Airbnb, ¿amenaza o bondad?

AIRBNB ¿AMENAZA O BONDAD? UN
ANÁLISIS PARA SECTOR TURISMO
@PedroVallejo4
https://sg.com.mx/dataday
#DataDayMTY
Información confidencial propiedad de Datlas®

Introducción

Fuente: https://peerj.com/preprints/3182.pdf
“At Airbnb, R has been
amongst the most popular
tools for doing data science
in many different contexts,
including generating product
insights, interpreting
experiments, and building
predictive models”
Encontramos que en las oficinas de AIRBNB utilizan R, de
hecho desarrollaron su propia librería “Rbnb”

Investigamos y publicamos el blog: “AIRBNB en CDMX
¿Amenaza o bondad? Un análisis para el sector Turismo

Luego publicamos para Monterrey: “AIRBNB, el nuevo negocio
inmobiliario de los regios”

Presentaremos un caso de un análisis de datos y exploración
de estrategias de negocio para la industria de Turismo

Agenda
• Contexto y relevancia
• Caso de estudio
• Análisis
• Recomendaciones finales
• Trabajo futuro

¿Qué es AIRBNB?

Una startup que se dedica a habilitar la reserva de alojamientos
a cualquier persona que disponga de algún sitio para hospedar

Los “host” habilitan las estancias desde la plataforma digital
de AIRBNB sin mucha burocracia conectando así con turistas

AIRBNB hoy vale cerca de $35Bn de dólares, es exitosa y ha
tenido una expansión a más de 65,000 ciudades

Con su expansión, AIRBNB, ha casi rebasado al “Top 5 de
cadenas hoteleras del mundo” en términos de cuartos
Fuente: CB Insights

En México el interés por usar los servicios de AIRBNB en
términos de búsquedas rebasa a las cadenas más importantes

Pero….¿Cuál es la
controversia con
AIRBNB?

AIRBNB como amenaza
“Airbnb también está
ganando clientes por su
enorme oferta de más
de 6 millones de
alojamientos, desde
una casa rodante hasta
una habitación en un
castillo”

“Un reciente estudio arrojó
que 56% de los “millennials”
en México prefiere
hospedarse con Airbnb a
realizarlo con hoteles”
AIRBNB como oportunidad

“La Asociación de Hoteles de la
CDMX, aceptó que la medida es
positiva (3% impuestos a Airbnb),
consideró que tampoco es
suficiente. - Todavía tenemos
que pagar licencias, permisos,
seguro social, impuesto sobre la
renta, alarmas contra incendios,
alarmas sísmicas y nóminas, sólo
por nombrar algunas cosas -”
AIRBNB en la mira

¿Qué pueden hacer los hoteles?

“On the positive side, claims
have been made that the
short-term rental market
increases tourism and its
economic benefits,
provides additional income
for hosts”
Existen algunos análisis de AIRBNB que priorizan el impacto
positivo al turismo de este tipo de plataformas
Fuente: http://sfbos.org/sites/default/files/FileCenter/Documents/52601-BLA.ShortTermRentals.051315.pdf

¿Qué previsiones y
estrategias podrían tomar los
hoteles en Nuevo León con
base a los datos de AIRBNB?

HOTELS

Revisaremos dos tipos de análisis

Que nos llevaron a trabajar en una clasificación

Y finalmente entregables interactivos con los usuarios

Primero el análisis estadístico

ID Descriptivos Ubicación Revisiones
Host_id Título de publicación de
hospedaje
Dirección Cantidad de
reseñas
Room_id
(único)
Tipo de hospedaje Latitud Calificación general
(1 al 5)
Cantidad de huéspedes Longitud
Baños
Habitaciones
Tipo de tarifa
Precio por noche
Analizamos datos de AIRBNB para Nuevo León considerando
en este análisis los siguientes campos
Fuente: Datos de AIRBNB a Agosto 2019

hospedaje
reseñas
Room_id
(único)
Tipo de hospedaje Latitud Calificación general
(1 al 5)
Baños +Municipio
Habitaciones
Tipo de tarifa
Precio por noche
Generamos un campo adicional, el de municipio, para
generar un lenguaje común en los cruces de datos
Fuente: Datos de AIRBNB a Agosto 2019

Existen poco más de 4,900 hospedajes de AIRBNB en Nuevo
León, con capacidad de albergar 17,000 personas
3,782
391
277
176
150
92
54
16
11
Monterrey
San Pedro Garza García
Guadalupe
Apodaca
San Nicolás de los Garza
Santa Catarina
Escobedo
Juárez
García
Hospedajes AIRBNB en Nuevo León

