Introducción
La conectividad global y regional ha favorecido a la industria del comercio electrónico, y durante el aislamiento tuvo un crecimiento importante, siendo una oportunidad para las empresas. Tejeda (2020) considera que el tiempo de confinamiento ha dado paso a la digitalización de los países latinoamericanos, en el caso particular de Bolivia, como el inicio a nuevos emprendimientos.
El modelo teórico utilizado fue propuesto por Davis (1989) y adaptado por Arango et al. (2020) y considera las variables confianza, actitud hacia la adopción, intención conductual, facilidad de uso percibida y usabilidad, analizadas según la regresión de mínimos cuadrados parciales que permiten evaluar la relación de los constructos e indicadores, para determinar la contribución de cada ítem, a través del análisis de fiabilidad según Ávila y Moreno (2018).
Por otro lado, cabe destacar que la región latinoamericana tuvo grandes cambios con respecto a la conectividad a internet en los últimos años. Guerrero (2019) destaca el informe de la Comisión Económica para América Latina y el Caribe (CEPAL) y World Stats, sobre la penetración de internet de un 43,4 a 71,5% en solo cinco años, de modo que, durante ese periodo se superó la media mundial (62%), aunque aún es notable la diferencia con regiones más desarrolladas como Europa y Norteamérica con registros de 87,2% y 90.3% respectivamente.
De ahí es que la conectividad global y regional es positiva para la industria del e-commerce, debido a que, diversas empresas pueden hacer uso de canales digitales para lograr atraer a clientes potenciales y hacer compras a través de estos medios. Como lo hace notar Tejeda (2020) la pandemia por Covid-19 ha incentivado las compras online en los países latinoamericanos, pero en el caso particular de Bolivia, se ha convertido en una gran oportunidad para la digitalización y el nacimiento de nuevos emprendimientos.
Por su parte, el e-commerce ha tenido un crecimiento importante durante el tiempo de confinamiento siendo utilizado como una estrategia de ventas. En la opinión de Tejeda (2020) el incremento del comercio electrónico en Bolivia ha sido de manera paulatina, a comparación de países como China, Estados Unidos y Europa que ya sabían aprovecharlo mucho antes de la emergencia sanitaria.
La industria de la moda tiene como herramienta esencial el comercio electrónico debido a la magnitud de ingresos que se genera por este medio. Smales (2019) destaca el crecimiento durante los últimos años, desde 481 mil millones de dólares en 2018 hasta un incremento que superan los 545 y con una proyección de hasta los 713 mil para el 2022. En ese sentido, podemos considerar al e-commerce como parte integral del éxito de dichas empresas.
1.- Incremento del comercio electrónico en las redes sociales
Desde el punto de vista de Candia (2018) los bolivianos están listos para las compras online, pero las empresas que hacen uso de estos sistemas, únicamente se enfocan en clientes que poseen tarjetas de crédito o débito y que sepan usar el sistema, de modo que, no supera el 15% de la población. Así mismo, tal y como expresa Ignacio (2017) cerca del 75% de los compradores por redes sociales lo hacen por la facilidad que esto representa, esto es un punto a favor de comerciantes y dueños de negocios para impulsar sus ventas.
Como lo hace notar Guzmán (2018) las redes sociales más utilizadas por los bolivianos para el comercio electrónico son Facebook y WhatsApp, si bien, el crecimiento del comercio electrónico fue de 33% anual, solo el 10% de la población realizó una compra online. De ahí es que, según sostiene Candia (2018) parte de la idiosincrasia son los pagos en efectivo con el fin de ver el producto, analizarlo y probarlo.
2.- Modelo teórico y metodología de la investigación
La metodología aplicada para determinar el uso del marketing digital siguió el modelo teórico propuesto por Davis (1989) y adaptado por Arango et al. (2020), dado que, es una de las herramientas más utilizadas para predecir si los usuarios adoptarán una nueva tecnología, y así, explicar la influencia del marketing digital en la venta de ropa femenina, ver Figura 1.
El enfoque de la investigación fue mixto de tipo deductivo, el método cualitativo, permitió la observación de campo a las distintas redes sociales de venta de ropa femenina. Los datos estadísticos contribuyeron a la generación de conocimiento respecto al tema en estudio y aceptación o rechazo de las hipótesis planteadas.
Las variables del análisis del modelo teórico elegido fueron la confianza, actitud hacia la adopción del marketing en redes sociales, intención conductual, facilidad de uso percibida y usabilidad.
H1: La utilidad percibida del marketing en las redes sociales tiene un impacto positivo en el comportamiento de la intención de adoptar esta forma de comercialización entre los directores de marketing.
