Cómo funcionan realmente los algoritmos de ranking de las OTA
El malentendido
Si preguntas a un revenue manager cómo clasifica Booking.com las propiedades, suele responder algo en la línea de: «Sobre todo es el precio.»
No lo es. Y ese malentendido cuesta a los hoteles visibilidad en las OTA y, paradójicamente, la visión estratégica que necesitan para reducir la dependencia de las OTA.
Los algoritmos de ranking de las OTA son sistemas de machine learning sofisticados que optimizan los ingresos de la plataforma, no la exposición equitativa de los hoteles. Entender cómo funcionan de verdad cambia toda la estrategia de distribución. También deja al descubierto algo que muchos hoteleros pasan por alto: las señales que determinan su ranking en OTA están muy relacionadas con las que determinan si aparecen en Google, en plataformas de IA y en cualquier otro canal donde los viajeros descubren hoteles.
Lo que revela la propia investigación de Booking.com
Booking.com ha sido inusualmente transparente, para ser una OTA, sobre cómo funcionan sus sistemas. La fuente publicada más relevante es «150 Successful Machine Learning Models: 6 Lessons Learned at Booking.com» (Bernardi, Mavridis y Estevez), presentada en ACM SIGKDD 2019.
El artículo describe unos 150 modelos de machine learning en producción, desarrollados por decenas de equipos, expuestos a cientos de millones de usuarios y validados con ensayos controlados aleatorios. Su conclusión central: el rendimiento del modelo no es lo mismo que el rendimiento del negocio. Es decir, Booking.com no optimiza el «mejor» hotel para el viajero en abstracto, sino el resultado que más valor genera para la plataforma.
Un artículo complementario, «Beyond Algorithms: Ranking at Scale at Booking.com» (Mavridis et al., RecSys 2020), profundiza en la arquitectura. No hay un solo algoritmo, sino un conjunto de modelos de ML especializados. Cada uno predice métricas distintas: probabilidad de clic (pCTR), probabilidad de conversión (pCVR) y calidad percibida. Usan árboles de decisión con gradient boosting en un marco LambdaMART, con miles de variables de perfiles de usuario, atributos del alojamiento y contexto.
Un post de ingeniería de 2024 de Booking.com confirma que la arquitectura combina variables estáticas —ubicación, servicios, tipos de habitación— y dinámicas recalculadas al instante, como precios actuales y disponibilidad en vivo.
Conclusión clave: el precio es una variable entre cientos. Importa, pero no explica ni mucho menos todo.
La fórmula central: qué impulsa de verdad el ranking
En 2025, MyDataValue analizó 621 propiedades en Booking.com durante tres meses (enero–marzo de 2025) y elaboró el modelo público más detallado del algoritmo de ranking hasta la fecha. Su análisis se puede resumir en una fórmula de beneficio esperado:
Beneficio esperado = (N.º de reservas × precio medio de venta × % de comisión) − costes de adquisición
Esta fórmula —confirmada también por investigación independiente de Otamiser— deja claro en interés de quién está el algoritmo: está diseñado para maximizar el ingreso por búsqueda de Booking.com, no para repartir visibilidad con equidad.
1. Tasa de conversión
Es el factor más importante. ¿Con qué frecuencia reservan quienes ven su ficha? Una ficha con mucho tráfico y pocas reservas se penaliza: el algoritmo lo interpreta como baja relevancia o calidad y le baja posiciones.
El estudio de MyDataValue encontró que mejorar la conversión aportó +1,8 puntos al score global de ranking — y eso se acumula, porque un mejor ranking da más impresiones y, si la conversión se mantiene, sube aún más el ranking.
Referencia: las propiedades suelen tener 2–5% de conversión. Por debajo del 2% suele haber problemas de precios, contenido de la ficha o fricción en la reserva.
