Exactly a year ago was that official announcements unveiling we were amid a Covid19 pandemic and stock markets were heavily hit. In the hotel industry specifically, the largest brands reached their minimum returns since 2015. Marriott -15%, Hilton -12%, Hyatt -19% , and IHG -20%.
But fortunately for the top hotel chains and their strong position to tackle COVID-19, the stock market recovery was pretty fast considering the magnitude of an unprecedented event moving back to levels of Hilton’s 14% to Marriott’s 20% positive return range, from ending March to beginning April last year.
Now, the behavior of their stocks today 2021-3-18 looks normal for the four chains observed, although it shows a slight decline for every chain.
In the following plot, we can see there is a strong returns correlation between each other.
How Systems Thinking and System Dynamics Improve Organizational Performance
by Jorge Zárate
What Problems It Would Help Solve
This approach would be especially valuable when an organization faces situations such as:
It reduces costs but subsequently loses quality, capacity, or revenue.
It hires more employees, but productivity does not improve.
It increases sales without developing sufficient operational capacity.
It implements immediate solutions that make the problem more serious in the future.
Its departmental indicators are positive, but overall organizational performance remains poor.
It launches promotions that generate visibility but fail to produce conversions.
It invests in technology without achieving adoption or a satisfactory return.
It establishes conflicting goals across sales, operations, finance, and customer service.
It experiences recurring cycles of overload, errors, pressure, and employee turnover.
It needs to evaluate a strategy before committing significant resources.
Causal loop diagrams enable an organization to make its assumptions about how a problem is produced explicit and to identify reinforcing and balancing loops. They also help reveal differences among the mental models held by different functional areas.
Other problems systems thinking can help solve
Recurring problems that return after an apparently successful fix
Short-term improvements that create larger long-term costs
Backlogs, rework, burnout and declining service quality
Growth that stalls because demand expands faster than capacity
Oscillation between overstaffing and understaffing, excess and shortage, or expansion and cuts
Conflicting departmental decisions that optimize local metrics while weakening overall performance
Cost reductions that unintentionally erode capability, customer value or resilience
Technology and artificial intelligence investments that underperform because the problem, workflow or adoption system was poorly defined
Strategies whose effects arrive too late, appear in another part of the organization or trigger resistance
Decisions made under uncertainty where feedback, delays and unintended consequences matter
These problems differ in surface detail, but they share a common feature: the outcome is produced by relationships across time, functions and decisions rather than by one isolated cause.
Organizations rarely fail because managers are inactive. More often, they struggle because actions that appear reasonable in isolation interact with other decisions, constraints, incentives and delays in ways that no department fully anticipates. A cost reduction improves this quarter’s financial result but weakens service capacity. A sales campaign generates demand faster than operations can absorb it. Employees work harder to clear a backlog, yet fatigue produces errors that create even more work. New technology is introduced to improve productivity, but inadequate training initially reduces output and causes leaders to withdraw support before the benefits can emerge.
These are not simply execution problems. They are systemic problems. Their causes are distributed across time, functions and relationships, while conventional management tends to divide the organization into departments, indicators and individual decisions. Systems thinking offers a different perspective: it examines how the structure of relationships produces patterns of behavior. System dynamics extends that perspective by representing feedback, accumulations and delays in models that can be tested over time.
This distinction matters for productivity. Productivity is frequently managed as a ratio – output divided by labor, time or cost. The calculation is useful, but it does not explain what generates the numerator or denominator, why performance changes, or what an intervention will do after its immediate effect has passed. Sustainable productivity is an emergent outcome of a wider system that includes capacity, workload, skills, process quality, demand, investment, morale, technology and managerial expectations.
This essay develops a practical framework for diagnosing organizational performance by combining causal-loop thinking, learning in complex systems and the integration of system dynamics with decision analysis. Its central argument is that leaders improve productivity not by maximizing isolated components, but by redesigning the feedback structures that repeatedly create performance.
The limits of linear management
Linear reasoning follows a familiar sequence: identify a problem, determine its apparent cause, implement a solution and measure the result. This approach works well when relationships are stable, effects are immediate and the intervention does not materially alter the conditions surrounding it. Many operational tasks meet those conditions. Complex organizations often do not.
A system can be understood as a community of connected entities. Knowledge of the individual entities is insufficient to predict the behavior of the whole because connections create properties that do not reside in any component separately. A business may employ competent people, use capable technology and serve a growing market, yet still experience declining quality because the timing and interaction of those elements create overload.
A central challenge is policy resistance: interventions are absorbed, offset or redirected by the system’s own responses. Managers attempt to change an outcome, but employees, competitors, customers, suppliers and internal processes react. The intervention changes the environment in which it operates. Consequently, the final result can be smaller than expected, delayed, temporary or opposite to the original intention.
Three features make linear reasoning particularly unreliable.
First, cause and effect may be distant in time. Training reduces productive hours today but raises capability later. Deferred maintenance protects cash now while increasing failures in the future. Leaders often attribute the delayed result to the conditions prevailing when it becomes visible, not to the earlier decision that generated it.
Second, cause and effect may be distant in organizational space. Commercial incentives raise sales, while their consequences appear as congestion in operations, complaints in customer service or working-capital pressure in finance. Each department sees an internally coherent fragment, but no fragment explains the organizational outcome.
Third, feedback makes causality circular. Demand affects capacity decisions; capacity affects service; service affects reputation; reputation affects demand. Asking which single variable is the cause misses the structure. The useful question is which feedback processes dominate behavior under particular conditions.
Systems thinking and system dynamics are related but not identical
Systems thinking is a way of framing and investigating complexity. It widens the boundary of analysis, focuses on relationships rather than isolated events, examines patterns through time and challenges the mental models through which decision makers interpret a problem. Its value lies partly in making assumptions discussable.
A causal loop diagram is one of its most useful tools. Variables are connected by arrows indicating hypothesized causal influence. A positive polarity means that, all else equal, a change in the cause moves the effect in the same direction relative to what it otherwise would have been. A negative polarity means that the effect moves in the opposite direction. Polarity does not mean beneficial or harmful. It describes direction.
When the links close into a loop, the loop can be reinforcing or balancing. Reinforcing loops amplify change: they can generate virtuous growth or vicious decline. Balancing loops oppose change and move a system toward a target, constraint or equilibrium. Delays indicate that an effect is not immediate and are essential because they can produce overshoot, oscillation and premature policy reversal.
System dynamics is more demanding. A formal model identifies stocks – accumulations such as employees, backlog, installed capacity, customer base or cash – and the flows that increase or decrease them. It specifies equations, initial conditions, decision rules, nonlinear relationships and delays. Simulation then reveals whether the proposed structure can reproduce the behavior of interest and how alternative policies perform across time.
The distinction protects analytical integrity. A causal diagram is a structured hypothesis, not proof of causality. Statistical analysis can test selected relationships in observed data, but correlation alone does not capture a feedback system. A simulation can evaluate dynamic consequences, but only within its boundary and assumptions. Used together, qualitative mapping, empirical analysis and simulation provide a stronger decision process than any one method alone.
Productivity as a feedback system
Editorial image. The fast cycle of pressure and rework contrasted with the slower path of learning and capability building.
Consider a service operation facing a growing backlog. The immediate managerial response is usually to demand greater effort, extend working hours or reduce staffing cost. These actions can temporarily raise completed work. However, sustained workload pressure causes fatigue. Fatigue increases errors. Errors require correction and reprocessing, which add to the backlog. The apparent solution becomes part of the mechanism producing the problem.
Figure 1. Workload pressure and the rework trap
R1 is a reinforcing loop; B1 is a balancing response. The delay marks the time required for staffing or capability to become effective.
The reinforcing rework loop can be expressed as follows: backlog raises workload pressure; pressure increases fatigue; fatigue increases error incidence; errors generate rework; rework adds to backlog. Management’s balancing response attempts to reduce the gap between desired and actual service capacity by hiring, training, redesigning work or adding technology. Yet these interventions have delays. If leaders ignore those delays, they may cancel the capability investment while intensifying the short-term pressure that drives the reinforcing loop.
This interpretation changes the productivity question. Instead of asking, “How can each employee process more transactions this week?” management asks, “Which structure is generating avoidable work, and which intervention reduces total workload over the relevant horizon?” The first question may increase apparent productivity while degrading the system. The second targets the source of lost productive capacity.
Useful measures should therefore include not only units per labor hour, but also first-time-right performance, rework, age of backlog, overtime, absence, turnover, training time, process variability and time to competence. The objective is not to maximize every metric. It is to understand how they interact and which combination indicates a healthier system.
Quality and cost are dynamically connected
Cost and quality are often presented as competing objectives. An example from the television industry shows why this framing can be misleading. Cost reduction may increase short-term funds or margins, but if it reduces the resources required for creative and operational quality, customer response can weaken. Lower demand then reduces revenue and creates pressure for further cuts. A decision intended to protect performance initiates a reinforcing decline.
The opposite path is also possible. Investment in quality can improve customer experience, strengthen reputation, increase demand and create resources for further improvement. Both virtuous and vicious circles share the same reinforcing structure; direction depends on the initial movement, loop strength and constraints.
Figure 2. Quality investment and the cost cutting spiral
R2 represents capability-led growth; R3 represents a cost-cutting decline.
This does not imply that all cost reduction is harmful. Waste, duplication and unnecessary complexity should be removed. The systemic issue is where the cost resides and what feedback it supports. Eliminating failure demand, rework or obsolete activity differs fundamentally from removing the capability that prevents defects or creates customer value.
A robust cost decision should evaluate at least four horizons: the immediate accounting effect, the operational response, the customer response and the capability effect. It should also distinguish reversible from difficult-to-reverse consequences. A reduction in discretionary expenditure can be restored relatively quickly; the loss of experienced employees, trust, knowledge or market reputation may take years to reverse.
Growth contains its own constraints
Reinforcing loops are the engines of growth. A larger customer base generates more referrals; referrals attract new customers; the customer base expands further. Higher revenue supports investment; investment strengthens the offer; the improved offer produces additional revenue. Exponential growth, however, cannot continue indefinitely. A balancing process eventually becomes dominant.
Capacity is a common constraint. Demand grows faster than staffing, systems, infrastructure or managerial attention. Service quality declines, delivery time increases and customer acquisition or retention weakens. Leaders who observe only the growth engine may respond by increasing promotion, thereby placing additional pressure on the actual constraint.
Figure 3. Growth and the capacity constraint
Synthesis of reinforcing and balancing structures and the limits-to-growth logic.
The strategic task is not to suppress growth, but to identify the limiting process early enough to expand or redesign it. That requires leading indicators. If customer complaints are the first recognized signal of insufficient capacity, the intervention is already late. Capacity utilization, queue length, response time, span of control, system availability and training pipeline may reveal the constraint earlier.
The same logic applies in tourism and aviation. Promotion can stimulate bookings, but airport capacity, air connectivity, hotel inventory, destination mobility, workforce availability or community tolerance may become limiting factors. More marketing does not resolve those constraints. It can worsen congestion and diminish the visitor and resident experience. A systemic strategy aligns demand generation with the capacity and resilience of the destination.
Targets, balancing loops and oscillation
Much of management operates through balancing loops. Leaders set a target, compare it with actual performance, identify a gap and act to close it. Budgets, staffing plans, inventory policies, service standards and sales objectives all contain this basic structure.
Figure 4. Capacity adjustment with delay
Synthesis of target adjustment and implementation delays.
Balancing does not guarantee stability. When information or implementation is delayed, managers may continue acting after sufficient correction is already in progress. The result is overshoot. They subsequently reverse direction, again too strongly, producing cycles of expansion and contraction.
Hiring illustrates this behavior. A service gap creates pressure to recruit. Recruitment, onboarding and learning take time. During the delay, the perceived gap persists, so additional hiring is authorized. When new employees finally become productive, capacity exceeds demand and a cost reduction follows. The organization alternates between understaffing and overstaffing, treating each phase as a new problem instead of recognizing a common delayed feedback structure.
Better policy begins with distinguishing the observed stock from actions already in the pipeline. Managers need visibility not only into current productive capacity but also into candidates being recruited, employees in training, expected attrition and productivity maturation. The target should incorporate demand uncertainty and the cost of both excess capacity and service failure.
Leadership and shared mental models
Complex systems cannot be understood from a single position. Sales sees customer opportunity, operations sees variability, finance sees resource exposure and employees see the actual workarounds that keep processes functioning. Each perspective is incomplete but potentially valid.
Mental models are the assumptions, beliefs and causal interpretations used to make decisions. They are unavoidable; the problem is that they are often implicit, internally inconsistent and resistant to disconfirming evidence. Group modeling makes these assumptions visible. Participants must name variables, specify causal direction, define the system boundary and explain why they expect a link to operate.
