista que viaja desde cada país.

Pregunta central: ¿A qué mercados de origen debería dirigir ProColombia la promoción para atraer el turismo que más gasta en Colombia, y qué tipo de turista trae cada mercado?

Para responderla se analizan los visitantes extranjeros que llegaron por vía aérea entre agosto de 2023 y julio de 2024 y entre enero y junio de 2025.

2 Fuente y datos

n_total  <- nrow(evi)
n_aereos <- sum(evi$tipo_viajero == "Visitante aéreo" & evi$tipo_visitante == "Turista")

ficha <- tibble(
  Campo = c("Entidad",
            "Operación estadística",
            "Objetivo",
            "Periodicidad",
            "Periodos analizados",
            "Unidad de análisis",
            "Registros",
            "Universo de este análisis",
            "Factor de expansión",
            "Acceso"),
  Descripción = c(
    "Departamento Administrativo Nacional de Estadística (DANE) – Colombia",
    "Encuesta de Visitantes Internacionales (EVI)",
    "Caracterizar los viajes turísticos y cuantificar los gastos por rubro de visitantes residentes y no residentes, captados en las modalidades aérea y marítima.",
    "Recolección mensual continua en aeropuertos y puertos; resultados publicados en boletines trimestrales.",
    "Agosto 2023 – julio 2024 y enero – junio 2025",
    "Viaje: cada registro es la encuesta a un visitante sobre su grupo de viaje.",
    paste0(format(n_total, big.mark = "."), " registros en la base limpia"),
    paste0("Extranjeros que llegan por avión y pernoctan: ",
           format(n_aereos, big.mark = "."), " registros"),
    "factor_expansion_viajes: permite pasar de encuestas a viajes estimados.",
    "https://microdatos.dane.gov.co/index.php/catalog/869/get-microdata"
  )
)

ficha %>%
  kbl(col.names = c("", ""), align = c("l", "l")) %>%
  kable_styling(bootstrap_options = c("striped", "condensed"), full_width = TRUE) %>%
  column_spec(1, bold = TRUE, width = "25%", background = "#EEEAF4")
Entidad Departamento Administrativo Nacional de Estadística (DANE) – Colombia
Operación estadística Encuesta de Visitantes Internacionales (EVI)
Objetivo Caracterizar los viajes turísticos y cuantificar los gastos por rubro de visitantes residentes y no residentes, captados en las modalidades aérea y marítima.
Periodicidad Recolección mensual continua en aeropuertos y puertos; resultados publicados en boletines trimestrales.
Periodos analizados Agosto 2023 – julio 2024 y enero – junio 2025
Unidad de análisis Viaje: cada registro es la encuesta a un visitante sobre su grupo de viaje.
Registros 205.571 registros en la base limpia
Universo de este análisis Extranjeros que llegan por avión y pernoctan: 96.849 registros
Factor de expansión factor_expansion_viajes: permite pasar de encuestas a viajes estimados.
Acceso https://microdatos.dane.gov.co/index.php/catalog/869/get-microdata

3 Exploración: ¿quién llega y cómo gasta?

En esta sección exploramos los datos para entender quiénes son los visitantes y cómo gastan antes de comparar los mercados. Para organizar el análisis partimos de cinco preguntas: a quiénes analizamos, de dónde vienen, cuánto gastan por noche, en qué gastan y cómo organizan su viaje. En todos los cálculos usamos el factor de expansión, así los resultados representan visitantes estimados por el DANE y no solamente las encuestas realizadas.

3.1 ¿Por qué analizamos solo a los extranjeros que llegan por avión?

Antes de explorar los datos, definimos qué visitantes íbamos a estudiar. La EVI no solo encuesta a extranjeros que visitan Colombia, sino también a colombianos que viajan al exterior y a pasajeros de cruceros. El siguiente gráfico compara cuánto gasta cada grupo.

# Aquí se usa el factor de VIAJES: el DANE no calcula el de visitantes para cruceristas
universo <- evi %>%
  group_by(tipo_viajero) %>%
  summarise(viajes = sum(factor_expansion_viajes),
            gasto_mediano = mediana_pond(gasto_persona_usd, factor_expansion_viajes)) %>%
  mutate(pct = viajes / sum(viajes),
         grupo = recode(tipo_viajero,
                        "Visitante aéreo"        = "Extranjeros por avión",
                        "Colombiano al exterior" = "Colombianos al exterior",
                        "Crucerista"             = "Cruceristas"),
         etiqueta_x = paste0(grupo, "\n(", percent(pct, accuracy = 1), " de los viajes)"),
         etiqueta_x = fct_reorder(etiqueta_x, -pct),
         foco = grupo == "Extranjeros por avión")

ggplot(universo, aes(etiqueta_x, gasto_mediano, fill = foco)) +
  geom_col(width = 0.6) +
  geom_text(aes(label = dollar(gasto_mediano, accuracy = 1)), vjust = -0.4, size = 4) +
  scale_fill_manual(values = c(`TRUE` = protagonista, `FALSE` = gris), guide = "none") +
  scale_y_continuous(labels = dollar, expand = expansion(mult = c(0, 0.1))) +
  labs(title = "Solo el gasto de los extranjeros que llegan por avión se queda en Colombia",
       subtitle = "Los colombianos al exterior gastan más, pero fuera del país. Gasto mediano por persona en el viaje (ponderado)",
       x = NULL, y = "USD por persona",
       caption = "Fuente: DANE, Encuesta de Visitantes Internacionales (EVI), ago 2023 – jun 2025.") +
  tema_evi +
  theme(plot.subtitle = element_text(size = 10),
        panel.grid.major.x = element_blank())

Aunque los colombianos que viajan al exterior gastan más, ese dinero se queda en otros países. Los cruceristas, además de gastar poco, no pernoctan, por lo que no se puede medir su gasto por noche. Por eso nos enfocamos en los extranjeros que llegan por avión: su gasto sí entra a la economía colombiana y es el turismo que ProColombia puede atraer con su promoción.

# Universo del análisis: extranjeros por avión que pernoctan (sin excursionistas)
evi_aereo <- evi %>%
  filter(tipo_viajero == "Visitante aéreo", tipo_visitante == "Turista")

total_visitantes <- sum(evi_aereo$factor_expansion_visitantes)

3.2 ¿De dónde vienen y a qué vienen?

Una vez definido que analizamos a los extranjeros que llegan por avión, el primer paso es conocer de qué países vienen. Esto nos permite identificar cuáles son los mercados más grandes para Colombia.

paises_top <- evi_aereo %>%
  group_by(pais_residencia) %>%
  summarise(visitantes = sum(factor_expansion_visitantes)) %>%
  mutate(pct = visitantes / sum(visitantes)) %>%
  slice_max(pct, n = 10) %>%
  mutate(foco = pais_residencia == "Estados Unidos",
         etiqueta = paste0(percent(pct, accuracy = 0.1), " · ",
                           ifelse(visitantes >= 1e6,
                                  paste0(format(round(visitantes / 1e6, 2), decimal.mark = ","), " M"),
                                  paste0(round(visitantes / 1e3), " mil"))))

ggplot(paises_top, aes(pct, fct_reorder(pais_residencia, pct), fill = foco)) +
  geom_col(width = 0.7) +
  geom_text(aes(label = etiqueta), hjust = -0.1, size = 3.6) +
  scale_fill_manual(values = c(`TRUE` = protagonista, `FALSE` = gris), guide = "none") +
  scale_x_continuous(labels = percent, expand = expansion(mult = c(0, 0.25))) +
  labs(title = "Estados Unidos aporta casi 3 de cada 10 visitantes; diez países concentran el 75 %",
       subtitle = paste0("Total: ", format(round(total_visitantes / 1e6, 2), decimal.mark = ","),
                         " millones de visitantes extranjeros por avión (ago 2023 – jun 2025)"),
       x = "% de los visitantes", y = NULL,
       caption = "Fuente: DANE, EVI, ago 2023 – jun 2025.") +
  tema_evi +
  theme(panel.grid.major.y = element_blank())

