Análisis de sentimiento de reseñas de hoteles — Veetal

El análisis de sentimiento de reseñas de hoteles consiste en convertir las opiniones de los huéspedes —texto libre— en señales estructuradas y medibles: polaridad, puntuaciones por tema y evolución en el tiempo. Sirve para saber qué elogian o critican los huéspedes, en lugar de mirar cómo se mueve una nota media. Veetal Connect API aporta la materia prima: reseñas normalizadas de Booking.com, Expedia, Google Hotels, TripAdvisor y Hotels.com a través de sus datasets de reputación (reseñas, puntuación y análisis semántico), ya separadas por sentimiento, tipo de viajero y categoría.

El interés no es teórico. Una revisión sistemática publicada en ACM Computing Surveys catalogó el campo precisamente porque las reseñas hoteleras se habían convertido en uno de los corpus más estudiados del análisis de sentimiento aplicado (Ameur, Hamdi y Ben Yahia, 2023). Y el retorno operativo es medible: en un estudio de Tripadvisor con Ipsos MORI sobre más de 23.000 usuarios en 12 mercados, el 77% de los viajeros afirmó tener más probabilidad de reservar cuando el hotel responde a las reseñas (Tripadvisor, 2019). Saber a cuáles responder, y sobre qué, es un problema de datos.

Por qué la nota media esconde el problema

La puntuación global es un resumen tardío y con pérdida. Cuando un 8,6 se convierte en un 8,3, cientos de huéspedes ya te han explicado por qué, en un texto que nunca procesaste.

• Promedia justo la parte accionable. Que "limpieza" se hunda mientras "ubicación" aguanta produce una nota global casi inmóvil y un problema muy concreto de pisos.
• No dice quién se queja. El viajero de negocios y la familia no rompen por lo mismo. Una sola cifra no los separa.
• Se mueve demasiado lento. En un hotel con miles de reseñas, cada nueva opinión mueve la media un decimal; la nota reacciona meses después que la operativa.
• No es comparable entre canales. La escala 0–10 de Booking.com, los círculos de TripAdvisor y la nota de Google miden poblaciones distintas con preguntas distintas.
• No dice nada de tu compset. Bajar de 8,6 a 8,3 significa una cosa si tus competidores también bajaron, y otra muy distinta si no.

El análisis de sentimiento existe para revertir esa pérdida: volver al texto, etiquetarlo por tema y polaridad, y reconstruir una imagen con resolución suficiente para asignarle el trabajo a alguien.

Qué exige de verdad hacerlo "a escala"

Analizar cincuenta reseñas es un ejercicio de hoja de cálculo. Analizar todas las reseñas, de todos los canales, de toda una cartera y de forma continua es un problema de ingeniería con cuatro requisitos duros:

1. Recuperación completa, con histórico. Las reseñas están paginadas y se cargan de forma diferida. Perder páginas sesga en silencio todas las métricas posteriores, y casi nunca te enteras.
2. Un único esquema para todas las OTA. Escalas distintas, nombres de categoría distintos y taxonomías de viajero distintas tienen que aterrizar en un modelo normalizado antes de que nada sea comparable.
3. Granularidad por aspecto. La polaridad a nivel de documento ("esta reseña es negativa") apenas sirve en operativa. Necesitas señal por tema: personal, limpieza, desayuno, ruido, check-in, relación calidad-precio.
4. Una base estable en el tiempo y frente a la competencia. Un número de sentimiento sin serie temporal ni comparación con el compset es una curiosidad, no una decisión.

Los scrapers fallan en los cuatro. Los cambios de maquetación rompen los selectores, las defensas anti-bot interrumpen la recogida y lo que llega es HTML crudo que todavía hay que parsear, deduplicar y detectar idioma antes de que un modelo lo vea: una tubería que pasas a mantener tú para siempre. Una API elimina esa capa y te entrega los registros ya normalizados.

Las señales que la reseña ya trae, antes de ejecutar ningún modelo

El error más común en analítica de reseñas es lanzar un LLM contra el texto crudo y tirar los campos estructurados que la OTA ya publicó. Un registro del dataset de reseñas suele llegar con:

• Una separación nativa de sentimiento. Booking.com guarda cada reseña partida en dos, así que el texto llega como positive_text (lo que gustó) y negative_text (lo que no), y cualquiera de los dos puede venir vacío. Son datos ya etiquetados que no tienes que inferir.
• Puntuaciones por categoría. Las reseñas de Google y TripAdvisor traen notas por aspecto —habitación, servicio, ubicación— sobre 10, cuando el huésped las puntuó. Verdad numérica por aspecto, gratis.
• Tipo de viajero. En Booking.com: solo, pareja, familia o amigos, para segmentar el sentimiento por el segmento que de verdad importa a tu posicionamiento.
• Respuestas de la dirección. Si el hotel contestó y qué dijo: la base para analizar tasa y calidad de respuesta, la palanca detrás del 77% anterior.
• Idioma original. El texto llega en el idioma en que se escribió, así que puedes enrutar al modelo adecuado o analizar mercados por separado en lugar de aplanarlo todo con una traducción.
• Origen etiquetado. Una sola llamada al endpoint de reseñas de Google devuelve de golpe las reseñas que Google agrega de cada origen, cada una marcada con su source, para mantenerlas separadas o quedarte solo con las de Google.
• Identidad enmascarada. El nombre del huésped viene reducido a su inicial (R********), así que el conjunto es analizable sin arrastrar identidades por tu pipeline.

