BIG DATA Y REPUTACIÓN DIGITAL
EN EL TURISMO INTELIGENTE
BIG DATA AND DIGITAL REPUTATION
IN SMART TOURISM
Guadalupe Abigail Arreguin Silva
Universidad Autónoma de Baja California, México
Zyanya María Villa Zamorano
Universidad Autónoma de Baja California, México
Adelaida Figueroa Villanueva
Universidad Autónoma de Baja California, México
Ricardo Ching Wesman
Universidad Autónoma de Baja California, México
pág. 4113
DOI: https://doi.org/10.37811/cl_rcm.v9i6.21518
Big Data y Reputación Digital en el Turismo Inteligente
Guadalupe Abigail Arreguin Silva1
garreguin@uabc.edu.mx
https://orcid.org/0009-0003-9999-7890
Universidad Autónoma de Baja California
Mexicali – México
Zyanya María Villa Zamorano
zyanya.villa@uabc.edu.mx
https://orcid.org/0000-0002-9014-8556
Universidad Autónoma de Baja California
Mexicali – México
Adelaida Figueroa Villanueva
afigueroa@uabc.edu.mx
https://orcid.org/0000-0003-2743-9948
Universidad Autónoma de Baja California
Mexicali – México
Ricardo Ching Wesman
rching@uabc.edu.mx
https://orcid.org/0000-0003-1915-0941
Universidad Autónoma de Baja California
Mexicali – México
RESUMEN
El turismo inteligente se entiende como la integración de tecnologías digitales que permiten aprovechar
grandes volúmenes de información para mejorar la gestión, la sostenibilidad y la experiencia de los
visitantes. En este contexto, el uso de datasets abiertos representa una oportunidad relevante para
generar conocimiento útil y apoyar la toma de decisiones en distintos niveles del sector. El presente
trabajo busca analizar el potencial metodológico de los datos abiertos y de las herramientas de análisis
en Python aplicadas al turismo inteligente, tomando como caso ilustrativo la plataforma Airbnb. Para
ello, se trabajó con un conjunto de datos de acceso libre disponible en Kaggle, al cual se aplicaron
procesos de limpieza, visualización y análisis correlacional utilizando las bibliotecas Pandas, Matplotlib
y Seaborn. El propósito fue explorar la relación entre el precio, la calificación y el número de reseñas
de los alojamientos. Los resultados mostraron correlaciones débiles entre las variables, lo que sugiere
que elementos no estrictamente económicos (como la confianza, la reputación digital o la interacción
entre anfitriones y usuarios) podrían tener un papel más relevante en la percepción de valor y en la
satisfacción de los huéspedes. Desde el aspecto metodológico, el estudio pone de manifiesto la utilidad
de los datos abiertos como recurso tanto didáctico como científico, al facilitar la comprensión del
comportamiento del consumidor digital en entornos colaborativos. Además, abre la posibilidad de
explorar nuevas aplicaciones analíticas que contribuyan a fortalecer la innovación y la toma de
decisiones en la actividad turística.
Palabras clave: turismo inteligente, reputación digital, análisis de datos abiertos, Airbnb; big data
1 Autor principal
Correspondencia: garreguin@uabc.edu.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i6.21518
Big Data y Reputación Digital en el Turismo Inteligente
Guadalupe Abigail Arreguin Silva1
garreguin@uabc.edu.mx
https://orcid.org/0009-0003-9999-7890
Universidad Autónoma de Baja California
Mexicali – México
Zyanya María Villa Zamorano
zyanya.villa@uabc.edu.mx
https://orcid.org/0000-0002-9014-8556
Universidad Autónoma de Baja California
Mexicali – México
Adelaida Figueroa Villanueva
afigueroa@uabc.edu.mx
https://orcid.org/0000-0003-2743-9948
Universidad Autónoma de Baja California
Mexicali – México
Ricardo Ching Wesman
rching@uabc.edu.mx
https://orcid.org/0000-0003-1915-0941
Universidad Autónoma de Baja California
Mexicali – México
RESUMEN
El turismo inteligente se entiende como la integración de tecnologías digitales que permiten aprovechar
grandes volúmenes de información para mejorar la gestión, la sostenibilidad y la experiencia de los
visitantes. En este contexto, el uso de datasets abiertos representa una oportunidad relevante para
generar conocimiento útil y apoyar la toma de decisiones en distintos niveles del sector. El presente
trabajo busca analizar el potencial metodológico de los datos abiertos y de las herramientas de análisis
en Python aplicadas al turismo inteligente, tomando como caso ilustrativo la plataforma Airbnb. Para
ello, se trabajó con un conjunto de datos de acceso libre disponible en Kaggle, al cual se aplicaron
procesos de limpieza, visualización y análisis correlacional utilizando las bibliotecas Pandas, Matplotlib
y Seaborn. El propósito fue explorar la relación entre el precio, la calificación y el número de reseñas
de los alojamientos. Los resultados mostraron correlaciones débiles entre las variables, lo que sugiere
que elementos no estrictamente económicos (como la confianza, la reputación digital o la interacción
entre anfitriones y usuarios) podrían tener un papel más relevante en la percepción de valor y en la
satisfacción de los huéspedes. Desde el aspecto metodológico, el estudio pone de manifiesto la utilidad
de los datos abiertos como recurso tanto didáctico como científico, al facilitar la comprensión del
comportamiento del consumidor digital en entornos colaborativos. Además, abre la posibilidad de
explorar nuevas aplicaciones analíticas que contribuyan a fortalecer la innovación y la toma de
decisiones en la actividad turística.
Palabras clave: turismo inteligente, reputación digital, análisis de datos abiertos, Airbnb; big data
1 Autor principal
Correspondencia: garreguin@uabc.edu.mx
pág. 4114
Big Data and Digital Reputation in Smart Tourism
ABSTRACT
Smart tourism is understood as the integration of digital technologies that allow for leveraging large
volumes of information to improve management, sustainability, and the visitor experience. In this
context, the use of open datasets represents a significant opportunity to generate useful knowledge and
support decision-making at various levels of the sector. This paper seeks to analyze the methodological
potential of open data and Python analysis tools applied to smart tourism, using the Airbnb platform as
an illustrative case. To this end, a freely accessible dataset available on Kaggle was used, which
underwent cleaning, visualization, and correlational analysis processes using the Pandas, Matplotlib,
and Seaborn libraries. The aim was to explore the relationship between price, rating, and number of
reviews for accommodations. The results showed weak correlations between the variables, suggesting
that non-economic factors (such as trust, digital reputation, or host-user interaction) may play a more
significant role in perceived value and guest satisfaction. From a methodological perspective, the study
highlights the usefulness of open data as both an educational and scientific resource, facilitating the
understanding of digital consumer behavior in collaborative environments. Furthermore, it opens the
possibility of exploring new analytical applications that can contribute to strengthening innovation and
decision-making in the tourism sector.
Keywords: smart tourism, digital reputation, open data analytics, Airbnb, Big data
Artículo recibido 15 noviembre 2025
Aceptado para publicación: 15 diciembre 2025
Big Data and Digital Reputation in Smart Tourism
ABSTRACT
Smart tourism is understood as the integration of digital technologies that allow for leveraging large
volumes of information to improve management, sustainability, and the visitor experience. In this
context, the use of open datasets represents a significant opportunity to generate useful knowledge and
support decision-making at various levels of the sector. This paper seeks to analyze the methodological
potential of open data and Python analysis tools applied to smart tourism, using the Airbnb platform as
an illustrative case. To this end, a freely accessible dataset available on Kaggle was used, which
underwent cleaning, visualization, and correlational analysis processes using the Pandas, Matplotlib,
and Seaborn libraries. The aim was to explore the relationship between price, rating, and number of
reviews for accommodations. The results showed weak correlations between the variables, suggesting
that non-economic factors (such as trust, digital reputation, or host-user interaction) may play a more
significant role in perceived value and guest satisfaction. From a methodological perspective, the study
highlights the usefulness of open data as both an educational and scientific resource, facilitating the
understanding of digital consumer behavior in collaborative environments. Furthermore, it opens the
possibility of exploring new analytical applications that can contribute to strengthening innovation and
decision-making in the tourism sector.
