# ---- 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"   = "#5E3C99",  # morado oscuro
  "Se quedan donde conocidos" = "#009E73"   # verde
)
protagonista <- "#5E3C99"   # 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, teniendo en cuenta quienes gastan más por noche, y evitar promocionar productos que no corresponden al tipo de turista y lo que busca en su viaje.

Por eso este análisis se enfoca en ProColombia y en tres decisiones concretas: a qué mercados dirigir la promoción, qué producto turístico promocionar en cada uno y por qué canal llegarle a cada mercado.

Pregunta central: ¿A qué mercados de origen debería dirigir ProColombia la promoción, según el tipo de turista que viene a conocer el país y gasta más durante su visita?

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

Usamos la Encuesta de Visitantes Internacionales (EVI) del DANE, que según la entidad “tiene como objetivo caracterizar los viajes turísticos y cuantificar los gastos por rubro realizados por visitantes residentes y no residentes” (DANE, 2025). Es la única medición continua del turismo internacional en el país: se retomó en agosto de 2023 después de casi diez años, se recoge mes a mes en aeropuertos y puertos, y sus resultados se publican cada trimestre.

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",
            "Preparación de los datos",
            "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",
    "Visitante: cada registro es la encuesta a una persona; con el factor de expansión cada respuesta representa a varios visitantes.",   # <- cambio
    paste0(format(n_total, big.mark = "."), " registros en la base limpia"),
    paste0("Extranjeros que llegan por avión y pasan al menos una noche en Colombia: ",                                    # <- cambio
           format(n_aereos, big.mark = "."), " registros"),
    "factor_expansion_visitantes: permite pasar de encuestas a visitantes estimados. Solo en la sección 3.1 se usa factor_expansion_viajes, porque el DANE no calcula el de visitantes para los cruceristas.",  # <- cambio
    "Unimos los archivos de cada periodo, homologamos nombres de variables y países (por ejemplo, Inglaterra, Escocia y Gales como Reino Unido), retiramos registros sin factor de expansión y calculamos el gasto por persona-noche. Cada paso quedó registrado en la bitácora del script de limpieza.",  # <- nuevo
    "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 Visitante: cada registro es la encuesta a una persona; con el factor de expansión cada respuesta representa a varios visitantes.
Registros 205.571 registros en la base limpia
Universo de este análisis Extranjeros que llegan por avión y pasan al menos una noche en Colombia: 96.849 registros
Factor de expansión factor_expansion_visitantes: permite pasar de encuestas a visitantes estimados. Solo en la sección 3.1 se usa factor_expansion_viajes, porque el DANE no calcula el de visitantes para los cruceristas.
Preparación de los datos Unimos los archivos de cada periodo, homologamos nombres de variables y países (por ejemplo, Inglaterra, Escocia y Gales como Reino Unido), retiramos registros sin factor de expansión y calculamos el gasto por persona-noche. Cada paso quedó registrado en la bitácora del script de limpieza.
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 pasan una noche, 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",
      medio_conocimiento_colombia == "Medios digitales"   ~ "Medios digitales",
      TRUE                                                ~ "Otros / no responde")
  ) %>%
  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",
                                           "Medios digitales", "Otros / no responde")),
         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,
                   "Medios digitales"    = "#56B4E9",
                   "Otros / no responde" = 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 = "El turista de vacaciones llega por recomendación; \ncasi la mitad de quienes visitan familia nació en Colombia",
       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(),
        plot.title = element_text(size = 11.5),
        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: son 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: los colombianos que viven en el exterior, que viajan por razones personales y no dependen 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())

La siguiente tabla resume las medidas de posición del gasto y de la estadía. La comparación entre la mediana y el promedio muestra qué tanto influyen los valores extremos.

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 pasan al menos una noche",
           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 pasan al menos una noche

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.

Los visitantes con gasto cero (menos del 1 %) no se imputaron: son casos reales, por ejemplo personas a quienes otros les cubrieron los gastos, y cambiarlos inventaría un gasto que no existió.

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

3.4 ¿En qué gastan?

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 y los gremios, esto significa que cada tipo de visitante beneficia a sectores distintos: el turista de vacaciones mueve toda la cadena (hoteles, agencias y restaurantes), mientras que quienes visitan familia benefician 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. En el gráfico, cada punto es un país: en el eje horizontal están las noches que se quedan sus visitantes y en el vertical, cuánto gastan en todo el viaje. Así vemos si quienes se quedan más tiempo también dejan más dinero.

