https://doi.org/10.37815/rte.v34n2.921
Artículos originales
Evaluatio=
n of
tourist sites through sentiment analysis of comments issued by users on soc=
ial
networks
Nelson Herrera Herre=
ra1, 2
Nelson Salgado =
Reyes1, 3 https://orcid.org/0000-0=
001-8908-7613
1
nherrera@itsjapon.edu.ec, nsalgado@itsjapon.edu.ec
2
3
Enviado: 2022/02/28
Aceptado: 2022/05/09
Publicado:
2022/06/30
Resumen
Sumario: Introducción, Trabajos Relacionados, Materiales y Métodos, Met=
odología,
Selección de las herramientas, Resultados y Discusión y Conclusiones.<=
o:p> Como citar:<=
/span> Herrera, N. & Salgado, N. (2022). Evaluación de sitios
turísticos mediante análisis de sentimientos de comentarios emitidos p=
or
usuarios en redes sociales. Revista Tecnológica - Espol, 34(2), 125=
-139.
http://www.rte.espol.e=
du.ec/index.php/tecnologica/article/view/921
Esta
investigación tiene como objetivo presentar la utilidad del análisis de
sentimientos en los comentarios emitidos por usuarios de servicios turístic=
os
en redes sociales (Twitter y Trip Advisor),
que permita calificar el nivel de dichos servicios. La ciudad de Quito-Ecuador es considera=
da
como caso de estudio para este trabajo. La investigación se muestra en func=
ión
del desarrollo de un sistema informático utilizando herramientas Big Data
(Python, Node.Js, Mongo DB), que permiten recol=
ectar,
almacenar y procesar gran cantidad de información. Las librerías del lengua=
je
de programación Node.js: Puppeteer y Sentiment, permiten obtener los comentarios de las re=
des
sociales Twitter y Trip Ad=
visor,
y determinar un puntaje sobre el destino turístico evaluado. Entre los aspectos novedosos de la
investigación está el uso de la red social Twitter como fuente de origen de
datos, también la utilización de técnicas de web scrap=
ing
del sitio de Trip Advisor<=
/span>.
Para este estudio se emplea la interfaz de programación de aplicaciones de
Twitter (Application Progr=
amming
Interface, API), la cual permite tomar datos de =
esta
red social en tiempo real que facilita evaluar los servicios turísticos
ofertados. Como resultado se puede determinar que la herramienta permite
generar conocimiento que ayuda a tomar decisiones, relacionadas con el nive=
l de
calidad de las prestaciones recibidas en los sitios visitados.
=
Pa=
labras
clave: =
Big Dat=
a, redes
sociales, turismo, análisis de sentimientos.
Abstract
This research aims to present the usefulness of
sentiment analysis in the comments issued by users of tourism services on
social networks (Twitter and Trip Advisor), which allows rating the level of
such services. This case study is set in the city of Quito-Ecuador. The research develops a computer system=
using
Big Data tools (Python, Node.Js, Mongo DB) to collect, store, and process l=
arge
amounts of information. The Node.js programming language libraries, Puppete=
er
and Sentiment, make it possible to obtain comments from the social networks
Twitter and Trip Advisor and determine a score for the observed tourist
destination. Among the novel aspects of this research is the use of the soc=
ial
network Twitter as a source of data origin and web scraping techniques from=
the
Trip Advisor site. This study uses the Twitter Application Programming
Interface (API) to obtain data from this social network in real-time,
facilitating the evaluation of the tourist services. Results determine that
this tool allows the generation of knowledge to decide the quality level of=
the
services received in the visited sites.
Introducción
En la economía de cualquier país del mundo, el turismo constituye un
factor importante que origina múltiples oportunidades de empleo y permite
mejorar el nivel de vida de los habitantes. Ecuador consiente de esta reali=
dad
desarrolla un plan estratégico institucional, que establece lineamientos que
ubica al turismo entre las primeras fuentes de ingreso del país
Mejorar la calidad de los servicios turísticos depende, entre otros
aspectos, del criterio de los usuarios. Sin embargo, este criterio muchas v=
eces
se lo recibe en función de encuestas, entrevistas informales y otros mecani=
smos,
que no ofrecen información útil para poder tomar decisiones en tiempo real.
Esto constituye un problema a la hora de determinar acciones de rediseño y
mejora de los servicios ofertados por los destinos turísticos.
Existen algunas páginas web o redes sociales que recomiendan destinos
turísticos. Se basan en una calificación de los usuarios, pero no en una
evaluación basada totalmente en el comentario de los consumidores de un
servicio, sino al análisis de sentimientos en los comentarios emitidos por =
los
mismos a través de las redes sociales. Al no usar el gran volumen de
comentarios generados por varios usuarios, se pierde información muy valiosa
que puede ayudar a tomar las mejores decisiones o conocer si un destino
turístico puede mejorar en algún área específica para atraer turistas.