Keywords: smart tourism, digital reputation, open data analytics, Airbnb, Big data
Artículo recibido 15 noviembre 2025
Aceptado para publicación: 15 diciembre 2025
pág. 4115
INTRODUCCIÓN
En la actualidad las plataformas digitales han tenido un gran auge, los usuarios realizan compras o
reservar alojamientos mediante aplicaciones electrónicas lo cual genera un gran volumen de datos a los
que les llamamos Big Data, dentro del sector turístico existe un gran crecimiento gracias a la revolución
tecnológica, las plataformas de alojamiento como Airbnb, generan una gran cantidad de datos que se
pueden analizar para detectar y comprender patrones o tendencias de comportamiento de los turistas,
esto con la finalidad de mejorar las experiencias de los clientes. El análisis de la información recabada
de estas plataformas coadyuva a la comprensión de los fenómenos relacionados con la gestión de los
alojamientos. La analítica de datos realiza la transformación de datos brutos en información que genere
conocimiento permitiendo a las organizaciones transformar datos en insights que guían las decisiones
operativas y estratégicas (Tiwari, 2024; Anjorin er al. 2024).
En este artículo se presenta el análisis de datos utilizando dataset de tipo libre de Airbnb que es una
plataforma dedicada a la reserva de alojamientos, con la finalidad revisar la relación que existe entre
las variables: precio por noche, calificación de los huéspedes y el número de reseñas. El estudio realiza
el análisis con el objetivo de identificar patrones de comportamiento en los huéspedes y correlaciones
que apoyen a inferir comportamientos del mercado turístico enfocado a la percepción del valor, la
satisfacción del huésped y la popularidad de los alojamientos. Mediante software para el análisis de
datos como Python, donde se aplican diversas técnicas como visualización de datos (gráficos de
dispersión) y análisis estadístico (Matriz de correlación) con la finalidad de cuantificar las
interrelaciones entre las variables estudiadas.
Este estudio sustenta el uso de la Ciencia de Datos y la Gestión Turística Inteligente, Entendiendo el
Big Data libre como metodología de investigación que apoye la interpretación de la realidad turística
desde una lógica predictiva.
Los dataset abiertos o de uso libre y las plataformas de análisis de datos que no requieren licencia para
su uso coadyuva al estudio del turismo inteligente y promueve la Ciencia de Datos en la toma de
decisiones estratégica de este sector, apoyando al diseño de nuevos modelos turísticos sostenibles,
personalizados y basados en evidencia.
INTRODUCCIÓN
En la actualidad las plataformas digitales han tenido un gran auge, los usuarios realizan compras o
reservar alojamientos mediante aplicaciones electrónicas lo cual genera un gran volumen de datos a los
que les llamamos Big Data, dentro del sector turístico existe un gran crecimiento gracias a la revolución
tecnológica, las plataformas de alojamiento como Airbnb, generan una gran cantidad de datos que se
pueden analizar para detectar y comprender patrones o tendencias de comportamiento de los turistas,
esto con la finalidad de mejorar las experiencias de los clientes. El análisis de la información recabada
de estas plataformas coadyuva a la comprensión de los fenómenos relacionados con la gestión de los
alojamientos. La analítica de datos realiza la transformación de datos brutos en información que genere
conocimiento permitiendo a las organizaciones transformar datos en insights que guían las decisiones
operativas y estratégicas (Tiwari, 2024; Anjorin er al. 2024).
En este artículo se presenta el análisis de datos utilizando dataset de tipo libre de Airbnb que es una
plataforma dedicada a la reserva de alojamientos, con la finalidad revisar la relación que existe entre
las variables: precio por noche, calificación de los huéspedes y el número de reseñas. El estudio realiza
el análisis con el objetivo de identificar patrones de comportamiento en los huéspedes y correlaciones
que apoyen a inferir comportamientos del mercado turístico enfocado a la percepción del valor, la
satisfacción del huésped y la popularidad de los alojamientos. Mediante software para el análisis de
datos como Python, donde se aplican diversas técnicas como visualización de datos (gráficos de
dispersión) y análisis estadístico (Matriz de correlación) con la finalidad de cuantificar las
interrelaciones entre las variables estudiadas.
Este estudio sustenta el uso de la Ciencia de Datos y la Gestión Turística Inteligente, Entendiendo el
Big Data libre como metodología de investigación que apoye la interpretación de la realidad turística
desde una lógica predictiva.
Los dataset abiertos o de uso libre y las plataformas de análisis de datos que no requieren licencia para
su uso coadyuva al estudio del turismo inteligente y promueve la Ciencia de Datos en la toma de
decisiones estratégica de este sector, apoyando al diseño de nuevos modelos turísticos sostenibles,
personalizados y basados en evidencia.
pág. 4116
PLANTEAMIENTO DEL PROBLEMA
Hoy en día todos los sectores económicos enfrentan una transformación digital al incorporar a sus
procesos las tecnologías de la información mediante implementación progresiva de plataformas
electrónicas como sistemas inteligentes y de gestión organizacional. La automatización de procesos ha
traído consigo la generación masiva de datos que provienen de los sistemas transaccionales de las
organizaciones o de plataformas digitales de alojamiento como Airbnb, quien se ha posicionado como
la herramienta revolucionaria de la gestión de alojamientos de estancia corta y ha modificado la oferta
y la demanda de este sector, compitiendo con el parque hotelero tradicional particularmente en ciudades
con una alta actividad turística (Jiménez et al.,2021).
Las plataformas como kaggle que ofrecen conjunto de datos de diversas plataformas y diversas áreas
cuentan con dataset libres como el de Airbnb el cual representa una oportunidad donde se puede aplicar
la ciencia de datos y el turismo. Sin embargo el uso de estos insumos no se han aprovechado lo suficiente
para la gestión de un turismo inteligente. Debido a esto es necesario desarrollar metodologías que
implementen la ciencia de datos y el uso de conjunto de datos libres que potencialicen las herramientas
de análisis como el lenguaje de programación Python, que apoye en el procesamiento y visualización
para la interpretación de grandes volúmenes de datos y los transformen en información turística
mediante la cuantificación de variables como precio del alojamiento, calificación recibida en la
plataforma Airbnb, número de reseñas recibidas.
El problema central de esta investigación radica en la falta de implementación de dataset libres y
métodos de análisis de datos accesibles que fomenten y apoyen el estudio del turismo inteligente. Lo
que se traduce en la necesidad de utilizar el big data para la generación de conocimiento útil.
Este estudio busca comprobar de qué manera el análisis de datos implementando dataset libres, además
de herramientas de código abierto como el lenguaje de programación Python, contribuye a la
comprensión de los patrones de comportamiento y satisfacción en los alojamientos de Airbnb para el
desarrollo de un turismo inteligente.
PLANTEAMIENTO DEL PROBLEMA
Hoy en día todos los sectores económicos enfrentan una transformación digital al incorporar a sus
procesos las tecnologías de la información mediante implementación progresiva de plataformas
electrónicas como sistemas inteligentes y de gestión organizacional. La automatización de procesos ha
traído consigo la generación masiva de datos que provienen de los sistemas transaccionales de las
organizaciones o de plataformas digitales de alojamiento como Airbnb, quien se ha posicionado como
la herramienta revolucionaria de la gestión de alojamientos de estancia corta y ha modificado la oferta
y la demanda de este sector, compitiendo con el parque hotelero tradicional particularmente en ciudades
con una alta actividad turística (Jiménez et al.,2021).