Saber de dónde vienen no es suficiente: también importa a qué vienen.

fmt_personas <- function(x) {
  ifelse(x >= 1e6,
         paste0(format(round(x / 1e6, 2), decimal.mark = ","), " M"),
         paste0(round(x / 1e3), " mil"))
}

motivos <- evi_aereo %>%
  mutate(
    motivo = case_when(
      motivo_viaje == "Vacaciones"                 ~ "Vacaciones",
      motivo_viaje == "Visita a familiares/amigos" ~ "Visita familia o amigos",
      motivo_viaje == "Negocios"                   ~ "Negocios",
      TRUE                                         ~ "Otros"),
    medio = case_when(
      medio_conocimiento_colombia == "Recomendaciones"    ~ "Por recomendación",
      medio_conocimiento_colombia == "País de nacimiento" ~ "Nació en Colombia",
      TRUE                                                ~ "Otros medios")
  ) %>%
  group_by(motivo, medio) %>%
  summarise(visitantes = sum(factor_expansion_visitantes), .groups = "drop") %>%
  group_by(motivo) %>%
  mutate(total_motivo = sum(visitantes),
         pct_dentro   = visitantes / total_motivo) %>%
  ungroup() %>%
  mutate(pct        = visitantes / total_visitantes,
         pct_motivo = total_motivo / total_visitantes,
         medio  = factor(medio, levels = c("Por recomendación", "Nació en Colombia", "Otros medios")),
         motivo = fct_reorder(motivo, pct_motivo),
         motivo = fct_relevel(motivo, "Otros"))

totales <- motivos %>%
  distinct(motivo, pct_motivo, total_motivo) %>%
  mutate(etiqueta = paste0(percent(pct_motivo, accuracy = 1), " · ", fmt_personas(total_motivo)))

colores_medio <- c("Por recomendación" = "#E69F00",
                   "Nació en Colombia" = protagonista,
                   "Otros medios"      = gris)

ggplot(motivos, aes(pct, motivo, fill = medio)) +
  geom_col(width = 0.65, position = position_stack(reverse = TRUE)) +
  geom_text(aes(label = ifelse(pct >= 0.025, percent(pct_dentro, accuracy = 1), ""),
                color = medio == "Nació en Colombia",
                group = medio),
            position = position_stack(vjust = 0.5, reverse = TRUE), size = 3.4) +
  geom_text(data = totales,
            aes(x = pct_motivo, y = motivo, label = etiqueta),
            inherit.aes = FALSE, hjust = -0.08, size = 3.6) +
  scale_fill_manual(values = colores_medio, name = NULL) +
  scale_color_manual(values = c(`TRUE` = "white", `FALSE` = "grey15"), guide = "none") +
  scale_x_continuous(expand = expansion(mult = c(0, 0.3))) +
  labs(title = "Las recomendaciones atraen al turista; la diáspora vuelve a casa",
       subtitle = "Motivo del viaje y cómo conocieron Colombia · % dentro de cada motivo (ponderado)",
       x = NULL, y = NULL,
       caption = "Fuente: DANE, EVI, ago 2023 – jun 2025. Extranjeros por avión que pernoctan.") +
  tema_evi +
  theme(panel.grid = element_blank(),
        axis.text.x = element_blank(),
        legend.position = "top", legend.justification = "left")

El turismo extranjero está concentrado en pocos mercados: Estados Unidos aporta casi 3 de cada 10 visitantes y, junto con otros nueve países, suma el 75 %. Pero no todos vienen por la misma razón. Casi la mitad de quienes visitan familia o amigos nació en Colombia: unas 765 mil personas que viven en el exterior y regresan a casa. En cambio, quienes vienen de vacaciones conocieron el país sobre todo por recomendaciones de otras personas (61 %).

Para ProColombia, esto muestra dos públicos distintos dentro de los mismos mercados: la diáspora, que viaja por razones personales y no depende de la promoción, y el turista de vacaciones, que llega por el voz a voz y es a quien la promoción puede atraer.

3.3 ¿Cuánto gastan por noche?

Antes de comparar mercados, revisamos cómo se distribuye el gasto por persona-noche, para saber qué medida representa mejor al visitante típico: el promedio o la mediana.

gasto_noche <- evi_aereo %>%
  filter(!is.na(gasto_persona_noche_usd), gasto_persona_noche_usd > 0)   # la escala log no admite 0

mediana_gpn <- mediana_pond(gasto_noche$gasto_persona_noche_usd, gasto_noche$factor_expansion_visitantes)
media_gpn   <- weighted.mean(gasto_noche$gasto_persona_noche_usd, gasto_noche$factor_expansion_visitantes)

ggplot(gasto_noche, aes(gasto_persona_noche_usd,
                        weight = factor_expansion_visitantes / sum(factor_expansion_visitantes))) +
  geom_histogram(bins = 40, fill = gris, color = "white", linewidth = 0.2) +
  geom_vline(xintercept = mediana_gpn, color = protagonista, linewidth = 1) +
  geom_vline(xintercept = media_gpn, color = "#E69F00", linewidth = 1, linetype = "dashed") +
  annotate("text", x = mediana_gpn, y = Inf, vjust = 1.5, hjust = 1.05,
           label = paste0("Mediana\n", dollar(mediana_gpn, accuracy = 1)),
           color = protagonista, fontface = "bold", size = 3.6) +
  annotate("text", x = media_gpn, y = Inf, vjust = 1.5, hjust = -0.08,
           label = paste0("Promedio\n", dollar(media_gpn, accuracy = 1)),
           color = "#B07700", fontface = "bold", size = 3.6) +
  scale_x_log10(labels = dollar_format(accuracy = 1), breaks = c(10, 25, 50, 100, 250, 500, 1000)) +
  scale_y_continuous(labels = percent, expand = expansion(mult = c(0, 0.15))) +
  coord_cartesian(xlim = c(5, 2500)) +
  labs(title = "2 de cada 3 visitantes gastan menos que el promedio por noche",
       subtitle = "Gasto por persona-noche (USD, escala logarítmica) · % de visitantes, ponderado",
       x = "USD por persona-noche (escala logarítmica)", y = "% de visitantes",
       caption = "Fuente: DANE, EVI, ago 2023 – jun 2025. Se excluye el 0,6 % de visitantes con gasto cero (escala log).") +
  tema_evi +
  theme(panel.grid.major.x = element_blank())

cuantil_pond <- function(x, w, p) {
  ok <- !is.na(x) & !is.na(w); x <- x[ok]; w <- w[ok]
  o <- order(x); x <- x[o]; w <- w[o]
  x[which(cumsum(w) / sum(w) >= p)[1]]
}

resumen <- function(x, w) {
  ok <- !is.na(x) & !is.na(w)
  tibble(P10 = cuantil_pond(x, w, 0.10), Q1 = cuantil_pond(x, w, 0.25),
         Mediana = cuantil_pond(x, w, 0.50), Promedio = weighted.mean(x[ok], w[ok]),
         Q3 = cuantil_pond(x, w, 0.75), P90 = cuantil_pond(x, w, 0.90))
}

pct_bajo_promedio <- with(gasto_noche,
  sum(factor_expansion_visitantes[gasto_persona_noche_usd < media_gpn]) / sum(factor_expansion_visitantes))

bind_rows(
  resumen(gasto_noche$gasto_persona_noche_usd, gasto_noche$factor_expansion_visitantes) %>%
    mutate(Variable = "Gasto por persona-noche (USD)"),
  resumen(evi_aereo$gasto_persona_usd, evi_aereo$factor_expansion_visitantes) %>%
    mutate(Variable = "Gasto por persona en el viaje (USD)"),
  resumen(evi_aereo$noches_viaje, evi_aereo$factor_expansion_visitantes) %>%
    mutate(Variable = "Noches de estadía")
) %>%
  relocate(Variable) %>%
  mutate(across(-Variable, ~ format(round(.x), big.mark = "."))) %>%
  kbl(align = c("l", rep("r", 6))) %>%
  kable_styling(bootstrap_options = c("striped", "condensed"), full_width = TRUE) %>%
  column_spec(4, bold = TRUE, background = "#EEEAF4") %>%   # Mediana en morado claro
  column_spec(5, background = "#FDF3E1") %>%                 # Promedio en naranja claro
  footnote(general = "Ponderado con el factor de expansión de visitantes. Extranjeros por avión que pernoctan.",
           general_title = "")
Variable P10 Q1 Mediana Promedio Q3 P90
Gasto por persona-noche (USD) 21 46 93 132 167 270
Gasto por persona en el viaje (USD) 233 465 810 1.150 1.400 2.300
Noches de estadía 3 5 8 16 16 32
Ponderado con el factor de expansión de visitantes. Extranjeros por avión que pernoctan.