En función a la problemática planteada se requiere un sistema que
permita: recolectar, almacenar, procesar y visualizar información semi
estructurada y no estructurada en tiempo real; que facilite analizar la cal=
idad
de los servicios turísticos. El ob=
jetivo
de este trabajo consiste en desarrollar un sistema para la evaluación de
destinos turísticos, mediante el análisis de sentimientos en los comentarios
emitidos por usuarios de servicios turísticos, provenientes de redes social=
es.
Las fuentes de datos que la aplicación utiliza son las redes sociales: Twit=
ter
y Trip Advisor. El =
análisis
de sentimientos permite obtener un puntaje donde se determina la calidad de
dichos servicios.
Twitter dispon=
e de una
Application Programming Interface (API) abierta que permite a los desarrollado=
res
integrar esta red social como un servicio en sus aplicaciones web, de
escritorio o móviles. Esta compañía se caracteriza por mantener poca o casi ninguna protección del contenido publicado p=
or los
usuarios en su red social, lo cual es una ventaja para el desarrollador, pero ha ocasionado inconvenientes para sus
usuarios con referencia al tema de seguridad de datos
Por otra parte=
, Trip Advisor es una herra=
mienta
utilizada mundialmente y desde 20=
18, se
considera una red social ya que se puede seguir a otros usuarios y compartir
opiniones sobre sitios turísticos que se encuentran alrededor del mundo. En=
Ecuador
Trip Advisor ofrece=
una
gama amplia de noticias vinculadas con la cultura, gastronomía, hotelería y
turismo de las diferentes ciudades, centrando la información en las ciudade=
s de
Quito, Guayaquil, Cuenca y Manabí. En la actualidad, esta red social es el
sitio más reconocido, utilizado y confiable para los viajeros que buscaban
diferentes opiniones sobre destinos, hoteles, atracciones turísticas, entre
otras. Estadísticas manifiestan que la pagina recibe alrededor de 280 millo=
nes
de visitas mensuales al igual que millones de comentarios y calificaciones =
de
diferentes atracciones turísticas
El artículo realiza una presentación técnica del sistema y sus
componentes; sin embargo, la investigación efectuada incluye que todos los
elementos deben ser considerados. De acuerdo a lo
mencionado se realiza la fundamentación teórica que se basa en el estudio,
aplicación de técnicas y estrategias utilizadas en el análisis de sentimien=
tos.
El presente trabajo tiene el contexto de una investigación Big Data =
Volumen: gran cantidad de datos son generados mediante la red social Twitte=
r y
la proporcionada por el sitio Trip Advisor.
Variedad: datos generados por la red social Twitter y el sitio Trip Advisor.
Velocidad: a diario se generan datos mediante la red social Twitter a una
considerable velocidad, lo cual requiere que el procesamiento y análisis
posterior se lo realice en tiempo real, que permite tomar decisiones adecua=
das
Veracidad: la información de la red social Twitter, debe ser filtrada para
elegir, información útil para la investigación.
Trabajos Relacionados
En el ámbito m=
undial
se han realizado varias investigaciones relacionadas con la utilización de
herramientas tecnológicas en el sector turístico.
·
Acce=
so a
una descripción del perfil del turista, mediante el análisis de miles de da=
tos
generados a cada instante, el visitante deja su huella digital, lo cual per=
mite
conocer sus preferencias y gustos que ayudan a los sitios turísticos a ofer=
tar
productos y servicios personalizados logrando fidelizar y atraer nuevos
clientes
·
Sist=
ema
para tomar decisiones, para cualquier tipo de organización, incluido el sec=
tor
hotelero. Contar con información de comportamientos del consumidor, informa=
ción
de reservas, formas de pago entre otras características. Genera conocimiento
que al momento de tomar decisiones podría representar una herramienta de gr=
an
valor es, en el caso puntual, de los servicios de hospedaje
·
Sist=
ema
para análisis de mercado mediante el uso de Redes Sociales. Para realizar
estudios de mercado las empresas deben buscar alternativas para extraer
información y posterior análisis de datos, que permita a las organizaciones
conseguir una ventaja competitiva. El trabajo concluye que las 4 plataformas
que mayor beneficio ofrecen para esta investigación son: Google Trends, Facebook, YouTube y Twitter
·
Turi=
smo y
Big Data. Analizar perfiles, etiquetas y ubicaciones, así como metadatos que
ofrece la plataforma Instagram para realizar estudios relacionados con el
sector turístico. También se plantea un análisis automatizado de las imágen=
es
exportable a grandes conjuntos de datos que suministrarán información neces=
aria
para conseguir un cuadro de mando integral propicio y útil en la toma de
decisiones en el sector turístico
·
Plat=
aforma
para el Análisis de Mercado a través de datos de Redes Sociales. Este estud=
io
muestra el beneficio de la utilización de redes sociales al momento de real=
izar
estudios de mercado
En este ámbito=
otra de
las redes sociales potentes que admiten el análisis de datos en tiempo real=
, de
los mensajes expuestos y poder realizar acciones de mejora a los servicios
turísticos, es la red social Twitter. Un insumo adicional importante al mom=
ento
de obtener comentarios de los servicios ofertados es el sitio Trip Advisor, que concent=
ra
opiniones de quienes reciben los servicios de hoteles, restaurantes y
operadores turísticos. La utilización de estas dos fuentes de datos permite
tener dos criterios previos que, finalmente mediante contraste, ayuda a la
generación de información y conocimiento frente a la creación o rediseño de=
los
servicios ofertados.
