SPAB — estado actual de datos y retrieval (research consolidado)
Fecha: 2026-09-17 · Esta es la foto más reciente; reemplaza re-leer los decisions
individuales de hoy. Proyecto: ~/nef/estado_turismo/spab-retrieval +
~/nef/news-silo/.
Qué se construyó hoy (herramientas)
| Herramienta | Dónde | Para qué |
|---|---|---|
silo.py / silo_decisions.py / silo_medios.py | ~/nef/news-silo/ (+ .venv uv, Qwen3-Embedding-0.6B + HDBSCAN) | silo semántico: textos, decisions, medios |
scripts/hedonico.py | spab-retrieval | precio por features (descartado) |
scripts/ocupacion_bacalar.py | spab-retrieval | ocupación por demanda (descartado) |
scripts/corpus_x_qroo.py | spab-retrieval | X timelines (RSSHub) + prensa (NewsAPI) Q.Roo |
FUENTES.md | spab-retrieval | catálogo canónico de fuentes por silo |
Estado de datos (qué cubre el plan)
- precio_hospedaje: RESUELTO 10/10 (Booking vía Playwright
precio_booking.mjs, re-scrape 09-17). Modelo hedónico descartado (R² 0.167, LOO MAE 833). - rating / reviews / menciones_caro: 10/10 (Google Places).
- ocupacion_hotelera: 8/10 real (DataTur) + Tulum vía proxy “Riviera Maya” (n=0). Bacalar sin fuente → modelo de demanda débil (LOO MAE 0.152) → NO imputar; se mide con índice de demanda (vistas_wiki rel 1.00 + reviews 0.32).
- delitos (SESNSP): pendiente trivial (descargar CSV, plantilla lista).
- Con precio + rating + ocupación, el Burbuja_Index ya es calculable.
Decisiones clave (negativos documentados, no repetir)
- Features de popularidad (wiki/reviews/precio hedónico) no predicen ocupación ni precio. La estructura vive en estacionalidad (k=3 validado) y estructura de resort, no en volumen. (misma trampa del clustering snapshot: CDMX domina por tamaño).
- YouTube = capa de sentimiento (léxico), NO de tópicos (colapsa HDBSCAN).
- Tópicos de medios = Twitter+prensa limpios (12 temas) tras filtro de spam/dup.
Retrieval X/Twitter (research más reciente)
Búsqueda por query: CAÍDA en las 3 vías sin pagar.
| Vía | Estado |
|---|---|
twitterapi.io advanced_search | ❌ sin créditos (“recharge”) |
RSSHub /twitter/keyword/:q | ❌ 404 (X restringe SearchTimeline) |
Apify apidojo/tweet-scraper | ❌ Demo Mode en FREE (10× {noResults:true}, pay-per-event $0.40/1k) |
Lo que SÍ corre:
- X timelines RSSHub
/twitter/user/:handle→ cuentas Q.Roo:MaraLezama,SEDETURQROO,SECTUR_mx,RivieraMaya(75 posts). - Prensa NewsAPI → 6 queries turismo Q.Roo (25 artículos).
Señal de medios ya obtenida (importante para el plan)
- Tulum declive: “pasa de 40 bodas mensuales a 1-2 en temporada baja” + “5 rutas a Canadá/EEUU en invierno”.
- Bacalar: “Aeropuerto de Chetumal sumará Bacalar al nombre” (promoción del emergente).
- Externo: “Cancún, PV y Los Cabos pierden turistas verano 2026 (sargazo, superpeso, inseguridad, vuelos)” → valida la narrativa de saturación.
Pendientes / siguiente (en orden)
- SESNSP (delitos) — descargar CSV, trivial.
- Calcular Burbuja_Index con panel ya completo.
- Evolución temporal del tópico “precio” (corpus ya tiene
fecha). - Decidir si se recarga twitterapi.io para búsqueda por query (único costo realista).
- Correr sentimiento YouTube (léxico) para diferencial emergente vs consolidado.