H2: La utilidad percibida tiene un impacto positivo en la actitud hacia el marketing en redes sociales.
H3: La actitud hacia la adopción del marketing en medios sociales tiene una influencia directa y positiva en la intención del comportamiento para adoptar esta forma de comercialización entre los directores de marketing.
H4: La facilidad de uso percibida tiene un efecto positivo en la actitud de los directores de marketing hacia la adopción del marketing en los medios sociales.
H5: La percepción de la facilidad de uso del marketing en redes sociales no tiene un efecto positivo en la percepción de utilidad.
H6: La confianza tiene un impacto positivo en relación a la utilidad percibida.
H7: La confianza tiene un efecto positivo en la facilidad de uso percibida.
La determinación del marco muestral se hizo a partir de los datos poblacionales del Instituto Nacional de Estadística (INE) de la provincia Cercado del departamento de Cochabamba, considerando únicamente a mujeres en un rango de edad a partir de los 18 años a los 46 en adelante, tomando en cuenta el poder adquisitivo para hacer compras con sus propios recursos. Los cálculos realizados dieron un resultado de 267,130 habitantes de género femenino para el año 2021, y es a partir de esta información que se logra obtener una muestra de 337 encuestas.
La encuesta realizada compuesta por 32 preguntas, de las que, 2 corresponden a aspectos demográficos de los encuestados (Edad y género) y 30 al modelo teórico vinculado a cada constructo, a través de una escala Likert de 1 a 5 donde: 1 es Totalmente en desacuerdo, 2 Muy en desacuerdo, 3 Indiferente, 4 Muy de acuerdo y 5 Totalmente de acuerdo.
3.- Resultados y discusión
Para el análisis de regresión de Mínimos Cuadrados Parciales o Partial Least Squares Regression (PLS) basado en el modelo de ecuaciones estructurales (SEM) en el programa Smart PLS; las variables utilizadas fueron cuantitativa, con escalas de medición ordinal, puesto que, nos otorga la clasificación y orden de los datos sin que realmente se establezca el grado de variación entre ellos.
Esta técnica para series de estimaciones de ecuaciones simultáneas mediante regresiones múltiples se caracteriza por dos componentes básicos el modelo estructural y el de medida. El primero, muestra las relaciones de dependencia entre variables independientes (exógenas) y dependientes (endógenas). El segundo, relaciones entre constructos (variables latentes) e indicadores (variables observables), donde se evalúa la contribución de cada ítem (reactivo) a la escala de medición. Además de medir la fiabilidad y nivel de confianza.
En el modelo reflectivo los indicadores de la variable latente son competitivos entre sí y representan manifestaciones de esta. La relación causal parte de la variable latente a los indicadores y cualquier cambio se ve reflejado en todos (Bollen, 1989).
Los resultados del primer análisis del modelo estructural derivan en la fiabilidad de los indicadores en constructos reflectivos, que se aprecian examinando las cargas, la regla empírica más aceptada y difundida es la propuesta por Carmines y Seller (1979) quienes señalan que, para admitir un indicador ha de poseer una carga igual o superior a 0.707. Esto implica que la varianza compartida entre el constructo y sus indicadores es mayor que la varianza del error, caso contrario, los que no satisfagan el criterio expuesto pueden ser excluidos en lo que se denomina “depuración de ítems”. En la Figura 2 se puede observar que fueron eliminados 3 ítems del constructo facilidad de uso percibido (F1, F4 y F5) y uno de intención conductual de adoptar el marketing en redes sociales.
La fiabilidad de los constructos fue evaluada a partir de la medición del Alfa de Cronbach (CA) cuyo valor manifiesta la consistencia interna, es decir, muestra la correlación entre cada una de las preguntas; el valor mínimo aceptable para este coeficiente es 0,7; la consistencia interna de la escala utilizada es baja para valores menores al indicado, como sostienen Oviedo (2005) Werters et al, (1978) y Nunnally, (1978), y aún más estricto 0.8 para una investigación básica. En la Tabla 1, se puede observar los valores de Alfa de Cronbach y la fiabilidad compuesta obtenidos para cada una de las dimensiones del modelo estructural, en los que, los valores cumplen satisfactoriamente las exigencias impuestas por las medidas mencionadas, por lo que se demuestra la consistencia interna de los constructos y se los acepta como fiables.
