# ¿Precisión o cobertura en el mapeo? Qué significa realmente 99,99 %

> URL: https://hotelmapping.org/es/guia/precision-o-cobertura-99-99/ · Idioma: Español · Última actualización: 2026-11-15

**La precisión indica qué parte de las coincidencias automáticas es correcta; la cobertura, qué parte de los registros que deberían coincidir se emparejó. Subir el umbral reduce los errores, pero baja la cobertura y engorda la revisión humana. Un "99,99 % de precisión" no se interpreta sin conocer el conjunto de prueba y el denominador.**

## Respuesta corta

Una de las cifras más frecuentes en los textos promocionales de los proveedores de mapeo hotelero es el "99,99 % de precisión". Impresiona, pero por sí sola no dice cuánto servirá un servicio de mapeo. La calidad del mapeo no se describe con un solo número, sino con tres números interdependientes:

- **Precisión:** ¿qué parte de las coincidencias automáticas es correcta? Su inversa es la tasa de coincidencias erróneas.
- **Cobertura:** ¿qué parte de los registros que pertenecen realmente al mismo hotel se ha emparejado?
- **Tasa de revisión humana:** ¿qué parte de los registros no pudo resolverse automáticamente y acabó en manos de un especialista?

Estos tres números se mueven juntos. El ajuste que mejora uno suele empeorar alguno de los otros dos. En este artículo explicamos ese equilibrio, cómo la elección del umbral cambia los tres números y qué preguntas hacer al evaluar afirmaciones de alta precisión. Para el funcionamiento general del mapeo hotelero, puede empezar por la [guía de mapeo hotelero](https://hotelmapping.org/es/guia/que-es-mapeo-hotelero/).

## Precisión, cobertura y revisión humana: tres preguntas distintas

Para cada registro de proveedor, un motor de mapeo toma una de tres decisiones: vincularlo a un hotel existente, consultarlo con un especialista o abrir un nuevo identificador de hotel. Cada decisión puede ser correcta o errónea, y el coste de los errores es distinto.

| Resultado | Qué ha pasado | Qué métrica afecta | Impacto para la agencia |
| --- | --- | --- | --- |
| Coincidencia correcta | Dos registros del mismo hotel se vincularon entre sí | Precisión y cobertura | Los precios se comparan en el hotel correcto |
| Coincidencia errónea | Dos hoteles distintos se vincularon al mismo identificador | Reduce la precisión | Se vende un hotel al cliente y la reserva va a otro |
| Coincidencia perdida | El registro del mismo hotel recibió un identificador nuevo | Reduce la cobertura | El mismo hotel aparece dos veces en el listado (duplicado) |
| Revisión humana | La puntuación quedó en la zona incierta y el registro pasó a un especialista | Aumenta la tasa de revisión humana | Se decide bien, pero cuesta tiempo y esfuerzo |

La coincidencia errónea suele ser el error más caro. El cliente paga por un hotel, la reserva se transmite a otro establecimiento y el problema suele aflorar en la recepción del hotel. La coincidencia perdida es más silenciosa: el mismo hotel aparece en el listado con dos nombres y dos precios. Eso reduce la conversión y distorsiona la comparación de precios. Cómo se limpian los duplicados lo explicamos en la entrada [limpieza de duplicados](https://hotelmapping.org/es/glosario/eliminacion-de-duplicados/) y su coste para la agencia, en el [artículo sobre el coste de los hoteles duplicados](https://hotelmapping.org/es/guia/coste-hoteles-duplicados/).

La revisión humana, en cambio, no es un error sino un coste. Mostrar los registros inciertos a un especialista reduce ambos errores, pero cada registro requiere tiempo y el mapeo de un archivo de proveedor nuevo se retrasa.

### ¿Por qué no pueden ser máximas las dos a la vez?

Para cada par candidato, el motor de mapeo genera una [puntuación de coincidencia](https://hotelmapping.org/es/glosario/puntuacion-de-coincidencia/): un valor entre 0 y 1 que indica la probabilidad de que dos registros sean el mismo hotel. La decisión depende de por encima de qué umbral queda esa puntuación.

Si sube el umbral, solo los registros de los que hay mucha certeza se emparejan automáticamente. Las coincidencias erróneas bajan y la precisión sube. Pero también quedan fuera de la decisión automática las coincidencias correctas cuya puntuación es algo menor: o van a la cola de revisión o reciben un identificador nuevo y se convierten en duplicados. Si baja el umbral, ocurre lo contrario: la cobertura aumenta, pero se cuelan coincidencias erróneas.

Por eso la frase "nuestra precisión es del 99,99 %" queda incompleta mientras no se responda a "¿y cuál es su cobertura?". Un sistema que no empareja ningún registro no comete ninguna coincidencia errónea; técnicamente es impecable, pero no sirve para nada.