Cases involving teamwork, leadership and outsourcing demonstrate that conflict can emerge from structurally rational behavior. A buyer interferes because contractor performance appears inadequate. Intervention reduces the contractor’s autonomy and accountability, which further weakens performance and invites more interference. From the buyer’s perspective, tighter control is necessary; from the contractor’s perspective, that control is the source of dysfunction. The causal map reveals how both interpretations can coexist within one reinforcing loop.
Leadership in this setting is not the ability to impose the fastest answer. It is the ability to establish a process in which competing models can be examined without collapsing into blame. A strong modeling team includes decision owners, process experts, data owners and people close to implementation. Its purpose is not consensus for its own sake. It is a sufficiently explicit, evidence-informed theory of the system that can be challenged and improved.
From maps to evidence and simulation
A productive systems engagement should proceed through disciplined stages.
The first is problem articulation. The team defines a reference mode: the pattern of behavior that requires explanation. Is productivity declining continuously, oscillating, recovering only temporarily, or diverging across units? A time-series graph is often more informative than a static average.
The second is boundary selection. No model includes everything. The boundary should contain the variables and feedback processes necessary to explain the behavior and evaluate relevant decisions. Boundaries that follow the organizational chart are often inadequate because important feedback crosses departments and external actors.
The third is causal mapping. The team identifies reinforcing and balancing loops, delays, constraints and possible unintended consequences. Every link should form a clear, testable statement. Ambiguous variables such as “success” or “better management” should be replaced by quantities or conditions that can be observed or operationally defined.
The fourth is empirical assessment. Historical data, interviews, process records and external evidence are used to challenge the map. Statistical techniques may estimate response strength, detect lags, compare segments or reject assumptions. Qualitative evidence remains important when variables such as trust, perceived autonomy or decision quality cannot be measured directly with sufficient reliability.
The fifth is formalization when the decision warrants it. Stocks, flows, equations and decision rules convert the map into a simulation. The model should be tested for dimensional consistency, extreme conditions, behavioral reproduction and sensitivity. Validation is not a declaration that the model is “true.” It is a cumulative argument that the model is suitable for its stated purpose.
The sixth is policy design. Leaders compare packages of interventions, not isolated adjustments. A hiring policy may be combined with workflow redesign, demand smoothing and quality controls. The relevant criteria include performance across time, robustness under uncertainty, distribution of effects, implementation feasibility and exposure to irreversible loss.
This logic can be extended to risky projects by combining the capacity of system dynamics to represent nonlinear feedback and delay with decision trees that represent managerial flexibility. The strategic principle is important: the value of a project depends not only on expected cash flow but also on the ability to expand, postpone, alter or terminate action as information emerges. A fixed plan and an adaptive policy are not economically equivalent.
Measuring a productive system
Measurement must follow the causal theory rather than precede it. Organizations often select indicators because data are available, then treat the resulting dashboard as a representation of the business. A systemic approach begins with the behavior that requires explanation and identifies the minimum set of measures needed to observe its proposed drivers and consequences.
Indicators should cover outcomes, leading conditions and accumulations. Revenue, margin, customer satisfaction and throughput describe outcomes. Workload pressure, queue growth, schedule adherence, training progression and error incidence can warn that future performance is changing. Stocks such as experienced employees, unresolved cases, installed capacity, active customers and organizational knowledge preserve the effects of past decisions and constrain future possibilities.
The timing of measurement is equally important. A monthly average may hide a weekly cycle of overload and recovery. A year-over-year comparison may combine several periods governed by different dominant loops. Analysts should examine trajectories, lags, thresholds and changes in variability, not only levels. When an intervention is introduced, its immediate, transitional and steady-state effects should be evaluated separately.
No single productivity index can capture this structure. A compact measurement architecture is more useful: a primary performance outcome, a small number of leading indicators, explicit measures of failure demand and capability, and decision triggers linked to the model. This creates a learning loop in which data update the causal theory, the theory guides policy and policy outcomes generate new evidence. The purpose of measurement is therefore not merely control. It is continuous correction of the organization’s understanding of how performance is produced.
High leverage does not mean high force
Organizations frequently direct effort toward visible symptoms because symptoms create urgency and can be measured immediately. High-leverage interventions are often less visible. They may change an information flow, a decision rule, a delay, a target, an incentive or the capacity of the organization to learn.
In the rework trap, demanding additional effort applies more force to the existing system. Reducing error creation, simplifying exceptions, improving upstream information or protecting recovery time changes the structure. In the growth system, a larger promotional budget accelerates the reinforcing loop; developing operational capacity or moderating demand until capacity matures addresses the constraint. In an outsourcing conflict, more supervision may intensify dependence; clearer decision rights and shared performance information can alter the feedback.
Leverage must also be evaluated in context. An intervention that works while demand is stable may fail during rapid growth. A policy effective in one business unit may encounter different delays or constraints elsewhere. The objective is not to discover a universal lever, but to design a policy robust across plausible conditions.
A practical method for systemic problem solving
A systems inquiry begins by defining the behavior that needs explanation, not by selecting a fashionable tool. The team describes how the problem has changed over time, identifies who experiences its consequences and establishes a decision horizon. This prevents a visible event from being mistaken for the problem itself and creates a reference pattern against which explanations can be tested.
The next step is to bring together people who see different parts of the system and build a causal map of feedback loops, delays, constraints and important accumulations. The map should expose assumptions and disagreements rather than conceal them. Historical data, interviews and process evidence can then be used to challenge the proposed relationships. Where the decision is consequential and the dynamics are complex, the map can be formalized as a simulation to compare policies across time and under uncertainty.
Data science and artificial intelligence strengthen this work when they are assigned a clear role. They can detect patterns, estimate relationships, organize evidence, automate repeated analysis and support scenario exploration. They do not eliminate the need to define the system boundary, select relevant variables or judge whether an intervention remains sensible after people and processes respond. The quality of an AI-assisted answer still depends on the quality of the question and the causal structure used to interpret the result.
Conclusion
Productivity is not produced by pressure alone. It emerges from a network of decisions and conditions that includes workload, capacity, quality, learning, technology, customer response, investment and time. When these relationships form feedback loops, apparently sensible decisions can generate resistance, delay, oscillation or decline.
Systems thinking gives leaders a language for seeing those relationships. Causal-loop diagrams organize hypotheses about reinforcing and balancing processes. System dynamics adds accumulations, equations and simulation, allowing teams to explore how policies may perform over time. Data analysis tests assumptions and anchors the model in observed behavior. Together, these approaches transform productivity management from isolated optimization into structural design.
The practical implication is direct: before asking people to work harder or departments to optimize their own indicators, leaders should examine the system that defines what productive effort can achieve. The best intervention may not be the largest, fastest or most visible. It is the one that changes the feedback structure generating the problem and continues to work after the organization responds.
References
Forrester, J. W. (1961). Industrial dynamics. MIT Press.
Lyneis, J. M., & Ford, D. N. (2007). System dynamics applied to project management: A survey, assessment, and directions for future research. System Dynamics Review, 23(2-3), 157-189. https://doi.org/10.1002/sdr.377
Sherwood, D. (2002). Seeing the forest for the trees: A manager’s guide to applying systems thinking. Nicholas Brealey Publishing.
Sterman, J. D. (2000). Business dynamics: Systems thinking and modeling for a complex world. Irwin/McGraw-Hill.
Tan, B., Anderson, E. G., Jr., Dyer, J. S., & Parker, G. G. (2010). Evaluating system dynamics models of risky projects using decision trees: Alternative energy projects as an illustrative example. System Dynamics Review, 26(1), 1-17. https://doi.org/10.1002/sdr.433
Conectividad aérea y desarrollo hotelero en México
Demanda, capacidad, ocupación e inversión: una lectura crítica para decidir mejor
Por Jorge Zárate | Análisis nacional con evidencia pública, 2019–2025 y datos publicados hasta 2026 – Septiembre 2026.
Resumen
El crecimiento turístico no puede leerse como la suma de indicadores aislados. Entre 2019 y 2025, los pasajeros comerciales reportados por AFAC aumentaron de 102.5 a 122.7 millones (+19.7%); el tráfico nacional creció 18.5% y el internacional 21.1%. Esa expansión confirma una mayor escala de movilidad aérea, pero todavía no permite saber qué parte correspondió a vuelos adicionales, mayor utilización de las aeronaves, recuperación de rutas, conexiones o viajeros cuyo destino final fue México. La primera conclusión, por tanto, no es que la demanda se haya convertido automáticamente en valor turístico, sino que existe un flujo aéreo cuya conversión territorial debe medirse (AFAC, 2026).
La respuesta hotelera muestra por qué esa conversión no es automática. En los mismos 84 centros turísticos monitoreados por DataTur, los cuartos-noche habilitados aumentaron de 126.9 a 140.2 millones entre 2019 y 2025 (+10.5%), mientras los cuartos-noche ocupados crecieron 7.3%. La ocupación calculada descendió de 57.9% a 56.2%. La señal no es simplemente “más oferta y menor ocupación”: indica que, dentro de esta cobertura, la capacidad habilitada creció más rápido que la demanda hotelera efectivamente capturada. Para un destino, eso abre una pregunta de absorción, segmentación y temporada; para un inversionista, una pregunta de ritmo de despliegue, pricing y retorno sobre el capital.
La IED turística agrega una tercera capa. El registro por actividad económica alcanzó US$3,179.4 millones en 2025 frente a US$1,254.6 millones en 2019, en dólares corrientes (+153.4%), con una trayectoria volátil y un máximo en 2022. El flujo reúne 12 actividades y, por tanto, no puede traducirse directamente en hoteles, cuartos o capacidad aérea. La coincidencia temporal entre crecimiento de pasajeros, expansión de oferta e incremento nominal de IED es una relación que merece investigación, no una prueba de causalidad: el capital puede anticipar la demanda, responder a ella, financiar activos distintos del hospedaje o concentrarse en pocas operaciones (SECTUR, 2026a; cálculos propios).
El argumento central del estudio es que el destino funciona como un sistema de conversión de capacidad en valor. La conectividad abre acceso; las frecuencias, rutas y mercados determinan qué demanda puede llegar; el alojamiento convierte parte de esa demanda en cuartos-noche, estancia e ingresos; la inversión modifica la capacidad futura; y la infraestructura, el territorio y la comunidad condicionan cuánto de ese valor puede sostenerse y permanecer localmente. La cuestión estratégica para empresas, inversionistas, autoridades y demás grupos de interés no es quién crece más en volumen, sino qué combinación de capacidad, capital y demanda produce mayor productividad, resiliencia y retorno sin deteriorar la competitividad del destino. Los datos disponibles permiten identificar relaciones y tensiones; todavía no permiten atribuir causalidad completa a una ruta, una inversión o una expansión hotelera.
Introducción
En turismo solemos hablar de crecimiento cuando aumentan los pasajeros, los visitantes, las habitaciones o la inversión. Cada cifra muestra algo distinto. Que una suba no significa automáticamente que el sector genere más valor. Algunos pasajeros solo hacen conexión; otros no se hospedan en hoteles. Un hotel puede abrir habitaciones para atender a huéspedes que ya viajaban al destino. Y una inversión registrada puede ser una reinversión, un alojamiento residencial o una obra aeroportuaria. Si juntamos estas cifras como si midieran lo mismo, podemos llegar a conclusiones que los datos no sostienen.
El estudio busca analizar cómo se relacionan los vuelos, los alojamientos y la inversión turística en México, y qué información hace falta para saber si el crecimiento aprovecha mejor cada avión, habitación y peso invertido. Este artículo ofrece al público una lectura nacional y crítica: distingue los datos publicados de los cálculos propios y explica qué relaciones se observan y cuáles todavía no se pueden comprobar. Está dirigido a la industria turística en general y, en particular, a quienes invierten y necesitan distinguir entre crecer en volumen y mejorar la productividad.
La hipótesis operativa es que el valor turístico depende de la conversión del flujo aéreo en estancia, ingreso y actividad local, no del conteo bruto de pasajeros. Esa conversión debe evaluarse junto con la capacidad hotelera, la inversión y las restricciones de infraestructura y territorio. El análisis, por tanto, exige alinear definiciones, periodos y coberturas, y separar lo que los datos muestran de lo que todavía no permiten atribuir.