Las plataformas como kaggle que ofrecen conjunto de datos de diversas plataformas y diversas áreas
cuentan con dataset libres como el de Airbnb el cual representa una oportunidad donde se puede aplicar
la ciencia de datos y el turismo. Sin embargo el uso de estos insumos no se han aprovechado lo suficiente
para la gestión de un turismo inteligente. Debido a esto es necesario desarrollar metodologías que
implementen la ciencia de datos y el uso de conjunto de datos libres que potencialicen las herramientas
de análisis como el lenguaje de programación Python, que apoye en el procesamiento y visualización
para la interpretación de grandes volúmenes de datos y los transformen en información turística
mediante la cuantificación de variables como precio del alojamiento, calificación recibida en la
plataforma Airbnb, número de reseñas recibidas.
El problema central de esta investigación radica en la falta de implementación de dataset libres y
métodos de análisis de datos accesibles que fomenten y apoyen el estudio del turismo inteligente. Lo
que se traduce en la necesidad de utilizar el big data para la generación de conocimiento útil.
Este estudio busca comprobar de qué manera el análisis de datos implementando dataset libres, además
de herramientas de código abierto como el lenguaje de programación Python, contribuye a la
comprensión de los patrones de comportamiento y satisfacción en los alojamientos de Airbnb para el
desarrollo de un turismo inteligente.
pág. 4117
REVISIÓN DE LITERATURA
Big Data en el Turismo Inteligente
El turismo inteligente (smart tourism) representa una de las transformaciones más significativas del
sector turístico en las últimas décadas. Este concepto emergente, que comenzó a ganar protagonismo y
se fundamenta en la incorporación de tecnologías avanzadas como los sistemas digitales que permiten
optimizar la gestión de los destinos turísticos (Garanti, 2023).
De acuerdo con Huertas, Moreno y Pascual-Fontanilles (2021) un destino inteligente se caracteriza por
el uso de tecnologías de la información y la comunicación (TIC), tales como la inteligencia artificial
(IA), cómputo en la nube y el Internet de las Cosas (IoT), con el propósito de utilizar de manera más
eficiente los recursos. Este enfoque tecnológico no solo busca atraer visitantes, sino también mejorar
la calidad de vida de los residentes locales a través de soluciones que ayuden a facilitar la movilidad, el
acceso a la información y lograr la sostenibilidad ambiental.
Jeong y Shin (2019) mencionan que esto es visible en Seúl, Corea del Sur, donde las aplicaciones
móviles y los sistemas de información en tiempo real facilitan la toma de decisiones de los turistas y
promueven una interacción más fluida con el entorno. Por lo tanto, el turismo inteligente busca orientar
el paradigma hacia la innovación y la tecnología para ser los ejes centrales de la sostenibilidad de la
actividad (López, 2023).
En este marco, el análisis de datos, particularmente de acceso de acceso abierto y herramientas de
código libre, permite proponer una vía metodológica para comprender el comportamiento del turista
desde una perspectiva empírica y que podría ser reproducible.
Cuando se habla de Big Data, se suele referir al proceso y al análisis de volúmenes inmensos
de información que se genera de manera casi inmediata y en formatos muy diversos, con la finalidad de
extraer conocimientos útiles para la toma de decisiones. Según Gandomi y Haider (2015), el concepto
se sustenta en las llamadas “tres V”, volumen, velocidad y variedad que describen la magnitud, la
rapidez y la heterogeneidad de los datos que deben gestionarse.
El uso de de datos abiertos en este ámbito promueve la democratización del conocimiento y por
atribución, la colaboración científica al permitir la transparencia y accesibilidad a la información, pues
se fortalece la capacidad analítica de las instituciones e investigadores (Attard et al., 2015).
REVISIÓN DE LITERATURA
Big Data en el Turismo Inteligente
El turismo inteligente (smart tourism) representa una de las transformaciones más significativas del
sector turístico en las últimas décadas. Este concepto emergente, que comenzó a ganar protagonismo y
se fundamenta en la incorporación de tecnologías avanzadas como los sistemas digitales que permiten
optimizar la gestión de los destinos turísticos (Garanti, 2023).
De acuerdo con Huertas, Moreno y Pascual-Fontanilles (2021) un destino inteligente se caracteriza por
el uso de tecnologías de la información y la comunicación (TIC), tales como la inteligencia artificial
(IA), cómputo en la nube y el Internet de las Cosas (IoT), con el propósito de utilizar de manera más
eficiente los recursos. Este enfoque tecnológico no solo busca atraer visitantes, sino también mejorar
la calidad de vida de los residentes locales a través de soluciones que ayuden a facilitar la movilidad, el
acceso a la información y lograr la sostenibilidad ambiental.
Jeong y Shin (2019) mencionan que esto es visible en Seúl, Corea del Sur, donde las aplicaciones
móviles y los sistemas de información en tiempo real facilitan la toma de decisiones de los turistas y
promueven una interacción más fluida con el entorno. Por lo tanto, el turismo inteligente busca orientar
el paradigma hacia la innovación y la tecnología para ser los ejes centrales de la sostenibilidad de la
actividad (López, 2023).
En este marco, el análisis de datos, particularmente de acceso de acceso abierto y herramientas de
código libre, permite proponer una vía metodológica para comprender el comportamiento del turista
desde una perspectiva empírica y que podría ser reproducible.
Cuando se habla de Big Data, se suele referir al proceso y al análisis de volúmenes inmensos
de información que se genera de manera casi inmediata y en formatos muy diversos, con la finalidad de
extraer conocimientos útiles para la toma de decisiones. Según Gandomi y Haider (2015), el concepto
se sustenta en las llamadas “tres V”, volumen, velocidad y variedad que describen la magnitud, la
rapidez y la heterogeneidad de los datos que deben gestionarse.
El uso de de datos abiertos en este ámbito promueve la democratización del conocimiento y por
atribución, la colaboración científica al permitir la transparencia y accesibilidad a la información, pues
se fortalece la capacidad analítica de las instituciones e investigadores (Attard et al., 2015).
pág. 4118
Reputación digital y confianza en las plataformas colaborativas
Las plataformas colaborativas son una de las representaciones más significativas de la era digital, pues
redefinen la forma en la que viajeros, prestadores de servicios y las comunidades locales interactúan
entre ellos (Jang et al., 2020). Estas hacen referencia a las herramientas tecnológicas como los sitios
web o las aplicaciones que permiten compartir información, experiencias e incluso recursos en estos
entornos digitales, lo cual promueve la co-creación de valor (Reda, 2024).
Existen diferentes beneficios que promueven el uso de estas herramientas, entre los que destacan la
democratización del acceso a los servicios turísticos, pues permiten que tanto grandes empresas como
pequeñas tengan visibilidad y por lo tanto, exista una diversificación de la oferta. Gundu (2024)
menciona que aún y a pesar de los beneficios, persisten temas de que tratar en ciberseguridad. Esto
resulta relevante ya que la confianza desempeña un papel crucial en la reputación de los prestadores
turísticos (Wang et al., 2021).
La confianza es un pilar esencial para funcionar dentro de los entornos colaborativos. De acuerdo con
Ert, Fleischer y Magen (2016) los usuarios generalmente valoran de manera positiva, ocasionando esto,
un sesgo hacia la percepción de la satisfacción, lo que reduce la capacidad de las calificaciones para
distinguir la calidad real entre las diferentes opciones de alojamiento (Bridges y Vásquez, 2018).
De esta manera, la reputación digital se puede entender como un activo intangible que viene de la
interacción constante entre diferentes usuarios y proveedores en el entorno digital, ya que la reputación
que se van formando, cumple un papel fundamental en la toma de decisiones de los usuarios actuando
como un mecanismo que permite reducir el riesgo percibido en estas transacciones (Filieri, Hofacker y
Alguezaui, 2018).