# ---- 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"))

# ---- Correlación de Spearman entre noches y gasto del viaje ----
rho_viaje     <- cor(paises_resumen$noches, paises_resumen$gasto_viaje, method = "spearman")
rho_viaje_txt <- format(round(rho_viaje, 2), decimal.mark = ",")

etiquetar <- c("República Dominicana", "Estados Unidos", "España", "Australia")

ggplot(paises_resumen, aes(noches, gasto_viaje)) +
  geom_smooth(method = "lm", se = FALSE, color = "grey70", linetype = "dashed", linewidth = 0.6) +
  geom_point(aes(fill = grupo), shape = 21, color = "white", size = 4, alpha = 0.9) +
  geom_text_repel(data = filter(paises_resumen, pais_residencia %in% etiquetar),
                  aes(label = pais_residencia), size = 3.4, seed = 2026,
                  box.padding = 1, point.padding = 1, force = 3,
                  min.segment.length = 0, segment.color = "grey60", max.overlaps = Inf) +
  scale_fill_manual(values = c("Europa y Australia" = protagonista, "América" = "#9A9EA6"), name = NULL) +
  scale_y_continuous(labels = dollar_format(big.mark = ".")) +
  guides(fill = guide_legend(override.aes = list(size = 5))) +
  labs(title = "Quien se queda más noches gasta más en todo el viaje",
       subtitle = paste0("Cada punto es un país (mediana ponderada por visitantes) · línea punteada = tendencia · ",
                         "Spearman ρ = ", rho_viaje_txt),
       x = "Noches de estadía (mediana)", y = "Gasto por persona en el viaje completo (USD)",
       caption = paste0("Fuente: DANE, EVI, ago 2023 – jun 2025. ", nrow(paises_resumen),
                        " países con 200+ encuestas. La línea es una guía visual (regresión lineal).")) +
  tema_evi +
  theme(legend.position = "top", legend.justification = "left")

Los países cuyos visitantes se quedan más noches son también los que más gastan en todo su viaje (ρ = 0,85). Los visitantes de Europa y Australia se quedan entre 15 y 21 noches y ocupan los primeros lugares en gasto total, mientras que los de América se quedan menos tiempo y gastan menos en el viaje completo.

Para ProColombia, esto significa que un mercado no vale solo por lo que gasta cada día: los que se quedan más tiempo dejan más dinero por visitante. Lo tendremos en cuenta al leer el indicador de gasto por noche y la matriz de decisión.

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

n_paises_ind  <- nrow(paises_resumen)
cobertura_ind <- sum(paises_resumen$visitantes) / total_visitantes

tibble(
  Paso = c("Qué mide", "Cálculo por visitante", "Agregación por país", "Agregación por región",
           "Ponderación", "Universo", "Umbral de confiabilidad", "Exclusiones",
           "Matriz de decisión"),
  Descripción = c(
    "Cuánto gasta típicamente 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.",
    "Mediana ponderada de todos los visitantes de la región, incluidos los países con pocas encuestas.",
    "Factor de expansión de visitantes (DANE): cada encuesta representa a varias personas.",
    "Extranjeros que llegan por avión y que pasan al menos una noche en Colombia.",
    paste0("Por país, solo los que tienen 200 encuestas o más (", n_paises_ind, " países, ",
           percent(cobertura_ind, accuracy = 1), " de los visitantes)."),
    "Excursionistas (0 noches): no se puede calcular el gasto por noche.",
    "Cuatro cuadrantes según dos cortes: la mediana general del gasto por noche y la mediana del número de visitantes de los países."
  )
) %>%
  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 típicamente 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.
Agregación por región Mediana ponderada de todos los visitantes de la región, incluidos los países con pocas encuestas.
Ponderación Factor de expansión de visitantes (DANE): cada encuesta representa a varias personas.
Universo Extranjeros que llegan por avión y que pasan al menos una noche en Colombia.
Umbral de confiabilidad Por país, solo los que tienen 200 encuestas o más (30 países, 97% de los visitantes).
Exclusiones Excursionistas (0 noches): no se puede calcular el gasto por noche.
Matriz de decisión Cuatro cuadrantes según dos cortes: la mediana general del gasto por noche y la mediana del número de visitantes de los países.

4.2 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 la mediana general: entre más corta, más seguro es el resultado.

# ---- 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"))

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),
            .groups = "drop") %>%
  mutate(pct      = visitantes / sum(visitantes),
         pequena  = pct < 0.01,                              # menos del 1 % de los visitantes
         sobre    = gasto_noche > mediana_general,
         etiqueta = paste0(region, "\n(", percent(pct, accuracy = 0.1, decimal.mark = ","),
                           " de los visitantes", if_else(pequena, " · pocos datos", ""), ")"),
         etiqueta = fct_reorder(etiqueta, gasto_noche))

ggplot(ranking_region, aes(gasto_noche, etiqueta, color = sobre)) +
  geom_vline(xintercept = mediana_general, linetype = "dashed", color = "grey50") +
  geom_segment(aes(x = mediana_general, xend = gasto_noche, yend = etiqueta), linewidth = 1.2, alpha = 0.5) +
  geom_point(aes(alpha = pequena), size = 6) +
  geom_text(aes(label = dollar(gasto_noche, accuracy = 1),
                hjust = if_else(sobre, -0.6, 1.6)), size = 3.8, color = "grey15") +
  scale_color_manual(values = c(`TRUE` = protagonista, `FALSE` = "#9A9EA6"), guide = "none") +
  scale_alpha_manual(values = c(`TRUE` = 0.4, `FALSE` = 1), guide = "none") +
  scale_x_continuous(labels = dollar, expand = expansion(mult = 0.12)) +
  labs(title = "El Caribe gasta casi el doble por noche que Europa",
       subtitle = paste0("Gasto mediano por persona-noche por región de origen · línea punteada = mediana general (",
                         dollar(mediana_general, accuracy = 1), ") · ponderado"),
       x = "USD por persona-noche (mediana)", y = NULL,
       caption = "Fuente: DANE, EVI, ago 2023 – jun 2025. Puntos claros: regiones con menos del 1 % de los visitantes; su valor es menos seguro.") +
  tema_evi +
  theme(panel.grid.major.y = element_blank(),
        plot.subtitle = element_text(size = 9.5),
        plot.title.position = "plot")

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. Oceanía y Asia, África y Medio Oriente tienen muy pocos visitantes, por lo que su resultado es menos seguro.