Qué mide cada fuente pública
Aviación: pasajeros transportados no equivalen a capacidad ofertada
AFAC publica estadísticas operativas de vuelos, pasajeros y carga, con desglose por tipo de servicio, incluido el servicio regular y el fletamento —los vuelos chárter—. También ofrece información histórica por aeropuerto y aerolínea. Con los registros de vuelos por periodo, ruta y aeropuerto se puede medir la frecuencia observada y seguir la evolución de la conectividad. La base utilizada en esta versión del artículo incorpora las series nacionales e internacionales de pasajeros, incluidos los servicios regulares y de fletamento. La ampliación pendiente corresponde al detalle completo de vuelos, rutas, frecuencias y mercados, no a la ausencia del componente internacional.
Esta diferencia importa. Más pasajeros pueden deberse a aeronaves más grandes, mayor ocupación, más vuelos, recuperación de rutas o cambios en los mercados. El número de vuelos permite medir actividad y frecuencia, pero no dice cuántos asientos ofreció cada vuelo ni cuántos se ocuparon. Para calcular el factor de ocupación se necesitan pasajeros y asientos ofrecidos en el mismo periodo y mercado. Además, los pasajeros incluyen residentes, viajes de negocios, visitas a familiares, conexiones y otros motivos. La estadística agregada no identifica por sí sola quién pernoctó, dónde se alojó ni cuánto gastó en el destino.
Hoteles: habitaciones físicas, noches habilitadas y ocupación son medidas distintas
DataTur opera con dos planos estadísticos que no deben agregarse sin control. La estadística administrativa anual de establecimientos y habitaciones describe la oferta registrada por entidad; el Compendio Estadístico del Turismo en México, edición 2024 y publicado el 28 de noviembre de 2025, tiene como último cierre nacional comparable el de 2024 (SECTUR, 2025). El monitoreo mensual registra actividad y habitaciones habilitadas en centros seleccionados. El reporte reciente cubre 70 centros; para seguir una trayectoria homogénea entre 2019 y 2025, este análisis conserva 84 centros con información positiva en las variables principales durante los 84 meses. La consistencia temporal mejora la comparación, pero no convierte la serie en un censo nacional ni la hace equivalente a la cobertura reciente. La metodología oficial describe el monitoreo como una encuesta de muestreo estratificado en centros seleccionados (DataTur, 2026; SECTUR, 2026c, 2026d).
El inventario físico y la capacidad operativa son dimensiones distintas. El primero cuenta habitaciones al cierre del año; la segunda acumula los cuartos-noche que estuvieron habilitados para recibir huéspedes. Cien habitaciones habilitadas durante 30 noches representan 3,000 cuartos-noche, no 3,000 habitaciones. La ocupación resulta de dividir los cuartos-noche ocupados entre los habilitados. Es una medida de utilización, no de precio, margen, composición de huéspedes o suficiencia de demanda durante el año.
El número de habitaciones registradas tampoco indica cuántas podían recibir huéspedes cada noche. Algunas pueden estar cerradas por remodelación, temporada baja o mantenimiento. Por eso, el aumento de cuartos-noche habilitados puede ser distinto al aumento de habitaciones físicas. Ambas cifras sirven, pero responden preguntas diferentes: las habitaciones habilitadas muestran cuánta oferta podía atender huéspedes cada noche; el inventario y los registros de aperturas y cierres muestran cuánto creció físicamente la oferta.
Hay otro punto importante: no es lo mismo promediar la ocupación de cada centro que calcular la ocupación del conjunto. La ocupación del conjunto se calcula dividiendo todas las noches ocupadas entre todas las noches habilitadas para huéspedes. No conviene promediar sin ponderar las tasas de cada centro: eso daría el mismo peso a un destino pequeño y a uno grande. Se pueden mostrar las tasas por destino y calcular aparte la tasa general.
Visitantes, gasto e inversión: vínculos parciales
La Encuesta de Turismo Internacional de INEGI mide visitantes internacionales y gasto por categorías y vías. Para los turistas de internación, el gasto promedio se calcula dividiendo el gasto total entre el número de turistas del mismo grupo, periodo y medio de transporte. Es un cálculo propio con datos de INEGI; no equivale a ingresos de hoteles ni al gasto de cada huésped en un destino específico. Por eso, no debe leerse como dinero que recibieron los hoteles. Tampoco se deben sumar los pasajeros de AFAC y los turistas de INEGI: algunas personas aparecen en ambas mediciones, pero cada fuente cuenta cosas distintas (INEGI, 2026).
Registros migratorios: una tercera lectura de la demanda internacional
La Unidad de Política Migratoria, Registro e Identidad de Personas (UPMRIP) publica estadísticas elaboradas con base en los registros migratorios de los puntos de internación del INM. Esta fuente aporta una dimensión que AFAC e INEGI no ofrecen con la misma estructura: entradas de personas extranjeras no residentes por vía aérea, condición de estancia, sexo, nacionalidad, país de residencia y punto de internación. En 2024, el cuadro 1.1 del boletín estadístico registró 21,507,025 entradas aéreas de personas extranjeras no residentes; de ellas, 16,834,234 fueron clasificadas como visitantes turistas y 474,931 como visitantes de negocios. El resto corresponde a otras categorías de visitantes sin permiso para realizar actividades remuneradas (UPMRIP, 2024).
Este registro es especialmente útil para segmentar mercados de origen y observar la composición del flujo que cruza los controles migratorios. La síntesis anual de UPMRIP reportó 21,283,443 entradas aéreas de extranjeros por país de residencia: Estados Unidos representó 64.4%, Canadá 15.7%, México 11.9%, Colombia 3.6% y Reino Unido 2.4%; el resto se distribuyó entre otros países. Estas participaciones ayudan a identificar concentración de mercados y exposición del destino a cambios en pocos emisores. No deben sumarse mecánicamente al total anterior: corresponden a otro cuadro y criterio de clasificación dentro del mismo sistema estadístico, por lo que la comparación exige conservar la definición y la versión de cada tabla.
Tampoco deben confundirse con pasajeros AFAC, turistas INEGI o llegadas hoteleras. Una entrada migratoria es un evento registrado en un punto de internación; no equivale necesariamente a una persona única, a un pasajero cuyo destino final sea México, a una llegada hotelera ni a una noche de alojamiento. Una misma persona puede registrar más de una entrada y puede continuar hacia otro destino, alojarse con familiares o utilizar una modalidad distinta al hotel. La utilidad analítica aparece al cruzar esta fuente con aeropuerto, ruta, país de residencia, motivo, estancia, gasto y capacidad de alojamiento, no al tratarla como un sustituto de las demás.
La propia fuente exige cautela en la lectura temporal. El boletín señala que, a partir de mayo de 2024, un cambio en la captación de los registros de los aeropuertos internacionales de Ciudad de México y Cancún impidió separar de manera consistente a los visitantes de negocios; desde entonces, ese flujo quedó integrado en la categoría de turistas. Por ello, la segmentación ocio-negocios no debe compararse como si fuera homogénea antes y después de ese cambio. Para el estudio completo, UPMRIP/INM funcionará como una capa de entrada y composición de mercados, mientras AFAC medirá la operación aérea, INEGI el comportamiento y gasto de visitantes, y DataTur la conversión hotelera.
La señal más reciente: comparación mensual de entradas internacionales
Imagen Ilustrativa
No es necesario esperar otro cierre anual para actualizar la lectura. La UPMRIP ya publica cuadros mensuales de 2026 por condición de estancia, entidad y punto de internación, además de entradas aéreas por nacionalidad y residencia; el portal consultado muestra información mensual acumulada hasta julio de 2026. En enero de 2026 se registraron 2,389,808 entradas aéreas totales, de las cuales 2,278,373 correspondieron a personas extranjeras; el cuadro identificó 1,458,831 entradas de personas con nacionalidad estadounidense. Estas cifras pertenecen al cuadro de entradas aéreas por nacionalidad y no deben compararse sin ajuste con el total 2024 de personas extranjeras no residentes por condición de estancia: el denominador y la clasificación no son idénticos (UPMRIP, 2026a).
La actualización mensual que corresponde al estudio debe comparar el mismo mes contra el mismo mes del año anterior y, en paralelo, el acumulado enero–último mes común. Así se evita confundir una variación estacional con una tendencia. La lectura debe conservar la definición de cada cuadro: entradas totales, entradas de extranjeros, visitantes turistas, país de residencia y punto de internación son dimensiones relacionadas, pero no intercambiables. En términos de negocio, esta capa reciente permite detectar cambios en mercados emisores y aeropuertos antes de que aparezcan en los cierres anuales de hotelería, gasto o inversión; no sustituye esas fuentes ni prueba por sí sola una conversión a noches de alojamiento.
La inversión extranjera directa turística (IEDT) se calcula con registros de la Secretaría de Economía y con las actividades que SECTUR/DataTur clasifica como turísticas. Incluye 12 clases: además de hoteles, considera actividades de transporte aéreo, administración aeroportuaria, intermediación y servicios de alojamiento residencial. Por eso, la IEDT no equivale a inversión en hoteles, proyectos anunciados, gasto de construcción ni habitaciones nuevas. Los montos pueden incluir nuevas inversiones, reinversión y otras operaciones financieras. Además, pueden cambiar cuando se actualiza el registro (SECTUR, 2026a).
Las cifras de balanza de pagos sobre viajes internacionales pueden servir como referencia para los ingresos y egresos del turismo internacional. Cuentan transacciones con personas no residentes, así que no miden exactamente lo mismo que la encuesta de gasto turístico, las ventas de hoteles o la IED turística. Como cubren conceptos, periodos y grupos distintos, no se deben sumar en una sola cifra de “derrama” sin revisar antes qué incluye cada fuente. Por esa razón, aquí no se suman a la ETI ni a los ingresos de alojamiento.
Resultados nacionales: crecimiento que no se traduce automáticamente en rendimiento
De 2019 a 2025, el total de pasajeros creció 19.7%. El tráfico nacional aumentó 18.5% y el internacional 21.1% (AFAC, 2026; cálculos propios). Es un dato relevante para aerolíneas, aeropuertos y destinos, pero no responde por sí solo cuánto alojamiento genera ese tráfico. El total no permite saber cuántos pasajeros internacionales tuvieron México como destino final, cuántos hicieron conexión, quiénes siguieron su viaje por carretera o quiénes se hospedaron fuera de hoteles.
En esos mismos 84 centros, los cuartos-noche habilitados para huéspedes avanzaron de 126.9 a 140.2 millones (+10.5%). Los cuartos-noche ocupados aumentaron de 73.4 a 78.8 millones (+7.3%). Dado que los cuartos-noche habilitados crecieron más rápido que los ocupados, la ocupación retrocedió cerca de 1.7 puntos porcentuales, de 57.9% a 56.2% (DataTur, 2026; cálculos propios).
En esos mismos centros, las llegadas a hoteles y las noches de estancia fueron ligeramente mayores en 2025 que en 2019. Aun así, la ocupación bajó porque las habitaciones habilitadas crecieron más rápido que las ocupadas. Esto puede ocurrir aunque lleguen más pasajeros y huéspedes: si hay más habitaciones habilitadas cada noche, la proporción ocupada puede disminuir. Esta diferencia es clave para medir cuánto rinde cada habitación.
Gráfica 1. Índices con base 2019 = 100: comparan cambios relativos, no magnitudes. Las dos series hoteleras muestran cuartos-noche habilitados para huéspedes y cuartos-noche ocupados; la gráfica no representa la tasa de ocupación. Fuentes: AFAC y DataTur; cálculos propios.
En esta gráfica, cada serie toma su propio valor de 2019 como base 100. Así se compara cuánto cambió cada una, aunque pasajeros y cuartos-noche se cuenten en unidades distintas. Las líneas no comparan cantidades equivalentes ni muestran por sí mismas la ocupación hotelera.
También hay que separar la recuperación tras la pandemia del crecimiento a largo plazo. El año 2019 sirve como referencia previa, mientras que 2020 y 2021 fueron años atípicos para los viajes y la oferta. Comparar 2019 con 2025 evita usar el punto más bajo de la pandemia como base y exagerar el crecimiento. Pero no significa que la actividad haya aumentado todos los años ni de manera constante. Por eso, conviene revisar los totales anuales, los cambios frente al año anterior y también qué pasa al dejar fuera esos años atípicos. Siempre hay que comprobar si cambiaron la cobertura o las definiciones.
Los valores agregados también son sensibles a cambios dentro de la composición. Los vuelos nacionales e internacionales pueden cambiar a ritmos distintos. Además, un aeropuerto de conexión puede recibir más pasajeros sin que aumenten en la misma proporción las noches de hotel en esa ciudad. Los hoteles urbanos y los vacacionales también tienen temporadas diferentes. Aunque el total del país aumente, algunos destinos pueden tener más habitaciones de las que logran ocupar y otros pueden enfrentar falta de oferta o de infraestructura. Para decidir si conviene construir, hay que identificar en qué destinos, temporadas y segmentos la demanda podría ocupar nuevas habitaciones sin reducir su rendimiento.