El gasto por noche es muy desigual: la mitad de los visitantes gasta menos de 93 USD por noche, y la mitad “típica” se mueve entre 46 y 167 USD. El promedio (132 USD) es más alto porque unos pocos visitantes gastan mucho; de hecho, el 65% de los visitantes (2 de cada 3) gasta menos que el promedio. Lo mismo pasa con la estadía: la mitad se queda 8 noches o menos, pero el promedio es de 16, porque unos pocos se quedan meses. Por eso en todo el análisis usamos la mediana: describe mejor al visitante real.

Para ProColombia, esto significa que planear con el promedio sobreestimaría lo que deja un visitante típico.

3.4 ¿En qué se va la plata?

Además de cuánto gastan, nos interesa saber en qué lo gastan. Comparamos la estructura del gasto de los dos grupos principales: quienes vienen de vacaciones y quienes visitan familia o amigos.

rubros <- c(
  gasto_alimentos_bebidas_usd             = "Alimentos y bebidas",
  gasto_alojamiento_usd                   = "Alojamiento",
  gasto_paquete_turistico_usd             = "Paquete turístico",
  gasto_transporte_usd                    = "Transporte",
  gasto_artesanias_souvenires_regalos_usd = "Artesanías y regalos",
  gasto_servicios_culturales_usd          = "Cultura y recreación",
  gasto_bienes_uso_personal_usd           = "Bienes personales",
  gasto_tratamientos_bienestar_usd        = "Salud y bienestar"
)

estructura <- evi_aereo %>%
  filter(motivo_viaje %in% c("Vacaciones", "Visita a familiares/amigos")) %>%
  mutate(motivo = recode(motivo_viaje, "Visita a familiares/amigos" = "Visita familia o amigos"),
         peso   = factor_expansion_visitantes / tamano_grupo_viaje) %>%   # gasto del grupo -> por persona
  group_by(motivo) %>%
  mutate(gasto_total_motivo = sum(gasto_total_grupo_usd * peso)) %>%
  pivot_longer(all_of(names(rubros)), names_to = "rubro", values_to = "gasto") %>%
  group_by(motivo, rubro) %>%
  summarise(pct = sum(gasto * peso) / first(gasto_total_motivo), .groups = "drop") %>%
  mutate(rubro = recode(rubro, !!!rubros))

# Orden de los rubros: de mayor a menor gasto en vacaciones
orden <- estructura %>% filter(motivo == "Vacaciones") %>% arrange(pct) %>% pull(rubro)

pesas <- estructura %>%
  pivot_wider(names_from = motivo, values_from = pct) %>%
  mutate(rubro = factor(rubro, levels = orden),
         foco  = rubro == "Alojamiento")

ggplot(pesas, aes(y = rubro)) +
  geom_segment(aes(x = Vacaciones, xend = `Visita familia o amigos`, yend = rubro, color = foco),
               linewidth = 1.6, show.legend = FALSE) +
  geom_point(aes(x = Vacaciones, fill = "Vacaciones"), shape = 21, size = 4, color = "white") +
  geom_point(aes(x = `Visita familia o amigos`, fill = "Visita familia o amigos"), shape = 21, size = 4, color = "white") +
  geom_text(data = filter(pesas, foco),
            aes(x = Vacaciones, label = percent(Vacaciones, accuracy = 1)), hjust = -0.6, size = 3.5) +
  geom_text(data = filter(pesas, foco),
            aes(x = `Visita familia o amigos`, label = percent(`Visita familia o amigos`, accuracy = 1)),
            hjust = 1.6, size = 3.5) +
  scale_color_manual(values = c(`TRUE` = "#888780", `FALSE` = gris)) +
  scale_fill_manual(values = c("Vacaciones" = "#E69F00", "Visita familia o amigos" = protagonista), name = NULL) +
  scale_x_continuous(labels = percent, limits = c(0, 0.45)) +
  labs(title = "Quien visita familia casi no paga alojamiento: su gasto se va en comida y transporte",
       subtitle = "% del gasto de cada grupo que va a cada rubro (ponderado por visitantes)",
       x = "% del gasto del grupo", y = NULL,
       caption = "Fuente: DANE, EVI, ago 2023 – jun 2025. Extranjeros por avión que pernoctan.") +
  tema_evi +
  theme(panel.grid.major.y = element_blank(),
        plot.title = element_text(size = 12),
        legend.position = "top", legend.justification = "left")

La comida es el rubro donde más gastan los visitantes, por encima del alojamiento. Pero la estructura del gasto cambia según el motivo: quien viene de vacaciones reparte su dinero entre comida, alojamiento y paquetes, mientras que quien visita familia casi no paga alojamiento (7 % frente a 24 %) y concentra su gasto en comida y transporte.

Para ProColombia, esto muestra dos públicos distintos: el turista de vacaciones, que llega por el voz a voz y al que la promoción puede atraer, y los colombianos que viven en el exterior, que viajan por razones personales que beneficia sobre todo a restaurantes y transporte.

3.5 ¿Gastan más los que se quedan más tiempo?

Para comparar países usamos la mediana de cada uno, solo para los países con al menos 200 encuestas, para que el valor sea confiable. Revisamos cómo cambia el gasto según las noches de estadía, mirando dos medidas: el gasto por noche y el gasto del viaje completo.

# ---- Resumen por país (se reutiliza más adelante en el indicador) ----
paises_resumen <- evi_aereo %>%
  group_by(pais_residencia) %>%
  summarise(encuestas   = n(),
            visitantes  = sum(factor_expansion_visitantes),
            gasto_noche = mediana_pond(gasto_persona_noche_usd, factor_expansion_visitantes),
            gasto_viaje = mediana_pond(gasto_persona_usd, factor_expansion_visitantes),
            noches      = mediana_pond(noches_viaje, factor_expansion_visitantes)) %>%
  filter(encuestas >= 200)

lejanos <- c("España", "Francia", "Alemania", "Italia", "Suiza",
             "Reino Unido", "Países Bajos", "Australia")

paises_resumen <- paises_resumen %>%
  mutate(grupo = if_else(pais_residencia %in% lejanos, "Europa y Australia", "América"))

# ---- Correlaciones de Spearman (por rangos: no les afectan los valores extremos) ----
rho_noche <- cor(paises_resumen$noches, paises_resumen$gasto_noche, method = "spearman")
rho_viaje <- cor(paises_resumen$noches, paises_resumen$gasto_viaje, method = "spearman")
rho_noche_txt <- format(round(rho_noche, 2), decimal.mark = ",")
rho_viaje_txt <- format(round(rho_viaje, 2), decimal.mark = ",")

# ---- Función que dibuja un panel (para no repetir código) ----
etiquetar <- c("República Dominicana", "Estados Unidos", "España", "Australia", "Venezuela")

panel <- function(var_y, titulo, rho_txt, formato_y) {
  ggplot(paises_resumen, aes(noches, .data[[var_y]])) +
    geom_point(aes(size = visitantes, fill = grupo), shape = 21, color = "white", alpha = 0.85) +
    geom_text_repel(data = filter(paises_resumen, pais_residencia %in% etiquetar),
                    aes(label = pais_residencia), size = 3.2, seed = 2026,
                    box.padding = 0.6, point.padding = 0.8,
                    min.segment.length = 0, segment.color = "grey60", max.overlaps = Inf) +
    scale_fill_manual(values = c("Europa y Australia" = protagonista, "América" = "#9A9EA6"), name = NULL) +
    scale_size_area(max_size = 12, guide = "none") +
    scale_y_continuous(labels = formato_y) +
    guides(fill = guide_legend(override.aes = list(size = 5))) +
    labs(title = titulo, subtitle = paste0("Spearman ρ = ", rho_txt),
         x = "Noches de estadía (mediana)", y = NULL) +
    tema_evi
}

p_noche <- panel("gasto_noche", "Gasto por persona-noche (USD)", rho_noche_txt, dollar)
p_viaje <- panel("gasto_viaje", "Gasto por persona en el viaje completo (USD)", rho_viaje_txt,
                 dollar_format(big.mark = "."))

