02 de octubre de 2026
Transformación de Datos en Estrategia: Investigación Aplicada para la Optimización de Operaciones en Ecoturismo
Transformación de Datos en Estrategia: Investigación Aplicada para la Optimización de Operaciones en Ecoturismo
Fernanda Karla Pinto Morais; Edilson José Rodrigues
DOI: 10.22167/2675-6528-202602896
Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.
Resumen
La creciente demanda en el turismo ecológico en Minas Gerais impulsó la búsqueda de inteligencia de negocios para transformar datos de clientes en información estratégica. El estudio objetivó estructurar un pipeline de ciencia de datos para recolectar, segmentar y clasificar la base de clientes de una operación de ecoturismo, con el fin de optimizar acciones de marketing y anticipar movimientos de mercado. Se realizó una investigación exploratoria, de naturaleza cuali-cuantitativa, por medio de un estudio de caso. Se utilizaron 2.777 registros transaccionales de una empresa de ecoturismo, referentes a enero de 2024 a diciembre de 2025. El proceso metodológico involucró recolección automatizada de datos (API Google Sheets), tratamiento y enriquecimiento (ETL), validación y creación de atributos RFM (Recencia, Frecuencia y Valor Monetario). Se aplicó reducción de dimensionalidad vía PCA y agrupamiento K-Means, con el número de clusters definido por el método del Codo y Silhouette Score. Se validaron los resultados con DBSCAN y K-Medoids. Los resultados revelaron la identificación de tres segmentos comportamentales de clientes: “Fiel”, “Bajo Valor” y “Potencial”. El segmento “Fiel” representó el mayor valor económico acumulado, mientras que el “Potencial” se destacó por el alto ticket promedio y potencial de conversión en recurrencia. La integración de las técnicas de análisis de datos demostró ser un método robusto y replicable para generar inteligencia en el ecoturismo. Se concluyó que el pipeline de ciencia de datos estructurado viabilizó la segmentación comportamental de la base de clientes, la validación estadística de los grupos y la creación de un sistema predictivo para nuevos compradores, proporcionando subsidios para decisiones estratégicas basadas en datos y futuros análisis.
Palabras clave: Clusterización; Inteligencia de negocios; Machine Learning; Segmentación de clientes; Toma de decisiones.
1. Introducción
En los últimos años, el ecoturismo se ha consolidado como un segmento que trasciende el simple ocio, alineando el contacto directo con la naturaleza a la preservación ambiental y la valorización de la cultura local. Este sector, amparado por las directrices del Ministerio de Turismo, no solo genera beneficios socioeconómicos, sino que también influye en toda la cadena turística nacional. Minas Gerais, en particular, se destaca como uno de los principales polos ecoturísticos del país, albergando la única cordillera de Brasil, el Espinhaço, reconocido por la Unesco como Reserva de la Biosfera, lo que la convierte en un escenario estratégico para el desarrollo de esta actividad (Miranda, 2025).
Siguiendo el crecimiento expresivo del ecoturismo, las agencias de turismo asumen un papel crucial de consultoría para los consumidores, organizando viajes que atienden a las necesidades de su público (Silva, 2016). Sin embargo, la intensa competencia exige una comprensión profunda del mercado y de los clientes. En este contexto, los datos dejan de ser informaciones fragmentadas y de bajo valor analítico (Olsen, 2015) para convertirse en un activo estratégico. Requieren procesos sistemáticos de tratamiento, modelado y análisis, capaces de generar ventajas competitivas sostenibles y transformar la inteligencia informacional en un factor decisivo para el desempeño organizacional (Fávero y Belfiore, 2024).
El presente estudio se centra en una empresa de ecoturismo en Minas Gerais que ofrece diversas experiencias al aire libre, desde recorridos de un día hasta expediciones e inmersiones. Actualmente, los gerentes de esta empresa se enfrentan al desafío de organizar y optimizar el vasto volumen de datos generados por el negocio. La transición de una gestión basada en el empirismo a un enfoque orientado a datos es esencial para profundizar el conocimiento sobre el perfil del cliente y comprender factores como la estacionalidad y los movimientos del mercado que pueden influir en las decisiones estratégicas.