Herramientas utilizadas
Para evaluar l=
a oferta
de los servicios de lugares turísticos, se considera la red social Twitter =
por
su utilidad y relevancia. Por otra parte, se incluye al sitio web Trip Advisor debido a ser
considerada una red social exclusiva para obtener información de lugares
turísticos, que resulta valiosa al momento de realizar, análisis de
sentimientos con los comentarios emitidos por los usuarios.
Datos de Tw=
itter
La primera fuente de datos empleada para=
el
estudio es Twitter, estos datos sirven para el análisis de la información
rescatada de los usuarios de esta red social, para ello, se requiere tener =
una
cuenta en dicha red; además debe estar activo el servicio de GPS en el
dispositivo. Esta red social guarda comentarios de los clientes de los dive=
rsos
sitios turísticos que están registrados, lo que permite tomar esta informac=
ión
para su posterior análisis para el efecto se usa la API de Twitter.
Para poder uti=
lizar la
API de Twitter se debe tener una cuenta de desarrollador en esta red social=
, que permite obtener un token o llave que =
se usa
para tener acceso a la información pública de Twitter. Cada usuario tiene la
decisión de otorgar permisos adicionales a todas las aplicaciones autorizad=
as a
través de las opciones de su cuenta
Figura 1(Arias, 2017).
La técnica Web=
Scraping se utiliza para recolectar datos de sitios w=
eb.
Dichos datos resultan de gran importancia para determinar patrones que
establezcan el comportamiento de los usuarios. En este estudio, dicha
herramienta se aplica a la red social Trip Advisor para obtener comentarios de los sitios cuyos
servicios van a ser evaluados.
La revisión bibliográfica de casos de éxi=
to de
la utilización de redes sociales aplicadas al sector tu=
rístico,
sirvió para analizar y evaluar aplicaciones utilizadas en el ámbito mundial=
, relacionadas
con el análisis de sentimientos en comentarios emitidos por usuarios en red=
es
sociales.
Esto permitió respaldar el fundamento teó=
rico y
contenido metodológico de la presente investigación. En la investigación
realizada por
Fase de generación
Al momento de considerar el diseño del si=
stema
se tomaron en cuenta varios factores. El primer factor es determinar las re=
des
sociales que se podrían usar, siendo la base para la investigación, debido a
que una de las redes más importantes, Facebook, bloqueo su acceso a la API =
para
obtener comentarios de cualquier usuario
Una vez determinada las fuentes de datos =
que
fueron utilizadas en el proceso de análisis de sentimientos, se generaron d=
atos
que a continuación sirvieron como entrada, para el proceso primordial del
sistema. En este contexto las fuentes que generan información son las redes
sociales: Twitter y Trip A=
dvisor.
Las dos fuentes utilizadas proporcionaron datos de comentarios emitidos por
usuarios de las redes sociales mencionadas anteriormente, cabe mencionar que
los datos de Twitter son de tipo no estructurado[1] y los
del sitio Trip Advisor de
tipo semiestructurado[2].
Fase de Recolección
En este caso se utilizó la API de Twitter=
para
recolectar mensajes de usuarios, en los cuales se pudo evidenciar la opinió=
n de
los ciudadanos, relacionados con la conformidad o no de los servicios ofert=
ados
en lugares turísticos.
El siguiente componente importante en la
investigación fueron los datos generados por la red social Trip
Advisor, la misma que registró información de r=
eseñas
y comentarios relacionados con el sitio visitado, los comentarios se los ob=
tuvo
mediante minería de opiniones. Para ello, se utilizó la librería Puppeteer de Node.js. Esta librería a la vez emplea el
navegador Chromium, y mediante Web Scraping permite navegar automáticamente en cualquier
página web y acceder al texto de la misma, en es=
te
caso, a comentarios mediante etiquetas internas del código HTML de la págin=
a.