Para ProColombia, el Caribe es la región que más deja por día, pero solo aporta el 7% de los visitantes, mientras que Norteamérica aporta el 40%. Por eso, para decidir a qué mercados dirigir la promoción, es necesario cruzar el gasto con el volumen.

4.3 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 = 0, y = Inf, hjust = -0.05, vjust = 1.3, size = 3.6, label.size = 0,   # <- cambio
           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 = 0, y = -Inf, hjust = -0.05, vjust = -0.3, size = 3.6, label.size = 0,  # <- cambio
           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:
  • Consolidar (muchos visitantes y gasto alto): son la base del turismo receptivo. Brasil, Costa Rica, Ecuador, Estados Unidos, México, Panamá, Perú, Puerto Rico, República Dominicana.
  • Crecer (pocos visitantes, pero gasto alto): son la principal oportunidad, porque cada visitante adicional deja más dinero. Aruba, El Salvador, Guatemala, Honduras, Paraguay, Uruguay.
  • Aumentar el gasto (muchos visitantes, gasto bajo): el reto no es traer más visitantes, sino que gasten más durante su estadía. Argentina, Canadá, Chile, España, Francia, Venezuela.
  • Monitorear (pocos visitantes, gasto bajo): mercados pequeños, aunque varios de Europa compensan con estancias largas (sección 3.5). Alemania, Australia, Bolivia, Cuba, Curazao, Italia, Países Bajos, Reino Unido, Suiza.
Para ProColombia, la prioridad sería crecer en los mercados del cuadrante Crecer, mantener la presencia en los de Consolidar y, en los mercados grandes de bajo gasto, promover experiencias que aumenten el gasto por noche, como paquetes y actividades.

4.4 ¿A dónde van los visitantes?

Además de saber de dónde vienen, nos interesa saber a qué destinos llegan y cuánto gastan allí. Tomamos el destino principal de cada visitante, es decir, el departamento donde pasó más noches.

destinos <- evi_aereo %>%
  group_by(destino_principal) %>%
  summarise(visitantes  = sum(factor_expansion_visitantes),
            gasto_noche = mediana_pond(gasto_persona_noche_usd, factor_expansion_visitantes),
            .groups = "drop") %>%
  mutate(pct = visitantes / sum(visitantes))

top10 <- destinos %>%
  slice_max(pct, n = 10) %>%
  mutate(top4     = rank(-pct) <= 4,
         destino  = fct_reorder(destino_principal, pct),
         etiqueta = paste0(percent(pct, accuracy = 1), "  ·  ", dollar(gasto_noche, accuracy = 1), " por noche"))

pct_top4 <- sum(top10$pct[top10$top4])

ggplot(top10, aes(pct, destino, fill = top4)) +
  geom_col(width = 0.7) +
  geom_text(aes(label = etiqueta), hjust = -0.05, size = 3.4, color = "grey20") +
  scale_fill_manual(values = c(`TRUE` = protagonista, `FALSE` = gris), guide = "none") +
  scale_x_continuous(expand = expansion(mult = c(0, 0.45))) +
  labs(title = "Cuatro destinos reciben a 8 de cada 10 visitantes",
              subtitle = paste0("Top 10 de destinos principales (departamento) · los 4 primeros suman el ",percent(pct_top4, accuracy = 1), " de los visitantes · gasto mediano por noche"),
       x = NULL, y = NULL,
       caption = "Fuente: DANE, EVI, ago 2023 – jun 2025. Destino principal: departamento donde pasó más noches.") +
  tema_evi +
  theme(panel.grid = element_blank(),
        axis.text.x = element_blank())

El turismo internacional se concentra en cuatro destinos: Bogotá, Antioquia, Bolívar y el Valle del Cauca reciben al 81% de los visitantes. Donde más se gasta por noche es en la Costa y Antioquia: San Andrés (129 USD) y Bolívar (122 USD). En cambio, en el Valle del Cauca se gasta menos de la mitad (56 USD).

Para ProColombia, hay una oportunidad en promover destinos fuera de los cuatro principales, que hoy reciben muy pocos visitantes internacionales.

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.

5.1 Variables y preparación

Elegimos ocho variables que describen cómo viaja y cómo gasta cada visitante, agrupadas en cuatro preguntas. A propósito dejamos por fuera el motivo del viaje y el país de origen: queremos que los grupos se formen solo por el comportamiento, y después comparar con esas variables para ver si tienen sentido.