Conocer al cliente es fundamental para el éxito de las acciones de marketing, desde la definición del mercado objetivo hasta la elección de los enfoques más adecuados para cada segmento (Solomon, 2016). En el ecoturismo, esta necesidad es aún más apremiante, ya que la programación de un viaje es, para el cliente, un momento memorable, que a menudo supera los recuerdos de la experiencia en sí (Silva, 2016). Además, el escenario actual exige que las empresas utilicen sus redes sociales digitales como canales estratégicos para impulsar las ventas y fortalecer la relación con el público (Destro, 2023).
Ante este escenario, la investigación se justifica por la necesidad de transformar datos brutos en inteligencia accionable para optimizar la operación de ecoturismo, y el objetivo de este trabajo es estructurar el pipeline de datos de la empresa en cuestión, posibilitando la identificación de grupos de clientes a través de sus registros transaccionales y, mediante la aplicación de algoritmos, optimizar las acciones estratégicas de marketing, aumentando sus posibilidades de éxito, además de buscar maneras de anticiparse a movimientos relacionados con el mercado, la estacionalidad y cuestiones relacionadas con el comportamiento del cliente.
2. Material y Métodos
La investigación exploratoria, cuali-cuantitativa y aplicada, se realizó como estudio de caso con elementos descriptivos (Gil, 2002). El estudio analizó registros transaccionales de una empresa de ecoturismo en Minas Gerais, referentes a negociaciones de enero de 2024 a diciembre de 2025. La metodología estructuró un pipeline de ciencia de datos para identificar grupos de clientes, optimizando acciones de marketing y anticipando movimientos de mercado y comportamiento.
El conjunto de datos primarios (Google Sheets) contenía 2.777 registros transaccionales de ventas. Las variables incluían fecha de la transacción, correo electrónico y nombre completo anonimizados, género, CPF anonimizado, fecha de nacimiento, teléfono, lugar de embarque, Instagram (opcional) y el evento adquirido. El tratamiento siguió la LGPD (Ley nº 13.709/2018), con anonimización de identificadores directos. El uso de la información fue autorizado por la gestión de la empresa para fines académicos, preservando confidencialidad e integridad.
El proceso de Extracción, Transformación y Carga (ETL) se implementó en Python (Spyder/Anaconda). Se utilizaron bibliotecas como Gspread, Google-auth y Sys para la centralización, autenticación y control de ejecución. Pandas (Caetano, 2025) procesó y enriqueció los datos, eliminando no numéricos, validando CPFs, creando columnas de estado y recuperando registros incompletos (backfill), según las directrices metodológicas (Barbieri, 2020).
En la ingeniería de atributos, las columnas se convirtieron a tipos de datos adecuados y se aplicó la técnica RFM (Recencia, Frecuencia y Valor Monetario). El RFM clasificó la base de clientes en categorías cuantitativas, estandarizando el comportamiento de compra. El RFM se agregó a una medida operativa de Lifetime Value (LTV), definida como el valor monetario acumulado de las transacciones del cliente.
Para la preparación y transformación de los datos, se utilizó Scikit-learn para la estandarización Z-score (StandardScaler) y para el Análisis de Componentes Principales (PCA), configurado para preservar el 95% de la varianza explicada (Netto y Maciel, 2021). La estandarización aseguró que las variables contribuyeran de forma equilibrada al cálculo de las distancias (Barr et al., 2024), y la PCA eliminó redundancias.
La definición del número ideal de clusters (K) se realizó con el algoritmo K-Means (Scikit-Learn), el método Elbow (Cotovelo) y el índice Silhouette Score (Sharda et al., 2025). Matplotlib y Seaborn ayudaron en la visualización (Netto y Maciel, 2021; Kyran, 2024). El análisis integrado apuntó a la segmentación en tres grupos (K=3), representando el mejor equilibrio entre cohesión y separación de los clusters (Gomes, 2024; Pierson, 2019).