Alfa de Cronbach | rho_A | Fiabilidad compuesta | Varianza extraída media (AVE) | |
---|---|---|---|---|
Confianza | 0.909 | 0.917 | 0.925 | 0.578 |
Utilidad percibida | 0.866 | 0.867 | 0.909 | 0.714 |
Facilidad de uso percibida | 0.851 | 0.854 | 0.894 | 0.627 |
Actitud hacia la adopción del marketing en las redes sociales | 0.901 | 0.901 | 0.927 | 0.717 |
Intención conductual de adoptar el marketing en redes sociales | 0.852 | 0.855 | 0.910 | 0.772 |
Fuente: Elaboración propia en base a Smart PLS, 2021
Como lo hace notar Fornell y Larcker, (1981) los valores de la varianza extraida media (AVE) con un limite inferior de 0,5 se considera aceptable, lo que significa que los constructos deben explicar más de la mitad de la varianza de sus respectivos indicadores. Vinzig et al, (2010) agrega que AVE es una medida para evaluar la validez convergente de los constructos reflectivos, que expresen la medida en que un constructo puede explicar la varianza de sus indicadores y muestra que parte de la varianza puede atribuir al error de medición. En la Tabla 1 se puede observar que los valores de AVE cumple con los criterios, por lo que se acepta la validez convergente de los constructos.
Así mismo, es necesario conocer el grado de diferencia de cada variable latente con las otras que conforman el modelo, para esto, se debe medir la validez discriminante que tiene el objetivo de garantizar que un constructo con indicadores reflectivos tenga las relaciones más fuertes con sus propios indicadores en comparación con cualquier otro constructo en el modelo de ruta PLS. Hair et al, (2016) menciona que los criterios utilizados para medir la validez discriminante son los de Fornell y Larcker, cargas cruzadas y Heterotrait-Monotrait ratio (HTMT). Para Fornell y Larcker, (1981) la raíz cuadrada de la varianza extraída media (AVE) de un constructo debe ser mayor a las correlaciones que presenta con el resto de constructos.
De ahí es que en la Tabla 2, los constructos cumplen los criterios de Fornell y Larcker, debido a que, la raíz cuadrada del AVE de cada constructo es mayor que las correlaciones que éste tiene con cualquier otra variable latente, cumpliendo con el requisito de peso.
Actitud | Confianza | Facilidad de uso percibida | Intención conductual | Utilidad percibida | |
---|---|---|---|---|---|
Actitud | 0.846 | ||||
Confianza | 0.518 | 0.760 | |||
Facilidad de uso percibida | 0.671 | 0.452 | 0.792 | ||
Intención conductual | 0.740 | 0.456 | 0.652 | 0.879 | |
Utilidad percibida | 0.772 | 0.451 | 0.726 | 0.727 | 0.845 |
Fuente: Elaboración propia en base a Smart PLS,2021
Por otro lado, en la Tabla 3, las cargas cruzadas de cada indicador con su respectiva variable latente que se muestra en negrita, también cumplen con los pesos indicados del criterio de cargas cruzadas de Barclay et al, (1995)
Actitud | Confianza | Facilidad de uso | Intención de adoptar | Utilidad percibida | |
---|---|---|---|---|---|
Actitud 1 | 0.837 | 0.441 | 0.536 | 0.615 | 0.661 |
Actitud 2 | 0.845 | 0.431 | 0.572 | 0.646 | 0.613 |
Actitud 3 | 0.830 | 0.382 | 0.625 | 0.644 | 0.672 |
Actitud 4 | 0.878 | 0.429 | 0.575 | 0.635 | 0.679 |
Actitud 5 | 0.842 | 0.514 | 0.528 | 0.592 | 0.641 |
Confianza 1 | 0.418 | 0.759 | 0.362 | 0.428 | 0.343 |
Confianza 2 | 0.312 | 0.735 | 0.304 | 0.280 | 0.284 |
Confianza 3 | 0.423 | 0.740 | 0.476 | 0.402 | 0.448 |
Confianza 4 | 0.435 | 0.725 | 0.412 | 0.436 | 0.383 |
Confianza 5 | 0.399 | 0.755 | 0.264 | 0.293 | 0.357 |
Confianza 6 | 0.451 | 0.780 | 0.315 | 0.296 | 0.363 |
Confianza 7 | 0.287 | 0.781 | 0.252 | 0.249 | 0.222 |
Confianza 8 | 0.354 | 0.780 | 0.258 | 0.259 | 0.264 |
Confianza 9 | 0.376 | 0.782 | 0.316 | 0.364 | 0.301 |
Facilidad 2 | 0.485 | 0.292 | 0.786 | 0.486 | 0.542 |
Facilidad 3 | 0.562 | 0.402 | 0.784 | 0.540 | 0.541 |
Facilidad 6 | 0.548 | 0.344 | 0.795 | 0.538 | 0.594 |
Facilidad 7 | 0.511 | 0.403 | 0.730 | 0.491 | 0.518 |
Facilidad 8 | 0.549 | 0.348 | 0.861 | 0.523 | 0.670 |
Intención 1 | 0.664 | 0.389 | 0.582 | 0.895 | 0.662 |
Intención 2 | 0.610 | 0.441 | 0.553 | 0.853 | 0.610 |
Intención 3 | 0.675 | 0.376 | 0.583 | 0.888 | 0.643 |
Utilidad 1 | 0.647 | 0.472 | 0.615 | 0.607 | 0.815 |
Utilidad 2 | 0.592 | 0.301 | 0.632 | 0.551 | 0.848 |
Utilidad 3 | 0.661 | 0.312 | 0.618 | 0.660 | 0.859 |
Utilidad 4 | 0.703 | 0.433 | 0.590 | 0.633 | 0.856 |
Fuente: Elaboración propia en base a Smart PLS, 2021
Los cálculos del índice HTMT para constructos de tipo reflectivo que permite calcular la validez discriminante entre indicadores del mismo compuesto y de diferentes según Gold et al, (2001) los valores deben ser menores a 0,9, en la Tabla 4 se muestra que se cumple con lo requerido.