## Cómo cambia la elección del umbral los tres números

La regla de decisión prevista en hotelmapping.org consta de dos umbrales: con una puntuación de 0,97 o superior, coincidencia automática; entre 0,80 y 0,97, revisión humana; por debajo de 0,80, nuevo HM ID. Los umbrales se ajustan con un conjunto de prueba etiquetado a mano. Con un ejemplo de cálculo se puede mostrar el efecto de estos dos umbrales y de las alternativas.

### Ejemplo de cálculo (totalmente hipotético)

**Las cifras siguientes son un ejemplo.** No pertenecen a ninguna medición, proveedor ni cliente reales; se han ideado solo para mostrar el efecto de la elección del umbral.

Supongamos 10.000 registros de proveedor etiquetados. De ellos, 9.000 tienen una contrapartida real en la base de datos y 1.000 son hoteles nuevos que aún no existen en ninguna fuente. En los registros que van a revisión humana suponemos que el especialista decide correctamente. Al procesar los mismos registros con cuatro ajustes distintos, la tabla podría quedar así:

| Escenario | Ajuste | Precisión automática | Cobertura automática | Cobertura tras revisión | Tasa de revisión humana | Coincidencias erróneas | Coincidencias perdidas (duplicados) |
| --- | --- | --- | --- | --- | --- | --- | --- |
| A | Umbral único 0,90, sin revisión humana | 99,50 % | 97,3 % | 97,3 % | 0 % | 44 | 214 |
| B | 0,97 / 0,80 | 99,90 % | 89,9 % | 97,6 % | 7,5 % | 8 | 210 |
| C | 0,99 / 0,80 | 99,99 % | 77,8 % | 97,7 % | 18,5 % | 1 | 210 |
| D | Umbral único 0,99, sin revisión humana | 99,99 % | 77,8 % | 77,8 % | 0 % | 1 | 2.000 |

De la tabla se extraen cuatro conclusiones:

1. **En los escenarios C y D la precisión es la misma: 99,99 %.** Pero en el escenario D quedan 2.000 hoteles duplicados; aproximadamente una quinta parte de los hoteles con contrapartida aparece dos veces en el listado. La misma cifra de precisión puede describir dos servicios muy distintos.
2. **El escenario C compra el 99,99 % de precisión con trabajo humano.** El 18,5 % de los registros va a un especialista. En un archivo de 10.000 registros, son 1.850 registros. Cuando se añade un proveedor nuevo, mapear el archivo completo puede llevar días.
3. **El escenario A es rápido y amplio, pero deja 44 coincidencias erróneas.** Cada una es el riesgo de que el cliente sea enviado a otro hotel.
4. **El umbral inferior (0,80) determina las coincidencias perdidas.** En los escenarios B y C, aunque cambie el umbral superior, el número de registros que quedan duplicados es el mismo (210). Para reducir los duplicados hay que bajar el umbral inferior, lo que agranda aún más la cola de revisión.

El escenario B del ejemplo corresponde a los umbrales previstos en hotelmapping.org. En este ejemplo la tasa de revisión humana sale en el 7,5 %, es decir, por encima del objetivo previsto del 5 %. Esto también muestra que el ajuste del umbral por sí solo no basta: la verdadera forma de reducir la cola de revisión es disminuir el número de registros que caen en la zona incierta del modelo, con mejor normalización, coordenadas más limpias y señales adicionales como el teléfono y la dirección web. El umbral elige en qué punto de la misma curva se sitúa; un modelo mejor mejora la propia curva.

### ¿Cómo debe ser un informe de medición?

Una medición de calidad debe mostrar no solo el porcentaje resultante, sino también los números con los que se calculó. El siguiente JSON muestra cómo podría figurar el escenario B anterior en un informe de medición. Los nombres de campo y los valores son un ejemplo; no es un formato de informe definitivo de hotelmapping.org.

```json
{
  "example": true,
  "test_set": {
    "name": "ornek-akdeniz-2026",
    "records": 10000,
    "records_with_counterpart": 9000,
    "labeling": "dos expertos; un tercero en caso de desacuerdo",
    "markets": ["antalya", "mugla", "istanbul"]
  },
  "thresholds": { "auto_match": 0.97, "review": 0.80 },
  "decisions": {
    "auto_match": { "count": 8100, "correct": 8092, "wrong": 8 },
    "review": { "count": 750, "matched_after_review": 690, "new_id_after_review": 60 },
    "new_id": { "count": 1150, "missed_counterpart": 210 }
  },
  "metrics": {
    "precision_auto": 0.9990,
    "coverage_auto": 0.8991,
    "coverage_after_review": 0.9758,
    "review_share": 0.075
  },
  "by_market": [
    { "market": "antalya", "auto_match": 3400, "wrong": 6, "precision_auto": 0.9982 },
    { "market": "other", "auto_match": 4700, "wrong": 2, "precision_auto": 0.9996 }
  ]
}
```

Fíjese en la sección `by_market`. La precisión, que en conjunto es del 99,90 %, baja al 99,82 % en los registros de Antalya; 6 de las 8 coincidencias erróneas están en ese mercado. Muchos resorts con el mismo nombre, ubicaciones cercanas entre sí y nombres en varios idiomas hacen que una región sea más difícil que otras. La cifra media oculta esa diferencia.