Para validar los resultados, se aplicaron los algoritmos DBSCAN y K-Medoids. El DBSCAN se empleó como método de apoyo para validar la estructura de los grupos encontrados por K-Means (Faceli et al., 2025). El K-Medoids definió puntos reales de la base de datos (medoides) como centros de clúster, confiriendo mayor robustez a outliers y ruidos (Goldschmidt et al., 2015), y sus resultados convergieron con los de K-Means, validando la estructura de tres clústeres.
La definición de los nombres comerciales de los clústeres se realizó mediante mapeo dinámico de los perfiles estadísticos de los agrupamientos. Al final de cada ronda de K-Means, se calculó la media de la variable Gasto_Total para cada clúster y, en orden creciente, se asignaron las etiquetas ‘Bajo Valor’, ‘Potencial’ y ‘Fiel’. Este proceso alineó el sentido de negocio de los segmentos a los perfiles cuantitativos, según el área de aplicación (Faceli et al., 2025).
3. Resultados y Discusión
El análisis de los datos transaccionales de la empresa de ecoturismo comenzó con la exploración de las relaciones entre las variables, revelando importantes patrones de comportamiento de los clientes. Se observó una correlación de 0,98 entre el Gasto_Total y la Cantidad_Viajes, lo que indica que los clientes con un mayor volumen de gastos tienden a realizar más viajes. Esta fuerte dependencia lineal, superior al límite de 0,90 establecido por Fávero y Belfiore (2024), confirmó la severa multicolinealidad esperada, ya que el gasto total está intrínsecamente ligado a la frecuencia de viajes y al ticket promedio. Adicionalmente, la variable Recencia_Días presentó una correlación negativa moderada de -0,27 con las variables de gasto y cantidad de viajes, sugiriendo que los clientes que viajaron más recientemente tienden a gastar más y a tener una mayor frecuencia de viajes.
Para mitigar los efectos de la multicolinealidad y optimizar la aplicación de los algoritmos de clusterización, se empleó la técnica de Análisis de Componentes Principales (PCA) como etapa de preprocesamiento. La configuración del PCA se definió para preservar el 95% de la varianza explicada original de los datos, resultando en la generación de cuatro componentes principales (PC1 a PC4). Esta transformación garantizó que los nuevos componentes presentaran correlación cero entre sí, asegurando la ortogonalidad y la independencia matemática de la información. Dicho procedimiento eliminó redundancias e hizo que los datos fueran más adecuados para algoritmos basados en distancia, contribuyendo a la estabilidad e interpretabilidad de los resultados subsecuentes, según lo destacado por Netto y Maciel (2021).
La definición del número ideal de clusters (K) se realizó mediante la aplicación conjunta del Método del Codo (Elbow) y el Silhouette Score. El Método del Codo indicó una inflexión en la curva de inercia entre K=3 y K=4, sugiriendo rendimientos decrecientes en la adición de nuevos grupos a partir de K=5. El Silhouette Score, por su parte, métrica que cuantifica la cohesión interna y la separación entre los clusters (Rousseeuw, 1987), señaló K=2 con el mayor coeficiente (0,467), seguido por K=3 (0,454). A pesar de la pequeña diferencia, la elección de K=3 se justificó por su mayor utilidad práctica para la personalización de estrategias de marketing, ofreciendo un equilibrio superior entre la cohesión de los grupos y la distinción entre ellos.
La segmentación final, utilizando el algoritmo K-Means con K=3, demostró una separación espacial nítida de los grupos de clientes, cada uno con características bien delimitadas. El Clúster 0 concentró la mayor parte de la población de clientes, correspondiendo a un segmento de mayor volumen poblacional. El Clúster 1 abarcó clientes de alto compromiso y gasto acumulado, mientras que el Clúster 2 reunió clientes con un patrón de comportamiento distinto, caracterizado por recurrencia y ticket promedio elevados. La reducción de la dimensionalidad vía PCA, que mantuvo el 95% de la varianza explicada en los dos primeros componentes, aseguró que la representación visual de los clústeres preservó la estructura esencial para la interpretación de los datos.