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(
  `¿Qué queremos saber del visitante?` = c("Cuánto gasta", "Cómo es su viaje", "Cómo reserva", "En qué gasta"),
  Variables = c("Gasto por persona-noche",
                "Noches de estadía · Tamaño del grupo · Número de actividades",
                "Usa plataforma de reserva (Booking, Airbnb, etc.)",
                "% del gasto en alojamiento · en paquete turístico · en comida")
) %>%
  kbl() %>%
  kable_styling(bootstrap_options = c("striped", "condensed"), full_width = TRUE) %>%
  column_spec(1, bold = TRUE, width = "32%", background = "#EEEAF4")
¿Qué queremos saber del visitante? Variables
Cuánto gasta Gasto por persona-noche
Cómo es su viaje Noches de estadía · Tamaño del grupo · Número de actividades
Cómo reserva Usa plataforma de reserva (Booking, Airbnb, etc.)
En qué gasta % del gasto en alojamiento · en paquete turístico · en comida

Antes de aplicar el K-Means hicimos dos ajustes. Primero, aplicamos logaritmo al gasto, las noches y el tamaño del grupo, porque tienen cola larga y unos pocos valores extremos podían dominar los grupos. Segundo, estandarizamos todas las variables para que pesen igual: sin esto, el gasto (en dólares) pesaría mucho más que el uso de plataformas (que solo vale 0 o 1). Para el modelo usamos 77.132 encuestas, el 75% de los visitantes, porque la pregunta sobre plataformas no se hizo de agosto a diciembre 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

evaluacion <- evaluacion %>% mutate(elegido = k == k_elegido)

# ---- Panel izquierdo: codo ----
p_codo <- ggplot(evaluacion, aes(k, wss)) +
  geom_line(color = "grey40", linewidth = 0.8) +
  geom_point(aes(color = elegido, size = elegido)) +
  scale_color_manual(values = c(`TRUE` = protagonista, `FALSE` = "grey40"), guide = "none") +
  scale_size_manual(values = c(`TRUE` = 4, `FALSE` = 2), guide = "none") +
  scale_x_continuous(breaks = 2:7) +
  scale_y_continuous(labels = label_number(scale = 1e-3, suffix = " mil", big.mark = ".")) +
  labs(title = "Codo", subtitle = paste0("Después de K = ", k_elegido, " la ganancia se aplana"),
       x = "K (número de grupos)", y = "Distancia dentro de los grupos") +
  tema_evi +
  theme(plot.title = element_text(size = 12, face = "bold"),
        plot.subtitle = element_text(size = 9.5))

# ---- Panel derecho: silueta por K ----
p_silueta <- ggplot(evaluacion, aes(factor(k), silueta, fill = elegido)) +
  geom_col(width = 0.7) +
  geom_text(aes(label = format(round(silueta, 2), decimal.mark = ",")), vjust = -0.4, size = 3.4) +
  scale_fill_manual(values = c(`TRUE` = protagonista, `FALSE` = gris), guide = "none") +
  scale_y_continuous(expand = expansion(mult = c(0, 0.12))) +
  labs(title = "Silueta", subtitle = "Más alto = grupos más separados",
       x = "K (número de grupos)", y = "Silueta promedio") +
  tema_evi +
  theme(panel.grid.major.x = element_blank(),
        plot.title = element_text(size = 12, face = "bold"),
        plot.subtitle = element_text(size = 9.5))

# ---- Los dos lado a lado ----
(p_codo + p_silueta) +
  plot_annotation(
    title = paste0("Elegimos K = ", k_elegido, ": la silueta es la más alta y el codo empieza a aplanarse"),
    caption = "Silueta calculada en una muestra aleatoria de 5.000 visitantes. Fuente: DANE, EVI, ene 2024 – jun 2025.",
    theme = theme(plot.title = element_text(face = "bold", size = 14),
                  plot.caption = element_text(color = "grey45", size = 9))
  )

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)
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 dentro de ellos. Una silueta cercana a 0,3 indica una estructura moderada: los grupos existen, pero sus bordes no son nítidos y hay visitantes que podrían estar entre un grupo y otro. 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 = "Gasto y noches: mediana · demás variables: promedio · ponderado",   # <- cambio
       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),
        plot.title.position = "plot",   # <- cambio
        legend.position = "bottom", legend.justification = "left")

La matriz muestra tres formas de viajar muy distintas. Quienes compran paquete son los que más gastan por noche (200 USD) y casi todo su dinero va al paquete (80%). Quienes pagan su alojamiento también gastan por encima del total y son los que más usan plataformas de reserva (67%). En cambio, quienes se quedan donde conocidos gastan apenas 43 USD por noche, se quedan 14 noches y casi no pagan alojamiento (4% de su gasto). Los nombres de los grupos salen de estos rasgos, no del motivo del viaje, que no entró al modelo.

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 vacaciones de visita a familia",   # <- cambio
       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),
        plot.title.position = "plot",   # <- cambio
        legend.position = "top", legend.justification = "left")

Aunque el modelo no conocía el motivo del viaje, los grupos se diferencian claramente en él. En los grupos de paquete y de alojamiento la mayoría viene de vacaciones (76% y 65%), mientras que en el grupo de quienes se quedan donde conocidos el 65% viene a visitar familia o amigos y el 54% nació en Colombia. Esto confirma que los grupos no son ruido: el comportamiento de gasto refleja quién es el visitante.

