Un algoritmo ampliamente utilizado en empresas hoteleras para el análisis de la demanda es el llamado K-means. El algoritmo mencionado se basa en el uso de la distancia euclidiana como medida de disimilitud y este hecho puede causar un gran inconveniente. Concretamente, la distancia euclidiana proporciona una medida de diferencia global entre los valores de las variables descriptivas que puede difuminar las diferencias relativas en cada componente por separado y, por lo tanto, el algoritmo de agrupación puede asignar un cliente a un clúster incorrecto. Para evitar esta desventaja, este documento propone una aplicación del uso de operadores de Promedio Ponderado Ordenado (OWA) y un K-means basado en OWA para la agrupación de clientes que se alojan en un hotel de cinco estrellas real, ubicado en una zona madura de sol y playa, de acuerdo con su propensión a gastar. Cabe señalar que la distancia basada en OWA calcula distancias relativas y es sensible a las diferencias en cada componente por separado. Todos los experimentos muestran que el uso del operador OWA mejora el rendimiento del K-means clásico hasta y reduce el número de iteraciones de convergencia hasta . Esta mejora ha sido probada a través de un ground truth, diseñado por el departamento de marketing de la empresa, que establece el clúster al que pertenece cada turista. Además, la clasificación de clientes se logra independientemente de la temporada en la que el cliente se aloje en el hotel. Todos estos hechos confirman que el K-means basado en OWA podría ser utilizado como una herramienta adecuada para clasificar turistas en etapas puramente exploratorias y predictivas. Además, la nueva metodología se puede implementar sin requerir cambios radicales en la implementación de la metodología clásica y en el procesamiento de datos, lo cual es crucial para que pueda incorporarse al panel de control de un hotel real sin costos adicionales de implementación.