5.63
4.23
1.83
1.73
0.96
0.26
0.09
0.05
0.01
San Pedro Garza García
Monterrey
Guadalupe
San Nicolás de los Garza
Apodaca
Escobedo
Santa Catarina
Juárez
García
Hospedajes AIRBNB por 𝒌𝒎 𝟐 en Nuevo León
En cobertura en promedio hay 1.3 AIRBNB por km2 en NL.
Siendo San Pedro el municipio que encabeza con 5.6

Publicaciones de hospedajes en AIRBNB por “Host”
Host con 3
hospedajes
55%
Host con 2
hospedajes
5%
Host con 1
hospedaje
40%
Los 4,900 hospedajes pertenecen a 3,000 “hosts”, es decir
existen usuarios que tienen publicado más de un alojamiento

Distribución por tipo de alojamiento
Casa o apt.
Entero
51.6%
Cuarto
privado
45.6%
Cuarto
compartido
2.3%
Cuarto de
hotel
0.5%
El tipo de alojamiento es entero o cuarto privado lo que
relativamente “limita” la experiencia de habitación en un hotel

Room type

Distribución de precio (USD) AIRBNB por cuartil
$0
$50
$100
$150
$200
$250
$300
$350
$400
$450
$500
Entre $10 y $20
Hasta $29 Hasta $51
Hasta $464
El 75% de los precios por hospedaje ronda entre los $10 y
$51 USD. En casos extremos rebasa los $400 USD

Precios (USD) de AIRBNB por municipio
$0
$50
$100
$150
$200
$250
$300
$350
$400
$450
$500
Santa
Catarina
Juárez San Pedro
Garza
García
Monterrey Guadalupe San
Nicolás de
los Garza
Apodaca Escobedo García
La mediana de precios de Nuevo León es de $29 , siendo Santa
Catarina y San Pedro los más caros cerca de $40 la noche

Price
Precio

% de hospedajes clasificados por capacidad en huéspedes
23% 23% 21%
14%
7%
8%
3%
Más del 65% de los hospedajes están dedicados a grupos
mayores a 4 huéspedes por hospedaje
huéspedes huéspedes huéspedes
huéspedes
huéspedes
huéspedes

23% 23% 21%
14%
7%
8%
3%
Correlación entre variables
No encontramos alguna correlación significante entre variables
para términos de una recomendación para los hoteles
library(reshape2) # transformación de datos
library(ggplot2) # gráficas y visualizaciones
ggplot(data = AIRBNB, aes(x=Var1, y=Var2, fill=value))
+ geom_tile()

1) Existen 4,900 AIRBNB en Nuevo León que pertenecen a 3,000
usuarios con capacidad de albergar 17,000 huéspedes
2) En cobertura, esto se traduce a 1.3 AIRBNB por km2 en NL
3) Más de la mitad de la oferta son alojamientos enteros o cuartos
privados. De estos, más del 66% de los alojamientos son para grupos de
4 o más huéspedes
4) Si todos los hospedajes estuvieran cubiertos en una noche se podrían
generar $204 mil USD (lo equivalente a $3.9M MXN)
5) La mediana por AIRBNB es de $29 por noche. Esto, traducido en tarifa
por huésped, serían alrededor de $10 USD ($200 MXN )
Resumen de observaciones

Después un poco de análisis geográfico

Llevarle a los usuarios los datos en un formato visual

hospedaje
reseñas
Room_id Tipo de hospedaje Latitud Calificación
general (1 al 5)
Baños +Municipio
Habitaciones +AGEB
Tipo de tarifa +Coordenadas
Precio por noche
+Precio promedio por
AGEB
Volvimos a generar nuevas variables con base a información
de ubicación y precio

Generamos un mapa con los datos de AIRBNB

Añadimos registros de +360 hoteles

Generamos un mapa de AIRBNB + Hoteles

1) Explorar la plataforma
2) Encontrar regiones relevantes
3) Explorar una zona especifica
Interactuamos con los usuarios en algunas misiones de uso

Misión 1: Explorar la plataforma

Misión 2: Encontrar regiones relevantes

Misión 3: Explorar una zona especifica

1) Existen +360 hoteles registrados en la plataforma con mucho menor
cobertura que la oferta de AIRBNB en la región
2) En algunos casos, AIRBNB está desarrollando regiones turísticas
donde actualmente no hay una oferta complementaria de hoteles
3) La región alrededor del parque Fundidora representa una oportunidad
para implementar una iniciativa que capture alguna temporalidad
Resumen de observaciones

El usuario tenía problemas por la cantidad de datos así que
empezamos a generar clases similares con clústeres