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")

Cada mercado trae una mezcla distinta de turistas, y eso explica el indicador. España gasta poco por noche porque el 69% de sus visitantes se queda donde conocidos, mientras que en República Dominicana el 26% compra paquete, la cifra más alta de los 12 países. Incluso en Estados Unidos, el principal mercado, 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.

5.6 ¿Cómo se relacionan los grupos con el indicador?

Para comprobar que la segmentación y el indicador cuentan la misma historia, ubicamos a los visitantes de cada grupo según su gasto por persona-noche.

set.seed(2026)

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

# Muestra de 1.500 visitantes (ponderada por el factor) para que los puntos se puedan ver
muestra_puntos <- seg %>%
  filter(gasto_persona_noche_usd > 0) %>%
  slice_sample(n = 1500, weight_by = factor_expansion_visitantes) %>%
  mutate(grupo = factor(grupo, levels = orden_grupos))

# Mediana de cada grupo, con todos los visitantes (no solo la muestra)
medianas_grupo <- seg %>%
  group_by(grupo) %>%
  summarise(mediana = mediana_pond(gasto_persona_noche_usd, factor_expansion_visitantes)) %>%
  mutate(grupo = factor(grupo, levels = orden_grupos))

# Traslape: % de "conocidos" que gasta más que la mediana de "alojamiento"
mediana_aloj <- medianas_grupo$mediana[medianas_grupo$grupo == "Pagan su alojamiento"]
conocidos <- seg %>% filter(grupo == "Se quedan donde conocidos")
pct_traslape <- sum(conocidos$factor_expansion_visitantes[conocidos$gasto_persona_noche_usd > mediana_aloj]) /
                sum(conocidos$factor_expansion_visitantes)

ggplot(muestra_puntos, aes(gasto_persona_noche_usd, grupo, color = grupo)) +
  geom_jitter(height = 0.25, width = 0, alpha = 0.35, size = 1.4) +
  geom_crossbar(data = medianas_grupo, aes(x = mediana, xmin = mediana, xmax = mediana, y = grupo),
                inherit.aes = FALSE, width = 0.7, linewidth = 0.8, color = "grey15", orientation = "y") +
  geom_text(data = medianas_grupo, aes(x = mediana, y = grupo, label = dollar(mediana, accuracy = 1)),
            inherit.aes = FALSE, nudge_y = 0.45, size = 3.6, fontface = "bold") +
  scale_color_manual(values = pal_grupos, guide = "none") +
  scale_x_log10(labels = dollar_format(accuracy = 1), breaks = c(10, 25, 50, 100, 250, 500, 1000)) +
  coord_cartesian(xlim = c(5, 2000)) +
  labs(title = "Los grupos gastan distinto, pero se traslapan: el gasto por sí solo no define al visitante",
       subtitle = "Cada punto es un visitante (muestra de 1.500) · línea negra = mediana · escala logarítmica",   # <- cambio
       x = "Gasto por persona-noche (USD, escala logarítmica)", y = NULL,
       caption = "Fuente: DANE, EVI, ene 2024 – jun 2025. Mediana calculada con todos los visitantes del grupo.") +
  tema_evi +
  theme(panel.grid.major.y = element_blank(),
        plot.title = element_text(size = 12),
        plot.title.position = "plot")   # <- cambio

Los tres grupos se ordenan según el indicador: quienes compran paquete gastan una mediana de 200 USD por noche, quienes pagan su alojamiento 125 USD y quienes se quedan donde conocidos 43 USD. Esto confirma que la segmentación y el indicador cuentan la misma historia. Pero los grupos se traslapan: el 11% de quienes se quedan donde conocidos gasta más que un visitante típico del grupo de alojamiento. Es decir, lo que define a cada grupo no es solo cuánto gasta, sino la combinación de cuánto se queda, en qué gasta y cómo reserva.

Para ProColombia, esto significa que el gasto por noche sirve para priorizar mercados, pero para decidir qué producto ofrecer hay que mirar el tipo de turista, no solo cuánto gasta.

5.7 ¿A dónde va cada perfil?

# Contorno de Colombia
colombia <- ne_countries(country = "Colombia", scale = "medium", returnclass = "sf")

# Ubicación aproximada de cada departamento (su capital)
coords <- tribble(
  ~destino_principal,          ~lat,   ~lon,
  "Bogotá, D.C.",              4.61,  -74.08,
  "Antioquia",                 6.25,  -75.56,
  "Bolívar",                  10.39,  -75.51,
  "Valle del Cauca",           3.45,  -76.53,
  "Magdalena",                11.24,  -74.20,
  "Risaralda",                 4.81,  -75.69,
  "Atlántico",                10.96,  -74.80,
  "San Andrés y Providencia", 12.58,  -81.70,
  "Santander",                 7.12,  -73.12,
  "Quindío",                   4.53,  -75.68,
  "Boyacá",                    5.53,  -73.36,
  "Norte De Santander",        7.89,  -72.50,
  "Cundinamarca",              5.30,  -74.60
)

destinos_perfil <- seg %>%
  group_by(grupo, destino_principal) %>%
  summarise(visitantes = sum(factor_expansion_visitantes), .groups = "drop") %>%
  group_by(grupo) %>%
  mutate(pct = visitantes / sum(visitantes)) %>%
  ungroup() %>%
  inner_join(coords, by = "destino_principal") %>%
  mutate(grupo = factor(grupo, levels = c("Compran paquete", "Pagan su alojamiento", "Se quedan donde conocidos")))

