O presente trabalho propõe a aplicação da modelagem de sistema de recomendação por abordagem colaborativa, por meio do algoritmo kNN. Trata-se de uma alternativa para estimar quais destinos seriam preferidos pelos turistas em função de seus históricos de viagem. Para tanto, foi desenvolvido um sistema de coleta de dados dos mapas de viagem de usuários da plataforma TripAdvisor. Com base neles, foi possível comparar as recomendações do sistema, feitas a partir de um histórico mínimo de três países visitados, e os dois destinos internacionais efetivamente visitados na sequência pelos usuários. Observou-se que o grau de acerto não cresce conforme aumenta o tamanho k da comunidade relacionada ao algoritmo quando verificados os valores de 10, 50 e 100 membros. Porém, o percentual de acerto é maior entre os turistas com menor quantidade de países visitados. Tais resultados podem colaborar para a gestão de turismo no contexto do eTourism, uma vez que a quantidade de dados e informações disponíveis no ambiente Big Data é expressiva e permite traçar estratégias de relacionamento entre os destinos, agências de turismo e turistas. Ademais, os resultados do sistema de recomendação são personalizados, dinâmicos e não são difíceis de serem implementados. Com isso, pretende-se contribuir para a aproximação entre as áreas relacionadas às ciências de dados, computação e o turismo, apontando novas ferramentas que subsidiem a tomada de decisão na gestão estratégica do turismo.

This work proposes the application of the recommendation system modeling by collaborative approach, through the kNN algorithm, an alternative to estimate which destinations would be preferred by tourists according to their travel records. A system was developed to scrape data from travel maps of users of the TripAdvisor platform. The data allowed to compare the recommendations of the system estimated from a record of at least three previously visited destinations with two international destinations actually visited afterwards. It was observed that the accuracy does not increase as the size k of the related community increases when the values of 10, 50 and 100 members are adopted. However, the accuracy is higher among tourists with smaller travel records. Such results can collaborate with tourism management in the context of eTourism, since the amount of data and information available in the Big Data environment is expressive and allows us to outline relationship strategies between destinations, tourism agencies and tourists, since the recommender system results are personalized, dynamic and not difficult to implement. This research contributes to the approximation between the areas related to Data Sciences and Tourism, enabling new tool alternatives that subsidize decision-making in the strategic management of tourism.