El problema
Málaga es uno de los destinos turísticos de más rápido crecimiento en España. Airbnb concentra miles de alojamientos, pero el 65,8% de las propiedades están en el Centro. La saturación ha convertido esa zona en un mercado de alta competencia y márgenes ajustados.
¿Sigue siendo rentable invertir en el Centro? ¿Hay mejores oportunidades en barrios periféricos? ¿Cómo se comporta la demanda a lo largo del año?
Este proyecto analiza 9.420 propiedades de Inside Airbnb (volcado 2024) con técnicas de análisis exploratorio, geoespacial y temporal, orientado a inversores, anfitriones y consultores turísticos.
El enfoque
Diseñé un análisis en tres fases.
Fase 1 · Limpieza y preprocesado — Python
Cargué los datos con pandas. Normalicé precios (rango de 15 € a 410 €), traté valores nulos y eliminé outliers por barrio usando el rango intercuartílico (IQR). Imputé los valores faltantes con la media del barrio.
- Total de registros: 9.420
- Anfitriones únicos: 3.504
- Barrios: 11
- Tipo de propiedad más común: vivienda completa (86,8 %)
- Tipos marginales: habitación de hotel (4 registros) y habitación compartida (2 registros)
Fase 2 · Análisis exploratorio y geoespacial — Python
Calculé estadísticas clave y creé mapas de calor con Plotly y Folium.
| Tipo de propiedad ofertada | Porcentaje |
|---|---|
| Vivienda completa (Entire home/apt) | 86,8 % |
| Habitación privada (Private room) | 13,1 % |
| Habitación de hotel | <0,1 % |
| Habitación compartida | <0,1 % |
Fase 3 · Análisis temporal — Python
Utilicé la frecuencia de reseñas como proxy de ocupación para detectar estacionalidad. Analicé la distribución mensual y calculé la correlación entre reseñas y disponibilidad (coeficiente = 0,10, muy débil).
Los hallazgos
Hallazgo 1 · El Centro concentra oferta, pero no las mejores oportunidades de precio
Campanillas, Puerto de la Torre y Churriana tienen precios medios más altos que el Centro. La saturación turística en el Centro y la competencia con hoteles y otros canales presionan los precios a la baja.
| Barrio | Precio medio (€/noche) |
|---|---|
| Campanillas | 186 €/noche |
| Puerto de la Torre | 144 €/noche |
| Churriana | 132 €/noche |
| Centro | 112 €/noche |
El Centro es el barrio con más oferta, pero no el más caro para el huésped. La saturación ha aplanado sus precios.
Hallazgo 2 · Los barrios periféricos del oeste muestran mejor potencial de rentabilidad
Esos mismos barrios ofrecen la mejor rentabilidad estimada (precio medio × ocupación aproximada —estimada a partir de disponibilidad del calendario—). La menor oferta y la presencia de alojamientos espaciosos —cerca del Parque Tecnológico— elevan los precios.
Hallazgo 3 · La demanda presenta una fuerte concentración estacional
Diciembre concentra el 66,4% de las reseñas del año. La demanda se dispara en Navidad; el primer semestre representa apenas el 3% del total.
| Mes | Reseñas | Porcentaje anual |
|---|---|---|
| Enero | 1.541 | 0,37 % |
| Febrero | 1.029 | 0,25 % |
| Marzo | 2.005 | 0,48 % |
| Abril | 2.225 | 0,53 % |
| Mayo | 2.588 | 0,62 % |
| Junio | 3.262 | 0,78 % |
| Julio | 5.562 | 1,33 % |
| Agosto | 11.799 | 2,82 % |
| Septiembre | 16.978 | 4,06 % |
| Octubre | 34.823 | 8,34 % |
| Noviembre | 58.683 | 14,05 % |
| Diciembre | 277.294 | 66,37 % |
La correlación entre reseñas y ocupación real es débil (0,10), por lo que no debe usarse como única métrica para estimar ocupación.
Hallazgo 4 · El mercado ya está dominado por operadores profesionales
Empresas como I Loft Málaga, Remy o Living4Malaga gestionan cientos de propiedades cada una. El modelo de economía colaborativa entre particulares es ya minoritario.
| Anfitrión | Propiedades | Porcentaje |
|---|---|---|
| I Loft Malaga | 218 | 2,31 % |
| Remy | 137 | 1,45 % |
| Living4Malaga | 109 | 1,16 % |
Los tres mayores anfitriones suman el 4,9% de las propiedades. La competencia ya no es entre particulares, sino con empresas especializadas.
La conclusión
El análisis arroja cuatro implicaciones estratégicas:
- Invertir en el Oeste (Campanillas, Puerto de la Torre, Churriana) ofrece mejor rentabilidad que el saturado Centro.
- Ajustar precios de forma dinámica: subirlos en diciembre, aplicar descuentos de enero a junio.
- No confiar ciegamente en las reseñas como indicador de ocupación; la correlación es muy baja (0,10).
- El mercado está profesionalizado. La competencia ya no es entre particulares, sino con empresas especializadas.
Stack y metodología
| Herramienta | Uso en el proyecto |
|---|---|
| Python · pandas, numpy | Limpieza, preprocesado, imputación |
| Python · folium, plotly | Mapas de calor interactivos y visualización geoespacial |
| Python · matplotlib, seaborn | Gráficos de estacionalidad y análisis temporal |
| Inside Airbnb | Fuente de datos base (volcado 2024) |
Dataset: 9.420 propiedades · 11 barrios · 3.504 anfitriones
Análisis geoespacial: mapas de calor con folium · shapefiles oficiales
Estacionalidad: proxy ocupación = reseñas · correlación con disponibilidad = 0,10
Profesionalización: los tres mayores anfitriones suman el 4,9% de las propiedades