SPAB — Huecos de datos: de dónde, si no existe, cómo lo generamos
Fecha: 2026-09-14 · Proyecto: ~/nef/estado_turismo/spab-retrieval
Regla del plan (RUTA.md): en la capa de ingesta no se imputa; si falta, se
marca. Así que “generar” = derivar un proxy fuera de la ingesta, etiquetado
como tal, nunca rellenar el hueco con un número inventado.
Lo que YA tenemos (no es hueco)
rating, reviews_conteo, menciones_caro (Places, 10) · vistas_wikipedia
(10) · llegadas_turistas (UPM aeropuerto, 7) · ocupacion_hotelera (Monitoreo, 8)
· llegadas_vuelo (OpenSky, 3 hubs) · precio_hospedaje y anfitriones_multi
(solo CDMX, Inside Airbnb).
Matriz de huecos
| # | Hueco | 1) De dónde | 2) Si no existe → sustituto | 3) Cómo generarlo nosotros |
|---|---|---|---|---|
| 1 | precio_hospedaje (9 destinos) — bloquea el índice | Inside Airbnb (solo CDMX publicado) · MonitorHotels €5/destino (Booking) · Booking directo (bloqueado) | Airbnb donde publique; INPT nacional (no sirve por destino) | Modelo hedónico: precio ≈ f(clase, rating, reviews) calibrado en CDMX; o raspar Booking con navegador real local (Playwright + JS) |
| 2 | ocupacion_hotelera Tulum/Bacalar | No son centro turístico propio | Tulum → “Riviera Maya” (proxy documentado); Bacalar → sin proxy | Estimar ocupación desde demanda: llegadas/vuelos + velocidad de reseñas (modelo) |
| 3 | anfitriones_multi (9) — pérdida de autopoiesis | Inside Airbnb (solo publicado) | Composición de oferta (Places: cadena vs independiente) | No derivable sin listings; si acaso, razón cadenas/independientes de Places como proxy |
| 4 | asientos_domesticos/totales (conectividad) | AFAC xlsx (manual) · DataTur afac.aspx | OpenSky llegadas_vuelo (parcial, hubs) | Trino histórico de OpenSky (si aprueban); o Wikipedia como proxy de conectividad |
| 5 | delitos_100k (seguridad) | SESNSP CSV público (gob.mx, mensual municipal) | — (es público; sin excusa) | — (plantilla lista: data/plantillas/sesnsp.csv) |
| 6 | severidad_sargazo (oferta ambiental) | NOAA Sargassum Watch (PDF/imagen) | Omitir; o menciones de “sargazo” en reseñas | NLP sobre reseñas de Places (léxico sargazo) — muestra chica (5/lugar) |
| 7 | interes_busqueda (Trends) | Google Trends (429 sin cookie) | vistas_wikipedia (ya lo es) | — (wikipedia ya cubre el proxy) |
Cómo lo generamos nosotros — las tres palancas reales
- Precio por modelo hedónico. Calibrar en CDMX (donde sí hay precio Airbnb)
un modelo
precio ~ clase_estrella + rating + reviews, y aplicarlo a los 9 destinos sin precio. Es derivado, se etiquetafuente=modelo,nchico. - Ocupación por demanda. Regresión ocupación ~ llegadas/vuelos + reseñas (donde hay ocupación observada: 8 destinos) para estimar Tulum/Bacalar. Igual: derivado, marcado.
- Scraping propio con navegador real. El 202 anti-bot de Booking desde local
indica que falta ejecución JS + cookies de sesión; un Playwright/Selenium
local (como
prensa_seleniumensurtido) sí puede. Es la vía gratis al precio real si no queremos pagar MonitorHotels.
Prioridad (por impacto en el índice)
- Precio (hueco 1) — sin él no hay Burbuja_Index. Tres caminos: MonitorHotels (€5, esperar cobertura MX) / Airbnb (solo CDMX) / Playwright local (gratis).
- Ocupación Tulum/Bacalar (hueco 2) — proxy Riviera Maya + modelo.
- SESNSP (hueco 5) — trivial, es público; solo falta descargar el CSV.
- AFAC/Sargazo/Airbnb-concentración — secundarios.