Pertumbuhan sektor akomodasi digital meningkatkan volume user-generated content berupa ulasan pelanggan yang krusial untuk memahami perilaku konsumen. Penelitian ini bertujuan memodelkan preferensi dan memprediksi revisit intention melalui analisis ulasan pariwisata berskala besar. Dataset mencakup lebih dari 200.000 ulasan Agoda dan Airbnb dari delapan kota di Indonesia yang telah diberi label menggunakan model ModernBERT. Penelitian ini secara khusus menyoroti heterogenitas pelanggan lintas segmen perjalanan dan tipe akomodasi yang seringkali terabaikan dalam analisis tradisional. Metodologi penelitian menggabungkan Structural Topic Model (STM) untuk mengekstraksi 20 topik utama dengan model klasifikasi XGBoost, Random Forest, dan MLP. Hasil pengujian menunjukkan bahwa XGBoost merupakan model terbaik dengan F1-score 0,92, membuktikan kemampuan prediksi yang kuat. Untuk transparansi, pendekatan Explainable AI (SHAP) digunakan guna menginterpretasikan kontribusi setiap topik terhadap prediksi niat berkunjung kembali pelanggan secara mendalam. Analisis SHAP mengonfirmasi perbedaan preferensi antar segmen. Tamu bisnis lebih dipengaruhi layanan cepat dan aksesibilitas, sedangkan tamu liburan memprioritaskan kenyamanan serta fasilitas rekreasi. Isu kebersihan berdampak negatif lebih kuat pada hotel, sementara masalah kebisingan dan utilitas kamar lebih menurunkan niat revisit pada akomodasi P2P. Penelitian ini juga menghasilkan dashboard interaktif berbasis website guna mendukung pemangku kepentingan industri dalam mengeksplorasi hasil analisis secara dinamis.