Explota eso primero. Reserva el modelo de lenguaje para lo que solo él puede hacer: agrupar texto libre en temas y graduar la intensidad. Para eso está el dataset de análisis semántico, que extrae significados y patrones del texto en vez de volver a calcular una nota que ya tienes.

Feed o Real Time: elige la capa según la pregunta

Veetal Connect API expone la reputación en dos capas, y el trabajo de sentimiento suele necesitar las dos.

La distinción importa especialmente en sentimiento. Entrenar o calibrar un clasificador de temas necesita volumen e histórico: eso es la capa Feed, donde las reseñas se acumulan import tras import y from_date/to_date recortan el corpus. Responder "qué están diciendo los huéspedes de este hotel ahora mismo" necesita una lectura en vivo: eso es Real Time.

Un flujo que aguanta en producción

1. Resuelve la identidad una vez. Obtén el slug de cada alojamiento con account_accommodations y asocia el compset con el que te quieres comparar. Todo lo demás cuelga de ahí.
2. Carga el corpus histórico. Lee el histórico acumulado por OTA con feed_accommodation_reviews_by_ota, con include_competitors=true para que el compset entre en la misma descarga. Pagina con limit/page y acótalo con from_date.
3. Separa la señal ya etiquetada de la que no lo está. Manda positive_text/negative_text y las notas por categoría directamente a tus métricas. Envía al modelo solo el texto realmente no estructurado.
4. Clasifica con una taxonomía fija. Personal, limpieza, habitación, desayuno, ruido, check-in, precio, wifi. Una taxonomía fija es lo que permite comparar semana contra semana y hotel contra hotel; una libre ni siquiera es comparable consigo misma. La receta de análisis de sentimiento de reseñas hace esto contra tus propios datos en un solo prompt, así que ves la taxonomía funcionando antes de comprometerte a construir una.
5. Ancla a la nota y alerta por divergencia. Sigue feed_accommodation_reputation_by_ota —nota global, número de reseñas y notas por categoría, tuyas y de cada competidor— y dispara cuando el sentimiento de un tema caiga mientras la nota global todavía no se ha movido. Ese hueco es el aviso temprano que la media no te puede dar.

Comparar tu sentimiento con el del compset

Aquí es donde el análisis de reputación deja de ser un informe y pasa a ser una decisión. Como la capa Feed devuelve tu hotel y sus competidores configurados en la misma llamada y el mismo esquema, puedes calcular diferencias de sentimiento por tema en lugar de notas absolutas.

La pregunta útil nunca es "¿es buena nuestra limpieza?", sino "¿está nuestra limpieza por debajo de los cuatro hoteles que el huésped ve junto al nuestro en la página de resultados?". Un hotel en 8,4 dentro de un compset que promedia 8,1 tiene una oportunidad de precio; ese mismo 8,4 en un compset que promedia 8,7 tiene un problema de producto. Para una lectura en vivo y de una sola llamada de la reputación de Booking.com en todo el compset, realtime_booking_reputation_compset devuelve tu hotel y cada competidor a la vez, y cobra por hotel realmente consultado, no por petición. La receta de pulso de reputación arma esa comparación: tu nota, tu volumen de reseñas y el desglose por categoría frente al compset, sobre una misma escala.

Ejemplo de petición

Primero la identidad, después el dato. Para una descarga en vivo de la lista completa de reseñas de Expedia de un alojamiento:

GET /v2/real-time/{reference_type}/{identifier}/reviews
VEETAL-API-KEY: <api_key>

Las reseñas llegan paginadas automáticamente, de más reciente a más antigua, con nota, tipo de viajero, contexto de la estancia, texto y respuestas de la dirección. Las reseñas de Booking.com tienen su propia llamada Real Time, realtime_booking_reviews, que devuelve 100 reseñas por defecto y hasta 1.000 por llamada. En la capa almacenada, GET /v2/feed/accommodation/{accommodation_slug}/booking-rating devuelve la nota de Booking.com de un alojamiento configurado: lo bastante barato como para consultarlo a diario y montar una serie. Los códigos de referencia de ciudades, países y monedas se resuelven gratis con catalog_search.

Si tu punto de partida es la extracción y no el análisis, nuestra guía sobre cómo extraer reseñas de Booking.com por API cubre la capa de recuperación en detalle.