Es por esto, que la colaboración entre los distintos actores del sector turístico resulta esencial para
brindar un servicio que vaya acorde a la expectativa del turista. En estos entornos la confianza se va
fortaleciendo a través de las valoraciones, comentarios y calificaciones que los usuarios van
compartiendo en línea y es justo dicha transparencia en la interacción que fortalece la credibilidad del
servicio y favorecen la reputación de los negocios (Lopes, Gomes, Ferreira, y Ferreira, 2025).
Entre otros aspectos relevantes para los consumidores digitales se encuentran la accesibilidad de la
plataforma y la rapidez en la atención, estos elementos complementan la percepción del valor y la
Reputación digital y confianza en las plataformas colaborativas
Las plataformas colaborativas son una de las representaciones más significativas de la era digital, pues
redefinen la forma en la que viajeros, prestadores de servicios y las comunidades locales interactúan
entre ellos (Jang et al., 2020). Estas hacen referencia a las herramientas tecnológicas como los sitios
web o las aplicaciones que permiten compartir información, experiencias e incluso recursos en estos
entornos digitales, lo cual promueve la co-creación de valor (Reda, 2024).
Existen diferentes beneficios que promueven el uso de estas herramientas, entre los que destacan la
democratización del acceso a los servicios turísticos, pues permiten que tanto grandes empresas como
pequeñas tengan visibilidad y por lo tanto, exista una diversificación de la oferta. Gundu (2024)
menciona que aún y a pesar de los beneficios, persisten temas de que tratar en ciberseguridad. Esto
resulta relevante ya que la confianza desempeña un papel crucial en la reputación de los prestadores
turísticos (Wang et al., 2021).
La confianza es un pilar esencial para funcionar dentro de los entornos colaborativos. De acuerdo con
Ert, Fleischer y Magen (2016) los usuarios generalmente valoran de manera positiva, ocasionando esto,
un sesgo hacia la percepción de la satisfacción, lo que reduce la capacidad de las calificaciones para
distinguir la calidad real entre las diferentes opciones de alojamiento (Bridges y Vásquez, 2018).
De esta manera, la reputación digital se puede entender como un activo intangible que viene de la
interacción constante entre diferentes usuarios y proveedores en el entorno digital, ya que la reputación
que se van formando, cumple un papel fundamental en la toma de decisiones de los usuarios actuando
como un mecanismo que permite reducir el riesgo percibido en estas transacciones (Filieri, Hofacker y
Alguezaui, 2018).
Es por esto, que la colaboración entre los distintos actores del sector turístico resulta esencial para
brindar un servicio que vaya acorde a la expectativa del turista. En estos entornos la confianza se va
fortaleciendo a través de las valoraciones, comentarios y calificaciones que los usuarios van
compartiendo en línea y es justo dicha transparencia en la interacción que fortalece la credibilidad del
servicio y favorecen la reputación de los negocios (Lopes, Gomes, Ferreira, y Ferreira, 2025).
Entre otros aspectos relevantes para los consumidores digitales se encuentran la accesibilidad de la
plataforma y la rapidez en la atención, estos elementos complementan la percepción del valor y la
pág. 4119
satisfacción del usuario (Andrei, Stan y Lungu, 2024). En conjunto, estos aspectos ayudan a configurar
un sistema de evaluación complejo, donde principalmente la confianza, interviene en la calidad
percibida y la percepción de la autenticidad de la experiencia que se convierten en indicadores del éxito
de las plataformas colaborativas.
Experiencia del usuario y creación de valor en el turismo inteligente
En el turismo inteligente la experiencia del turista podría establecerse a través de un proceso híbrido,
ya que combina las vivencias presenciales tradicionales y las interacciones digitales a través de los
comentarios de dichas experiencias. Desde la llamada economía colaborativa, esto se concibe como un
espacio de co-creación de valor y es en esta dualidad que se refuerza la idea de que la percepción de
valor no estaría limitada con el uso de la tecnología, sino que aún continúa siendo mediada por la
experiencia humana (Cheng, Fu y de Vreede, 2018).
Dentro de los entornos digitales, el intercambio de información viene a ocupar un lugar central en la
generación de confianza y satisfacción pero Filieri, Hofacker y Alguezaui (2018) hacen hincapié en la
idea que no es solo contar con ese intercambio de información a través de esas reseñas, sino en que
tanta información relevante, verdadera y actual brinda dicha información.
Liang, Choi y Joppe (2018) distinguen dos dimensiones para estructurar la satisfacción de los usuarios
en plataformas como Airbnb. Por un lado la satisfacción transaccional, relacionada con el
funcionamiento óptimo de la plataforma para realizar el proceso de reserva y por su parte la satisfacción
experiencial, relacionada con las interacciones con el anfitrión y la vivencia dentro del alojamiento.
Ambas dimensiones se ven influenciadas por la confianza, dando como resultado en la intención de
recompra, que termina como configurar los elementos de un marco de fidelización del cliente.
Por su parte, otras formas de elevar la satisfacción con el uso de tecnología es la puesta en marcha de
servicios inteligentes como los sistemas de información en tiempo real, recomendaciones a medida,
itinerarios que se adaptan sobre la marcha, pues permite la personalización de toda la experiencia pero
además, intensifica su interacción con el entorno y amplía su percepción de valor (Shin et al., 2024).
Desde un punto de vista sostenible los destinos turísticos inteligentes habilitan una gestión más afinada
de los recursos naturales, regulan los flujos de visitantes para impedir la saturación, optimizan el
consumo energético, reducen la generación de residuos y fomentan la inclusión social (El Archi et al.,
satisfacción del usuario (Andrei, Stan y Lungu, 2024). En conjunto, estos aspectos ayudan a configurar
un sistema de evaluación complejo, donde principalmente la confianza, interviene en la calidad
percibida y la percepción de la autenticidad de la experiencia que se convierten en indicadores del éxito
de las plataformas colaborativas.
Experiencia del usuario y creación de valor en el turismo inteligente
En el turismo inteligente la experiencia del turista podría establecerse a través de un proceso híbrido,
ya que combina las vivencias presenciales tradicionales y las interacciones digitales a través de los
comentarios de dichas experiencias. Desde la llamada economía colaborativa, esto se concibe como un
espacio de co-creación de valor y es en esta dualidad que se refuerza la idea de que la percepción de
valor no estaría limitada con el uso de la tecnología, sino que aún continúa siendo mediada por la
experiencia humana (Cheng, Fu y de Vreede, 2018).
Dentro de los entornos digitales, el intercambio de información viene a ocupar un lugar central en la
generación de confianza y satisfacción pero Filieri, Hofacker y Alguezaui (2018) hacen hincapié en la
idea que no es solo contar con ese intercambio de información a través de esas reseñas, sino en que
tanta información relevante, verdadera y actual brinda dicha información.
Liang, Choi y Joppe (2018) distinguen dos dimensiones para estructurar la satisfacción de los usuarios
en plataformas como Airbnb. Por un lado la satisfacción transaccional, relacionada con el
funcionamiento óptimo de la plataforma para realizar el proceso de reserva y por su parte la satisfacción
experiencial, relacionada con las interacciones con el anfitrión y la vivencia dentro del alojamiento.
Ambas dimensiones se ven influenciadas por la confianza, dando como resultado en la intención de
recompra, que termina como configurar los elementos de un marco de fidelización del cliente.
Por su parte, otras formas de elevar la satisfacción con el uso de tecnología es la puesta en marcha de
servicios inteligentes como los sistemas de información en tiempo real, recomendaciones a medida,
itinerarios que se adaptan sobre la marcha, pues permite la personalización de toda la experiencia pero
además, intensifica su interacción con el entorno y amplía su percepción de valor (Shin et al., 2024).