Para validar la robustez de la segmentación obtenida con K-Means, se aplicaron los algoritmos DBSCAN y K-Medoids. El DBSCAN, parametrizado con eps=1,5 y min_samples=3, identificó tres clusters y clasificó algunas observaciones como ruido. Sin embargo, la segmentación resultante fue asimétrica, con el Cluster 0 concentrando la mayoría de las observaciones y los Clusters 1 y 2 siendo menores, además de ruidos dispersos. Aunque el número de clusters coincidió con K=3, la diferencia en la composición y distribución limitó la interpretación de una convergencia cualitativa directa, lo que es consistente con las limitaciones del DBSCAN para lidiar con distribuciones heterogéneas de datos, según Faceli et al. (2025).
El algoritmo K-Medoids, aplicado con K=3 sobre los datos transformados por PCA, también confirmó la estructura de tres clústeres. A diferencia del K-Means, que utiliza medias aritméticas como centroides, el K-Medoids selecciona puntos reales de la base de datos (medoides) como centros de los clústeres, lo que confiere mayor robustez a la presencia de valores atípicos y ruidos (Goldschmidt et al., 2015). La distribución de los grupos en el K-Medoids, aunque con una composición ligeramente diferente del K-Means (Clúster 0: n=341; Clúster 1: n=99; Clúster 2: n=224, comparado a Clúster 0: n=67; Clúster 1: n=555; Clúster 2: n=42 en el K-Means), mantuvo una separación espacial similar, reforzando la estabilidad de la elección de K=3.
La caracterización estadística de los clusters, utilizando boxplots de las variables originales en escala no estandarizada, permitió traducir los perfiles cuantitativos en inteligencia de negocio. El segmento “Fiel” (Cluster 0) se destacó como el de mayor valor económico acumulado, con una media de 41 años, cinco viajes adquiridos, LTV histórico de R$994,00 y una antigüedad media de 290 días. Su ticket promedio fue de R$203,00. Este perfil, que demuestra una relación activa y frecuente con la empresa, es estratégico para acciones de fidelización y programas de recompensa por frecuencia, con el objetivo de maximizar su rentabilidad.
El segmento “Bajo Valor” (Clúster 1) representó la mayor parte de la base de clientes (83,6%), concentrando compradores de experiencia puntual, predominantemente de compra única. Este grupo presentó una media de 37 años, el menor ticket promedio de la base (R$181,00), LTV reducido y una alta recurrencia, en torno a 420 días. La amplia dispersión intercuartílica en la recurrencia sugiere bajo compromiso y mayor propensión al abandono (churn). La conversión de una parte de este público en clientes recurrentes representa una ganancia significativa en el LTV histórico de la operación, convirtiéndolo en prioritario para estrategias de reactivación.
Finalmente, el segmento “Potencial” (Clúster 2) se destacó por el mayor ticket promedio entre los grupos, alcanzando R$294,00, un valor aproximadamente 45% superior al segmento “Fiel”. Este grupo presentó una media de edad más joven (33 años), baja frecuencia de compras (media de 1,14 viajes) y una elevada recurrencia media, en torno a 480 días. La expresiva heterogeneidad interna del ticket promedio, con valores atípicos superiores a R$300,00, indica que parte del grupo posee un poder de gasto considerablemente superior a la mediana. Este perfil es susceptible a campañas de upsell, acciones de relación postventa y comunicaciones dirigidas a experiencias de mayor valor, con gran potencial de conversión a largo plazo.
En resumen, la estructuración del pipeline de ciencia de datos y la aplicación de algoritmos de clusterización permitieron la identificación de tres segmentos comportamentales de clientes — Fiel, Bajo Valor y Potencial — en la operación de ecoturismo. Esta segmentación, validada por múltiples técnicas, ofrece una comprensión profunda del perfil y comportamiento de compra de los clientes, proporcionando subsidios concretos para la optimización de acciones estratégicas de marketing y la anticipación de movimientos de mercado, alineándose directamente al objetivo central del estudio de transformar datos brutos en inteligencia accionable.