# ---- Los dos paneles lado a lado ----
(p_noche + p_viaje) +
  plot_layout(guides = "collect") +
  plot_annotation(
    title = "Quien se queda más gasta menos por noche, pero más en todo el viaje",
    subtitle = paste0("Mediana por país (", nrow(paises_resumen),
                      " países con 200+ encuestas) · tamaño = número de visitantes · ponderado"),
    caption = "Fuente: DANE, EVI, ago 2023 – jun 2025. Extranjeros por avión que pernoctan.",
    theme = theme(plot.title = element_text(face = "bold", size = 14),
                  plot.subtitle = element_text(color = "grey35"),
                  plot.caption = element_text(color = "grey45", size = 9))
  ) &
  theme(legend.position = "top", legend.justification = "left")

Encontramos que los países que se quedan más noches gastan menos por noche (ρ = -0,63), pero más en el viaje completo (ρ = 0,85). Los visitantes de Europa y Australia se quedan entre dos y tres veces más que los de América: aunque gastan menos cada día, al sumar todas las noches terminan gastando más. España es un buen ejemplo: sus visitantes gastan 58 USD por noche, pero como se quedan 18 noches, en todo su viaje gastan 1.030 USD.

Para ProColombia, esto muestra que no hay un solo tipo de mercado valioso: los países cercanos dejan más dinero por día y los lejanos dejan más dinero por visitante. Por eso, la promoción podría enfocarse en escapadas cortas para la región y en estancias largas para Europa.

3.6 ¿Cómo organizan el viaje?

Finalmente, revisamos cómo organizan su viaje los visitantes: si lo hacen por su cuenta, si usan plataformas de reserva como Booking o Airbnb, o si viajan con una agencia. Esta pregunta solo se incluyó en la encuesta desde enero de 2024, por lo que esta parte usa los datos de 2024 y 2025.

canal <- evi_aereo %>%
  filter(!is.na(organizacion_viaje), !is.na(usa_plataforma)) %>%
  mutate(canal = case_when(
    organizacion_viaje != "Cuenta propia" ~ "Con agencia",
    usa_plataforma == 1                   ~ "Por su cuenta, con plataforma",
    TRUE                                  ~ "Por su cuenta, sin plataforma"))

cobertura <- sum(canal$factor_expansion_visitantes) / total_visitantes   # % de visitantes con esta pregunta

canal_resumen <- canal %>%
  group_by(canal) %>%
  summarise(visitantes  = sum(factor_expansion_visitantes),
            gasto_noche = mediana_pond(gasto_persona_noche_usd, factor_expansion_visitantes),
            pct_familia = sum(factor_expansion_visitantes[motivo_viaje == "Visita a familiares/amigos"]) /
                          sum(factor_expansion_visitantes)) %>%
  mutate(pct      = visitantes / sum(visitantes),
         foco     = canal == "Con agencia",
         etiqueta = paste0(canal, "\n(", percent(pct, accuracy = 1), " de los visitantes)"),
         etiqueta = if_else(canal == "Por su cuenta, sin plataforma",
                            paste0(etiqueta, "\n", percent(pct_familia, accuracy = 1), " visita familia"),
                            etiqueta),
         etiqueta = fct_reorder(etiqueta, gasto_noche))

ggplot(canal_resumen, aes(gasto_noche, etiqueta)) +
  geom_segment(aes(x = 0, xend = gasto_noche, yend = etiqueta, color = foco), linewidth = 1.4) +
  geom_point(aes(color = foco), size = 7) +
  geom_text(aes(label = dollar(gasto_noche, accuracy = 1)), hjust = -0.6, size = 4) +
  scale_color_manual(values = c(`TRUE` = protagonista, `FALSE` = "#9A9EA6"), guide = "none") +
  scale_x_continuous(labels = dollar, limits = c(0, 215), expand = c(0, 0)) +
  labs(title = "Con agencia, el gasto por noche casi se triplica",
       subtitle = "Gasto mediano por persona-noche según cómo organizan el viaje (ponderado)",
       x = "USD por persona-noche (mediana)", y = NULL,
       caption = paste0("Fuente: DANE, EVI, ene 2024 – jun 2025 (", percent(cobertura, accuracy = 1),
                        " de los visitantes). La pregunta no se hizo de ago a dic de 2023.")) +
  tema_evi +
  theme(panel.grid.major.y = element_blank())

Nueve de cada diez visitantes organizan su viaje por su cuenta, y la mayoría no usa plataformas de reserva. Pero el gasto por noche sube a medida que el viaje tiene más intermediación: quien viaja con agencia gasta casi el triple que quien no usa ninguna plataforma. Una parte de la diferencia se explica porque el 51% del grupo sin plataforma viene a visitar familia y casi no paga alojamiento.

Para ProColombia, las plataformas y las agencias aparecen como un canal para llegar al turista que más gasta por día. Explorar alianzas con ellas, por ejemplo campañas en Booking o Airbnb, podría ser una forma de atraer a este visitante.

4 Indicador: gasto por persona-noche por mercado

Para comparar los mercados de origen construimos un indicador sencillo: el gasto mediano por persona-noche de cada país. Lo elegimos porque permite comparar a visitantes que viajan solos o en grupo, y que se quedan pocas o muchas noches, y porque está en dólares, lo que lo hace fácil de interpretar. Usamos la mediana, y no el promedio, porque el gasto tiene una cola larga (sección 3.3), y ponderamos con el factor de expansión para que el resultado represente a los visitantes y no solo a las encuestas.

4.1 Metodología

tibble(
  Paso = c("Qué mide", "Cálculo por visitante", "Agregación por país", "Ponderación",
           "Universo", "Umbral de confiabilidad", "Exclusiones", "Incertidumbre"),
  Descripción = c(
    "Cuánto gasta en promedio una persona por cada noche que pasa en Colombia, según su país de residencia.",
    "Gasto total del grupo ÷ (personas del grupo × noches del viaje).",
    "Mediana ponderada de los visitantes de cada país.",
    "Factor de expansión de visitantes (DANE): cada encuesta representa a varias personas.",
    "Extranjeros que llegan por avión y pernoctan en Colombia.",
    "Solo países con 200 encuestas o más (30 países, 98 % de los visitantes).",
    "Excursionistas (0 noches): no se puede calcular el gasto por noche.",
    "Intervalo de confianza del 95 % por bootstrap (500 remuestreos por país)."
  )
) %>%
  kbl() %>%
  kable_styling(bootstrap_options = c("striped", "condensed"), full_width = TRUE) %>%
  column_spec(1, bold = TRUE, width = "25%", background = "#EEEAF4")
Paso Descripción
Qué mide Cuánto gasta en promedio una persona por cada noche que pasa en Colombia, según su país de residencia.
Cálculo por visitante Gasto total del grupo ÷ (personas del grupo × noches del viaje).
Agregación por país Mediana ponderada de los visitantes de cada país.
Ponderación Factor de expansión de visitantes (DANE): cada encuesta representa a varias personas.
Universo Extranjeros que llegan por avión y pernoctan en Colombia.
Umbral de confiabilidad Solo países con 200 encuestas o más (30 países, 98 % de los visitantes).
Exclusiones Excursionistas (0 noches): no se puede calcular el gasto por noche.
Incertidumbre Intervalo de confianza del 95 % por bootstrap (500 remuestreos por país).