Fase de Integración
Para agrupar los datos provenientes de la=
s dos
fuentes de datos utilizadas en la investigación se utilizó la base de datos=
NoSql MongoDB, debido que esta base de datos tiene fá=
cil integración
con el lenguaje Node.js y existen algunas librerías que la ayudan a tener m=
ayor
funcionalidad. Además, considerando que el funcionamiento de la aplicación =
es
en tiempo real se determinó un repositorio que permitió al sistema manejar
grandes volúmenes de información de manera eficaz y eficiente, la cantidad =
de
comentarios a ser no pudo ser determinados pues dependen de varios factores=
y,
en muchos casos, depende de que tan popular sería la red social, el número =
de
visitas y los comentarios que las personas podrían publicar por día o por
semana.
La Tabla 1 muestra el esquema general los campos en la tabla de la base de datos del sistema.<= o:p>
Como se puede observar la base de datos g=
uardó:
el nombre de la red social, el lugar, el comentario más actual, un puntaje
positivo, negativo, el número de comentarios positivos y el número de
comentarios negativos. Estos datos incluyen cuatro parámetros:
ü Puntaje en func=
ión del precio
ü Puntaje en función del servicio
ü Puntaje en función del transporte
ü Puntaje en función del hospedaje
Finalmente, el conjunto de tuits recolect=
ados
fue integrado con los datos que se obtuvieron de la red social Trip Advisor, para su pos=
terior
análisis, procesamiento y visualización de la información.
Tabla 1=
Parámetros en la base de datos
|
ID=
|
|
Nombre de la red social=
|
|
Nombre del lugar |
|
Comentario más nuevo |
|
Puntaje positivo global=
|
|
Puntaje negativo global=
|
|
Número de comentarios
positivos total |
|
Número de comentarios
negativos |
|
Puntaje positivo en bas=
e a un
parámetro |
|
Puntaje negativo en bas=
e a un
parámetro |
|
Número de comentarios
positivos en base a un parámetro |
|
Número de comentarios
negativos en base a un parámetro |
Nota: Campos que permitieron almacenar
información de redes sociales
Fase de Análisis
Con la información proveniente de las dos
fuentes se realizó el análisis de sentimientos utilizando la librería Sentiment que tiene una lista aproximada de 3382 pala=
bras
en inglés. Se tradujo cada una de las palabras con Google Translate
usando Puppeteer y Node.js. A esta librería se
incluyeron 4 parámetros: precio, servicio, transporte y hospedaje. Con la
finalidad de ampliar el diccionario que permita clasificar y analizar los
comentarios emitidos, hubo la necesidad de expandir las palabras para lo cu=
al
se utilizó el sitio web
Los parámetros añadidos en este proceso
incluyeron sinónimos como muestra la Figura 2. Que
permita extender la búsqueda de comentarios que tengan una de estas palabra=
s y
obtener un puntaje más robusto a base del precio, servicio, transporte y
hospedaje.
Figura 2=
Uso de la Librería Sentiment
Nota: Código Node j=
s
Finalmente, al realizar el análisis de
sentimientos en las palabras existentes en el comentario, se obtuvo un punt=
aje.
Si el comentario tiene un puntaje mayor a 0 es positivo, si es menor a 0 es
negativo y si es igual a 0 es neutro.
Fase de Visualización
Es necesario presentar gráficos que se
actualicen en tiempo real. El sistema desarrollado utilizó como herramienta=
de
visualización JavaScript y Chart.js debido a que las dos se pueden integrar=
y
presentar los datos de mejor manera. Además, se utilizó la librería Socket.=
io
que permite actualizar gráficos en tiempo real y poder tomar decisiones de
mejoras o creación de nuevos servicios.
Los gráficos elaborados contemplan los siguientes resultados:
1. Porcentajes de comentarios positivos, neg=
ativos
y neutros de servicios ofertados por lugares turísticos.
2. Resultados estadísticos agrupados por las=
redes
sociales: Twitter y Trip A=
dvisor.
3. Cuadro resumen de porcentajes de los sent=
imientos
obtenidos en los comentarios emitidos por los usuarios.
Selección
de las herramientas
Para la elección de las herramientas adec=
uadas
se ha utilizado el método de criterios ponderados. Este método se basa en
comparar las herramientas mediante la generación de criterios de ingeniería=
que
son propuestos según los requerimientos del sistema. Se busca comparar todas
entre sí para determinar el impacto de cada una frente a otra, de manera qu=
e se
conoce qué variables tienen mayor impacto y cuáles deben ser analizadas con
cuidado en el área de diseño
La etapa de definición de los criterios c= omenzó por identificar los parámetros que se consideran fundamentales para el desarrollo del sistema, basado en los requerimientos y la experiencia en el= uso de diferentes herramientas informáticas. En función a este método se detall= a el análisis y selección de herramientas utilizadas en las fases del Big Data.<= o:p>
Recolección de datos
Las herramientas disponibles orientadas a=
la
recolección de datos y que fueron evaluadas: twitteR
(R-Studio), Puppeteer (Node.js) y Twython
(Python). Estas librerías se consideran en función de la independencia de u=
na
API que estas tengan, ya que es necesario extraer una gran cantidad de
comentarios sin perder información.