Desde un punto de vista sostenible los destinos turísticos inteligentes habilitan una gestión más afinada
de los recursos naturales, regulan los flujos de visitantes para impedir la saturación, optimizan el
consumo energético, reducen la generación de residuos y fomentan la inclusión social (El Archi et al.,
pág. 4120
2023). En este contexto, el turismo inteligente se puede promover como un modelo que conjuga
crecimiento, innovación y responsabilidad, aportando valor tanto a los turistas como a las comunidades
anfitrionas.
METODOLOGÍA
El presente estudio abarca el enfoque cuantitativo, el cual se basa en el análisis de datos de un dataset
libre obtenido de la plataforma Kaggle con datos del sitio web de reservas de alojamientos Airbnb, que
cuenta con datos relevantes sobre propiedades destinadas al alquiler de corto plazo . El conjunto de
datos utilizado incluye las variables como el precio por noche, la calificación otorgado por huéspedes
y la cantidad de reseñas sobre el alojamiento publicadas por los usuarios, dichas variables fueron
seleccionadas por ser relevantes en la evaluación y el comportamiento digital. El conjunto de datos de
Airbnb cuenta con una base sólida que permite examinar las relaciones entre las variables
seleccionadas, donde permite analizar el valor económico de la propiedad , la calidad percibida por el
cliente y la reputación digital de las propiedades. La aplicación del análisis de datos se realizó con el
lenguaje de programación python implementando las bibliotecas librerías pandas que apoya en la
manipulación y preparación del conjunto de datos, además de seaborn en conjunto con matplotlib para
la generación de gráficos.
El primer paso fue realizar la depuración de los registros con valores nulos, después se realizó la
conversión de variables no numéricas a un formato compatible con el análisis estadístico. Por último se
generaron los gráficos de dispersión que permitieron identificar tendencias y patrones en las variables
de precio por noche, calificación y cantidad de reseñas lo cual complementa el análisis correlacional
basado en la matriz de correlación de Pearson, Esto con el propósito de validar la relación entre las
variables antes mencionadas. El procedimiento anterior permitió la visualización de manera empírica
las interdependencias entre las variables calificación, reseñas y precio. Esto apoya a la comprensión
sobre el comportamiento de los usuarios dentro del ecosistema digital del alojamiento turístico en este
caso en la plataforma Airbnb.
RESULTADOS
El la figura 1 de dispersión entre precio y calificación revela una correlación prácticamente nula (r ≈
0.03), lo que indica que el precio del alojamiento no determina la percepción de calidad del huésped.
2023). En este contexto, el turismo inteligente se puede promover como un modelo que conjuga
crecimiento, innovación y responsabilidad, aportando valor tanto a los turistas como a las comunidades
anfitrionas.
METODOLOGÍA
El presente estudio abarca el enfoque cuantitativo, el cual se basa en el análisis de datos de un dataset
libre obtenido de la plataforma Kaggle con datos del sitio web de reservas de alojamientos Airbnb, que
cuenta con datos relevantes sobre propiedades destinadas al alquiler de corto plazo . El conjunto de
datos utilizado incluye las variables como el precio por noche, la calificación otorgado por huéspedes
y la cantidad de reseñas sobre el alojamiento publicadas por los usuarios, dichas variables fueron
seleccionadas por ser relevantes en la evaluación y el comportamiento digital. El conjunto de datos de
Airbnb cuenta con una base sólida que permite examinar las relaciones entre las variables
seleccionadas, donde permite analizar el valor económico de la propiedad , la calidad percibida por el
cliente y la reputación digital de las propiedades. La aplicación del análisis de datos se realizó con el
lenguaje de programación python implementando las bibliotecas librerías pandas que apoya en la
manipulación y preparación del conjunto de datos, además de seaborn en conjunto con matplotlib para
la generación de gráficos.
El primer paso fue realizar la depuración de los registros con valores nulos, después se realizó la
conversión de variables no numéricas a un formato compatible con el análisis estadístico. Por último se
generaron los gráficos de dispersión que permitieron identificar tendencias y patrones en las variables
de precio por noche, calificación y cantidad de reseñas lo cual complementa el análisis correlacional
basado en la matriz de correlación de Pearson, Esto con el propósito de validar la relación entre las
variables antes mencionadas. El procedimiento anterior permitió la visualización de manera empírica
las interdependencias entre las variables calificación, reseñas y precio. Esto apoya a la comprensión
sobre el comportamiento de los usuarios dentro del ecosistema digital del alojamiento turístico en este
caso en la plataforma Airbnb.
RESULTADOS
El la figura 1 de dispersión entre precio y calificación revela una correlación prácticamente nula (r ≈
0.03), lo que indica que el precio del alojamiento no determina la percepción de calidad del huésped.
pág. 4121
Es decir, los precios elevados no garantizan mejores valoraciones. Este hallazgo coincide con lo
señalado por Teubner et al. (2017) y Liang et al. (2017), quienes destacan que la satisfacción depende
más de la experiencia percibida, la atención del anfitrión y la transparencia de la información, que del
costo económico.
En términos estratégicos, esto sugiere que el valor percibido debe gestionarse mediante diferenciación
del servicio y reputación digital, más que mediante ajustes de precios.
Figura 1 Relación entre precio de la propiedad y calificación.
Fuente: Elaboración propia.
En la figura 2 se observa una correlación débil y negativa (r = –0.04) entre precio y número de reseñas,
lo cual implica que los alojamientos de mayor precio suelen recibir menos comentarios. Esto podría
asociarse con un mercado más exclusivo y de menor rotación de huéspedes, o con un público que no
suele dejar reseñas.
En cambio, los alojamientos con precios medios o bajos tienden a registrar más reseñas, probablemente
por su alta rotación y accesibilidad económica. Este comportamiento refleja un patrón de visibilidad
digital: a mayor volumen de huéspedes, mayor cantidad de opiniones y, por ende, mayor exposición en
la plataforma (Filieri et al., 2018).
Es decir, los precios elevados no garantizan mejores valoraciones. Este hallazgo coincide con lo
señalado por Teubner et al. (2017) y Liang et al. (2017), quienes destacan que la satisfacción depende
más de la experiencia percibida, la atención del anfitrión y la transparencia de la información, que del
costo económico.
En términos estratégicos, esto sugiere que el valor percibido debe gestionarse mediante diferenciación
del servicio y reputación digital, más que mediante ajustes de precios.
Figura 1 Relación entre precio de la propiedad y calificación.
Fuente: Elaboración propia.
En la figura 2 se observa una correlación débil y negativa (r = –0.04) entre precio y número de reseñas,
lo cual implica que los alojamientos de mayor precio suelen recibir menos comentarios. Esto podría
asociarse con un mercado más exclusivo y de menor rotación de huéspedes, o con un público que no
suele dejar reseñas.
En cambio, los alojamientos con precios medios o bajos tienden a registrar más reseñas, probablemente
por su alta rotación y accesibilidad económica. Este comportamiento refleja un patrón de visibilidad
digital: a mayor volumen de huéspedes, mayor cantidad de opiniones y, por ende, mayor exposición en
la plataforma (Filieri et al., 2018).
pág. 4122
Figura 2 Relación entre el precio de la propiedad y el número de reseñas.
Fuente: Elaboración propia.
En la figura número 3 se evidenció lo que podría ser un efecto de sesgo positivo (r ≈ 0.08), que nos
indica que los huéspedes generalmente califican de forma positiva a los anfitriones mientras no exista
una experiencia claramente negativa. Existe una ausencia de una relación lineal fuerte porque detecta
una correlación muy baja. Esto significa que el número de reseñas no influye directamente en la
calificación promedio. El número de reseñas refleja visibilidad y permanencia en lugar de calidad.
Figura 3 Dispersión entre Número de Reseñas y Calificación
Fuente: Elaboración propia.
Figura 2 Relación entre el precio de la propiedad y el número de reseñas.
Fuente: Elaboración propia.
En la figura número 3 se evidenció lo que podría ser un efecto de sesgo positivo (r ≈ 0.08), que nos
indica que los huéspedes generalmente califican de forma positiva a los anfitriones mientras no exista
una experiencia claramente negativa. Existe una ausencia de una relación lineal fuerte porque detecta
una correlación muy baja. Esto significa que el número de reseñas no influye directamente en la
calificación promedio. El número de reseñas refleja visibilidad y permanencia en lugar de calidad.
Figura 3 Dispersión entre Número de Reseñas y Calificación
Fuente: Elaboración propia.
pág. 4123
La matriz de correlación que se muestra en la figura 4 llamada Correlación entre precio, calificación y
reseñas calculada entre el precio, la calificación y el número de reseñas reveló los siguientes resultados:
Correlación entre Precio y Calificación: La correlación entre estas dos variables fue baja, sugiriendo
que el precio no tiene un impacto directo y significativo en la calificación otorgada por los huéspedes.
Esto refuerza la idea de que el precio no siempre refleja la calidad de la experiencia. Correlación entre
Precio y Número de Reseñas: muestra una relación débil, no estadísticamente significativa, lo que
indica que los alojamientos con un precio más elevado no reciben más reseñas. Esto podría ser
indicativo de que las propiedades de mayor precio no generan más interés y, por lo tanto, no atraen a
más huéspedes que dejan sus opiniones. Correlación entre Número de Reseñas y Calificación: La débil
correlación entre estas dos variables sugiere que los alojamientos con más reseñas no suelen tener una
mejor calificación promedio. Esto puede interpretarse como que las propiedades que han sido evaluadas
por un mayor número de huéspedes no necesariamente ofrecen una experiencia de mayor calidad.
Figura 4 Correlación entre precio, calificación y reseñas
Fuente: Elaboración propia.
DISCUSIÓN Y CONCLUSIONES
Los resultados obtenidos de este primer ejercicio, permiten evidenciar lo complejo de las dinámicas que
permiten generar la reputación digital y cómo ésta podría influir en el turismo inteligente.
La matriz de correlación que se muestra en la figura 4 llamada Correlación entre precio, calificación y
reseñas calculada entre el precio, la calificación y el número de reseñas reveló los siguientes resultados:
Correlación entre Precio y Calificación: La correlación entre estas dos variables fue baja, sugiriendo
que el precio no tiene un impacto directo y significativo en la calificación otorgada por los huéspedes.
Esto refuerza la idea de que el precio no siempre refleja la calidad de la experiencia. Correlación entre
Precio y Número de Reseñas: muestra una relación débil, no estadísticamente significativa, lo que
indica que los alojamientos con un precio más elevado no reciben más reseñas. Esto podría ser
indicativo de que las propiedades de mayor precio no generan más interés y, por lo tanto, no atraen a
más huéspedes que dejan sus opiniones. Correlación entre Número de Reseñas y Calificación: La débil
correlación entre estas dos variables sugiere que los alojamientos con más reseñas no suelen tener una
mejor calificación promedio. Esto puede interpretarse como que las propiedades que han sido evaluadas
por un mayor número de huéspedes no necesariamente ofrecen una experiencia de mayor calidad.
Figura 4 Correlación entre precio, calificación y reseñas
Fuente: Elaboración propia.
DISCUSIÓN Y CONCLUSIONES
Los resultados obtenidos de este primer ejercicio, permiten evidenciar lo complejo de las dinámicas que
permiten generar la reputación digital y cómo ésta podría influir en el turismo inteligente.
pág. 4124
Las correlaciones encontradas, aunque son débiles, permiten intuir que los factores económicos no
necesariamente tienen una relación con la percepción de la calidad o con la satisfacción de los usuarios.
Esto da lugar a un conjunto de dimensiones más simbólicas que podrían definir la confianza hacia el
anfitrión y en general a la plataforma.
En este sentido, los resultados se articulan con lo planteado por Cheng, Fu y de Vreede (2018) y Filieri,
Hofacker y Alguezaui (2018), al evidenciar que la confianza y la reputación son ejes principales en la
concreción de valor en la economía colaborativa. Las calificaciones tienden a homogeneizar en un rango
alto, lo cual coincide con el sesgo positivo en las reseñas que mencionan Bridges y Vásquez (2018) el
cual podría ser un reflejo de normas culturales y cortesía digital. Por esto, más que reflejar la calidad
objetiva del servicio, las reseñas están actuando como una especie de mecanismos de validación social
y como un lenguaje simbólico que orienta la decisión de consumo.
La relación entre reputación, confianza y satisfacción adquiere una nueva dimensión cuando se observa
desde la teoría de la confianza particularizada (Cheng, Gu y Shen, 2019). Los usuarios confían en la
estructura tecnológica de la plataforma, y también en las valoraciones emitidas por otros miembros de
la comunidad. Esto permite reforzar la idea de que el capital relacional es el principal generador de
credibilidad en entornos de intercambio digital. Entonces, la reputación se convierte en un bien
compartido que depende del equilibrio entre las experiencias individuales y las percepciones colectivas.
Asimismo, los resultados sugieren que el número de reseñas está más asociado con la visibilidad del
alojamiento que con la satisfacción propiamente dicha. Los espacios con mayor volumen de
comentarios tienden a posicionarse mejor dentro de los algoritmos de búsqueda, incrementando su
exposición.
A partir de estas evidencias, la discusión se orienta hacia la comprensión del turismo inteligente como
un sistema de interacciones humanas que son mediadas por tecnología, y donde el valor percibido puede
construirse entre la información, la emoción de la experiencia y la retroalimentación de la comunidad.
Es así que la tecnología no sustituye la dimensión humana del turismo, solo la amplifica al permitir que
todos estos procesos sean más rápidos, eficientes y en tiempo real.
Las correlaciones encontradas, aunque son débiles, permiten intuir que los factores económicos no
necesariamente tienen una relación con la percepción de la calidad o con la satisfacción de los usuarios.
Esto da lugar a un conjunto de dimensiones más simbólicas que podrían definir la confianza hacia el
anfitrión y en general a la plataforma.
En este sentido, los resultados se articulan con lo planteado por Cheng, Fu y de Vreede (2018) y Filieri,
Hofacker y Alguezaui (2018), al evidenciar que la confianza y la reputación son ejes principales en la
concreción de valor en la economía colaborativa. Las calificaciones tienden a homogeneizar en un rango
alto, lo cual coincide con el sesgo positivo en las reseñas que mencionan Bridges y Vásquez (2018) el
cual podría ser un reflejo de normas culturales y cortesía digital. Por esto, más que reflejar la calidad
objetiva del servicio, las reseñas están actuando como una especie de mecanismos de validación social
y como un lenguaje simbólico que orienta la decisión de consumo.
La relación entre reputación, confianza y satisfacción adquiere una nueva dimensión cuando se observa
desde la teoría de la confianza particularizada (Cheng, Gu y Shen, 2019). Los usuarios confían en la
estructura tecnológica de la plataforma, y también en las valoraciones emitidas por otros miembros de
la comunidad. Esto permite reforzar la idea de que el capital relacional es el principal generador de
credibilidad en entornos de intercambio digital. Entonces, la reputación se convierte en un bien
compartido que depende del equilibrio entre las experiencias individuales y las percepciones colectivas.
Asimismo, los resultados sugieren que el número de reseñas está más asociado con la visibilidad del
alojamiento que con la satisfacción propiamente dicha. Los espacios con mayor volumen de
comentarios tienden a posicionarse mejor dentro de los algoritmos de búsqueda, incrementando su
exposición.
A partir de estas evidencias, la discusión se orienta hacia la comprensión del turismo inteligente como
un sistema de interacciones humanas que son mediadas por tecnología, y donde el valor percibido puede
construirse entre la información, la emoción de la experiencia y la retroalimentación de la comunidad.