# Etiquetas: los 3 destinos principales de cada perfil
etiquetas_mapa <- destinos_perfil %>%
  group_by(grupo) %>%
  slice_max(pct, n = 3) %>%
  ungroup() %>%
  mutate(texto = paste0(str_remove(destino_principal, ", D.C."), " ", percent(pct, accuracy = 1)))

ggplot() +
  geom_sf(data = colombia, fill = "#F1EFE8", color = "#B4B2A9", linewidth = 0.3) +
  geom_point(data = destinos_perfil %>% arrange(desc(pct)),
             aes(lon, lat, size = pct, color = grupo), alpha = 0.75) +
  geom_text_repel(data = etiquetas_mapa, aes(lon, lat, label = texto),
                  size = 3, seed = 2026, box.padding = 0.6, min.segment.length = 0,
                  segment.color = "grey60") +
  facet_wrap(~ grupo) +
  scale_color_manual(values = pal_grupos, guide = "none") +
  scale_size_area(max_size = 16, guide = "none") +
  coord_sf(xlim = c(-82, -66.8), ylim = c(-4.3, 13.5)) +
  labs(title = "Cada tipo de turista va a lugares distintos",
       subtitle = "Destino principal (departamento) · tamaño = % de los visitantes de cada perfil",
       caption = "Fuente: DANE, EVI, ene 2024 – jun 2025. Departamentos con al menos 1 % de los visitantes.") +
  theme_void(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),
        strip.text = element_text(face = "bold", size = 11, margin = margin(b = 5)))

Los tres perfiles comparten Bogotá y Antioquia, pero cada uno tiene su propio destino. Quienes compran paquete van más a la Costa: Bolívar (29%) pesa tanto como Antioquia y aparece San Andrés. Quienes se quedan donde conocidos casi no van a Bolívar (4%) y, en cambio, aparece el Valle del Cauca (14%), una de las regiones de donde han salido muchos colombianos que hoy viven en el exterior.

Para ProColombia, esto ayuda a definir qué destinos promocionar en cada mercado: playa y paquetes donde predomina el turista de paquete, y otros destinos del país para quienes ya vienen a visitar familia.

5.8 Los tres perfiles en resumen

Compran paquete
Turistas de vacaciones que compran todo junto, muchas veces con el vuelo incluido, sobre todo a través de agencias. Son pocos, pero los que más gastan por día.
10%de los visitantes
$200por noche
6noches
66%con agencia
Vienen de Estados Unidos, México, Perú · Van a Antioquia, Bolívar, Bogotá, D.C.
Qué hacer: promover paquetes con agencias y operadores en los mercados donde este perfil pesa más.
Pagan su alojamiento
Turistas de vacaciones que arman su viaje por partes: reservan el alojamiento por su cuenta, casi siempre en plataformas como Booking o Airbnb.
46%de los visitantes
$125por noche
6noches
67%usa plataforma
Vienen de Estados Unidos, México, Panamá · Van a Antioquia, Bogotá, D.C., Bolívar
Qué hacer: campañas digitales y alianzas con plataformas de reserva.
Se quedan donde conocidos
En su mayoría colombianos que viven afuera y vuelven a ver a su familia: se quedan dos semanas, casi no pagan alojamiento y su gasto se va en comida y transporte.
44%de los visitantes
$43por noche
14noches
54%nació en Colombia
Vienen de Estados Unidos, España, México · Van a Bogotá, D.C., Antioquia, Valle del Cauca
Qué hacer: ofrecer otros destinos del país durante su visita, para que gasten más por noche.

6 Recomendaciones para ProColombia

Con los resultados del indicador y de la segmentación podemos responder la pregunta del proyecto. Organizamos las recomendaciones según las tres decisiones que planteamos al inicio: a qué mercados dirigir la promoción, qué producto promocionar y por qué canal llegar a cada mercado.

lista <- function(q) paste(matriz$pais_residencia[matriz$cuadrante == q], collapse = ", ")

# ---- ¿Qué producto? Cada país va al perfil donde más se diferencia del total ----
pct_total_perfil <- seg %>%
  group_by(grupo) %>%
  summarise(v = sum(factor_expansion_visitantes), .groups = "drop") %>%
  mutate(grupo = as.character(grupo), pct_total = v / sum(v)) %>%
  select(grupo, pct_total)

perfil_pais <- mezcla %>%
  mutate(grupo = as.character(grupo)) %>%
  left_join(pct_total_perfil, by = "grupo") %>%
  mutate(diferencia = pct - pct_total) %>%            # cuánto más pesa el perfil en el país que en el total
  group_by(pais_residencia) %>%
  slice_max(diferencia, n = 1, with_ties = FALSE) %>%
  ungroup()

top_perfil <- function(g, n = 3) {
  perfil_pais %>% filter(grupo == g) %>% arrange(desc(diferencia)) %>% slice_head(n = n) %>%
    pull(pais_residencia) %>% as.character() %>% paste(collapse = ", ")
}