4.2 Ranking de mercados

4.3 Ranking por región de origen

Para tener una visión general, agrupamos los países por región. Así incluimos a todos los visitantes, también a los de países con pocas encuestas, y vemos qué zonas del mundo dejan más dinero por noche. La línea de cada región muestra su intervalo de confianza: entre más corta, más seguro es el resultado.

set.seed(2026)

# ---- Asignación de países a regiones ----
regiones <- list(
  "Norteamérica"  = c("Estados Unidos", "Canadá", "México", "Bermudas"),
  "Centroamérica" = c("Panamá", "Costa Rica", "Guatemala", "El Salvador", "Honduras", "Nicaragua", "Belice"),
  "Caribe"        = c("República Dominicana", "Puerto Rico", "Aruba", "Cuba", "Curazao", "Antillas Holandesas",
                      "Antigua y Barbuda", "Bahamas", "Jamaica", "Bonaire, San Eustatios y Saba",
                      "Trinidad y Tobago", "Caimán, Islas", "Haití", "Dominica", "Barbados", "Anguila",
                      "Santa Lucía", "San Cristóbal y Nieves", "Montserrat"),
  "Sudamérica"    = c("Perú", "Chile", "Ecuador", "Brasil", "Argentina", "Venezuela", "Bolivia",
                      "Uruguay", "Paraguay", "Surinam", "Guyana"),
  "Europa"        = c("España", "Francia", "Alemania", "Países Bajos", "Italia", "Reino Unido", "Gran Bretaña",
                      "Suiza", "Portugal", "Bélgica", "Polonia", "Austria", "Suecia", "Dinamarca", "Noruega",
                      "Irlanda", "Malta", "Andorra", "República Checa", "Rusia", "Hungría", "Finlandia",
                      "Eslovaquia", "Grecia", "Ucrania", "Eslovenia", "Croacia", "Serbia", "Rumanía",
                      "Luxemburgo", "Lituania", "Albania", "Estonia", "Liechtenstein", "Macedonia del Norte",
                      "Bulgaria", "Letonia", "Bielorrusia", "Moldavia", "Islandia", "Chipre", "Georgia",
                      "Armenia", "Azerbaiyán"),
  "Oceanía"       = c("Australia", "Nueva Zelanda", "Islas Cook", "Islas Salomón", "Polinesia Francesa")
)
tabla_regiones <- enframe(regiones, name = "region", value = "pais_residencia") %>% unnest(pais_residencia)

evi_aereo <- evi_aereo %>%
  select(-any_of("region")) %>%
  left_join(tabla_regiones, by = "pais_residencia") %>%
  mutate(region = replace_na(region, "Asia, África y Medio Oriente"))

# ---- Intervalo de confianza de la mediana ponderada (bootstrap) ----
ic_mediana <- function(x, w, B = 500) {
  ok <- !is.na(x) & !is.na(w); x <- x[ok]; w <- w[ok]
  meds <- replicate(B, {
    i <- sample.int(length(x), replace = TRUE)
    mediana_pond(x[i], w[i])
  })
  quantile(meds, c(0.025, 0.975))
}

mediana_general <- mediana_pond(evi_aereo$gasto_persona_noche_usd, evi_aereo$factor_expansion_visitantes)

ranking_region <- evi_aereo %>%
  group_by(region) %>%
  summarise(visitantes  = sum(factor_expansion_visitantes),
            gasto_noche = mediana_pond(gasto_persona_noche_usd, factor_expansion_visitantes),
            ic          = list(ic_mediana(gasto_persona_noche_usd, factor_expansion_visitantes)),
            .groups = "drop") %>%
  mutate(ic_bajo = map_dbl(ic, 1), ic_alto = map_dbl(ic, 2),
         pct     = visitantes / sum(visitantes),
         pequena = pct < 0.01,                              # regiones con menos del 1 % de los visitantes
         sobre   = gasto_noche > mediana_general,
         etiqueta = paste0(region, "\n(", percent(pct, accuracy = 0.1), " de los visitantes)"),
         etiqueta = fct_reorder(etiqueta, gasto_noche))

ggplot(ranking_region, aes(gasto_noche, etiqueta, color = sobre)) +
  geom_vline(xintercept = mediana_general, linetype = "dashed", color = "grey50") +
  annotate("text", x = mediana_general, y = Inf, vjust = -0.5, hjust = -0.05, size = 3.2, color = "grey40",
           label = paste0("Mediana general: ", dollar(mediana_general, accuracy = 1))) +
  geom_segment(aes(x = ic_bajo, xend = ic_alto, yend = etiqueta), linewidth = 2.5, alpha = 0.35) +
  geom_point(aes(alpha = pequena), size = 5) +
  geom_text(aes(x = ic_alto, label = dollar(gasto_noche, accuracy = 1)), hjust = -0.4, size = 3.6,
            color = "grey15") +
  scale_color_manual(values = c(`TRUE` = protagonista, `FALSE` = "#9A9EA6"), guide = "none") +
  scale_alpha_manual(values = c(`TRUE` = 0.5, `FALSE` = 1), guide = "none") +
  scale_x_continuous(labels = dollar, expand = expansion(mult = c(0.05, 0.12))) +
  coord_cartesian(clip = "off") +
  labs(title = "Un visitante del Caribe gasta casi el doble por noche que uno de Europa",
       subtitle = "Gasto mediano por persona-noche por región de origen · línea = intervalo de confianza del 95 % · ponderado",
       x = "USD por persona-noche (mediana)", y = NULL,
       caption = "Fuente: DANE, EVI, ago 2023 – jun 2025. IC por bootstrap (500 remuestreos). Puntos claros: menos del 1 % de los visitantes.") +
  tema_evi +
  theme(panel.grid.major.y = element_blank(),
        plot.subtitle = element_text(size = 9.5),
        plot.margin = margin(15, 10, 5, 5))

Al agrupar por región, la diferencia es clara: un visitante del Caribe gasta 125 USD por noche, mientras que uno de Europa gasta 67 USD, casi la mitad. Norteamérica, que aporta el 40% de los visitantes, queda en un punto intermedio con 100 USD. Para las regiones con muy pocos visitantes, como Oceanía o Asia, África y Medio Oriente, el intervalo es amplio y el resultado debe leerse con cuidado.

Para ProColombia, el Caribe es la región que más deja por día, pero solo aporta el 7% de los visitantes. Por eso, para decidir a qué mercados dirigir la promoción, es necesario cruzar el gasto con el volumen.