Para la selección de la herramienta se
consideró los siguientes criterios basándose en librerías de diferentes
lenguajes de programación desde un punto de vista de ingeniería: independen=
cia
de una API y extracción completa de comentarios, la Tabla 2 muestra
el análisis de las diferentes opciones.
Según las calificaciones obtenidas la mej=
or
herramienta para la recolección de datos fue: Puppetee=
r.
Esto se debe a que la librería permite extraer comentarios navegando a la r=
ed
social por medio de la programación y el uso del navegador Chromium
Tabla 2=
Matriz de Criterios Ponderados: Fase de Recolección de Datos
|
|
LIBRER=
ÍAS PARA
RECOLECTAR COMENT=
ARIOS CRITER=
IO |
PONDER=
ACIÓN |
TWITTE=
R |
PUPPET=
EER |
TWYTHO=
N |
|
Relevantes |
Independencia de una API |
60 |
40 |
55 |
48 |
|
Efectivos |
Extracción Completa de
Comentarios |
40 |
25 |
37 |
30 |
|
Califi=
cación |
100 |
65 |
92 |
78 |
Nota:
Análisis de herramientas para la recolección de datos
Procesamiento de Datos
Las herramientas de procesamiento que fue=
ron
analizadas: Sentiment (R-Studio), Sentiment
(Node.js) y Vader (Python). Estas herramientas se seleccionaron a base del
análisis de sentimientos que se va a realizar de los comentarios que provie=
nen
de redes sociales.
Para el procesamiento de datos se plantea= ron los siguientes criterios, basados en librerías de diferentes lenguajes de programación desde un punto de vista de ingeniería: diccionario extenso de palabras, sistema de evaluación de la librería y documentación disponible.<= o:p>
Tabla 3
Matriz de Criterios Ponderados: Fase de Procesamiento de Datos
|
|
LIBRERÍAS PARA EL ANÁL=
ISIS
DE SENTIMIENTOS CRITER=
IO |
PONDER=
ACIÓN |
SENTIM=
ENT (R-STU=
DIO) |
SENTIM=
ENT (NODE.=
JS) |
VADER
(PYTHON) |
|
Relevantes |
Diccionario Extenso de
Palabras |
50 |
35 |
40 |
38 |
|
Efectivos |
Sistema de Evaluación d=
e la
Librería |
35 |
20 |
32 |
28 |
|
Flexibles |
Documentación Disponibl=
e |
15 |
8 |
14 |
12 |
|
Califi=
cación |
100 |
63 |
86 |
78 |
Nota: Análisis de herramientas para el procesamiento de datos
De acuerdo a los
resultados obtenidos la mejor herramienta para el procesamiento de datos fu=
e la
librería Sentiment del lenguaje de programación
Node.js. Su puntaje se debe a que fue necesario crear un código para expand=
ir
el diccionario de la librería
Análisis y almacenamiento de datos (Si el análisis se aplicó en el estudio, se redac= ta en tiempo pasado)
Las herramientas que se evaluaron para el
análisis de datos: R-Studio, Node.js y Python. Los criterios se tomaron en =
base
a: las librerías disponibles como un criterio relevante, la curva de
aprendizaje del lenguaje como un criterio flexible ya que es necesario tener
una buena cantidad de librerías para poder crear el sistema de manera efica=
z,
integración con el lenguaje de programación y finalmente consistencia.
Tabla 4=
Matriz de Criterios Ponderados: Fase de Análisis de Datos
|
|
LENGUAJE DE PROGRAMACIÓN (BACK-EN=
D) CRITERIO |
PONDERACIÓN |
R-STUDIO |
NODE.JS |
PYTHON |
|
Relevantes |
Librerías Disponibles |
70 |
55 |
68 |
60 |
|
Flexibles |
Curva de Aprendizaje |
35 |
30 |
30 |
22 |
|
Calificación |
100 |
81 |
91 |
82 |
Nota: Análisis de herram=
ientas
para el análisis de datos
De acuerdo a los resultados obtenidos la mejor herramienta para el análisis de d=
atos
fue: Node.js. Esto debido a que el lenguaje tiene una cantidad considerable=
de
librerías. Algunas de estas librerías incluyen a Puppe=
teer
y Socket.io y librerías que permiten el manejo de la base de datos SQL o No=
SQL.