# ---- ¿Por qué canal? Cómo conocieron Colombia (sin los nacidos en Colombia) ----
medio_pais <- evi_aereo %>%
  filter(pais_residencia %in% top_paises,
         medio_conocimiento_colombia != "País de nacimiento") %>%
  group_by(pais_residencia) %>%
  summarise(recomend = weighted.mean(medio_conocimiento_colombia == "Recomendaciones", factor_expansion_visitantes),
            digital  = weighted.mean(medio_conocimiento_colombia == "Medios digitales", factor_expansion_visitantes),
            .groups = "drop")

top_medio <- function(col, n = 3) {
  medio_pais %>% arrange(desc(.data[[col]])) %>% slice_head(n = n) %>%
    pull(pais_residencia) %>% paste(collapse = ", ")
}

recomendaciones <- tibble(
  Decisión = c("¿A qué mercados?", "", "",
               "¿Qué producto?", "", "",
               "¿Por qué canal?", ""),
  Mercados = c(lista("Crecer"), lista("Consolidar"), lista("Aumentar el gasto"),
               top_perfil("Compran paquete"), top_perfil("Pagan su alojamiento"),
               top_perfil("Se quedan donde conocidos"),
               top_medio("recomend"), top_medio("digital")),
  Acción = c(
    "Aumentar la promoción: gastan por encima de la mediana por noche, pero envían pocos visitantes.",
    "Mantener la presencia: son la base del turismo receptivo y gastan bien por noche.",
    "No buscar más visitantes sino más gasto: promover experiencias, paquetes y destinos adicionales durante la estadía.",
    "Promover paquetes turísticos con agencias y operadores: es el perfil que más gasta por noche.",
    "Campañas en plataformas de reserva: es el turista independiente que la promoción puede atraer.",
    "Ofertas para conocer otros destinos durante la visita: viajan por razones personales y no responden a la promoción tradicional.",
    "Fortalecer el voz a voz (programas de recomendación, reseñas): es el medio por el que más conocen Colombia.",
    "Campañas en medios digitales y redes sociales: es donde más se informan sobre Colombia."
  ),
  Evidencia = c("Matriz de decisión (4.3)", "Matriz de decisión (4.3)", "Matriz de decisión (4.3) y estadía (3.5)",
                "Perfiles por país (5.4)", "Perfiles por país (5.4) y canal (3.6)",
                "Perfiles por país (5.4) y estructura del gasto (3.4)",
                "Cómo conocieron Colombia (3.2)", "Cómo conocieron Colombia (3.2) y canal (3.6)")
)

recomendaciones %>%
  kbl() %>%
  kable_styling(bootstrap_options = c("condensed"), full_width = TRUE) %>%
  column_spec(1, bold = TRUE, width = "14%", background = "#FDF3E1") %>%
  column_spec(2, width = "26%") %>%
  column_spec(4, width = "18%", color = "grey40") %>%
  row_spec(c(3, 6), extra_css = "border-bottom: 2px solid #E69F00;")
Decisión Mercados Acción Evidencia
¿A qué mercados? Aruba, El Salvador, Guatemala, Honduras, Paraguay, Uruguay Aumentar la promoción: gastan por encima de la mediana por noche, pero envían pocos visitantes. Matriz de decisión (4.3)
Brasil, Costa Rica, Ecuador, Estados Unidos, México, Panamá, Perú, Puerto Rico, República Dominicana Mantener la presencia: son la base del turismo receptivo y gastan bien por noche. Matriz de decisión (4.3)
Argentina, Canadá, Chile, España, Francia, Venezuela No buscar más visitantes sino más gasto: promover experiencias, paquetes y destinos adicionales durante la estadía. Matriz de decisión (4.3) y estadía (3.5)
¿Qué producto? República Dominicana, Costa Rica, Ecuador Promover paquetes turísticos con agencias y operadores: es el perfil que más gasta por noche. Perfiles por país (5.4)
Perú, Brasil, México Campañas en plataformas de reserva: es el turista independiente que la promoción puede atraer. Perfiles por país (5.4) y canal (3.6)
España, Chile, Estados Unidos Ofertas para conocer otros destinos durante la visita: viajan por razones personales y no responden a la promoción tradicional. Perfiles por país (5.4) y estructura del gasto (3.4)
¿Por qué canal? España, Estados Unidos, Canadá Fortalecer el voz a voz (programas de recomendación, reseñas): es el medio por el que más conocen Colombia. Cómo conocieron Colombia (3.2)
Costa Rica, República Dominicana, Ecuador Campañas en medios digitales y redes sociales: es donde más se informan sobre Colombia. Cómo conocieron Colombia (3.2) y canal (3.6)

En resumen: ProColombia no debería decidir solo por el número de visitantes. Los mercados del cuadrante Crecer son la principal oportunidad para atraer más gasto por noche; los de Consolidar sostienen el turismo actual; y en los mercados grandes de bajo gasto el reto es que el visitante gaste más mientras está en el país. El producto y el canal dependen del tipo de turista que trae cada mercado.

Alcance de estas recomendaciones: se basan en el gasto por noche y en el número de visitantes. No consideran el costo de las campañas, la estacionalidad, la capacidad hotelera ni la conectividad aérea de cada mercado, que también influyen en la decisión. Son una guía basada en datos para priorizar, no un plan de inversión.