2. Precios y alineación promocional
El estudio de 2025 de MyDataValue atribuyó más del 35% de los factores de ranking a precios y configuración promocional alineada con el comportamiento del huésped. No se trata solo de ser barato, sino de competitividad frente a su mercado, participación en programas (Genius, ofertas móvil, última hora) y flexibilidad de tarifas.
La mejora del ADR base aportó el mayor factor individual: +2,8 puntos — pero en el sentido de optimizar el precio para la conversión, no solo bajarlo.
Punto crítico: solo con precios dinámicos se cubre aproximadamente el 10–40% del reto de alcanzar un RevPAR neto óptimo en Booking.com. El 60–90% restante depende de factores no ligados al precio.
3. Tramo de comisión
Es el factor que menos gusta mencionar. Quienes ofrecen mayores comisiones reciben un impulso de visibilidad medible. La propia página de transparencia de Booking.com lo confirma: el nivel de comisión figura explícitamente como factor de ranking.
El programa Preferred Partner (más comisión a cambio de mejor colocación) supone de media 65% más de vistas de página y 40% más reservas. Genius muestra +29% de reservas para los alojamientos participantes. Visibility Booster permite subir temporalmente la comisión para ganar posiciones.
La página «How We Work» de Booking.com lo dice claramente: el ranking depende de «cuánta comisión nos pagan por las reservas» y de «con qué rapidez suelen pagarla».
4. Puntuación, volumen y actualidad de reseñas
En una actualización de 2025, Booking.com cambió el cálculo de las puntuaciones. La actualidad pesa mucho más. En lugar de tratar todas las reseñas por igual, usa una media móvil de 36 meses con más peso a reseñas recientes. Las propiedades con buenas reseñas recientes tienen 15–20% más de conversión.
Un hotel con 9,2 y 40 reseñas en los últimos seis meses puede superar a uno con 9,4 basado en reseñas antiguas. La velocidad de reseñas —cuántas nuevas genera al mes— es ya tan importante como la nota.
5. Property Page Score (calidad del contenido)
Booking.com asigna un «Property Page Score» que refleja calidad y completitud: descripción, precisión de servicios y, sobre todo, fotos.
Los propios experimentos de Booking.com indican que 24 o más fotos en alta resolución y unas 4 fotos por tipo de habitación (incluido al menos un baño) mejoran de forma notable la conversión. Las fichas con pocas o malas imágenes rinden peor en clics.
6. Disponibilidad y política de cancelación
Las opciones de cancelación gratuita rankean mejor porque reducen la fricción. Los alojamientos con disponibilidad más lejana (idealmente 12+ meses) reciben más impresiones, lo que alimenta conversión y ranking.
7. Tasa de respuesta y rapidez
Es el factor que más hoteleros ignoran. Confirmaciones lentas, muchas denegaciones o respuestas tardías a mensajes marcan la propiedad como poco fiable. El ranking cae —no siempre de golpe, pero de forma silenciosa y acumulativa.
La capa de personalización
Lo que vuelve opacos a los algoritmos OTA es la personalización. El artículo «Learning to Match» (Mavridis, 2018) describe perfiles de preferencias con puntuaciones de flexibilidad en varias dimensiones: fechas, tipo de alojamiento, sensibilidad al precio, ubicación.
Los resultados que ve un viajero de Singapur en el móvil pueden ser muy distintos de los de uno de Alemania en escritorio, aunque destino y fechas coincidan. El algoritmo pondera historial de búsqueda, nacionalidad, dispositivo, comportamiento de reserva e incluso navegación en la sesión actual.
Un análisis de 2025 de Hotelub confirma la paradoja del ranking: aunque el hotel pueda ofertar tarifas más bajas en su web, el algoritmo puede penalizar la ficha si detecta infraquoting frente a la OTA. Un estudio de Google Hotels en 2025 encontró que los sitios oficiales de hotel quedan por debajo de las OTA en el 75% de los casos.