En la Tabla 5<=
/span> se muestran los resultados obtenidos después de evaluar cada uno de=
los
criterios considerados en la selección de la base de datos NoSQL.
Según las calificaciones obtenidas la mej=
or herramienta
para el almacenamiento de datos fue base de datos NoSQL MongoDB. Esto se de=
be a
que MongoDB tiene una fácil integración con el lenguaje Node.js y existen
varias librerías que ayudan a que MongoDB tenga más funcionalidad. Además, =
la
aplicación va a ser en tiempo real por lo que se necesita reflejar los datos
inmediatamente.
Tabla 5=
Matriz de Criterios Ponderados: Fase de Almacenamiento de Datos
|
=
|
BASE DE DATOS NOSQL CRITERIO |
PONDER=
ACIÓN |
CASSAN=
DRA |
MONGOD=
B |
|
Relevantes |
Integración con el Leng=
uaje
de Programación |
65 |
50 |
60 |
|
Flexibles |
Consistencia |
35 |
30 |
30 |
|
Califi=
cación |
100 |
80 |
90 |
Nota: Análisis de herramientas para el almacenamiento de datos
Visualización de datos
Las herramientas que fueron analizadas pa=
ra
poder visualizar datos: R- Studio, Python, JavaScript y Chart.js. Los crite=
rios
que se tomaron en consideración para la fase de visualización de datos se
basaron en la utilidad para visualizar datos como un criterio relevante y la
facilidad de uso como un criterio flexible ya que es necesario tener una
interfaz que permita llegar a conclusiones sobre el destino turístico a tra=
vés
de los gráficos. Los criterios que determinaron la herramienta para la
visualización se describen: facilidad de visualizar datos y curva de
aprendizaje.
Tabla 6
Matriz de Criterios Ponderados: Fase de Visualización de Datos
|
=
|
LENGUAJE DE PROGRAMACIÓN (FRONT=
-END) CRITER=
IO Kleberth |
PONDER=
ACIÓN |
R-STUD=
IO |
PYTHON=
|
JAVASC=
RIPT |
CHART.=
JS |
|
Relevantes |
Facilidad de Visualizar=
Datos |
65 |
55 |
55 |
57 |
63 |
|
Flexibles |
Curva de Aprendizaje |
35 |
20 |
33 |
34 |
33 |
|
Califi=
cación |
100 |
75 |
88 |
91 |
96 |
Nota:
Análisis de herramientas para la visualización de datos
Las mejores herramientas para la visualiz=
ación
de datos fueron JavaScript y Chart.js debido a que las dos se pueden integr=
ar y
presentar los datos de una manera elegante. Además, se puede usar con la
librería Socket.io
Redes Sociales
Al momento de crear un sistema que evalúe=
y
recomiende destinos turísticos es importante considerar que redes sociales =
son
adecuadas para proveer datos. Algunas redes sociales tienen mejor calidad de
datos, otras tienen más seguridad y otras requieren que el usuario se regis=
tre
para poder visualizar comentarios por lo que es de gran importancia tomar e=
sto
en cuenta.
Las redes sociales que se compararon: Fac=
ebook,
Twitter, Trip Advisor e
Instagram. Estas redes sociales fueron seleccionadas por ser las más utiliz=
adas
y relevantes. Se incluyó a Trip Advisor
pues al momento es considerada una red social exclusiva para obtener
comentarios de lugares turísticos y la información podría resultar valiosa =
para
realizar el estudio establecido.
Para la selección de redes sociales se
plantearon los siguientes criterios desde un punto de vista de ingeniería s=
on:
alta calidad de datos, baja protección de datos, bajo nivel de seguridad,
cantidad de comentarios diarios y número de usuarios.
Tabla 7
Matriz de Criterios Ponderados: Redes Sociales
|
=
|
RED SOCIAL CRITER=
IO |
PONDER=
ACIÓN |
FACEBO=
OK |
TWITTE=
R |
INSTAG=
RAM |
TRIP A=
DVISOR |
|
Relevantes |
Alta Calidad de Datos |
80 |
22 |
25 |
25 |
28 |
|
Bajo Nivel de Seguridad=
|
18 |
22 |
20 |
23 |
||
|
Bajo Nivel de Seguridad=
|
15 |
13 |
8 |
11 |
||
|
Efectivos |
Cantidad de comentarios
diarios |
15 |
15 |
13 |
34 |
33 |
|
Flexible |
Número de usuarios |
5 |
5 |
5 |
3 |
3 |
|
Califi=
cación |
100 |
75 |
87 |
76 |
89 |
Nota: Análisis de redes sociales para recolección de datos
Las redes sociales más aptas para obtener
grandes volúmenes de comentarios fueron Twitter y Trip=
Advisor. Trip Advisor es la herramienta que cuenta con la mejor
calificación en la calidad de datos porque esta red social tiene comentarios
que se relacionan a lugares turísticos. Twitter en cambio tiene un mayor nú=
mero
de usuarios y comentarios que serán de gran ayuda al momento de evaluar un
destino turístico. Sin embargo, los comentarios de la red social Twitter
provienen de las cuentas que pertenecen a un solo usuario y por este motivo
existen comentarios que posiblemente sean neutros.