4.4 Matriz de decisión: gasto frente a volumen

El ranking muestra quién gasta más por noche, pero no cuántos visitantes llegan de cada país. Para tomar una decisión hay que mirar las dos cosas juntas. Cruzamos el indicador con el número de visitantes de cada país y dividimos los mercados en cuatro grupos usando como cortes la mediana general del gasto por noche y la mediana del número de visitantes de los 30 países.

corte_visitantes <- median(paises_resumen$visitantes)

matriz <- paises_resumen %>%
  mutate(cuadrante = case_when(
    gasto_noche >  mediana_general & visitantes >  corte_visitantes ~ "Consolidar",
    gasto_noche >  mediana_general & visitantes <= corte_visitantes ~ "Crecer",
    gasto_noche <= mediana_general & visitantes >  corte_visitantes ~ "Aumentar el gasto",
    TRUE                                                            ~ "Monitorear"),
    foco = cuadrante %in% c("Consolidar", "Crecer"))

ggplot(matriz, aes(visitantes, gasto_noche)) +
  geom_hline(yintercept = mediana_general, linetype = "dashed", color = "grey55") +
  geom_vline(xintercept = corte_visitantes, linetype = "dashed", color = "grey55") +
  geom_point(aes(color = foco), size = 3.5, alpha = 0.9) +
  geom_text_repel(aes(label = pais_residencia, color = foco), size = 3.1, seed = 2026,
                  box.padding = 0.35, point.padding = 0.3, min.segment.length = 0.2,
                  segment.color = "grey70", max.overlaps = Inf, show.legend = FALSE) +
  annotate("label", x = Inf, y = Inf, hjust = 1.05, vjust = 1.3, size = 3.6, label.size = 0,
           fill = "#EEEAF4", color = protagonista, fontface = "bold",
           label = "CONSOLIDAR\nmuchos visitantes, alto gasto") +
  annotate("label", x = -Inf, y = Inf, hjust = -0.05, vjust = 1.3, size = 3.6, label.size = 0,
           fill = "#EEEAF4", color = protagonista, fontface = "bold",
           label = "CRECER\npocos visitantes, alto gasto") +
  annotate("label", x = Inf, y = -Inf, hjust = 1.05, vjust = -0.3, size = 3.6, label.size = 0,
           fill = "#F1EFE8", color = "grey30", fontface = "bold",
           label = "AUMENTAR EL GASTO\nmuchos visitantes, bajo gasto") +
  annotate("label", x = -Inf, y = -Inf, hjust = -0.05, vjust = -0.3, size = 3.6, label.size = 0,
           fill = "#F1EFE8", color = "grey30", fontface = "bold",
           label = "MONITOREAR\npocos visitantes, bajo gasto") +
  scale_color_manual(values = c(`TRUE` = protagonista, `FALSE` = "#888780"), guide = "none") +
  scale_x_log10(labels = label_number(scale = 1e-3, suffix = " mil", big.mark = ".")) +
  scale_y_continuous(labels = dollar, expand = expansion(mult = 0.12)) +
  labs(title = "Matriz de decisión: ¿a qué mercados dirigir la promoción?",
       subtitle = paste0("Gasto mediano por persona-noche vs. número de visitantes · cortes: mediana general (",
                         dollar(mediana_general, accuracy = 1), ") y mediana de visitantes (",
                         format(round(corte_visitantes / 1e3), big.mark = "."), " mil)"),
       x = "Visitantes estimados (escala logarítmica)", y = "Gasto por persona-noche (mediana, USD)",
       caption = "Fuente: DANE, EVI, ago 2023 – jun 2025. 30 países con 200+ encuestas. Ponderado por visitantes.") +
  tema_evi

La matriz agrupa los mercados en cuatro estrategias. En Consolidar están los países que envían muchos visitantes y además gastan más que el promedio por noche (Brasil, Costa Rica, Ecuador, Estados Unidos, México, Panamá, Perú, Puerto Rico, República Dominicana): son la base del turismo receptivo y hay que mantenerlos. En Crecer están los que gastan bien por noche pero envían pocos visitantes (Aruba, El Salvador, Guatemala, Honduras, Paraguay, Uruguay): son la principal oportunidad, porque cada visitante adicional deja más dinero. En Aumentar el gasto están mercados grandes que gastan poco por noche (Argentina, Canadá, Chile, España, Francia, Venezuela), donde el reto no es traer más visitantes sino que gasten más durante su estadía. Por último, en Monitorear quedan mercados pequeños y de menor gasto diario, aunque varios de Europa compensan con estancias largas (sección 3.5).

Para ProColombia, la promoción podría enfocarse en los mercados del cuadrante Crecer, mantener la presencia en los de Consolidar y, para los mercados grandes de bajo gasto, promover experiencias que aumenten el gasto por noche, como paquetes y actividades.

5 Segmentación: perfiles de turista (K-Means)

Con el indicador sabemos qué mercados gastan más, pero no qué tipo de turista hay detrás. Para responderlo aplicamos K-Means a los visitantes, usando solo variables de comportamiento: cuánto gastan, cuánto se quedan, con quién viajan, cómo reservan y en qué gastan. A propósito no incluimos el motivo del viaje, para ver si el comportamiento por sí solo forma grupos y luego compararlos con el motivo.

5.1 Variables y preparación

vars_seg <- c("gasto_persona_noche_usd", "noches_viaje", "tamano_grupo_viaje", "usa_plataforma",
              "n_actividades", "pct_alojamiento", "pct_paquete", "pct_alimentos")

seg <- evi_aereo %>%
  mutate(gasto_base      = na_if(gasto_total_grupo_usd, 0),          # sin gasto no hay estructura
         pct_alojamiento = gasto_alojamiento_usd / gasto_base,
         pct_paquete     = gasto_paquete_turistico_usd / gasto_base,
         pct_alimentos   = gasto_alimentos_bebidas_usd / gasto_base) %>%
  drop_na(all_of(vars_seg))

cobertura_seg <- sum(seg$factor_expansion_visitantes) / total_visitantes

# Logaritmo en las variables con cola larga y estandarización (media 0, desviación 1)
z <- seg %>%
  select(all_of(vars_seg)) %>%
  mutate(across(c(gasto_persona_noche_usd, noches_viaje, tamano_grupo_viaje), log1p)) %>%
  scale()

tibble(
  Variable = c("Gasto por persona-noche", "Noches de estadía", "Tamaño del grupo", "Usa plataforma de reserva",
               "Número de actividades", "% del gasto en alojamiento", "% del gasto en paquete",
               "% del gasto en alimentos"),
  `Qué captura` = c("Cuánto gasta al día", "Cuánto se queda", "Con cuántos viaja", "Cómo reserva",
                    "Qué tan activo es el viaje", "En qué se va su dinero", "", ""),
  Transformación = c("log(1 + x) y estandarización", "log(1 + x) y estandarización",
                     "log(1 + x) y estandarización", "Estandarización", "Estandarización",
                     "Estandarización", "Estandarización", "Estandarización")
) %>%
  kbl() %>%
  kable_styling(bootstrap_options = c("striped", "condensed"), full_width = TRUE) %>%
  column_spec(1, bold = TRUE, background = "#EEEAF4") %>%
  footnote(general = paste0("Visitantes con todas las variables: ", format(nrow(seg), big.mark = "."),
                            " encuestas (", percent(cobertura_seg, accuracy = 1),
                            " de los visitantes). La pregunta de plataformas no se hizo de ago a dic de 2023."),
           general_title = "")
Variable Qué captura Transformación
Gasto por persona-noche Cuánto gasta al día log(1 + x) y estandarización
Noches de estadía Cuánto se queda log(1 + x) y estandarización
Tamaño del grupo Con cuántos viaja log(1 + x) y estandarización
Usa plataforma de reserva Cómo reserva Estandarización
Número de actividades Qué tan activo es el viaje Estandarización
% del gasto en alojamiento En qué se va su dinero Estandarización
% del gasto en paquete Estandarización
% del gasto en alimentos Estandarización
Visitantes con todas las variables: 77.132 encuestas (75% de los visitantes). La pregunta de plataformas no se hizo de ago a dic de 2023.

5.2 ¿Cuántos grupos?