Expedia: arquitectura parecida, énfasis distinto
Expedia Group publicó a finales de 2024 investigación propia en su blog técnico. Su sistema es en dos fases: primero generación de candidatos, luego un paso de ranking costoso con redes neuronales profundas.
Como Booking.com, usa modelos learning-to-rank entrenados con datos históricos. Las diferencias: mucho peso del margen de comisión (favorece listados que más ingresos dejan a la plataforma), mayor peso de la relevancia (las palabras clave en descripciones ayudan) y cancelación flexible priorizada en todo el ecosistema Expedia.
El patrón en todas las OTA
A pesar de las diferencias, las grandes OTA comparten un objetivo: maximizar el ingreso por búsqueda. De ahí un patrón estable:
| Lo que el hotel puede controlar | Lo que cuesta dinero | Lo que el hotel no controla |
|---|---|---|
| Conversión (contenido, fotos, textos), reseñas (ritmo y actualidad), completitud de la ficha, tiempo de respuesta, disponibilidad, flexibilidad de tarifas | Tramo de comisión, programas promocionales (Genius, VIP Access, Visibility Booster), descuentos | Personalización, competencia local, cambios de algoritmo |
La implicación incómoda: los algoritmos están pensados para extraer el máximo valor a los hoteles, no para repartir visibilidad con justicia. Quien lo entiende juega mejor; quien no, vuela a ciegas.
Qué implica para su estrategia de reserva directa
Lo que muchos artículos de optimización OTA omiten: las señales del ranking OTA están muy ligadas a las de visibilidad en el resto de canales.
- La velocidad de reseñas afecta OTA, Google y si la IA le recomienda.
- La calidad del contenido afecta conversión en OTA, en web y lo que los sistemas de IA «leen» de usted.
- El volumen de búsqueda de marca —alimentado por todos los canales— influye en cómo las OTA personalizan para quien ya le ha oído nombrar.
Por eso optimizar solo la OTA es perder. Lucha en una plataforma diseñada para maximizar comisiones. Quienes mejoran su mix de reservas no lo hacen solo «hackeando» el algoritmo OTA, sino entendiendo que las mismas señales —contenido, reseñas, redes, autoridad de búsqueda— se refuerzan en todos los canales de decisión del viajero, incluido el análisis de los datos de viajeros de SiteMinder 2026.
La pregunta no es solo cómo subir en Booking.com. Es: ¿cuán visible es su hotel en todo el ecosistema de descubrimiento? Si es visible en todas partes, la dependencia de OTA se reduce sola. Si solo es visible en OTA, pagará peaje para siempre.
Fuentes y lecturas adicionales
Artículos académicos y de sector
- Bernardi, Mavridis y Estevez. «150 Successful Machine Learning Models: 6 Lessons Learned at Booking.com.» ACM SIGKDD 2019.
- Mavridis et al. «Beyond Algorithms: Ranking at Scale at Booking.com.» RecSys 2020.
- Mavridis. «Learning to Match.» arXiv:1802.03102, 2018.
- MyDataValue. «Cracking the Booking.com Ranking Algorithm.» Estudio 621 propiedades, Q1 2025.
- Expedia Group Technology. «Choosing the Right Candidates for Lodging Ranking.» Medium, diciembre 2024.
- Expedia Group Technology. «Channel-Smart Property Search.» Medium, julio 2024.
Fuentes de plataforma
- Booking.com Partner Hub. «Search results, ranking, and visibility.»
- Booking.com. Página de transparencia «How We Work».
- Booking.com Engineering. «The Engineering Behind High-Performance Ranking Platform.» Medium, julio 2024.
- GuestTouch. «Booking.com 2025 Review Score Updates.» Febrero 2025.
Análisis del sector
- Otamiser. «How to Boost Your Ranking on Booking.com» y «Does Every OTA Determine Their Ranking Differently?» 2025.
- Hotelub. «Booking.com: A Strategic Guide for Owners.» Diciembre 2025.
- Lighthouse. «The Top 3 OTA Trends of 2025.» Octubre 2025.