=
Resultados
y Discusión
Como resultado del análisis realizado, la Figura 3=
,
muestra el resultado del análisis de sentimientos que corresponde al sitio
turístico Mitad del Mundo; basado en la utilización de la librería Sentiment, el sitio a ser evaluado, y los parámetros
establecidos como: el precio, servicio, transporte y hospedaje.
Figura 3=
Análisis de sentimientos Twitter= y Trip Advisor
Nota. Información resultante del proceso de análisis =
de
sentimientos
Como se puede observar los comentarios di=
fieren
de las fuentes de datos utilizados en el análisis. En el grupo de comentari=
os
positivos se determina que mientras el sitio Trip Advisor no muestra registros en el parámetro transpor=
te, la
red social Twitter si contiene registros. En el grupo de comentarios negati=
vos
se puede observar que las dos fuentes de datos muestran información penaliz=
ando
los parámetros: servicio y transporte. Finalmente, se puede observar que
existen comentarios neutros asociado con los parámetros: precio y servicio.=
El sistema presenta un cuadro de resumen =
que
muestra el total de comentarios positivos, negativos y neutros, emitidos en=
las
dos fuentes de datos. Uno de los puntos importantes de la aplicación es pod=
er
presentar en tiempo real los comentarios emitidos, para lo cual es necesario
capturar datos, almacenarlos y presentar una gráfica con comentarios positi=
vos,
negativos y neutros, esta información permite determinar posibles puntos de
mejora en los servicios, tanto con la información del sitio Trip
Advisor, como de los tuits, mediante la interfa=
z gráfica
de la aplicación.
De la información conseguida, actualmente=
este
sitio dispone de encuestas como herramienta para evaluar la calidad de los
servicios ofertados. La mayoría no disponen de un sistema que permita obser=
var
en tiempo real información de sentimientos asociados a la conformidad en la
utilización de los productos que el lugar oferta.
Finamente, de los resultados obtenidos en=
la
presente investigación permite argumentar:
El estudio realizado tiene una limitante
considerable relacionada con la necesidad de la activación de la opción de
geolocalización en las cuentas de Twitter a ser utilizadas.
Es importante disponer de un sistema en t=
iempo
real que permita determinar puntos de mejora en los servicios que son ofrec=
idos
por los lugares turísticos, para de esta manera tomar decisiones adecuadas y
basadas en información real.
Al ser Big Data una de las nuevas tecnolo=
gías
de la revolución industrial 4.0, es utilizada y aplicada en la resolución de
problemas de cualquier ámbito del conocimiento en el ámbito mundial, el tur=
ismo
no es la excepción por lo cual es apropiado el uso de esta tecnología en el
contexto de la presente investigación.
La investigaci=
ón
realizada determina la necesidad de contar con herramientas que permitan to=
mar
decisiones, para el mejoramiento de la calidad de los servicios ofertados p=
or
las empresas del sector turístico. Por otro lado, se debe mencionar que la
utilización de datos generados en Twitter y Trip Advisor, han permitido la creación de un sistema que
permita analizar los sentimientos emitidos por usuarios de servicios
turísticos. Se puede, además, considerar la utilización del sistema
desarrollado, como una alternativa viable y de menor costo que permita la
evaluación y mejora de servicios relacionados con el turismo. De acuerdo al contexto de la investigación el uso de u=
na
base de datos NoSQL en Big Data es importante para resolver la problemática=
de
escalabilidad, que generalmente se presenta en bases de datos relacionales,
debido a la gran cantidad de información que se necesite almacenar.
La red social =
Trip Advisor tiene mejor =
calidad
de datos que Twitter con base en destinos turísticos, ya que los comentarios
provienen de la opinión de varios usuarios. De la misma manera, la red soci=
al
Twitter es de mayor utilidad al momento de realizar el análisis de sentimie=
ntos
a base de los temas sociales, motivo por el cual el resultado en esta red
social tiene una mayor cantidad de comentarios neutrales con relación a
destinos turísticos.
Tanto Twitter =
como Trip Advisor tienen una g=
ran
cantidad de bots y cuentas falsas, por lo que s=
ería
importante realizar un estudio que permita establecer un filtro y excluir e=
sa
información de investigaciones, que toman como fuente de información las re=
des
sociales mencionadas. Finalmente, se precisa que una de las grandes ventaja=
s de
haber realizado este sistema es que al momento de planificar se podría sabe=
r si
una base de datos relacional resulta más conveniente usar que una NoSQL y
viceversa.