## ¿Cómo cuestionar la afirmación de "99,99 % de precisión"?

Cuando vea una cifra de precisión alta, hacer las preguntas siguientes revela qué dice realmente. Estas preguntas valen para cualquier proveedor, incluido hotelmapping.org.

### 1. ¿Con qué conjunto de prueba se midió?

Detrás de la cifra debe haber un conjunto de prueba etiquetado a mano. ¿Cuántos registros o pares se etiquetaron? ¿Los registros se eligieron al azar o predominan las cadenas hoteleras, fáciles de emparejar? ¿El conjunto de prueba se mantuvo separado de los datos con los que se entrenó el modelo? ¿Cuántas personas etiquetaron y con qué regla?

El tamaño del conjunto de prueba también importa. Que un conjunto de prueba no muestre ningún error no significa que esa tasa esté demostrada de forma concluyente. Según la "regla de tres", muy usada en estadística, cuando en n registros no se observa ningún error, el límite superior de la tasa real de error se toma aproximadamente como 3/n (con un nivel de confianza del 95 %). Cero errores en 5.000 coincidencias automáticas indican que la tasa de error está por debajo de aproximadamente el 0,06 %; es decir, como mucho se puede afirmar "99,94 % o más". Para demostrar el 99,99 % con este método, se necesitarían unas 30.000 coincidencias automáticas sin ningún error.

### 2. ¿En qué mercado se midió?

Un promedio global puede no reflejar la situación de las regiones en las que usted vende. Los hoteles urbanos y las grandes cadenas suelen emparejarse con más facilidad; las zonas de resorts del Mediterráneo, los apartamentos y los hoteles boutique son más difíciles. Pida cifras separadas para regiones como Antalya, Muğla, Dubái o Egipto. ¿Se midió la cifra solo con nombres en un idioma, o el conjunto de prueba incluye también nombres en ruso y árabe?

### 3. ¿Sobre qué denominador se calculó?

Esta es la pregunta que más se pasa por alto. La precisión se puede calcular de tres formas y las tres dan cifras muy distintas:

- **Sobre las coincidencias automáticas:** número de coincidencias correctas / todas las coincidencias automáticas. Esta es la definición de este artículo.
- **Sobre todos los registros:** decisiones correctas / todos los registros. Como en el numerador entran también las decisiones correctas de "hotel nuevo", la cifra sube.
- **Sobre todos los pares candidatos:** decisiones correctas / todos los pares comparados. Casi todos los pares comparados son, de entrada, hoteles distintos. Si de 1.000.000 de pares candidatos solo 9.000 son coincidencias reales, incluso un sistema que no empareja nada alcanza una tasa de "decisiones correctas" del 99,1 %.

Si no se indica el denominador, no es posible comparar la cifra.

### 4. ¿Solo coincidencias automáticas o todas las coincidencias?

Algunas cifras incluyen también las coincidencias que han pasado por revisión humana. En ese caso, la alta precisión es mérito del equipo de especialistas, no del modelo. Eso no es malo, pero es otra cosa: la revisión humana lleva tiempo y determina cuánto tardan en mapearse los nuevos archivos de proveedores. Pregunte por separado la precisión de las coincidencias automáticas y la tasa de revisión humana.

### 5. ¿Cuál es la cobertura y la tasa de revisión con el mismo umbral?

La cifra de precisión debe darse junto con la cobertura y la tasa de revisión humana medidas con el mismo umbral. El escenario D del ejemplo de cálculo muestra que una precisión del 99,99 % puede venir acompañada de una cobertura del 77,8 %. Si un proveedor solo comparte la precisión, pida aparte las otras dos cifras.

### 6. ¿Se ha probado con sus propios datos?

La medición más fiable es una prueba con una muestra tomada de sus propios datos de proveedor. Etiquete usted mismo unos cientos de registros de las regiones en las que vende y compare el resultado del proveedor con esas etiquetas. Este método dice mucho más que la cifra general anunciada. Para otras preguntas que conviene hacer al elegir un proveedor, consulte el artículo [12 preguntas al elegir una API de mapeo hotelero](https://hotelmapping.org/es/guia/12-preguntas-elegir-api-mapeo-hotelero/).