Para elegir el número de grupos probamos de 2 a 7 y usamos dos criterios: el método del codo, que mide qué tanto se reduce la distancia dentro de los grupos al agregar uno más, y la silueta, que mide qué tan bien separado está cada visitante de los otros grupos (de −1 a 1; más alto es mejor).

set.seed(2026)
muestra_sil <- sample(nrow(z), 5000)                 # la silueta se calcula en una muestra (es muy pesada)
dist_muestra <- dist(z[muestra_sil, ])

evaluacion <- map_dfr(2:7, function(k) {
  km <- kmeans(z, centers = k, nstart = 25, iter.max = 50)
  sil <- silhouette(km$cluster[muestra_sil], dist_muestra)
  tibble(k = k, wss = km$tot.withinss, silueta = mean(sil[, "sil_width"]))
})

k_elegido <- 3

ggplot(evaluacion, aes(k, wss)) +
  geom_line(color = "#9A9EA6", linewidth = 1) +
  geom_point(aes(color = k == k_elegido), size = 4) +
  geom_text(aes(label = paste0("silueta\n", format(round(silueta, 2), decimal.mark = ","))),
            vjust = -0.6, size = 3, color = "grey30", lineheight = 0.9) +
  scale_color_manual(values = c(`TRUE` = protagonista, `FALSE` = "#9A9EA6"), guide = "none") +
  scale_x_continuous(breaks = 2:7, labels = paste0("K=", 2:7)) +
  scale_y_continuous(labels = label_number(scale = 1e-3, suffix = " mil", big.mark = "."),
                     expand = expansion(mult = c(0.05, 0.2))) +
  labs(title = "Con 3 grupos se logra la mejor silueta y el codo empieza a aplanarse",
       subtitle = "Suma de distancias dentro de los grupos (codo) y silueta promedio para cada K",
       x = NULL, y = "Distancia dentro de los grupos",
       caption = "Silueta calculada en una muestra aleatoria de 5.000 visitantes.") +
  tema_evi +
  theme(panel.grid.major.x = element_blank())

set.seed(2026)
km3 <- kmeans(z, centers = k_elegido, nstart = 50, iter.max = 50)
seg$grupo_num <- km3$cluster

# Nombramos los grupos según su perfil (no según el número, que es arbitrario)
nombres_grupo <- seg %>%
  group_by(grupo_num) %>%
  summarise(pct_paquete = weighted.mean(pct_paquete, factor_expansion_visitantes),
            gasto_noche = mediana_pond(gasto_persona_noche_usd, factor_expansion_visitantes)) %>%
  mutate(grupo = case_when(
    pct_paquete == max(pct_paquete) ~ "Compran paquete",
    gasto_noche == min(gasto_noche) ~ "Se quedan donde conocidos",
    TRUE                            ~ "Pagan su alojamiento")) %>%
  select(grupo_num, grupo)

seg <- seg %>% left_join(nombres_grupo, by = "grupo_num")

pal_grupos <- c("Pagan su alojamiento"      = "#56B4E9",
                "Compran paquete"           = "#E69F00",
                "Se quedan donde conocidos" = protagonista)
sil3 <- silhouette(km3$cluster[muestra_sil], dist_muestra)

silueta_grupo <- tibble(grupo_num = sil3[, "cluster"], ancho = sil3[, "sil_width"]) %>%
  left_join(nombres_grupo, by = "grupo_num") %>%
  group_by(grupo) %>%
  summarise(silueta = mean(ancho), pct_negativa = mean(ancho < 0)) %>%
  mutate(grupo = fct_reorder(grupo, silueta))

silueta_total <- mean(sil3[, "sil_width"])

ggplot(silueta_grupo, aes(silueta, grupo, fill = grupo)) +
  geom_col(width = 0.6) +
  geom_vline(xintercept = silueta_total, linetype = "dashed", color = "grey40") +
  annotate("text", x = silueta_total, y = Inf, vjust = -0.5, hjust = -0.05, size = 3.2, color = "grey40",
           label = paste0("Promedio: ", format(round(silueta_total, 2), decimal.mark = ","))) +
  geom_text(aes(label = format(round(silueta, 2), decimal.mark = ",")), hjust = -0.3, size = 3.8) +
  scale_fill_manual(values = pal_grupos, guide = "none") +
  scale_x_continuous(limits = c(0, 0.5), expand = c(0, 0)) +
  coord_cartesian(clip = "off") +
  labs(title = "El grupo de paquete es el más definido; el de quienes se quedan donde conocidos, el más difuso",
       subtitle = "Silueta promedio por grupo (de −1 a 1; más alto = mejor separado)",
       x = "Silueta promedio", y = NULL) +
  tema_evi +
  theme(panel.grid.major.y = element_blank(),
        plot.title = element_text(size = 12),
        plot.margin = margin(15, 10, 5, 5))

Elegimos tres grupos porque es el número con la mejor silueta (0,29) y a partir de ahí el codo se aplana: agregar más grupos reduce poco la distancia. Una silueta cercana a 0,3 indica una estructura moderada: los grupos existen, pero sus bordes no son nítidos. El grupo de quienes compran paquete es el más definido (0,41), mientras que el de quienes se quedan donde conocidos es el más difuso (0,24). Por eso los perfiles deben leerse como tendencias, no como categorías cerradas.

5.3 Perfil de cada grupo

Para entender qué caracteriza a cada grupo comparamos el valor típico de cada variable del modelo con el total de visitantes. Esta matriz es la que usamos para darles nombre: cada nombre describe el rasgo que más diferencia al grupo.

resumen_grupo <- function(d) {
  d %>% summarise(
    visitantes      = sum(factor_expansion_visitantes),
    gasto_noche     = mediana_pond(gasto_persona_noche_usd, factor_expansion_visitantes),
    noches          = mediana_pond(noches_viaje, factor_expansion_visitantes),
    tamano          = weighted.mean(tamano_grupo_viaje, factor_expansion_visitantes),
    plataforma      = weighted.mean(usa_plataforma, factor_expansion_visitantes),
    actividades     = weighted.mean(n_actividades, factor_expansion_visitantes),
    pct_alojamiento = weighted.mean(pct_alojamiento, factor_expansion_visitantes),
    pct_paquete     = weighted.mean(pct_paquete, factor_expansion_visitantes),
    pct_alimentos   = weighted.mean(pct_alimentos, factor_expansion_visitantes),
    .groups = "drop")
}

perfil_total <- seg %>% resumen_grupo() %>% mutate(grupo = "Total")
perfil       <- seg %>% group_by(grupo) %>% resumen_grupo()

nombres_var <- c(gasto_noche = "Gasto\npor noche", noches = "Noches", tamano = "Tamaño\ndel grupo",
                 plataforma = "Usa\nplataforma", actividades = "Actividades",
                 pct_alojamiento = "% gasto\nalojamiento", pct_paquete = "% gasto\npaquete",
                 pct_alimentos = "% gasto\ncomida")

totales_largo <- perfil_total %>%
  pivot_longer(all_of(names(nombres_var)), names_to = "variable", values_to = "valor_total") %>%
  select(variable, valor_total)

orden_filas <- c("Compran paquete", "Pagan su alojamiento", "Se quedan donde conocidos", "Total")

matriz_perfil <- bind_rows(perfil, perfil_total) %>%
  mutate(fila = if_else(grupo == "Total", "Total",
                        paste0(grupo, "\n", percent(visitantes / perfil_total$visitantes, accuracy = 1),
                               " · ", fmt_personas(visitantes)))) %>%
  pivot_longer(all_of(names(nombres_var)), names_to = "variable", values_to = "valor") %>%
  left_join(totales_largo, by = "variable") %>%
  mutate(relativo = valor / valor_total,
         nivel = case_when(grupo == "Total"    ~ "Total",
                           relativo >= 1.15    ~ "Alto",
                           relativo <= 0.85    ~ "Bajo",
                           TRUE                ~ "Similar"),
         etiqueta = case_when(variable == "gasto_noche"                ~ dollar(valor, accuracy = 1),
                              variable == "noches"                     ~ as.character(round(valor)),
                              variable %in% c("tamano", "actividades") ~ format(round(valor, 1), decimal.mark = ","),
                              TRUE                                     ~ percent(valor, accuracy = 1)),
         variable = factor(variable, levels = names(nombres_var), labels = nombres_var),
         orden    = match(grupo, orden_filas),
         fila     = fct_reorder(fila, -orden))

ggplot(matriz_perfil, aes(variable, fila, fill = nivel)) +
  geom_tile(color = "white", linewidth = 1.5) +
  geom_text(aes(label = etiqueta), fontface = "bold", size = 3.8, color = "grey15") +
  scale_fill_manual(values = c("Alto" = "#D9CCEA", "Bajo" = "#D6EAF5", "Similar" = "#F1EFE8", "Total" = "white"),
                    breaks = c("Alto", "Similar", "Bajo"),
                    labels = c("Alto frente al total", "Similar al total", "Bajo frente al total"), name = NULL) +
  scale_x_discrete(position = "top") +
  labs(title = "Tres formas de viajar: con paquete, pagando alojamiento o quedándose donde conocidos",
       subtitle = "Valor típico de cada variable del K-Means (mediana para gasto y noches; promedio para las demás) · ponderado",
       x = NULL, y = NULL,
       caption = "Alto/bajo: al menos 15 % por encima/debajo del total. Fuente: DANE, EVI, ene 2024 – jun 2025.") +
  tema_evi +
  theme(panel.grid = element_blank(), axis.text.y = element_text(hjust = 0),
        plot.title = element_text(size = 12),
        legend.position = "bottom", legend.justification = "left")