Gráfica 2. Habitaciones habilitadas en promedio cada día y ocupación calculada para los mismos 84 centros DataTur. La cobertura no representa todos los hoteles de México.
Qué rendimiento deja cada habitación
La ocupación cuenta parte de la historia. Se calcula dividiendo los cuartos-noche ocupados entre los habilitados para recibir huéspedes. Para medir cuántas noches de huéspedes genera cada cuarto-noche habilitado, también se necesita saber cuántas personas se alojan por habitación. Estas medidas no dicen cuánto gana el hotel. Para eso hacen falta la tarifa promedio, el RevPAR —ingreso por habitaciones dividido entre cuartos-noche habilitados— y los costos, las comisiones, la nómina y el margen operativo. Un hotel puede estar lleno y ganar menos que otro con menor ocupación si cobra tarifas más bajas o tiene costos más altos.
Imagen Ilustrativa
Gráfica 3. Relación entre ocupación y turistas-noche por cada cuarto habilitado para una noche. La productividad financiera requiere sumar tarifas, ingresos y costos.
Que aumenten las llegadas mientras baja la ocupación puede parecer contradictorio, pero ambas cosas pueden ocurrir a la vez. En los mismos 84 centros, las llegadas a hoteles subieron aproximadamente 0.4% de 2019 a 2025 y las noches de estancia, cerca de 3.5%. La estancia promedio pasó de 2.01 a 2.07 noches por llegada: aumentó ligeramente, no se acortó. La ocupación bajó porque los cuartos-noche habilitados crecieron más rápido que los ocupados. Los datos parciales de 2026 cubren 70 centros y otro periodo; no se deben mezclar con la serie de 84 centros como si midieran lo mismo (DataTur, 2026; cálculos propios).
Incluso con los mismos centros, el promedio anual puede esconder diferencias importantes. Puede combinar hoteles llenos en puentes y temporada alta con habitaciones vacías durante semanas flojas. También puede ocultar destinos con mucha presión sobre el agua y otros con habitaciones sin ocupar. A quienes invierten no les basta el promedio anual: también importan la temporada, la tarifa diaria, los días de operación y cuánto ingreso adicional genera cada habitación. Para el destino, importa además quién recibe ese ingreso y qué costos de infraestructura asume la comunidad.
Comparar llegadas, duración de la estancia y ocupación ayuda a entender cuánto de la visita se traduce en noches de hotel. Si llegan más visitantes pero las noches no aumentan, puede haber más excursiones, visitas a familiares, estancias más cortas o personas que se alojan en rentas vacacionales u otras opciones. Si aumentan las noches de turistas pero no la ocupación, es posible que también hayan crecido las habitaciones habilitadas. Si sube la ocupación y baja la tarifa, los hoteles pueden recibir más huéspedes y ganar menos por habitación. Y si sube el gasto promedio, hay que revisar cuánto se explica por la inflación, cuánto se queda en el destino y si los costos crecieron más rápido. Ninguna cifra cuenta por sí sola toda la historia.
Para saber cuánto rinde la capacidad hotelera, propongo seguir varios indicadores: la ocupación; cuántas noches de huéspedes aporta cada cuarto-noche habilitado; y cuántas noches de huéspedes corresponde a cada cuarto-noche ocupado. Para entender el resultado económico, conviene añadir el RevPAR —ingreso por habitaciones dividido entre cuartos-noche habilitados—, la tarifa promedio por cuarto-noche ocupado y el margen después de costos. Cada medida responde algo distinto: cuántas habitaciones se ocuparon, cuántas noches generaron, qué tarifa se cobró y cuánto quedó después de pagar los costos. Juntas ayudan a ver si el crecimiento genera más actividad, más valor o ambas cosas.
Ocupación y capacidad: el problema es la inferencia
Para un análisis sectorial, el punto no es que hoteles y aerolíneas utilicen definiciones distintas de ocupación; eso es evidente. La cuestión relevante es qué unidad de capacidad está siendo utilizada y si puede observarse con el mismo nivel de detalle que la demanda. En hotelería, la tasa relaciona cuartos-noche ocupados con cuartos-noche habilitados. En aviación, el factor de ocupación relaciona pasajeros transportados con asientos ofrecidos, idealmente por vuelo, ruta, sentido, tipo de servicio y periodo. Ambos son indicadores de utilización, pero responden a decisiones operativas distintas: el hotel administra inventario y duración de estancia; la aerolínea administra capacidad de vuelo, frecuencia, equipo y mezcla de mercados.
Por eso, el crecimiento de pasajeros no puede interpretarse automáticamente como una mejora en la utilización aérea. Puede reflejar más vuelos regulares, mayor actividad de fletamento, aeronaves de mayor capacidad, una recuperación de rutas o un mayor número de pasajeros por vuelo. AFAC permite estudiar parte de esa descomposición mediante sus estadísticas operativas; sin embargo, para calcular el factor de ocupación se requiere además el número de asientos ofrecidos, alineado con el mismo vuelo, ruta y periodo. En este artículo, los pasajeros son evidencia de volumen transportado; la productividad aérea exige vincularlos con vuelos, frecuencias, asientos, distancia, sentido del viaje y tipo de servicio. Esa es la diferencia entre observar crecimiento y demostrar un mejor uso de la capacidad.
Aviación y alojamiento: una relación bidireccional y con rezagos
Imagen Ilustrativa
La relación va en los dos sentidos. Más rutas y vuelos pueden facilitar los viajes, acercar nuevos mercados y animar a más personas a visitar un destino. A su vez, nuevos hoteles, eventos, empresas o inversiones pueden impulsar a las aerolíneas a abrir rutas o aumentar vuelos. También pueden influir otros factores, como el ingreso y el tipo de cambio en los países de origen, la promoción, la seguridad, los precios, los aeropuertos, la disponibilidad de aviones, el clima o las reglas del sector. Que dos cifras cambien al mismo tiempo no prueba que una haya causado la otra ni cuál cambió primero.
Para analizar esta relación no basta con dividir el total de pasajeros entre el número de habitaciones ni comparar pasajeros nacionales con la ocupación hotelera del país. Se necesitan datos mensuales que conecten cada destino con sus aeropuertos y rutas: asientos y vuelos por mercado, pasajeros cuyo destino final es ese lugar, noches de hotel y habitaciones habilitadas durante el mismo mes. También hay que separar a quienes solo hacen conexión, tomar en cuenta que un destino puede recibir pasajeros por varios aeropuertos y que muchos huéspedes llegan por carretera. Dividir las noches de hotel de un destino entre los pasajeros de un aeropuerto cercano daría un resultado engañoso si ambos datos no corresponden al mismo lugar.
La unidad de análisis debe ser el resultado incremental de una nueva ruta, frecuencia o habitación: cuántos cuartos-noche, gasto e ingresos añade frente a una trayectoria contrafactual sin esa intervención. Para estimarlo hacen falta fechas de apertura, asientos ofrecidos, tarifas aéreas, origen y motivo del viaje, duración de estancia, tarifas hoteleras, eventos y destinos comparables. Un diseño antes-después con controles puede aproximarse a esa comparación, siempre que las tendencias previas sean compatibles; aun así, no corrige datos incompletos ni establece causalidad por sí solo.
Inversión turística: más capital no significa más cuartos
La IED turística registrada en el país fue de US$1,254.6 millones en 2019 y US$3,179.4 millones en 2025: un aumento nominal acumulado de 153.4%. Frente a 2024, subió cerca de 1.5%. Los montos están en dólares corrientes, es decir, no se ajustaron por inflación. Por eso, el aumento no equivale a la misma proporción de inversión real ni de nuevas habitaciones. La participación de la IED turística en la inversión extranjera total cambia cada año, y unas cuantas operaciones grandes pueden influir mucho en el resultado.
El detalle por actividad muestra por qué no basta con llamar a todo “inversión turística”. En el primer trimestre de 2026, DataTur reportó US$617.2 millones de IEDT. Los tres rubros con los montos más altos fueron departamentos y casas amuebladas con servicios de hotelería (US$445.0 millones), administración de aeropuertos y helipuertos (US$101.6 millones) y hoteles con otros servicios integrados (US$64.8 millones); en conjunto representan 99.1% del total. Son actividades distintas y no deben tratarse como si fueran lo mismo. La cifra muestra inversión relacionada con alojamiento y conectividad, pero no se traduce directamente a hoteles o habitaciones sin datos de proyecto, obra, costo y entrada en operación (SECTUR, 2026a).
Que un hotel tenga una marca internacional tampoco demuestra que su construcción se haya pagado con inversión extranjera: puede operar mediante franquicia o contrato de administración sobre capital doméstico. A la inversa, una inversión extranjera en servicios residenciales puede aumentar oferta de alojamiento sin aparecer como hotel tradicional. Los anuncios de apertura ayudan a confirmar casos concretos, pero no ofrecen una lista completa de hoteles nuevos en México ni explican por sí solos cómo cambió la oferta registrada por DataTur (Hilton, 2025a, 2025b; Hyatt Hotels Corporation, 2025; Iberostar Hotels & Resorts, 2025; Marriott International, 2025; RIU Hotels & Resorts, 2025).
Al evaluar una inversión, hay que saber qué se construyó, cuántas habitaciones abrieron y cuándo, qué ocupación y tarifas alcanzaron, cuántos empleos generaron y qué presión añadieron a la infraestructura local. La IED puede subir un año sin que abra una habitación nueva. Y pueden abrirse habitaciones con inversión nacional que no aparece como IED. Confundir el dinero registrado con nueva capacidad física llevaría a calcular la oferta con más precisión de la que permiten estos datos.
También hay que tomar en cuenta el tiempo que pasa entre la inversión y la apertura. Una decisión de inversión puede preceder por años a la apertura, y una ruta aérea puede establecerse después de que un destino anunció un proyecto. Si se compara la IED de un año con las habitaciones registradas al cierre de ese mismo año, se puede pasar por alto que un proyecto tarda años en abrir. Por eso, el análisis debe distinguir la fecha en que se compromete la inversión de aquella en que el hotel abre, y separar las nuevas construcciones de las remodelaciones. Las cifras nacionales dan contexto, pero no indican dónde se hizo cada inversión ni qué habría pasado sin ella.
Los comunicados de las empresas permiten confirmar el nombre, la ubicación, la fecha y el tamaño anunciado de algunas aperturas. Pero no reúnen todos los hoteles que abren en el país. Para calcular la expansión nacional hay que contrastarlos con registros oficiales. Confirmar algunas aperturas no basta para saber cuánto creció toda la oferta hotelera.
Gráfica 4. Pasajeros transportados, desglosados por servicio, e IED turística nacional en dólares corrientes. Las variables se muestran en gráficas separadas porque tienen unidades distintas y eso no implica una relación causal. Fuentes: AFAC y SECTUR; cálculos propios.
Segmentos y valor: quién viaja importa tanto como cuántos
Pasajeros, turistas, llegadas a hoteles y noches de estancia están relacionados, pero no son lo mismo. Quien visita a familiares puede viajar sin pasar la noche en un hotel. Una persona que viaja por negocios puede quedarse poco tiempo y pagar una tarifa alta. Las vacaciones pueden generar varias noches por llegada; los congresos, más ocupación entre semana o en temporada baja. Y quien hace una excursión puede visitar un lugar sin pasar la noche. FIT significa viaje independiente: describe cómo organiza o reserva su viaje una persona, no el motivo. Puede viajar por placer o por trabajo. También hay grupos de vacaciones, incentivos, asociaciones y congresos.
Las participaciones de gasto estimadas por WTTC para ocio y negocios no son participaciones de llegadas ni de noches DataTur. Del mismo modo, los indicadores de reuniones describen eventos y aportación económica, no ocupación hotelera nacional. Convertir esos porcentajes en llegadas u ocupación sería un salto de medición. La segmentación útil exige vincular motivo de viaje y canal de reserva con llegadas, turistas-noche, cuartos-noche, estancia, tarifa y gasto, para identificar si un flujo mejora temporada baja, utiliza capacidad existente o desplaza a otros huéspedes (COMIR, 2025; WTTC, 2025).
El gasto promedio también requiere cuidado. Con los datos de INEGI se puede calcular cuánto gastó en promedio cada turista internacional de un mismo grupo y periodo. Si el gasto total sube porque llegaron más turistas, eso no significa que cada uno haya gastado más. Y si aumenta el promedio, tampoco quiere decir que ese dinero se haya quedado en el destino, el hotel o los bolsillos de quienes trabajan ahí. Conviene separar el gasto total, el promedio por visitante, el gasto por noche y la parte que permanece en la economía local: cada cifra responde una pregunta distinta.