Reconocimientos
Esta investiga=
ción se
enmarca en el proyecto de investigación “Evaluación y promoción de destinos
turísticos, mediante la tecnología de la ciencia de datos y geolocalización
“apoyado por el Vicerrectorado del Instituto Superior Tecnológico Japón.
Referencias
Aguilar=
, L.
J. (2013). Análisis de grandes volúmenes de datos en organizaciones.
Mexico: Alfaomega Grupo Editor, S.A.
Algecir=
a, C.
(2020). Arquitectura de Big Data para el análisis de sentimientos
multimodales en el sector turístico del Departamento de Boyacá, Colombia.
Boyacá: Universidad Santo Tomás Sede Tunja.
Ángel
Patricio Fajardo Cárdenas, Néstor Ariel Bravo Chuqui, Andrés Vinicio Auquil=
la
Sangolqui, & Paúl Fernando Vanegas P. (2021). Plataforma para el
Análisis de Mercado a través de Datos de Redes Sociales. Guayaquil:
Resvista RTE.
Arias, =
Á.
(2017). El uso de la plataforma trip advisor. Estuduo de caso: Los
comentarios sobre los Hoteles en Valladolid. Valladolid: Universidad de
Valladolid.
Char Js=
. (01
de 02 de 2022). Performance. Performance:
https://www.chartjs.org/docs/latest/general/performance.html
Escriba=
no, Á.
A. (2017). El uso de la herramienta Trip Advisor. Estudio de Caso: Los
comentarios sobre hoteles de Valladolid. Segovia: Universidad de
Valladolid.
Fajardo=
, Á.,
Auquilla, A., & Vanegas, P. (2021). Plataforma para Análisis de Merc=
ado
a través de Datos de Redes Sociales. Guayaquil: Revista Tecnológica =
Espol.
Google Developers.=
(03 de
02 de 2021). Tools for Web Developers. Tools for Web Developers:
https://developers.google.com/web/tools/puppeteer/
Herrera=
, N.,
Sánchez, H., Macías, M., & Gómez, E. (2016). Analysis of the factors generat=
ing
vehicular traffic in the city of Quito and its relation to the application =
of
sensorial and social data with big data as a basis for decision making.
Kalpakj=
ian,
S., & Schmid, S. (2016). Manufactura, ingenieria y tecnologia. <=
/span>Mexico: Pearson.
Krishna, S. (01 de=
07 de
2018). Facebook puts more limits on developer access to user data. F=
acebook
puts more limits on developer access to user data:
https://www.engadget.com/2018-07-02-facebook-limit-api-developer-app-data.h=
tml?sr_source=3DTwitter
Letelie=
r, P.,
& Penadés, M. (2016). (XP), Métodologías ágiles para el desarrollo de
software: eXtreme Programming. Técnica Administrativa.
Martíne=
z, X.,
& Piñeiro, T. (2020). Turismo y Big Data. Propuesta de Análisis de la
capa social a través de metadatos y publicaciones sociales. Portugal:
Cultura, património e turismo na sociedad de digital.
Ministe=
rio de
Turismo del Ecuador. (2019). Plan Estratégico Institucional 2019-2021.
Ministerio de Turismo del Ecuador.
Node Js=
. (15
de 01 de 2022). Dependencias. Dependencias: https://nodejs.org/es/do=
cs/
Padilla=
, C.
(2019). Big Data, una herramienta para apoyar en decisiones del sector
hotelero en Quito-Ecuador. Quito: Revista UIDE.
Rik, J., & Tim=
de
Boer. (2011). Twitter An Architectural Review. Utrecht: Software
Architecture Faculty of Science University of Utrecht. Netherland: Facu=
lty
of Science University of Utrecht.
Synonim= os. (12 de 02 de 2022). Synonimos. Synonimos: http://www.sinonimos.com/<= o:p>
Tello, =
J. M.
(2019). Potencial aplicación del Big Data al sector turismo con especial
referencia a España. Madrid: Universidad Pontificia Comillas.
Twitter.
(2022). Centro de ayuda. Información sobre las API de Twitter:
https://help.twitter.com/es/rules-and-policies/twitter-api
Zicopoulos, P., Ch=
ris, E.,
Dirk, D., Tom, D., & George, L. (2011). Analytics for Enterprise Cla=
ss
Hadoop and Streaming Data. McGraw-Hill Osborne Media.
[1]
Son datos binarios que no tienen estructura interna identificable.
[2]
Se refieren a cualquier información que utilice un esquema de autodescripci=
ón:
HTML, JSON, XML.
5
Evaluación de sitios
turísticos mediante análisis de sentimientos de comentarios emitidos por
usuarios en redes sociales