4. Conclusión
El presente estudio tuvo como objetivo estructurar un pipeline de ciencia de datos para recopilar, segmentar y clasificar la base de clientes de una operación de ecoturismo en Minas Gerais, con el fin de optimizar acciones de marketing y anticipar movimientos del mercado. Se verificó que la integración de técnicas de análisis de datos, desde la recopilación automatizada (API Google Sheets) hasta la clusterización, constituyó un método robusto y replicable. La aplicación de Análisis de Componentes Principales (PCA) mitigó la multicolinealidad y optimizó los datos para los algoritmos. Mediante K-Means, con K=3 definido por los métodos del Codo y Silhouette Score, se identificaron tres segmentos comportamentales de clientes: “Fiel”, “Bajo Valor” y “Potencial”. El segmento “Fiel” representó el mayor valor económico acumulado, mientras que el “Potencial” destacó por el alto ticket promedio y potencial de conversión en recurrencia. La segmentación fue validada estadísticamente por DBSCAN y K-Medoids, reforzando la estabilidad de los grupos y la coherencia de sus perfiles. Este enfoque posibilitó la transformación de datos brutos en inteligencia accionable, proporcionando subsidios concretos para decisiones estratégicas basadas en datos y la creación de un sistema predictivo para nuevos compradores.
A pesar de las contribuciones, el estudio presentó limitaciones, como la dependencia de la calidad de los datos recopilados a través de formularios digitales, que pueden contener errores de escritura no detectados automáticamente, y el volumen de la base de clientes únicos validados, que restringió la capacidad de generalización a segmentos minoritarios. El análisis también se vio limitado por las variables transaccionales disponibles, lo que impidió una comprensión más densa del comportamiento del cliente a través de datos demográficos, de salud o de marketing. Además, el carácter de estudio de caso único restringe la generalización de los patrones identificados a otras operaciones de ecoturismo y a observaciones a largo plazo. Para trabajos futuros, se sugiere la expansión de la base de datos con nuevos períodos para ampliar la representatividad e identificar nuevas oportunidades de clusterización. Se recomienda la implementación de un sistema de puntuación de relaciones en tiempo real, la minería de datos mediante Procesamiento de Lenguaje Natural (PLN) sobre comentarios de clientes, la incorporación del Método de Análisis Jerárquico (AHP) o AHP-Gaussiano al modelo RFM para una ponderación diferenciada de las dimensiones, y la aplicación de algoritmos como Random Forest y LightGBM para crear un sistema predictivo de clasificación de nuevos clientes, mapear la relevancia de las variables y estimar el valor futuro de cada cliente.
Referencias Bibliográficas
FÁVERO, L. P.; BELFIORE, P. 2024. Manual de Análise de Dados: Estatística e Machine Learning com Excel®, SPSS®, Stata®, R® e Python®. 2. ed., LTC. Rio de Janeiro, Brasil.
MIRANDA, T. Espinhaço: A Cordilheira do Brasil em Minas Gerais. Governo do Estado de Minas Gerais, 26 jun. 2025. Disponível em: https://minasgerais.com.br/pt/blog/artigo/espinhaco-a-cordilheira-do-brasil-em-minas-gerais. Acesso em: 25 jan. 2026.
OLSEN, W.. 2015. Coleta de Dados. Penso. Porto Alegre, Brsil. Disponível em: https://app.minhabiblioteca.com.br/reader/books/9788584290543/. Acesso em: 06 fev. 2026.
SILVA, G.G. 2016. Um comparativo entre o planejamento de uma viagem pelo guia PMBOOK e método convencional. Trabalho para obtenção de título de especialista em Gestão de Projetos. Escola Superior de Agricultura “Luiz de Queiroz” (ESALQ), Campus Piracicaba, Universidade de São Paulo (USP). Paulínia, São Paulo, Brasil.
SOLOMON, M.R..
Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq
Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy