Saltar al contenido principal
Portfolio Proyectos Análisis de Airbnb en Málaga (2024)
Análisis de Airbnb en Málaga (2024)
2026

Análisis de Airbnb en Málaga (2024)

Análisis del mercado de Airbnb en Málaga usando datos públicos y visualización geoespacial para identificar patrones de precio, rentabilidad y estacionalidad. Proyecto orientado a inversores, anfitriones y analistas del sector turístico.

Python

Año

2026

Herramientas

1

Lectura

4 min

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 ofertadaPorcentaje
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.

BarrioPrecio medio (€/noche)
Campanillas186 €/noche
Puerto de la Torre144 €/noche
Churriana132 €/noche
Centro112 €/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.

MesReseñasPorcentaje anual
Enero1.5410,37 %
Febrero1.0290,25 %
Marzo2.0050,48 %
Abril2.2250,53 %
Mayo2.5880,62 %
Junio3.2620,78 %
Julio5.5621,33 %
Agosto11.7992,82 %
Septiembre16.9784,06 %
Octubre34.8238,34 %
Noviembre58.68314,05 %
Diciembre277.29466,37 %

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.

AnfitriónPropiedadesPorcentaje
I Loft Malaga2182,31 %
Remy1371,45 %
Living4Malaga1091,16 %

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:

  1. Invertir en el Oeste (Campanillas, Puerto de la Torre, Churriana) ofrece mejor rentabilidad que el saturado Centro.
  2. Ajustar precios de forma dinámica: subirlos en diciembre, aplicar descuentos de enero a junio.
  3. No confiar ciegamente en las reseñas como indicador de ocupación; la correlación es muy baja (0,10).
  4. El mercado está profesionalizado. La competencia ya no es entre particulares, sino con empresas especializadas.

Stack y metodología

HerramientaUso en el proyecto
Python · pandas, numpyLimpieza, preprocesado, imputación
Python · folium, plotlyMapas de calor interactivos y visualización geoespacial
Python · matplotlib, seabornGráficos de estacionalidad y análisis temporal
Inside AirbnbFuente 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

Hablemos

¿Te interesa este proyecto?

Puedes escribirme si te interesa conocer más detalles o intercambiar ideas.