Recursos y servicios que sostienen el turismo
Una inversión puede ser rentable para una empresa y, al mismo tiempo, superar lo que el destino puede sostener en aeropuertos, carreteras, agua, drenaje, energía, manejo de residuos, vivienda y servicios públicos. Las mediciones ambientales no siempre corresponden a los mismos lugares ni a los mismos periodos que las noches de hotel. No se deben publicar litros por huésped, emisiones por habitación o residuos por turista si los datos no corresponden al mismo destino, periodo y grupo de hoteles o personas.
Imagen Ilustrativa
Que falten datos comparables no es motivo para ignorar el impacto ambiental; es una razón para medirlo mejor. Una evaluación completa debe mostrar tanto el consumo total como el consumo por huésped o por noche, con datos del mismo destino y periodo. Una ocupación mayor puede mejorar el uso de infraestructura por huésped, pero elevar el consumo total; una ocupación menor puede reducir consumo variable y, a la vez, elevar costos fijos por noche vendida. Para decidir si conviene crecer, hay que considerar ambas cosas y evitar afirmaciones ambientales que los datos no respaldan.
También hay que ser cuidadosos con la información ambiental. Los datos de residuos, emisiones, uso de suelo y agua disponible ayudan a entender las condiciones y los riesgos de cada lugar. Pero no indican cuánta agua consumió un hotel o cuántas emisiones produjo un turista, a menos que midan a ese hotel o grupo de personas, en ese lugar y periodo. Para quien invierte, la pregunta no es solo si hay demanda; también es qué servicios y recursos necesita el destino para atenderla y quién pagará por ampliarlos.
Qué sí puede concluirse y qué no
La evidencia permite sostener cuatro resultados, con alcances distintos. El tráfico aéreo transportado aumentó entre 2019 y 2025 en los segmentos nacional e internacional. En los 84 centros comparables de DataTur se expandieron los cuartos-noche habilitados, pero la ocupación calculada terminó por debajo de 2019. La IED turística aumentó nominalmente, aunque su clasificación rebasa el hospedaje. Y las fuentes aún no permiten enlazar, para todo México y con frecuencia mensual, pasajeros de destino final, asientos, noches de hotel, oferta e inversión en una misma unidad territorial.
Los datos no permiten afirmar que el crecimiento de pasajeros haya causado aperturas hoteleras, ni que la IEDT se haya convertido en determinado número de habitaciones. Tampoco se debe presentar la comparación de 84 centros como si incluyera todos los hoteles de México, comparar directamente su ocupación con la del reporte de 70 centros ni asumir que todos los pasajeros se hospedaron en un hotel. Estos límites se deben a que las fuentes cuentan cosas distintas y no cubren exactamente los mismos lugares ni periodos.
Que dos series tengan una relación estrecha tampoco prueba que una cause la otra. Si dos cifras suben con el paso del tiempo, pueden parecer relacionadas solo porque ambas siguen una tendencia. La caída de 2020–2021 puede distorsionar el resultado y los cambios en la cobertura también pueden afectar la comparación. Un análisis cuidadoso debe comparar años y temporadas, tomar en cuenta que algunos efectos llegan con retraso y revisar si cambiaron las fuentes o sus definiciones. También debe mostrar qué tan precisos son los resultados y probar los pronósticos con datos que no se usaron para construirlos. Un modelo complejo no arregla una comparación incorrecta entre pasajeros y hoteles.
Implicaciones para inversionistas y operadores
Para decidir una inversión, el promedio nacional sirve como referencia, pero no sustituye el análisis del destino específico. Hay que revisar la demanda por tipo de viajero y temporada, los hoteles competidores y los proyectos en construcción, las tarifas e ingresos por habitación, los costos de terreno y operación, el tiempo para alcanzar una ocupación estable, los asientos y vuelos ofrecidos, y la capacidad de la infraestructura local. La ocupación debe analizarse junto con el rendimiento de cada habitación y con distintos escenarios de oferta. ¿Cuántas habitaciones nuevas puede ocupar el mercado sin quitar huéspedes a los hoteles actuales ni presionar las tarifas a la baja? ¿Qué tipo de viajero puede ayudar a ocupar habitaciones en las temporadas flojas y traer noches adicionales? ¿Qué parte de los viajes depende de una ruta frágil o de un solo mercado de origen?
Aerolíneas y aeropuertos necesitan mirar más allá del total de pasajeros. AFAC permite añadir vuelos realizados por aeropuerto, aerolínea y tipo de servicio —regular o fletamento—; esa información ayuda a medir rutas y frecuencias observadas. También conviene conocer los asientos ofrecidos, cuántos se ocuparon, el origen y destino, las conexiones, las tarifas y la temporada, y comprobar si una ruta atrae viajeros nuevos o redistribuye los que ya había. Los hoteles necesitan saber cuántos visitantes pasan la noche y cuánto pagan. Los gobiernos también deben considerar los empleos formales, cuánto ingreso queda en la zona, el costo de la infraestructura y los límites ambientales. La política pública puede atraer vuelos e inversión, pero debe evaluar resultados comprobables y no quedarse solo con anuncios o cifras aisladas.
Para valorar un proyecto, conviene comparar varios escenarios: un escenario base sin nueva capacidad, uno con ruta o frecuencia adicional, otro con oferta hotelera adicional y uno combinado. En cada uno hay que dejar claros los supuestos: asientos ofertados, ocupación de los vuelos cuando se conozca, cuántos pasajeros se hospedan, cuánto tiempo se quedan, ocupación y tarifa de los hoteles, costos e inversión. Las relaciones observadas en los datos históricos pueden orientar esos escenarios, pero no garantizan que el mismo resultado se repita. También hay que considerar cambios en el tipo de cambio, el combustible, la economía de los mercados de origen, el clima, la seguridad y los retrasos de infraestructura.
La medida depende de la decisión: noches adicionales por asiento para evaluar una ruta; noches ocupadas por cada habitación nueva para evaluar oferta; ingresos adicionales por cada peso invertido; o gasto que permanece en la localidad por noche de turista. Para que la comparación sea útil, hay que explicar qué se cuenta y qué se compara. Si se usa el monto anunciado en vez del dinero realmente invertido, o se atribuyen al proyecto noches que habrían ocurrido de todos modos, se exagera su rendimiento. El análisis debe mostrar qué resultados se deben al proyecto frente a lo que habría pasado sin él.
Prioridades para una evaluación integral
El análisis debe cubrir cuatro niveles. Primero, las tendencias nacionales de aviación, turismo internacional, oferta registrada e IED, siempre indicando qué incluye cada fuente. Segundo, la evolución de los mismos centros turísticos que monitorea DataTur, con ocupación, estancia y noches por cuarto-noche habilitado. Tercero, la relación entre destinos, aeropuertos y rutas, solo cuando los datos geográficos, el sentido del viaje y las conexiones permiten compararlos. Cuarto, el valor económico y la capacidad del destino, siempre que las cifras midan los mismos lugares, periodos y grupos de personas o negocios.
Cada indicador debe decir si es un dato publicado, un cálculo propio, una estimación o un escenario. Hay que mostrar las fórmulas, explicar los métodos y supuestos, y reconocer la información faltante en vez de completarla con cifras inventadas. Para medir productividad, conviene seguir cuántos cuartos-noche adicionales genera cada habitación habilitada; cuántas noches de turistas corresponden a cada asiento ofrecido, cuando haya datos; cuánto gasto se registra por noche de turista en lugares comparables; y cómo cambian juntas la ocupación y la tarifa. También puede medirse el uso de recursos por servicio cuando existan datos que permitan hacerlo.
La identificación de estas relaciones exige controlar heterogeneidad entre destinos, estacionalidad, shocks económicos y rezagos entre la apertura de una ruta, la inversión y sus efectos hoteleros. Las rutas nuevas pueden analizarse contra destinos con trayectorias previas comparables. Los pronósticos deben validarse fuera de muestra y contrastarse con referencias simples. El objetivo es localizar capacidad subutilizada, justificar nueva oferta donde exista absorción verificable y anticipar cuándo el crecimiento comienza a presionar costos y servicios locales.
Perspectiva: crecer con mejor información
La conectividad y la inversión pueden impulsar el turismo, pero hay que medir sus resultados en cada destino para saber si el crecimiento es productivo y sostenible. Si aumentan los pasajeros, pero no sabemos si se ofrecieron más asientos ni cuántos viajeros pasaron la noche en el destino, ese dato no basta para justificar apoyo público a una ruta. Si se abren habitaciones sin revisar la demanda por temporada, pueden bajar la ocupación y los ingresos por habitación. Y si se toma toda la IED turística como inversión hotelera, se confunde el dinero registrado con las habitaciones que realmente se construyeron y abrieron.
El criterio de decisión debe desplazarse de “¿cuántos pasajeros más?” a “¿qué resultado adicional produjo cada asiento, habitación o peso invertido?”. Para una aerolínea, importan utilización y rentabilidad de ruta; para un hotel, cuartos-noche y margen por habitación; para un destino, gasto retenido, empleo y costo por noche de turista; para el inversionista, retorno y tiempo de estabilización. Son dimensiones conectadas, pero no intercambiables. Una política rigurosa debe leerlas en conjunto sin reducir el sistema turístico a una sola cifra.
El dato más reciente de DataTur corresponde a enero–julio de 2026 y conviene leerlo por separado. El reporte de 70 centros registra 51.1 millones de llegadas de turistas a hoteles (+1.1%). El promedio de cuartos ocupados casi no cambió (+0.1%) y la ocupación acumulada fue de 57.4%, una baja de 1.7 puntos porcentuales frente al mismo periodo de 2025. En esos centros aumentaron las llegadas, mientras bajó la tasa de ocupación. Para explicar por qué, habría que revisar cuánto tiempo se quedaron los visitantes y cuántas habitaciones estuvieron habilitadas. No mezclo estas cifras con la serie de 84 centros de 2019–2025 ni uso una tasa redondeada para deducir cuántas habitaciones había: el reporte cubre 70 centros y presenta cifras redondeadas (SECTUR, 2026b).
Los datos de AFAC de 2026 también deben revisarse por mes, aeropuerto, aerolínea y tipo de servicio, separando vuelos regulares y de fletamento. Una baja en el total de pasajeros nacionales puede ocultar aumentos en vuelos internacionales, más frecuencias o crecimiento en algunos destinos. Por eso, no significa que la demanda turística haya cambiado igual en todo el país. Cuando se publique el cierre anual completo, se podrán actualizar las series. Mientras tanto, no conviene comparar periodos parciales con años completos ni presentar pronósticos como si fueran exactos.
Los datos de 2019–2025 dejan una pregunta importante: los pasajeros transportados crecieron cerca de una quinta parte, mientras que, en los mismos centros de DataTur, las habitaciones habilitadas aumentaron más rápido que las ocupadas. El siguiente paso es integrar la información operativa de AFAC para saber si ese crecimiento vino de más vuelos regulares, más fletamentos, aeronaves más grandes o una mayor ocupación. ¿Qué parte de la próxima inversión atraerá huéspedes nuevos y qué parte competirá por los que ya llegan? Para responder, hay que revisar vuelos, frecuencias, asientos, mercados de origen, duración de las estancias, tarifas y capacidad de cada destino. Así podremos evaluar si el crecimiento deja beneficios locales, más allá de contar pasajeros y habitaciones.
Nota metodológica
Periodo principal de comparación: enero de 2019 a diciembre de 2025. Los datos mensuales de AFAC abarcan 84 meses y aquí se presentan como totales anuales. Para comparar 2019–2025 se construyó una serie con registros de los mismos 84 centros turísticos que tuvieron valores positivos en las variables centrales durante los 84 meses. Se incluyeron solo los centros con datos completos y positivos en todas las variables consideradas. Por eso, la comparación no es un censo ni representa por sí sola a todos los hoteles de México. La metodología oficial caracteriza el monitoreo como una encuesta de muestreo estratificado en centros seleccionados (SECTUR, 2026d). Los cuartos registrados al cierre y los cuartos-noche habilitados para huéspedes son magnitudes distintas. Ocupación, estancia y rendimientos por cuarto son cálculos propios a partir de variables DataTur compatibles.
