Recomendación personalizada de paquetes turísticos mediante aprendizaje automático con integración de datos demográficos, históricos y de preferencias

Alvear Arteaga, Juan Sebastián

Recomendación personalizada de paquetes turísticos mediante aprendizaje automático con integración de datos demográficos, históricos y de preferencias

dc.contributor.advisor	Paz Roa, Juan Camilo
dc.contributor.author	Alvear Arteaga, Juan Sebastián
dc.date.accessioned	2025-11-10T14:57:02Z
dc.date.available	2025-11-10T14:57:02Z
dc.date.issued	2025
dc.description.abstract	Actualmente la personalización de servicios es un elemento de gran diferencia competitiva. Servicios de trasmisión de videos, música y redes sociales logran dicha personalización mediante modelos de recomendación que dejan al alcance del usuario productos de su mayor preferencia. Este exitoso esquema también es susceptible de ser aplicado en la industria turística, donde el uso de modelos de recomendación es escaso. Es así como los modelos de aprendizaje automático e inteligencia artificial inherentes a los modelos de recomendación se han convertido en una oportunidad estratégica para agencias de viajes que buscan aumentar la satisfacción del cliente y las ventas de sus planes ofrecidos. Este estudio propone un modelo de recomendación de paquetes turísticos que toma como entrada 17 variables con información del cliente con características demográficas, históricas y cruces de preferencias entre el cliente y los paquetes turísticos. Este primer prototipo es basado en un modelo de random forest que predice la calificación esperada de viaje a partir de estas variables. La metodología para entrenar el modelo incluyó la comparación de modelos de regresión lineal, Lasso, árbol de decisión y random forest, evaluados con métricas de error cuadrático medio (MSE), raíz del error cuadrático medio (RMSE) y error porcentual absoluto medio (MAPE). Los resultados muestran que el modelo Random Forest obtuvo el menor error (RMSE = 0.3361, MSE = 0.1130 y MAPE = 6.01), siendo seleccionado gracias a su balance entre precisión y robustez. Este trabajo confirma la viabilidad del uso de técnicas de aprendizaje automático para lograr la personalización de recomendaciones turísticas.	spa
dc.description.abstract	Currently, service personalization is a key element of competitive differentiation. Video streaming services, music platforms, and social networks achieve such personalization through recommendation models that present users with products aligned with their preferences. This successful approach is also applicable to the tourism industry, where the use of recommendation models remains limited. Thus, machine learning and artificial intelligence techniques inherent to recommendation models have become a strategic opportunity for travel agencies seeking to increase customer satisfaction and boost sales of their offered packages. This study proposes a recommendation model for tourist packages that takes as input 17 variables containing customer information, including demographic data, historical behavior, and preference matches between the customer and the travel packages. This initial prototype is based on a random forest model that predicts the expected travel rating using these variables. The methodology for training the model included a comparison of linear regression, Lasso, decision tree, and random forest models, evaluated using mean squared error (MSE), root mean squared error (RMSE), and mean absolute percentage error (MAPE). The results show that the random forest model achieved the lowest error (RMSE = 0.3361, MSE = 0.1130, and MAPE = 6.01), and was selected due to its balance between accuracy and robustness. This work confirms the feasibility of using machine learning techniques to achieve personalized tourism recommendations.	eng
dc.description.degreelevel	Maestría
dc.description.degreename	Magíster en Ingeniería
dc.format.extent	11 p.
dc.format.mimetype	application/pdf
dc.identifier.uri	http://hdl.handle.net/11522/5081
dc.language.iso	spa
dc.publisher	Pontificia Universidad Javeriana Cali
dc.publisher.department	Facultad de Ingeniería y Ciencias
dc.publisher.program	Maestría en Ingeniería
dc.rights.accessrights	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject	Turismo	spa
dc.subject	Recomendación	spa
dc.subject	Aprendizaje automático	spa
dc.subject	Inteligencia artificial	spa
dc.subject	Machine learning	eng
dc.title	Recomendación personalizada de paquetes turísticos mediante aprendizaje automático con integración de datos demográficos, históricos y de preferencias	spa
dc.type	master thesis
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.local	Tesis/Trabajo de grado - Monografía - Maestría
dc.type.redcol	https://purl.org/redcol/resource_type/TM