Es así que la tecnología no sustituye la dimensión humana del turismo, solo la amplifica al permitir que
todos estos procesos sean más rápidos, eficientes y en tiempo real.
pág. 4125
Desde una perspectiva metodológica, el empleo de datos abiertos y herramientas analíticas accesibles
demuestra que la Ciencia de Datos puede ser una herramienta que permite comprender los
comportamientos digitales en el turismo contemporáneo. Sin embargo, los resultados dan evidencia de
la necesidad de profundizar estas relaciones, pero incorporando en futuras investigaciones, dimensiones
que permitan examinar otros vínculos.
REFERENCIAS BIBLIOGRAFICAS
Andrei, J., Stan, C., & Lungu, A. (2024). Tourism and online collaborative economy platforms..
https://doi.org/10.52370/tisc24191ja
Anjorin, K., Raji, M., & Olodo, H. (2024). A review of strategic decision-making in marketing through
big data and analytics. Computer Science & It Research Journal, 5(5), 1126-1144.
https://doi.org/10.51594/csitrj.v5i5.1139
Attard, J., Orlandi, F., Scerri, S., & Auer, S. (2015). A systematic review of open government data
initiatives. Government Information Quarterly, 32(4), 399–418.
https://doi.org/10.1016/j.giq.2015.07.006
Belk, R. (2014). You are what you can access: Sharing and collaborative consumption online. Journal
of Business Research, 67(8), 1595–1600. https://doi.org/10.1016/j.jbusres.2013.10.001
Botsman, R., & Rogers, R. (2010). What’s mine is yours: The rise of collaborative consumption.
HarperCollins.
Bridges, J., & Vásquez, C. (2018). If nearly all Airbnb reviews are positive, does that make them
meaningless? Current Issues in Tourism, 21(18), 2057–2075.
https://doi.org/10.1080/13683500.2016.1267113
Cheng, C., & Edwards, D. (2023). Big data analytics in tourism management: Current trends and future
research directions. Tourism Management Perspectives, 47, 101110.
https://doi.org/10.1016/j.tmp.2023.101110
Cox, M. (2024). Inside Airbnb: Adding data to the debate. https://insideairbnb.com/
El Archi, Y., Benbba, B., Nizamatdinova, Z., Issakov, Y., Vargáné, G. I., & Dávid, L. D. (2023).
Systematic literature review analysing smart tourism destinations in context of sustainable
Desde una perspectiva metodológica, el empleo de datos abiertos y herramientas analíticas accesibles
demuestra que la Ciencia de Datos puede ser una herramienta que permite comprender los
comportamientos digitales en el turismo contemporáneo. Sin embargo, los resultados dan evidencia de
la necesidad de profundizar estas relaciones, pero incorporando en futuras investigaciones, dimensiones
que permitan examinar otros vínculos.
REFERENCIAS BIBLIOGRAFICAS
Andrei, J., Stan, C., & Lungu, A. (2024). Tourism and online collaborative economy platforms..
https://doi.org/10.52370/tisc24191ja
Anjorin, K., Raji, M., & Olodo, H. (2024). A review of strategic decision-making in marketing through
big data and analytics. Computer Science & It Research Journal, 5(5), 1126-1144.
https://doi.org/10.51594/csitrj.v5i5.1139
Attard, J., Orlandi, F., Scerri, S., & Auer, S. (2015). A systematic review of open government data
initiatives. Government Information Quarterly, 32(4), 399–418.
https://doi.org/10.1016/j.giq.2015.07.006
Belk, R. (2014). You are what you can access: Sharing and collaborative consumption online. Journal
of Business Research, 67(8), 1595–1600. https://doi.org/10.1016/j.jbusres.2013.10.001
Botsman, R., & Rogers, R. (2010). What’s mine is yours: The rise of collaborative consumption.
HarperCollins.
Bridges, J., & Vásquez, C. (2018). If nearly all Airbnb reviews are positive, does that make them
meaningless? Current Issues in Tourism, 21(18), 2057–2075.
https://doi.org/10.1080/13683500.2016.1267113
Cheng, C., & Edwards, D. (2023). Big data analytics in tourism management: Current trends and future
research directions. Tourism Management Perspectives, 47, 101110.
https://doi.org/10.1016/j.tmp.2023.101110
Cox, M. (2024). Inside Airbnb: Adding data to the debate. https://insideairbnb.com/
El Archi, Y., Benbba, B., Nizamatdinova, Z., Issakov, Y., Vargáné, G. I., & Dávid, L. D. (2023).
Systematic literature review analysing smart tourism destinations in context of sustainable
pág. 4126
development: Current applications and future directions. Sustainability, 15(6), 5086.
https://doi.org/10.3390/su15065086
Ert, E., Fleischer, A., & Magen, N. (2016). Trust and reputation in the sharing economy: The role of
personal photos in Airbnb. Tourism Management, 55, 62–73.
https://doi.org/10.1016/j.tourman.2016.01.013
European Commission. (2023). EU Open Data Portal. https://data.europa.eu/en
Few, S. (2013). Information dashboard design: Displaying data for at-a-glance monitoring (2nd ed.).
Analytics Press.
Filieri, R., Hofacker, C. F., & Alguezaui, S. (2018). What makes an online consumer review
trustworthy? Journal of Business Research, 86, 123–133.
https://doi.org/10.1016/j.jbusres.2018.02.024
Garanti, Z. (2023). Value co-creation in smart tourism destinations. Worldwide Hospitality and Tourism
Themes, 15(5), 468-475. https://doi.org/10.1108/whatt-06-2023-0070
Gurran, N., & Phibbs, P. (2017). When tourists move in: How should urban planners respond to
Airbnb? Journal of the American Planning Association, 83(1), 80–92.
https://doi.org/10.1080/01944363.2016.1249011
Janssen, M., Charalabidis, Y., & Zuiderwijk, A. (2012). Benefits, adoption barriers and myths of open
data and open government. Information Systems Management, 29(4), 258–268.
https://doi.org/10.1080/10580530.2012.716740
Jiménez, J., Padilla, A., & Pérez‐Rodríguez, J. (2021). How does airbnb affect local spanish tourism
markets?. Empirical Economics, 62(5), 2515-2545. https://doi.org/10.1007/s00181-021-02107-
2
Kotler, P., & Keller, K. L. (2022). Dirección de marketing (16.ª ed.). Pearson Educación.
Li, J., Hu, C., Huang, C., & Duan, L. (2018). The application of big data in tourism management.
Tourism Management, 68, 301–323. https://doi.org/10.1016/j.tourman.2018.03.009
Liang, S., Schuckert, M., Law, R., & Chen, C. (2017). Be a “superhost”: The importance of badge
systems for peer-to-peer rental platforms. Tourism Management, 60, 454–465.
https://doi.org/10.1016/j.tourman.2017.01.007
development: Current applications and future directions. Sustainability, 15(6), 5086.
https://doi.org/10.3390/su15065086
Ert, E., Fleischer, A., & Magen, N. (2016). Trust and reputation in the sharing economy: The role of
personal photos in Airbnb. Tourism Management, 55, 62–73.
https://doi.org/10.1016/j.tourman.2016.01.013
European Commission. (2023). EU Open Data Portal. https://data.europa.eu/en
Few, S. (2013). Information dashboard design: Displaying data for at-a-glance monitoring (2nd ed.).
Analytics Press.
Filieri, R., Hofacker, C. F., & Alguezaui, S. (2018). What makes an online consumer review
trustworthy? Journal of Business Research, 86, 123–133.
https://doi.org/10.1016/j.jbusres.2018.02.024
Garanti, Z. (2023). Value co-creation in smart tourism destinations. Worldwide Hospitality and Tourism
Themes, 15(5), 468-475. https://doi.org/10.1108/whatt-06-2023-0070
Gurran, N., & Phibbs, P. (2017). When tourists move in: How should urban planners respond to
Airbnb? Journal of the American Planning Association, 83(1), 80–92.
https://doi.org/10.1080/01944363.2016.1249011
Janssen, M., Charalabidis, Y., & Zuiderwijk, A. (2012). Benefits, adoption barriers and myths of open
data and open government. Information Systems Management, 29(4), 258–268.
https://doi.org/10.1080/10580530.2012.716740
Jiménez, J., Padilla, A., & Pérez‐Rodríguez, J. (2021). How does airbnb affect local spanish tourism
markets?. Empirical Economics, 62(5), 2515-2545. https://doi.org/10.1007/s00181-021-02107-
2
Kotler, P., & Keller, K. L. (2022). Dirección de marketing (16.ª ed.). Pearson Educación.
Li, J., Hu, C., Huang, C., & Duan, L. (2018). The application of big data in tourism management.
Tourism Management, 68, 301–323. https://doi.org/10.1016/j.tourman.2018.03.009
Liang, S., Schuckert, M., Law, R., & Chen, C. (2017). Be a “superhost”: The importance of badge
systems for peer-to-peer rental platforms. Tourism Management, 60, 454–465.
https://doi.org/10.1016/j.tourman.2017.01.007
pág. 4127
Lopes, J., Gomes, S., Ferreira, J., & Ferreira, L. (2025). What is the impact of digital tools on hospitality
business performance? the case of sme accommodation sector in portugal. International Journal
of Tourism Research, 27(1). https://doi.org/10.1002/jtr.70004
López de Ávila, A. (2023). Destinos turísticos inteligentes: innovación, tecnología y sostenibilidad.
Economía Industrial, 395, 61–72.
Luca, M. (2016). Reviews, reputation, and revenue: The case of Yelp.com. Harvard Business School
Working Paper, No. 12-016.
Mariani, M. M., Baggio, R., Fuchs, M., & Höpken, W. (2018). Business analytics and big data in
hospitality and tourism: A systematic literature review. International Journal of Hospitality
Management, 70, 81–90. https://doi.org/10.1016/j.ijhm.2017.09.003
McKinney, W. (2022). Python for data analysis: Data wrangling with pandas, NumPy, and Jupyter
(3rd ed.). O’Reilly Media.
Open Knowledge Foundation (OKF). (2023). The Open Definition. https://opendefinition.org/
Sepe, M., Gretzel, U., & Sigala, M. (2022). Smart tourism destinations: An overview of current research
trends. Tourism Management Perspectives. https://doi.org/10.1016/j.tmp.2022.100978
SEGITTUR. (2024). Libro blanco de los destinos turísticos inteligentes. Sociedad Estatal para la
Gestión de la Innovación y las Tecnologías Turísticas. https://www.segittur.es/
Sigala, M. (2017). Collaborative commerce in tourism: Implications for research and practice. Current
Issues in Tourism, 20(4), 346–355. https://doi.org/10.1080/13683500.2014.982522
Teubner, T., Hawlitschek, F., & Dann, D. (2017). Price determinants on Airbnb: How reputation pays
off in the sharing economy. Journal of Self-Governance and Management Economics, 5(4), 53–
80. https://doi.org/10.22381/JSME5420173
Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
Tung, V.-W. S., Vu, H. Q., & Ho, T. C. (2022). Internet of Things (IoT) in smart tourism: A literature
review. Series in Management & Technology, 26(3), 325–351. https://doi.org/10.1108/SJME-
03-2022-0032
UNWTO. (2024). UNWTO Tourism Data Dashboard. United Nations World Tourism Organization.
https://www.unwto.org/tourism-data
Lopes, J., Gomes, S., Ferreira, J., & Ferreira, L. (2025). What is the impact of digital tools on hospitality
business performance? the case of sme accommodation sector in portugal. International Journal
of Tourism Research, 27(1). https://doi.org/10.1002/jtr.70004
López de Ávila, A. (2023). Destinos turísticos inteligentes: innovación, tecnología y sostenibilidad.
Economía Industrial, 395, 61–72.
Luca, M. (2016). Reviews, reputation, and revenue: The case of Yelp.com. Harvard Business School
Working Paper, No. 12-016.
Mariani, M. M., Baggio, R., Fuchs, M., & Höpken, W. (2018). Business analytics and big data in
hospitality and tourism: A systematic literature review. International Journal of Hospitality
Management, 70, 81–90. https://doi.org/10.1016/j.ijhm.2017.09.003
McKinney, W. (2022). Python for data analysis: Data wrangling with pandas, NumPy, and Jupyter
(3rd ed.). O’Reilly Media.
Open Knowledge Foundation (OKF). (2023). The Open Definition. https://opendefinition.org/
Sepe, M., Gretzel, U., & Sigala, M. (2022). Smart tourism destinations: An overview of current research
trends. Tourism Management Perspectives. https://doi.org/10.1016/j.tmp.2022.100978
SEGITTUR. (2024). Libro blanco de los destinos turísticos inteligentes. Sociedad Estatal para la
Gestión de la Innovación y las Tecnologías Turísticas. https://www.segittur.es/
Sigala, M. (2017). Collaborative commerce in tourism: Implications for research and practice. Current
Issues in Tourism, 20(4), 346–355. https://doi.org/10.1080/13683500.2014.982522
Teubner, T., Hawlitschek, F., & Dann, D. (2017). Price determinants on Airbnb: How reputation pays
off in the sharing economy. Journal of Self-Governance and Management Economics, 5(4), 53–
80. https://doi.org/10.22381/JSME5420173
Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
Tung, V.-W. S., Vu, H. Q., & Ho, T. C. (2022). Internet of Things (IoT) in smart tourism: A literature
review. Series in Management & Technology, 26(3), 325–351. https://doi.org/10.1108/SJME-
03-2022-0032
UNWTO. (2024). UNWTO Tourism Data Dashboard. United Nations World Tourism Organization.
https://www.unwto.org/tourism-data
pág. 4128
Waskom, M. (2023). seaborn: Statistical data visualization. Journal of Open Source Software, 8(91),
5667. https://doi.org/10.21105/joss.05667
Xie, K. L., Chen, C., & Wu, S. Y. (2016). Online reviews and firm performance: A big data approach.
International Journal of Hospitality Management, 56, 77–87.
https://doi.org/10.1016/j.ijhm.2016.04.009
Ye, Q., Law, R., Gu, B., & Chen, W. (2011). The influence of user-generated content on traveler
behavior: An empirical investigation on the effects of e-word-of-mouth. Computers in Human
Behavior, 27(2), 634–639. https://doi.org/10.1016/j.chb.2010.04.014
Zervas, G., Proserpio, D., & Byers, J. (2017). The rise of the sharing economy: Estimating the impact
of Airbnb on the hotel industry. Journal of Marketing Research, 54(5), 687–705.
https://doi.org/10.1509/jmr.15.0204
Waskom, M. (2023). seaborn: Statistical data visualization. Journal of Open Source Software, 8(91),
5667. https://doi.org/10.21105/joss.05667
Xie, K. L., Chen, C., & Wu, S. Y. (2016). Online reviews and firm performance: A big data approach.
International Journal of Hospitality Management, 56, 77–87.
https://doi.org/10.1016/j.ijhm.2016.04.009
Ye, Q., Law, R., Gu, B., & Chen, W. (2011). The influence of user-generated content on traveler
behavior: An empirical investigation on the effects of e-word-of-mouth. Computers in Human
Behavior, 27(2), 634–639. https://doi.org/10.1016/j.chb.2010.04.014
Zervas, G., Proserpio, D., & Byers, J. (2017). The rise of the sharing economy: Estimating the impact
of Airbnb on the hotel industry. Journal of Marketing Research, 54(5), 687–705.
https://doi.org/10.1509/jmr.15.0204