Los reportes oficiales de 70 centros para 2025 o 2026 se presentan como señales recientes independientes y no se mezclan con la serie comparable de 84 centros de 2019–2025. Las cifras de gasto medio INEGI se derivan de gasto total entre número de turistas del mismo grupo, vía y periodo; no se asignan a hoteles o destinos. La IED turística está expresada en dólares corrientes y no se interpreta como gasto de capital ni como inventario físico. Si se comparan estas series, sus asociaciones servirán para explorar posibles relaciones; no demostrarán que una variable cause la otra.
Consejo Mexicano de la Industria de Reuniones. (2025). Barómetro de la industria de reuniones. https://comir.org.mx/
DataTur. (2026, 18 de septiembre). Monitoreo hotelero (reporte 481): descarga de datos mensuales para la serie comparable de 2019–2025 [Conjunto de datos]. Secretaría de Turismo. https://www.datatur.sectur.gob.mx/SitePages/hoteleria.aspx
Instituto Nacional de Estadística y Geografía. (2026, 18 de septiembre). Encuestas de Viajeros Internacionales: Encuesta de Turismo Internacional, datos mensuales [Archivos de datos descargados]. https://www.inegi.org.mx/programas/eti/2018/default.html
How monetary conditions in the United States and Latin America are reshaping travel demand investment and competitiveness
By Jorge Zárate | Current-rate snapshot: September 13, 2026
Publication | Economics, tourism, aviation and investment analysis
Current policy rate snapshot
Economy
Current setting
Latest position used
United States
3.50–3.75%
July 29, 2026
Mexico
6.50%
August 6, 2026
Brazil
14.00%
August 2026
Chile
4.50%
September 8, 2026
Colombia
12.00%
August 2026
Peru
4.25%
September 2026
Argentina
No directly comparable single target
Monetary-aggregates framework
Executive perspective
Interest rates are rarely discussed as a tourism variable, yet they influence almost every decision that determines how the visitor economy performs. They affect whether a family finances a holiday, whether an airline leases another aircraft, whether a hotel owner renovates a property, whether a developer can justify a new resort, and whether a government can fund an airport, convention center, railway, or urban regeneration program. They also influence exchange rates, asset valuations, employment, consumer confidence, and the cost of carrying inventory. Tourism therefore experiences monetary policy through both demand and supply.
As of September 13, 2026, the global setting is best described as higher for longer, but uneven. The US Federal Reserve is holding the federal funds target range at 3.50–3.75 percent ahead of its September 15–16 meeting. Across Latin America, policy positions differ substantially: Mexico is at 6.50 percent, Brazil at 14.00 percent, Chile at 4.50 percent, Colombia at 12.00 percent, and Peru at 4.25 percent. Argentina is not directly comparable because its current framework relies primarily on monetary aggregates and market-based rates rather than one conventional policy-rate target. These differences reflect distinct inflation paths, exchange-rate risks, fiscal conditions, and levels of central-bank credibility.
The main conclusion is that tourism demand remains resilient, but resilience should not be confused with immunity. UN Tourism reported that international arrivals increased 4 percent in 2025 and a further 2 percent in the first quarter of 2026. In the Americas, first-quarter arrivals were also 2 percent higher, with Central America up 18 percent while South America declined 1 percent. The aggregate picture conceals an important redistribution: higher rates and uneven currencies are changing who travels, where they travel, how long they stay, what they buy, and which tourism investments remain financially viable.
How interest rates work
An interest rate is the price paid for using money over time. For a borrower it is a cost; for a saver or lender it is a return. Central banks do not normally set every rate in the economy. They set or guide a short-term policy rate and use liquidity operations, communication, and balance-sheet tools to influence financial conditions. The policy rate then transmits through interbank markets to government bond yields, bank deposits, mortgages, credit cards, corporate loans, and asset prices.
When inflation is too high, a central bank typically raises rates or keeps them restrictive. Credit becomes more expensive, saving becomes relatively attractive, and households and companies moderate spending. Slower demand reduces the ability of businesses to raise prices and eventually helps inflation converge toward target. When economic activity is weak and inflation is controlled, the central bank may lower rates to encourage consumption and investment.
The process is delayed and uncertain. Existing fixed-rate loans do not reprice immediately; companies may have cash reserves; wealthy travelers may be insensitive to borrowing costs; and a rate reduction may not stimulate demand if consumers fear unemployment. Monetary policy therefore works through several channels: the credit channel, which changes borrowing costs and availability; the income and cash-flow channel, which changes debt service and disposable income; the asset-price channel, which affects wealth and collateral; the expectations channel, which shapes confidence; and the exchange-rate channel, which alters the relative price of countries.
Real interest rates matter as much as nominal ones. A nominal rate of 8 percent with expected inflation of 6 percent represents a real rate of roughly 2 percent. A nominal rate of 5 percent with inflation near 2 percent is more restrictive in real terms than the smaller headline figure might suggest. Tourism executives should therefore compare policy rates with inflation expectations, not only across countries.
The yield curve also matters. Hotels, aircraft, airports, and infrastructure are long-lived assets financed over many years, so their economics depend more on medium- and long-term borrowing costs than on the overnight rate alone. Government debt levels, fiscal credibility, global risk sentiment, and expected inflation can keep long-term yields high even after a central bank begins cutting its short-term rate.
The United States in September 2026
The Federal Reserve maintained a target range of 3.50–3.75 percent at its July 29 meeting. This was the latest decision available before the September 15–16 meeting. The rate is below the peak of the earlier tightening cycle but remains restrictive enough to restrain parts of the economy. The Fed continues to balance its dual mandate: maximum employment and inflation returning sustainably to 2 percent.
For tourism, US monetary conditions matter globally. The United States is one of the world’s largest origin markets, a major destination, the home market for large airlines and hotel groups, and the principal source of dollar funding. Higher US rates can increase credit-card and household debt service, weaken discretionary travel budgets, and raise the cost of financing aircraft, hotel acquisitions, and tourism real estate. They also increase the hurdle rate used by investors: a project must produce a sufficiently attractive return above safer Treasury yields.
The dollar channel is equally important. Relatively high US yields can support the dollar, although exchange rates also react to fiscal risk, trade policy, geopolitics, and expectations. A strong dollar increases the purchasing power of US residents abroad and can stimulate outbound travel to Mexico, the Caribbean, and parts of Latin America. At the same time, it makes the United States more expensive for foreign visitors and raises the local-currency burden of dollar-denominated debt held by Latin American tourism businesses and governments.
The impact is segmented. Affluent leisure travelers may continue to travel but trade between destinations, room categories, or trip length. Middle-income households are more likely to postpone, shorten, or finance trips. Corporate travel managers become more selective, requiring clearer commercial justification. This is why passenger counts can remain positive while ancillary spending, length of stay, hotel mix, or booking windows deteriorate.
Latin America is not one interest rate story
Latin America entered 2026 with stronger monetary institutions than in earlier inflationary episodes, but the region remains diverse. The IMF has emphasized that better-anchored inflation expectations in major economies reflect inflation targeting, greater central-bank independence, and reduced fiscal dominance. That credibility gives some central banks room to respond to weaker demand. Nevertheless, renewed energy-price and geopolitical pressures have made easing more cautious.
Mexico’s overnight target stands at 6.50 percent. The wide differential versus the United States can support peso assets, but it also keeps domestic borrowing costly. For Mexican tourism, the balance is complex. A firm peso can make international travel more affordable for Mexican residents, benefiting airlines and agencies selling outbound trips. It can simultaneously reduce Mexico’s price advantage for visitors from the United States and Canada. High domestic rates also affect hotel construction, working capital, small tourism businesses, and residential tourism projects.
Brazil’s Selic rate is 14.00 percent after a gradual reduction from higher levels. This remains exceptionally restrictive. It rewards local fixed-income investment, raises corporate financing costs, and increases the required return on hotel, airport, and mixed-use projects. The tourism effect is not simply lower demand: Brazil’s very large domestic market can sustain travel, but consumers become more price-sensitive and businesses with floating-rate liabilities face severe cash-flow pressure.
Colombia’s policy rate is 12.00 percent, reflecting persistent inflation concerns. Expensive credit affects domestic travel, hotel development, airline finances, and smaller operators. Colombia also illustrates the inflation-tourism feedback: if food, fuel, utilities, or transport costs remain elevated, households lose purchasing power while tourism suppliers face higher operating costs.
Chile held its policy rate at 4.50 percent on September 8. Its central bank reported weaker domestic demand, deteriorating labor-market conditions, lower confidence, and higher fuel costs, and reduced its 2026 GDP growth forecast to 0.25–0.75 percent. The relatively lower rate therefore should not be read as universally favorable. It coexists with weak demand and external uncertainty, both of which can constrain tourism consumption and investment.
Peru’s reference rate is 4.25 percent. Its comparatively moderate setting improves the financing backdrop, but tourism outcomes still depend on political confidence, connectivity, security perceptions, infrastructure, and household income. Argentina follows a different monetary framework centered on control of monetary aggregates, with short-term rates more market-driven. Direct comparisons with inflation-targeting neighbors can mislead; tourism investors must focus on real financing costs, exchange restrictions, currency risk, and the stability of contracts.
At the regional level, the World Bank expects only modest expansion and has warned that high borrowing costs, weak external demand, and inflationary pressures are restraining private investment and job creation. This slow-growth context is especially relevant to tourism because employment and confidence often influence travel demand more immediately than GDP statistics.
The exchange rate is the tourism transmission belt
Exchange rates translate monetary conditions into destination prices. If higher relative interest rates attract capital and strengthen a currency, residents gain purchasing power abroad while foreign visitors face higher local prices. If a currency weakens, the destination becomes cheaper in foreign currency, but airlines, hotels, and developers may face higher costs for imported equipment, fuel, technology, insurance, and dollar debt.
For Mexico, a stronger peso can support outbound demand to the United States, Europe, and Asia but compress the value proposition of Mexican resorts for dollar-based visitors. For Caribbean economies, whose tourism receipts and financial systems are often linked to the dollar, US rates can transmit directly into lending conditions. For South American destinations, currency depreciation may stimulate inbound demand only if safety, air access, capacity, and service quality are sufficient. Price competitiveness alone does not create a sustainable tourism strategy.
Executives should distinguish nominal exchange-rate gains from real competitiveness. If a currency depreciates 10 percent but domestic hotel, wage, and food costs rise by a similar amount, the visitor’s effective advantage disappears. The relevant indicator is the tourism real exchange rate: the foreign-currency cost of the actual visitor basket relative to competing destinations.
How the tourism value chain is being affected
Airlines experience both sides of the cycle. Higher rates weaken discretionary demand and increase the cost of debt, aircraft leases, engines, spare parts, and working capital. Because many obligations are denominated in dollars, a local-currency depreciation can magnify the burden for Latin American carriers. Fuel-price shocks compound the problem. Airlines may respond by slowing capacity growth, prioritizing higher-yield routes, increasing ancillary fees, renegotiating leases, or postponing fleet renewal. Network carriers with diversified revenue and strong balance sheets generally have more flexibility than highly leveraged operators.
Airports are exposed through passenger growth, commercial revenue, capital expenditure, and concession finance. Expensive capital can delay terminal expansions or raise the passenger volumes and charges required to justify them. Duty-free, parking, food and beverage, and retail revenue may weaken if travelers reduce discretionary spending even when traffic holds up.
Hotels face a pronounced asset-finance effect. Capitalization rates tend to rise when risk-free yields and debt costs rise, putting downward pressure on property values unless operating income grows enough to compensate. Refinancing risk is often more important than current occupancy: a profitable hotel can encounter difficulty when a low-rate loan matures and must be replaced at a materially higher rate. New construction becomes harder to underwrite, while renovations, energy retrofits, and brand conversions may be deferred.
Hotel operations are also affected. Guests may shorten stays, book later, downgrade room categories, or reduce restaurant and spa spending. Revenue management systems can preserve average daily rate but cannot fully offset weaker total revenue per guest. Luxury hotels may be more resilient because their clients rely less on consumer credit, although corporate and incentive segments remain exposed to business confidence.
Tour operators, travel agencies, and online travel platforms are affected by working-capital costs, payment behavior, and booking windows. Installment payments and buy-now-pay-later products can support demand but add credit risk and fees. Smaller operators with limited access to bank finance may reduce inventory commitments, marketing, or staffing.
Cruise lines carry substantial capital and financing requirements. Higher rates influence ship financing, refinancing, and the present value of future itineraries, while consumer credit affects onboard spending. Car-rental fleets, ground transportation, restaurants, attractions, and entertainment businesses also depend on financing and discretionary expenditure. The rate shock therefore travels well beyond aviation and lodging.