7 Evaluación crítica y ética

Revisamos nuestro propio trabajo desde tres preguntas: qué tan confiables son los datos, si los gráficos podrían engañar y qué tan sólidos son los resultados.

Aspecto Riesgo Qué hicimos
Privacidad Los datos son respuestas de personas reales. Usamos los microdatos anónimos del DANE y solo mostramos resultados agregados por país, región o grupo, nunca de una persona.
¿Quién responde? La encuesta solo incluye a quienes salen por aeropuertos y puertos; no a quienes viajan por tierra. Lo tenemos presente con mercados vecinos como Venezuela y Ecuador, de los que solo vemos a quienes llegan en avión.
Gasto reportado Cada visitante reporta su gasto de memoria al final del viaje. Usamos la mediana, que es menos sensible a errores grandes.
Paquetes turísticos El precio del paquete puede incluir el tiquete aéreo, que no es gasto dentro de Colombia. Lo señalamos al leer el gasto del grupo que compra paquete: su gasto por noche puede estar algo inflado.
Datos de 2023 El segundo semestre de 2023 es menos consistente que 2024 y 2025. No comparamos totales entre esos periodos.
Países pequeños Con pocas encuestas, el resultado de un país puede ser casualidad. Solo comparamos países con 200 encuestas o más.
Datos en cero o faltantes Imputarlos inventaría información (lo aprendimos en la primera entrega). No los imputamos.
Promedio engañoso Unos pocos visitantes que gastan mucho inflan el promedio. Usamos la mediana en todo el análisis.
Grupos del K-Means Presentar los grupos como categorías exactas, cuando la silueta muestra una separación moderada. Los describimos como tendencias y comprobamos que tienen sentido con variables que no entraron al modelo (motivo y país de nacimiento).
Escalas Una escala mal indicada exagera las diferencias. Señalamos la escala logarítmica en el eje y las barras empiezan en cero.
Gráficos recargados Demasiada información distrae del mensaje. Un mensaje por gráfico; por ejemplo, quitamos el tamaño de los puntos en la sección 3.5.
Daltonismo Algunos colores no se distinguen. Usamos la paleta Okabe-Ito, la verificamos con simulación y ponemos etiquetas directas.
Interpretación Leer “gasta poco” como “vale menos”. Hablamos de comportamientos de gasto, no del valor de las personas de cada país.

¿Por qué no usamos PCA? El PCA sirve para resumir muchas variables en una, pero nosotros ya teníamos esa medida: el gasto por persona-noche, en dólares, es más fácil de explicar que un índice. En el K-Means tampoco hacía falta, porque solo usamos ocho variables y así cada perfil se puede leer directamente. La desventaja es que el indicador solo mira el gasto y deja por fuera la duración de la estadía, que analizamos aparte en la sección 3.5.

8 Limitaciones y mejoras futuras

La principal limitación es que los datos no cubren un año completo: faltan los meses de agosto a diciembre de 2024 y enero está incompleto. Por eso no pudimos analizar si hay temporadas en que los visitantes gastan más. Además, los países con menos de 200 encuestas quedaron por fuera de la comparación por país, y los grupos del K-Means tienen bordes poco nítidos, por lo que un mismo visitante podría parecerse a dos perfiles. Tampoco tuvimos en cuenta el costo de las campañas, la capacidad hotelera ni los vuelos disponibles desde cada país, que también influyen en dónde conviene invertir.

Hacia adelante, sería útil actualizar el análisis cuando el DANE publique más meses, para tener al menos un año completo, y complementarlo con datos de Migración Colombia para incluir a quienes llegan por tierra.

9 Conclusiones

¿A qué mercados debería dirigir ProColombia la promoción? No basta con mirar cuántos visitantes envía cada país: importa cuánto gastan por noche y qué tipo de turista trae. La prioridad son los mercados del cuadrante Crecer (Aruba, El Salvador, Guatemala, Honduras, Paraguay, Uruguay), que gastan más que el promedio por noche pero todavía envían pocos visitantes. Los de Consolidar (Brasil, Costa Rica, Ecuador, Estados Unidos, México, Panamá, Perú, Puerto Rico, República Dominicana) ya son la base del turismo y hay que mantenerlos. En los mercados grandes de bajo gasto, como Argentina, Canadá, Chile, España, Francia, Venezuela, el reto no es traer más personas sino que gasten más durante su visita.

La segmentación explica por qué: el gasto por noche depende de cómo se viaja. Quienes compran paquete o pagan su alojamiento son el turista que la promoción puede atraer, mientras que quienes se quedan donde conocidos, en su mayoría nacidos en Colombia, vienen de todas formas. Por eso, en cada mercado ProColombia debería dirigirse al turista que viene a conocer el país, por los canales donde se informa: la recomendación de otros viajeros y las plataformas digitales.

10 Referencias

DANE. (2025). Boletín técnico Encuesta de Visitantes Internacionales (EVI), enero–marzo 2025. https://www.dane.gov.co/files/operaciones/EVI/bol-EVI-ene-mar2025.pdf

DANE. (2025). Encuesta de Visitantes Internacionales (EVI) – Microdatos. https://microdatos.dane.gov.co/index.php/catalog/869/get-microdata