Orientados a generar estrategias de negocios que sean más
sencillas de accionar y comunicar comenzamos a “clusterizar”
23% 23% 21%
14%
7%
8%
3%
Clúster 2
Clúster 4
Clúster 1
Clúster 3
Clasificación por clúster
library(tidyverse) # manipulación de datos
library(cluster) # algoritmos de clusterización
library(factoextra) # visualización

23% 23% 21%
14%
7%
8%
3%
Clúster (pendiente por completar)

23% 23% 21%
14%
7%
8%
3%
Estimamos la cantidad óptima de clústeres resultando 8
set.seed(123)
gap_stat <- clusGap(df, FUN = kmeans, nstart = 25,K.max = 8, B = 50)
fviz_gap_stat(gap_stat)

23% 23% 21%
14%
7%
8%
3%
Alineamos con los usuarios que los clústeres hagan sentido y
que la cantidad sea razonable para generar estrategias
df <- Corr #coeficientes de correlación de las variables numéricas de AIRBNB
df <- scale(df)
distance <- get_dist(df)
fviz_dist(distance, gradient = list(low = "#00AFBB", mid = "white", high = "#FC4E07"))
k2 <- kmeans(df, centers = 8, nstart = 25)
fviz_cluster(k2, data = df) Información confidencial propiedad de Datlas®

23% 23% 21%
14%
7%
8%
3%
Los hoteles podrían identificar cuál de los clústeres les compite
con mayor intensidad y generar una estrategia específica
Centroid_
name price
AvePrice_
AGEB bedrooms
Bath_
rooms
overall_
satisfaction
accommo
dates reviews Instances
Global 37.9 39.9 1 4 16.8 4 31.07537 3423
Cluster 0 44.9 38.4 2 2 11.5 6 25.77764 439
Cluster 1 45.1 44.2 2 3 15.5 5 129.4084 229
Cluster 2 25.3 32.9 1 2 4.9 2 22.5716 1293
Cluster 3 49.0 40.4 2 23 13.2 5 25.38192 240
Cluster 4 23.9 33.7 1 2 44.6 3 25.87341 701
Cluster 5 72.7 39.9 4 11 28.0 13 40.34992 83
Cluster 6 136.3 68.7 3 26 14.8 7 27.00917 84
Cluster 7 61.7 70.7 1 2 13.6 3 18.05257 354

Finalmente entregamos herramientas para que los usuarios
interactúen con la clasificación de los clústeres

23% 23% 21%
14%
7%
8%
3%
Desarrollamos en prueba un clasificador de cuartos para
identificar a qué clúster pertenece (y enfocar estrategias)

Experimentar nuevas propuestas de negocio en AIRBNB
puede ser útil para validar deseabilidad de nuevas ideas

Competir por precio y/o tecnología no es toda la solución, hay
que aprovechar el contexto y capitalizar oportunidades

Monitorear y ejecutar propuestas que compitan contra algunos
clústeres específicos dentro de la plataforma

Idear y solucionar los problemas alrededor de las dinámicas
de viajes en grupos mayores a cuatro personas

Apaláncate de la seguridad y servicios compartidos que
puedes ofrecer y AIRBNB no garantiza

Generar opciones de precio dinámicos considerando los
clústeres de AIRBNB y temporalidades de eventos turísticos

Aprendiendo para
cualquier industria

Revisamos dos análisis, una clasificación y aplicativo

Prepárate para el futuro

Simplifica tu experiencia física y digital

No es una competencia tradicional

No es una competencia tradicional, es una con esteroides

Trabajo Futuro
1) Integrar al estudio las ubicaciones de atracciones turísticas así como
temporalidades
2) Considerar más variables de las publicaciones de AIRBNB como
atributos de cuartos y si están o no en edificios
3) Analizar variables comerciales y socioeconómicas que puedan ser
relevantes para nuevas estrategias de hoteles
4) Integrar datos de seguridad (delitos, percances, entre otros) para
generar campañas de #hotelesSeguros

AIRBNB ¿AMENAZA O BONDAD? UN
ANÁLISIS PARA SECTOR TURISMO
▪ Tw: @PedroVallejo4
▪ Blog: blog.datlas.wordpress.com
▪ Web: www.datlas.mx
▪ Linkedin:www.linkedin.com/in/pedrovallejocastillo/
▪ E-mail: pedro@datlas.mx
Y

Airbnb, ¿amenaza o bondad?

Recomendados

Recomendados

Más contenido relacionado

Más de Software Guru

Más de Software Guru (20)

Último

Último (20)

Airbnb, ¿amenaza o bondad?