MICE and business travel deserve separate treatment. When capital is expensive, companies scrutinize budgets and demand measurable returns from meetings, incentives, conferences, and exhibitions. Delegations may become smaller, stays shorter, and events more regional. Yet revenue-generating trade fairs, customer meetings, and incentive programs can remain resilient because they support sales, relationships, and retention. Destinations that quantify delegate expenditure, lead generation, knowledge transfer, and legacy effects will defend investment more effectively than those relying on attendance alone.
Tourism infrastructure and sustainability investment are vulnerable because they require long payback periods. Airports, rail links, water systems, waste facilities, public spaces, and climate-resilience projects compete with other public priorities. Higher sovereign yields raise the discount rate for public-private partnerships. Energy-efficiency projects can still be attractive when operating savings are reliable, but the financing structure must recognize higher capital costs.
Markets investment and corporate strategy
Interest rates change the valuation of tourism companies by altering both earnings expectations and discount rates. Future cash flows are worth less when discounted at a higher rate. Highly leveraged airlines, hotel owners, and real-estate platforms are therefore more rate-sensitive than asset-light brands or companies with substantial cash. Equity markets may reward firms that generate free cash flow, refinance early, hedge currencies, and maintain pricing power.
Bond markets transmit sovereign conditions into corporate finance. A Latin American tourism company generally borrows at a spread over the government or dollar benchmark. Even if its operations are strong, a rise in US Treasury yields or country risk can raise its cost of capital. Foreign direct investment may slow as investors wait for greater clarity or demand lower acquisition prices. Conversely, falling rates can unlock transactions, refinancing, renovations, and new development, but only when inflation and political risk are credible enough to keep long-term yields down.
The current environment favors disciplined capital allocation. Companies should stress-test projects against higher refinancing costs, weaker currencies, lower occupancy, and more expensive fuel. Debt maturity ladders, fixed-versus-floating exposure, covenant headroom, and currency matching should sit beside RevPAR, load factor, and visitor arrivals in executive dashboards.
A practical analytical framework
Tourism organizations should avoid claiming that interest rates alone caused a change in arrivals or revenue. Rates interact with inflation, income, exchange rates, air capacity, visa policy, safety, climate events, and geopolitical shocks. A credible model should use historical quantitative data and control for these variables.
For origin-market demand, useful indicators include policy and consumer lending rates, real disposable income, unemployment, consumer confidence, exchange rates, airfares, and available seats. For destinations, analysts should add hotel ADR, occupancy, length of stay, visitor expenditure, booking lead time, and source-market mix. For companies, the dashboard should include debt cost, leverage, maturities, lease liabilities, hedging, capital expenditure, and interest coverage.
Regression and time-series models can estimate associations, elasticities, lags, and scenarios. For example, a model may test whether a 100-basis-point increase is followed by lower outbound bookings after controlling for exchange rates and income. The result is not automatically causal; policy rates often rise because the economy and prices are already strong. Scenario analysis is therefore essential. Executives should compare a soft-landing case, a persistent-inflation case, and a growth-shock case rather than rely on one forecast.
The most useful segmentation is by traveler and business exposure. Affluent leisure, visiting friends and relatives, corporate, MICE, and price-sensitive leisure markets respond differently. On the supply side, businesses with fixed-rate debt, dollar revenues, and low leverage differ fundamentally from firms with variable-rate local debt or dollar liabilities without matching income.
Outlook and strategic implications
The base case for late 2026 is not a synchronized return to cheap money. The Fed remains cautious; several Latin American central banks have room to ease only gradually; and renewed energy or geopolitical shocks could interrupt disinflation. At the same time, tourism demand has not collapsed. The sector is adapting through segmentation, pricing, capacity discipline, and a greater emphasis on high-value travelers.
Destinations should protect air connectivity, diversify source markets, and measure real—not merely nominal—price competitiveness. Airlines should align capacity with yield quality and protect liquidity. Hotel owners should address refinancing well before maturity and prioritize renovations that improve both revenue and operating efficiency. MICE organizations should demonstrate commercial and legacy returns. Governments should structure infrastructure pipelines so that viable projects are not abandoned solely because one financing window is unfavorable.
For Mexico and Latin America, the opportunity lies in converting currency and rate volatility into better intelligence. A destination that understands how US household credit, the dollar, local rates, and air capacity interact can target the right origin markets at the right time. A tourism company that maps debt exposure to revenue currencies can distinguish an operating problem from a financing problem.
Interest rates do not determine tourism’s future by themselves. They determine the price of time, risk, and capital, the conditions under which future tourism demand and capacity are created. In the present cycle, growth will favor destinations and companies that treat monetary conditions not as distant macroeconomic news, but as an operational variable embedded in pricing, investment, connectivity, and market strategy.
¿Podemos anticipar la demanda turística? Un modelo de series de tiempo con 20 años de datos
por Jorge Zárate
ARIMA, SARIMA y ETS aplicados a la planeación de un destino turístico ficticio
Durante buena parte de mi carrera en turismo y aviación, he visto decisiones importantes apoyarse en una cifra aislada: el resultado del mes, trimestre o año anterior. El problema es evidente. Un mes o un año no explica una tendencia, no distingue una temporada alta de un cambio estructural y, desde luego, no nos dice qué puede ocurrir después.
Por eso quise comenzar esta sección de Data Science con un ejercicio práctico. No con una demostración académica alejada del negocio, sino con una pregunta que una aerolínea, un hotel, un aeropuerto o una oficina de turismo podría plantearse cualquier semana: ¿cuánta demanda debemos esperar durante los próximos 24 meses y cuánto podemos confiar en esa estimación?
Construí una serie mensual ficticia de 20 años para un destino turístico imaginario. Los datos son sintéticos: no pertenecen a ninguna empresa ni describen un mercado real. Sin embargo, su comportamiento fue diseñado para parecerse a lo que encontramos en la práctica: crecimiento gradual, temporadas fuertes y débiles, ciclos, ruido, choques extraordinarios y recuperación.
El objetivo no es demostrar que una fórmula puede adivinar el futuro. Eso no existe. El objetivo es reducir la incertidumbre, comparar métodos bajo las mismas condiciones y transformar el resultado en decisiones de capacidad, inventario, presupuesto y riesgo.
1. El caso: veinte años de demanda (ficticio)
La base contiene 240 observaciones mensuales, desde enero de 2005 hasta diciembre de 2024. La variable central es el número de pasajeros aéreos que llegan al destino. Incorporé una tendencia creciente, un patrón mensual recurrente, fluctuaciones cíclicas y tres interrupciones. La mayor ocurre en 2020 y 2021; no pretende reproducir exactamente la pandemia, sino mostrar cómo un choque excepcional altera el nivel y la estructura de una serie.
Esta distinción es importante. Datos aleatorios puros producirían una gráfica, pero no un caso útil. Para evaluar ARIMA, SARIMA o ETS necesitamos una serie que tenga memoria, tendencia y estacionalidad. Los valores siguen siendo ficticios, aunque la lógica que los genera es deliberadamente realista.
La primera visualización cuenta casi toda la historia: crecimiento de largo plazo, meses que se repiten y una ruptura evidente. Pero también muestra un riesgo frecuente. Si ajustáramos una línea recta a los veinte años completos, el choque arrastraría el resultado y nos haría confundir un evento extraordinario con una nueva normalidad permanente.
Figura 1. Serie sintética mensual. Elaboración propia con datos ficticios.
2. El heatmap: cuando la estacionalidad deja de ser una abstracción
El heatmap organiza los años en filas y los meses en columnas. Los tonos más intensos representan más pasajeros. A diferencia de una tabla con 240 cifras, aquí se observan en segundos los meses fuertes, los periodos débiles y la profundidad de las interrupciones.
En un caso real, esta gráfica puede descubrir algo incómodo: quizá el destino no está creciendo de manera uniforme, sino dependiendo cada vez más de dos o tres meses. Eso tiene consecuencias para las tarifas, la contratación, el uso de infraestructura y la rentabilidad de las rutas. Crecer con mayor concentración no siempre significa volverse más resistente.
Figura 2. Heatmap de pasajeros por año y mes. Los datos son ilustrativos.
2.1 Del calendario a las relaciones entre variables
El segundo heatmap cambia la pregunta. Ya no organiza la demanda por año y mes, sino que compara pasajeros, asientos programados, búsquedas digitales, ocupación hotelera, tarifa aérea, ADR hotelero, inversión promocional e índice económico. Cada celda contiene una correlación de Pearson entre -1 y 1. Cuanto más oscuro es el azul, mayor es la asociación positiva entre las dos variables; el número conserva el signo y la intensidad exacta.
Una correlación cercana a 1 indica que ambas variables tienden a aumentar o disminuir juntas. Una correlación próxima a 0 señala que no existe una relación lineal clara. Un valor negativo significa que, cuando una variable aumenta, la otra tiende a disminuir. La matriz permite identificar rápidamente cuáles señales podrían merecer una investigación más profunda antes de construir un modelo multivariable.
En este escenario sintético, pasajeros y asientos muestran una relación fuerte porque la capacidad condiciona el volumen que puede transportarse. Búsquedas y ocupación hotelera también acompañan la demanda. Sin embargo, no debemos saltar de asociación a causalidad. Dos variables pueden correlacionarse porque comparten tendencia, estacionalidad o un tercer factor. Inversión promocional y pasajeros, por ejemplo, podrían crecer al mismo tiempo sin que toda la demanda adicional sea atribuible a la campaña.
En una aplicación real, el siguiente paso sería revisar rezagos, eliminar tendencias comunes, controlar estacionalidad y probar relaciones con regresión o modelos dinámicos. El heatmap no dicta una decisión. Funciona como mapa inicial para decidir qué relaciones vale la pena investigar.
Figura 2A. Matriz de correlaciones de Pearson entre variables sintéticas. Los tonos azules muestran la intensidad de la asociación; correlación no implica causalidad.
3. Separar la señal del ruido
Una serie observada mezcla varias fuerzas. La descomposición intenta separarlas en tendencia, estacionalidad y residuo. La tendencia muestra la dirección de fondo; la estacionalidad captura el patrón que tiende a repetirse cada doce meses; el residuo reúne lo que esos componentes no explican.
No debemos interpretar el residuo como información inútil. Un residuo grande puede revelar un evento, un error de captura o una variable que el modelo todavía no contempla. En un proyecto comercial, yo revisaría esos puntos antes de aceptar el pronóstico: una nueva ruta, una restricción operativa o una campaña excepcional pueden esconderse detrás de lo que la fórmula llama ruido.
Figura 3. Descomposición multiplicativa de la serie sintética.
4. La temporada no es un detalle: es parte del modelo
Los boxplots comparan la distribución de cada mes a lo largo de veinte años. No solo muestran el promedio: permiten observar dispersión, mediana y valores extremos. Julio y agosto presentan niveles altos; enero y febrero parten de una base menor.
Para una aerolínea, esto puede traducirse en frecuencias, tamaño de aeronave y gestión tarifaria. Para un hotel, en inventario, plantilla y mantenimiento. Para una DMO, en una pregunta estratégica: ¿debemos seguir estimulando los meses que ya están saturados o invertir en demanda incremental durante la temporada baja?
Figura 4. Distribución mensual de la demanda ficticia.
5. ¿Qué significan ARIMA, SARIMA y ETS sin convertir esto en una clase de álgebra?
Los tres modelos intentan aprender del pasado, pero no observan la serie de la misma manera. ARIMA estudia su memoria y la estructura de sus errores; SARIMA añade el calendario; ETS actualiza nivel, tendencia y estacionalidad conforme llega nueva información. Entender esa diferencia es más importante que memorizar sus siglas.
ARIMA: memoria, cambios y errores anteriores
ARIMA significa Autoregressive Integrated Moving Average y se expresa como ARIMA(p,d,q). La parte autorregresiva, AR, mide cuánto depende el valor actual de sus valores anteriores. Si p=2, el modelo permite que los dos periodos recientes aporten información directa al pronóstico. La pregunta de fondo es: ¿cuánta memoria conserva la demanda?
La I corresponde a Integrated. Muchas series crecen con el tiempo y, si analizamos solamente sus niveles, podemos confundir tendencia con dependencia estadística. La diferenciación transforma niveles en cambios: Δyₜ = yₜ-yₜ₋₁. Si enero registró 100,000 pasajeros y febrero 108,000, la primera diferencia es 8,000. El parámetro d indica cuántas veces se aplica esta transformación para conseguir una serie más estable.
MA significa Moving Average, pero aquí no es simplemente un promedio de los últimos meses. Este componente utiliza errores anteriores. Si el modelo subestimó la demanda durante varios periodos consecutivos, esa secuencia puede contener información útil para corregir el siguiente pronóstico. El parámetro q indica cuántos errores rezagados se incorporan.