## ¿Qué métrica priorizar?

El equilibrio adecuado depende de para qué use los datos mapeados:

- Para **agencias y turoperadores que aceptan reservas**, la coincidencia errónea es el error más caro. Aquí tiene sentido priorizar la precisión y enviar los registros inciertos a revisión humana.
- Para **sitios que comparan precios**, importan tanto la precisión como la cobertura. Una coincidencia errónea lleva a una comparación de precios incorrecta; una coincidencia perdida, a una lista de precios incompleta.
- Para **informes y análisis**, la cobertura puede ser más importante; alguna coincidencia errónea aislada no altera mucho la estadística total.

Elija lo que elija, la decisión debe ser visible en cada coincidencia. En las respuestas de la API v1 de hotelmapping.org, la puntuación de confianza de cada coincidencia se devuelve en el campo `confidence` y la decisión tomada, en `decision`. Así puede aplicar un umbral más estricto con su propia regla de negocio. Para más detalles, consulte la página de la [API de mapeo](https://hotelmapping.org/es/productos/soluciones-find-match-api/).

## ¿Cómo medirá hotelmapping.org estas cifras?

La calidad del producto de [mapeo hotelero](https://hotelmapping.org/es/productos/soluciones-mapeo-hotelero/) se medirá en cada versión con un conjunto de prueba de al menos 5.000 pares de hoteles etiquetados a mano. El conjunto de prueba incluirá especialmente registros de Antalya, Muğla, Estambul, Dubái y Egipto. Las métricas que se reportarán son los tres números descritos en este artículo: precisión (tasa de coincidencias erróneas), cobertura (proporción de registros emparejados) y proporción de registros que pasan a revisión humana.

Todavía no se ha publicado ningún resultado medido. Los valores medidos se publicarán en la página de [cobertura](https://hotelmapping.org/es/cobertura/) cuando el conjunto de prueba esté completo, junto con el denominador y el mercado sobre los que se midieron. En el sitio solo incluiremos cifras confirmadas por esta medición.

## Resumen

La precisión, la cobertura y la tasa de revisión humana son tres caras del mismo ajuste de umbral. Subir el umbral reduce las coincidencias erróneas, pero engorda o bien los duplicados o bien la cola de revisión. Una cifra como "99,99 % de precisión" solo tiene sentido cuando se conocen el conjunto de prueba, el mercado, el denominador y la distinción de coincidencias automáticas, y cuando se da junto con la cobertura con el mismo umbral. Al evaluar a un proveedor, pida los tres números juntos y, si es posible, pruebe con sus propios datos.

## Preguntas frecuentes

### ¿Precisión y cobertura son lo mismo?

No. La precisión mide qué parte de las coincidencias entregadas es correcta; la cobertura mide qué parte de los registros que deberían coincidir se ha emparejado. Un sistema que no entrega ninguna coincidencia tampoco comete errores, pero su cobertura es cero. Por eso ambas cifras deben darse siempre juntas y para el mismo umbral.

### ¿Una precisión del 99,99 % significa que es falsa?

No tiene por qué serlo, pero por sí sola es incompleta. Sin saber en qué conjunto de prueba, en qué mercado, sobre qué denominador y si se midió solo para coincidencias automáticas, no se puede entender qué dice la cifra. También hay que preguntar por la cobertura y la tasa de revisión humana con el mismo umbral.

### ¿Puedo cambiar yo mismo los valores de umbral?

En las respuestas de la API v1, la puntuación de confianza de cada coincidencia se devuelve en el campo confidence. Con ella puede aplicar en su propio sistema una regla más estricta; por ejemplo, aceptar automáticamente solo lo que supere 0,99. Aún no está decidido si el servicio ofrecerá un ajuste de umbral por cliente.

### ¿Cuál es la precisión y la cobertura medidas de hotelmapping.org?

Todavía no hay una medición publicada. El plan es medir con al menos 5.000 pares de hoteles etiquetados a mano y publicar el resultado en la página de cobertura.

## Productos relacionados

- [Soluciones de mapeo hotelero](https://hotelmapping.org/es/productos/soluciones-mapeo-hotelero/)
- [Soluciones de Find Match API](https://hotelmapping.org/es/productos/soluciones-find-match-api/)

## Artículos relacionados

- [¿Qué es el mapeo hotelero (hotel mapping) y cómo funciona? Guía completa](https://hotelmapping.org/es/guia/que-es-mapeo-hotelero/)
- [12 preguntas que hay que hacer al elegir una API de mapeo hotelero](https://hotelmapping.org/es/guia/12-preguntas-elegir-api-mapeo-hotelero/)

## Términos relacionados

- [Puntuación de coincidencia](https://hotelmapping.org/es/glosario/puntuacion-de-coincidencia/)
- [Eliminación de duplicados](https://hotelmapping.org/es/glosario/eliminacion-de-duplicados/)