Detalles de calidad del dato que conviene contemplar

Restricciones reales, para que tu pipeline las gestione a propósito en vez de descubrirlas en un dashboard:

• Las fechas de Google son derivadas. Google publica una antigüedad relativa ("hace 10 meses"), no la fecha de escritura, así que la fecha se deduce. El mes es fiable; el día exacto no. Agrupa el sentimiento de origen Google por mes, nunca por día.
• Las listas vienen limitadas por defecto. Los endpoints devuelven 100 reseñas salvo que subas limit, porque paginar un hotel con miles de opiniones tarda decenas de segundos. Fija el límite explícitamente en las cargas históricas y mantenlo bajo en el sondeo diario.
• from_date necesita el orden correcto. En el endpoint de Google solo aplica con sort=newest, el único orden realmente cronológico.
• Los nulos significan algo. En una muestra de 1.200 reseñas recientes de Booking.com, el 43% no traía ningún texto, solo la nota. Entre las reseñas con texto, una de cada tres dejaba negative_text vacío o escribía un relleno como "Nada", y esos huéspedes ponían de media un 9,3 frente al 7,4 de quienes escribían una queja. Contar los lados vacíos como neutros, o los rellenos como quejas, sesgará cualquier modelo por aspecto que construyas. La guía de reseñas de Booking.com tiene el desglose completo.
• El idioma es una variable, no ruido. Los corpus multilingües distorsionan los modelos de temas. Segmenta por idioma o normaliza de forma deliberada.

Quién lo usa en producción

• Hoteles y cadenas — convierten miles de comentarios en una lista priorizada de tareas operativas y distinguen si una caída es suya o del mercado.
• Agencias de reputación y marketing — monitorizan decenas de hoteles en varias OTA sobre una misma escala y generan el reporting de cliente sin un scraper que vigilar.
• Equipos de revenue — correlacionan el sentimiento por tema con el movimiento de tarifas y el compset, usando la reputación como variable de pricing y no como métrica de vanidad.
• Equipos de BI y datos — llevan el sentimiento normalizado al mismo almacén que tarifas, disponibilidad y demanda, desde el mismo tipo de dato de reputación.

Un patrón concreto: una agencia con 40 hoteles lee cada mañana la capa Feed de Booking.com, Google y TripAdvisor, pasa por análisis semántico solo el texto nuevo no estructurado, y avisa a un hotel cuando un tema como limpieza cae dos semanas seguidas respecto a su compset, mientras la nota global sigue intacta.

Cuando lo que sale va dirigido a los huéspedes y no a un dashboard interno, la receta pon un panel de reputación en tu propia web pinta esa misma señal en tu web, detrás de un proxy que mantiene la API key en el servidor.

Preguntas frecuentes

¿Qué es el análisis de sentimiento de reseñas de hoteles? Es el proceso de convertir las opiniones de los huéspedes en señales estructuradas —polaridad y puntuaciones por tema como limpieza, personal o desayuno— para medir lo que los huéspedes dicen realmente en vez de seguir una única nota media. Normalmente se ejecuta de forma continua sobre todas las OTA en las que aparece el hotel.

¿Se pueden analizar reseñas de hoteles a escala mediante API? Sí. Veetal Connect API devuelve reseñas normalizadas de Booking.com, Expedia, Google Hotels, TripAdvisor y Hotels.com en JSON estructurado, con texto, notas por categoría, tipo de viajero y respuestas de la dirección, de modo que la capa de análisis trabaja sobre registros limpios y no sobre HTML.

¿Hace falta un modelo de machine learning propio? Para empezar, no. Las reseñas de Booking.com ya llegan separadas en texto positivo y negativo, y las de Google y TripAdvisor traen notas por categoría: eso cubre buena parte del reporting por aspecto sin ningún modelo. El modelo aporta valor para agrupar temas y graduar intensidad en el texto libre restante.

¿De qué OTA se puede obtener sentimiento de reseñas? Booking.com, Expedia, Google Hotels, TripAdvisor y Hotels.com, normalizadas a un único esquema para que notas y categorías sean directamente comparables entre canales.

¿Cómo comparo mi sentimiento con el de la competencia? Configura un compset en cada alojamiento y lee reseñas y reputación incluyendo competidores. La capa Feed devuelve tu hotel y su compset en la misma llamada y el mismo esquema, así que puedes calcular diferencias por tema en lugar de notas absolutas.

¿Hasta dónde llega el histórico de reseñas? Las reseñas se acumulan import tras import en la capa Feed, que guarda todo el histórico recogido de tus alojamientos configurados; acótalo con from_date/to_date o lee un import_id concreto para reconstruir cómo evolucionó una nota.

¿Cuánto cuesta probarlo? Puedes empezar con 1.000 créditos gratis y sin tarjeta. Las lecturas de Feed son baratas, las llamadas Real Time consumen créditos y la caché es configurable de 0 a 24 horas para no pagar dos veces la misma consulta.

Convierte tus reseñas en una métrica accionable

Deja de mirar la media y empieza a leer el texto. Consigue reseñas normalizadas, notas por categoría y respuestas de la dirección de todas las grandes OTA con una sola API, y pon un número real a lo que te están diciendo tus huéspedes. Empieza gratis con 1.000 créditos (sin tarjeta) o consulta los precios.