Su forma compacta es φ(B)(1-B)^d yₜ = c + θ(B)εₜ. En lenguaje ordinario, ARIMA pregunta cuánto del presente puede explicarse por la historia reciente, por el cambio entre periodos y por errores que todavía conservan información. Un ARIMA(2,1,1), como el de este ejercicio, combina dos valores anteriores, una diferenciación y un error rezagado.
SARIMA: cuando la demanda también conserva memoria del calendario
SARIMA significa Seasonal Autoregressive Integrated Moving Average. Amplía ARIMA para reconocer patrones que se repiten con una frecuencia conocida y se expresa como SARIMA(p,d,q)(P,D,Q)ₛ. Los parámetros en minúsculas describen la dinámica reciente; P, D y Q representan la memoria, diferenciación y errores estacionales; s define la longitud del ciclo.
En información mensual normalmente usamos s=12. De esta manera, el pronóstico de julio puede relacionarse no solo con junio y mayo, sino también con julio del año anterior. El modelo utilizado aquí, SARIMA(1,1,1)(1,1,1)₁₂, combina memoria y errores mensuales con memoria y errores separados por doce meses.
Esta capacidad resulta útil en turismo, aviación y hotelería, donde vacaciones, Semana Santa, Navidad, clima, congresos y calendarios escolares producen ciclos recurrentes. Sin embargo, añadir componentes no garantiza un mejor pronóstico. Un SARIMA demasiado complejo puede explicar magníficamente el pasado y fallar al enfrentar información nueva. Eso es sobreajuste.
ETS: nivel, tendencia y estacionalidad que se actualizan
ETS significa Error, Trend and Seasonality: error, tendencia y estacionalidad. Su lógica consiste en actualizar tres componentes conforme llega cada observación. El nivel representa la base actual de la serie; la tendencia indica si esa base crece o disminuye; la estacionalidad mide cuánto se aparta cada temporada del comportamiento normal.
La tendencia puede ser amortiguada. En vez de suponer que el crecimiento continuará indefinidamente a la misma velocidad, su efecto se modera con el horizonte. Esto resulta razonable cuando un mercado se aproxima a su madurez o enfrenta límites de capacidad.
La estacionalidad puede ser aditiva o multiplicativa. En una estructura aditiva, julio podría añadir aproximadamente 30,000 pasajeros todos los años. En una multiplicativa, julio podría mantenerse alrededor de 20% por encima del nivel y, por tanto, crecer junto con el mercado. Para esta serie utilizamos estacionalidad multiplicativa.
En una formulación aditiva sencilla, el nivel se actualiza con ℓₜ = α(yₜ-sₜ₋ₘ)+(1-α)(ℓₜ₋₁+bₜ₋₁); la tendencia con bₜ = β(ℓₜ-ℓₜ₋₁)+(1-β)bₜ₋₁; y la estacionalidad con sₜ = γ(yₜ-ℓₜ₋₁-bₜ₋₁)+(1-γ)sₜ₋ₘ. No necesitamos memorizar las ecuaciones. Lo importante es comprender qué comportamiento intenta aprender cada componente.
ACF y PACF: observar la memoria antes de elegir rezagos
La función de autocorrelación, ACF, muestra la relación entre la serie y sus valores anteriores. La autocorrelación parcial, PACF, intenta aislar la contribución directa de cada rezago después de descontar los intermedios. Los picos en los rezagos 12, 24 y 36 son una señal de memoria anual. Estas gráficas orientan la selección de parámetros; no sustituyen la validación fuera de muestra.
Figura 5. Funciones de autocorrelación y autocorrelación parcial.
6. La comparación justa: esconder dos años al modelo
Reservé enero de 2023 a diciembre de 2024 como periodo de prueba. Los modelos solo recibieron información hasta diciembre de 2022. Después generaron 24 pronósticos que se compararon contra valores que, para efectos del ejercicio, todavía no conocían.
El ganador fue ETS, con un MAPE de 4.5%. El resultado no debe generalizarse. En otra serie, ETS o incluso un promedio estacional podrían superar a SARIMA. Precisamente por eso hay que competir los modelos fuera de muestra y no elegir al que produce la curva más elegante.
Para interpretar la comparación debemos partir del error eₜ = yₜ-ŷₜ, donde yₜ es el valor real y ŷₜ el pronóstico. Si hubo 100,000 pasajeros y proyectamos 95,000, el error es 5,000: el modelo subestimó la demanda.
MAE: ¿cuántos pasajeros nos equivocamos en promedio?
MAE significa Mean Absolute Error o error absoluto medio: MAE = (1/n)Σ|yₜ-ŷₜ|. Ignora la dirección del error y conserva la unidad original. Un MAE de 10,550 significa que el pronóstico se separó de la realidad en aproximadamente 10,550 pasajeros por mes. Es intuitivo, aunque trata un error de 20,000 como exactamente el doble de uno de 10,000.
MPE: ¿pronosticamos sistemáticamente por arriba o por abajo?
MPE significa Mean Percentage Error o error porcentual medio: MPE = (100/n)Σ[(yₜ-ŷₜ)/yₜ]. Su principal función es detectar sesgo. Con esta convención, un MPE positivo indica que el modelo tiende a quedarse por debajo de la realidad; uno negativo señala sobreestimación. Es indispensable declarar la convención, porque algunos programas invierten el orden de la resta.
MPE no mide bien la precisión total. Los errores positivos y negativos pueden cancelarse: un modelo podría equivocarse mucho en ambas direcciones y terminar cerca de cero. Por eso lo utilizaría como indicador de sesgo, acompañado por otras métricas. No formó parte del ranking central de este ejercicio, pero sí sería recomendable en un sistema de monitoreo.
MAPE: ¿qué porcentaje representa el error?
MAPE significa Mean Absolute Percentage Error o error porcentual absoluto medio: MAPE = (100/n)Σ|(yₜ-ŷₜ)/yₜ|. Como utiliza valores absolutos, las sobreestimaciones y subestimaciones no se cancelan. Un MAPE de 4.5% significa que, durante los 24 meses de prueba, el pronóstico de ETS se separó de los valores reales aproximadamente 4.5% en promedio. No significa que todos los meses tuvieran exactamente ese error.
MAPE facilita comparar series de distinto tamaño, pero se vuelve problemático cuando el valor real es cero o muy pequeño. Un error de 500 pasajeros equivale a 50% si la base es 1,000 y a solo 0.5% si la base es 100,000. La misma diferencia absoluta recibe un peso completamente distinto.
RMSE: ¿qué tanto nos perjudican los errores grandes?
RMSE significa Root Mean Squared Error o raíz del error cuadrático medio: RMSE = √[(1/n)Σ(yₜ-ŷₜ)²]. Al elevar cada error al cuadrado, penaliza con mucha mayor fuerza las desviaciones grandes. Un error de 20,000 es cuatro veces uno de 5,000, pero su contribución cuadrática es dieciséis veces mayor.
Esta sensibilidad es útil cuando un error extraordinario puede generar capacidad insuficiente, inventario sin vender, personal sobredimensionado o pérdida de ingresos. Su debilidad es la misma: unos pocos meses atípicos pueden dominar el resultado. La sigla correcta es RMSE, no RSMSE.
Figura 6. Pronósticos frente al periodo de prueba no observado.
7. Resultados: el menor error gana, pero no decide solo
El ranking facilita la comparación, aunque no debe convertirse en un piloto automático. También revisaría estabilidad, residuos, facilidad de actualización y sensibilidad a choques. Un modelo ligeramente menos preciso, pero más transparente y estable, puede ser preferible para un comité ejecutivo.
Las métricas responden preguntas diferentes. MAE expresa el error en pasajeros; MPE revela su dirección; MAPE lo convierte en porcentaje; RMSE destaca las desviaciones grandes. Un modelo puede tener MAPE bajo y sesgo constante, MPE cercano a cero porque sus errores se cancelan o MAE razonable junto con RMSE alto por unos cuantos meses desastrosos.
Existe además una diferencia entre precisión estadística y utilidad económica. Equivocarse 8,000 pasajeros en febrero puede ser manejable; cometer el mismo error durante Semana Santa quizá obligue a rechazar demanda o a sostener capacidad improductiva. El costo del error cambia según el mes y la decisión.
Por eso la pregunta final no es solamente cuál obtuvo el menor porcentaje. Debemos preguntar si el error es aceptable para el uso previsto. Un MAPE de 4.5% puede ser excelente para un presupuesto anual y, al mismo tiempo, insuficiente para programar capacidad diaria en una fecha crítica. La precisión solo adquiere sentido cuando se relaciona con el costo económico de equivocarse.
La conclusión profunda de esta comparación es que los modelos no compiten por explicar el pasado de manera elegante. Compiten por pronosticar información que todavía no habían visto y por mejorar una decisión real.
Figura 7. Comparación del MAPE; un valor menor indica mayor precisión en esta prueba.
8. El pronóstico: una distribución de posibilidades, no una cifra exacta
Después de identificar el modelo con mejor desempeño, lo reestimé con los 240 meses y proyecté 2025 y 2026. El escenario base anticipa aproximadamente 5,366,159 pasajeros acumulados durante los siguientes 24 meses y una variación de -1.6% en 2025 frente a 2024.
La banda sombreada es tan importante como la línea central. Representa un intervalo de predicción de 95% bajo los supuestos del modelo. Conforme avanzamos en el horizonte, la incertidumbre se amplía. Presentar solo la línea central daría una sensación de precisión que no existe.
Tampoco debemos confundir el intervalo estadístico con todos los riesgos posibles. Un cierre de espacio aéreo, una recesión, una nueva regulación o la entrada de capacidad no observada pueden colocar la demanda fuera de la banda. El modelo aprende del pasado; no recibe noticias del futuro.
Figura 8. Pronóstico base e intervalo de predicción a 24 meses.
9. Del pronóstico a tres escenarios ejecutivos
Para la decisión comercial traduje la trayectoria central en tres escenarios. El conservador se ubica 9% por debajo del base y el optimista 9% por encima. Estos porcentajes son ilustrativos; en un proyecto real se estimarían con riesgos específicos, elasticidad, capacidad programada y señales adelantadas.
El valor práctico aparece cuando cada escenario tiene una respuesta. Si se materializa el conservador, ¿qué frecuencias, promociones o gastos debemos ajustar? Si aparece el optimista, ¿existe suficiente capacidad hotelera y aérea? ¿Qué parte del inventario conviene proteger para vender a mejor tarifa? Un escenario sin una decisión asociada es solamente otra gráfica.
Figura 9. Escenarios ilustrativos conservador, base y optimista.
10. Cómo se construyó en Python
El ejercicio utiliza pandas para estructurar la serie; NumPy para generar la variación sintética; statsmodels para estimar ETS, ARIMA y SARIMA; y Seaborn y Matplotlib para las visualizaciones. El código siguiente resume la lógica del experimento, no cada ajuste de producción.
En una aplicación real añadiría validación cruzada de origen rodante, búsqueda sistemática de hiperparámetros, variables externas, pruebas de estabilidad y monitoreo del error después del despliegue. También conservaría un modelo básico como benchmark. Si el modelo avanzado no logra superarlo de manera consistente, su complejidad no está justificada.
# Separar los últimos 24 meses
train, test = serie.iloc[:-24], serie.iloc[-24:]
# ETS con tendencia amortiguada y estacionalidad mensual
Las series de tiempo ayudan a descubrir patrones que una comparación mensual no puede mostrar. Permiten separar tendencia y estacionalidad, evaluar cuánto pesa el pasado y construir rangos plausibles para el futuro. Pero no eliminan el juicio profesional. Lo vuelven más disciplinado.
Mi principal conclusión de este ejercicio es sencilla: antes de preguntar cuál es el mejor algoritmo, debemos definir qué decisión queremos mejorar, cuánto cuesta equivocarnos y qué información estará disponible cuando llegue el momento de actuar.
Un buen pronóstico no es el que impresiona por su complejidad. Es el que reconoce su incertidumbre, supera una referencia razonable y cambia una decisión. Pronosticar no significa adivinar el futuro. Significa reducir la incertidumbre lo suficiente para tomar una mejor decisión hoy.
Nota metodológica
Nota metodológica. Todos los datos, eventos, resultados y escenarios de este artículo son sintéticos y fueron creados con fines educativos. No representan pasajeros ni desempeño de un destino, aeropuerto, aerolínea u hotel real. La semilla aleatoria se fijó para que el ejercicio sea reproducible. Las cifras deben sustituirse por datos observados antes de utilizar el modelo para una decisión comercial.
Referencias
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. https://otexts.com/fpp3/
Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. Proceedings of the 9th Python in Science Conference, 92-96. https://www.statsmodels.org/