5.4 ¿Quiénes son? Variables que no entraron al modelo

Para comprobar que los grupos tienen sentido, revisamos variables que no usamos en el K-Means: el motivo del viaje y si la persona nació en Colombia. Si los grupos fueran solo ruido, estas variables serían parecidas en los tres.

validacion <- seg %>%
  group_by(grupo) %>%
  summarise(`Viene de vacaciones` = weighted.mean(motivo_viaje == "Vacaciones", factor_expansion_visitantes),
            `Viene a visitar familia o amigos` = weighted.mean(motivo_viaje == "Visita a familiares/amigos",
                                                                factor_expansion_visitantes),
            `Viene por negocios` = weighted.mean(motivo_viaje == "Negocios", factor_expansion_visitantes),
            `Nació en Colombia` = weighted.mean(medio_conocimiento_colombia == "País de nacimiento",
                                                factor_expansion_visitantes),
            .groups = "drop") %>%
  pivot_longer(-grupo, names_to = "indicador", values_to = "pct") %>%
  mutate(indicador = factor(indicador, levels = rev(c("Viene de vacaciones", "Viene a visitar familia o amigos",
                                                      "Viene por negocios", "Nació en Colombia"))))

ggplot(validacion, aes(pct, indicador, color = grupo)) +
  geom_line(aes(group = indicador), color = gris, linewidth = 1.5) +
  geom_point(size = 5) +
  scale_color_manual(values = pal_grupos, name = NULL) +
  scale_x_continuous(labels = percent, limits = c(0, 1)) +
  labs(title = "Sin conocer el motivo, el modelo separó a quienes vienen de vacaciones de quienes vienen a ver familia",
       subtitle = "% de cada grupo según variables que no se usaron en el K-Means · ponderado",
       x = "% de los visitantes del grupo", y = NULL) +
  tema_evi +
  theme(panel.grid.major.y = element_blank(),
        plot.title = element_text(size = 11.5),
        legend.position = "top", legend.justification = "left")

5.5 ¿Qué perfiles trae cada mercado?

Finalmente cruzamos los grupos con los países. Esto conecta la segmentación con el indicador: permite entender por qué algunos mercados gastan más por noche que otros.

top_paises <- seg %>%
  count(pais_residencia, wt = factor_expansion_visitantes) %>%
  slice_max(n, n = 12) %>%
  pull(pais_residencia)

mezcla <- seg %>%
  filter(pais_residencia %in% top_paises) %>%
  group_by(pais_residencia, grupo) %>%
  summarise(visitantes = sum(factor_expansion_visitantes), .groups = "drop") %>%
  group_by(pais_residencia) %>%
  mutate(pct = visitantes / sum(visitantes)) %>%
  ungroup()

orden_paises <- mezcla %>%
  filter(grupo == "Se quedan donde conocidos") %>%
  arrange(desc(pct)) %>%
  pull(pais_residencia)

mezcla <- mezcla %>%
  mutate(pais_residencia = factor(pais_residencia, levels = orden_paises),
         grupo = factor(grupo, levels = c("Compran paquete", "Pagan su alojamiento", "Se quedan donde conocidos")))

ggplot(mezcla, aes(pct, pais_residencia, fill = grupo)) +
  geom_col(width = 0.7, position = position_stack(reverse = TRUE)) +
  geom_text(aes(label = ifelse(pct >= 0.08, percent(pct, accuracy = 1), ""),
                color = grupo == "Se quedan donde conocidos", group = grupo),
            position = position_stack(vjust = 0.5, reverse = TRUE), size = 3.3) +
  scale_fill_manual(values = pal_grupos, name = NULL) +
  scale_color_manual(values = c(`TRUE` = "white", `FALSE` = "grey15"), guide = "none") +
  scale_x_continuous(labels = percent, expand = c(0, 0)) +
  labs(title = "Cada mercado trae una mezcla distinta de turistas",
       subtitle = "% de los visitantes de cada país en cada perfil · 12 países con más visitantes · ponderado",
       x = NULL, y = NULL,
       caption = "Fuente: DANE, EVI, ene 2024 – jun 2025.") +
  tema_evi +
  theme(panel.grid = element_blank(), axis.text.x = element_blank(),
        legend.position = "top", legend.justification = "left")

5.6 Los tres perfiles en resumen

Compran paquete · 10% de los visitantes (341 mil personas) · 70 países de origen
Son los que más gastan por noche: casi todo su dinero va al paquete turístico, que incluye alojamiento y servicios. Viajan en grupos algo más grandes y hacen más actividades.
Gasto típico: 200 USD por noche · Estadía típica: 6 noches · Principales países: Estados Unidos, México, Perú
Quiénes son: 76% viene de vacaciones, 9% a visitar familia o amigos y el 7% nació en Colombia. El 47% conoció el país por recomendación.
Para ProColombia: Grupo pequeño pero muy valioso por día. Promover paquetes con agencias y operadores en los mercados donde este perfil pesa más.
Pagan su alojamiento · 46% de los visitantes (1,63 M personas) · 115 países de origen
Organizan su viaje por su cuenta, la mayoría con plataformas como Booking o Airbnb. El alojamiento es su mayor gasto y se quedan una semana o menos.
Gasto típico: 125 USD por noche · Estadía típica: 6 noches · Principales países: Estados Unidos, México, Panamá
Quiénes son: 65% viene de vacaciones, 13% a visitar familia o amigos y el 7% nació en Colombia. El 51% conoció el país por recomendación.
Para ProColombia: Es el turista que la promoción puede atraer. Llegarle por plataformas digitales y por el voz a voz, que es como la mayoría conoce Colombia.
Se quedan donde conocidos · 44% de los visitantes (1,54 M personas) · 100 países de origen
Se quedan más tiempo pero casi no pagan alojamiento: su gasto se va en comida y transporte. Casi no usan plataformas ni agencias.
Gasto típico: 43 USD por noche · Estadía típica: 14 noches · Principales países: Estados Unidos, España, México
Quiénes son: 20% viene de vacaciones, 65% a visitar familia o amigos y el 54% nació en Colombia. El 34% conoció el país por recomendación.
Para ProColombia: No depende de la promoción turística. La oportunidad es que, ya estando aquí, conozcan otros destinos y gasten más por noche.
Sin darle el motivo del viaje, el K-Means separó tres formas de viajar. La más llamativa es la de quienes se quedan donde conocidos: el 54% de ellos nació en Colombia, es decir, el modelo encontró a los colombianos que viven en el exterior solo por su forma de gastar. Esto también explica el indicador: España gasta poco por noche porque el 69% de sus visitantes está en este grupo, mientras que en República Dominicana el 26% compra paquete. Incluso en Estados Unidos, el 51% de los visitantes se queda donde conocidos.

Para ProColombia, el número de visitantes de un país no basta para decidir: importa qué tipo de turista trae. Los mercados con más turistas que pagan su alojamiento o compran paquete son los que mejor responden a la promoción.

6 Recomendaciones para los stakeholders

7 Evaluación crítica y ética

8 Limitaciones y mejoras futuras