Actitud | Confianza | Facilidad de uso percibida | Intención conductual | Utilidad percibida | |
---|---|---|---|---|---|
Actitud | |||||
Confianza | 0.559 | ||||
Facilidad de uso percibida | 0.765 | 0.491 | |||
Intención conductual | 0.843 | 0.500 | 0.765 | ||
Utilidad percibida | 0.872 | 0.485 | 0.845 | 0.844 |
Fuente: Elaboración propia en base a Smart PLS, 2021
En la Tabla 5, se muestra la verificación del modelo de medida con resultados satisfactorios con relación a los criterios precedentes, es decir, las medidas de los constructos son fiables y válidas, por lo tanto, se procede con la validación del modelo estructural y la validación de las hipótesis planteadas anteriormente.
VIF | |
---|---|
Actitud 1 | 2.326 |
Actitud 2 | 2.359 |
Actitud 3 | 2.167 |
Actitud 4 | 2.829 |
Actitud 5 | 2.412 |
Confianza 1 | 2.044 |
Confianza 2 | 1.915 |
Confianza 3 | 1.786 |
Confianza 4 | 1.734 |
Confianza 5 | 2.109 |
Confianza 6 | 2.373 |
Confianza 7 | 2.629 |
Confianza 8 | 2.568 |
Confianza 9 | 2.247 |
Facilidad de uso 2 | 1.856 |
Facilidad de uso 3 | 1.731 |
Facilidad de uso 6 | 1.836 |
Facilidad de uso 7 | 1.521 |
Facilidad de uso 8 | 2.370 |
Intención conductual 1 | 2.296 |
Intención conductual 2 | 1.900 |
Intención conductual 3 | 2.208 |
Utilidad percibida 1 | 1.823 |
Utilidad percibida 2 | 2.216 |
Utilidad percibida 3 | 2.302 |
Utilidad percibida 4 | 2.154 |
Fuente: Elaboración propia en base a Smart PLS, 2021
4.- Validación del modelo estructural
Los autores Falk y Miller (1992) explican que para una adecuada interpretación del modelo estructural usando la técnica PLS-SEM, se debe utilizar dos índices básicos como son el coeficiente path β y el R2. Del mismo modo Petter et al, (2007) menciona que adicionalmente al índice R2 y los coeficientes path, sea verificado el modelo estructural para detectar problemas de multicolinealidad examinando los valores VIF de todas las variables predictoras, en la Tabla 6 también se exponen los valores que están por debajo del corte restrictivo de 3.3
Actitud | Confianza | Facilidad de uso percibida | Intención conductual | Utilidad percibida | |
---|---|---|---|---|---|
Actitud | 2.477 | ||||
Confianza | 1.000 | 1.257 | |||
Facilidad de uso percibida | 2.115 | 1.257 | |||
Intención conductual | |||||
Utilidad percibida | 2.115 | 2.477 |
Fuente: Elaboración propia en base a Smart PLS, 2021
El coeficiente path estandarizado β es una medida de coeficientes de correlación múltiple entre variables exógenas y endógenas. (Tabachnick et al, 2007). Los valores para los coeficientes de ruta generalmente están entre -1 y +1, lo que indica una relación muy negativa y muy positiva entre las variables. Los valores cercanos a 0 presentan una relación débil.
Como se observa en la figura 3, todas las cargas de los constructos reflectivos superan el valor de referencia de 0,707 de Carmines y Zeller (1979).
5.- Comprobación de hipótesis
Se realizó la estimación de ruta para analizar la significancia entre los caminos path del modelo estructural, cada relación presentada en el modelo se examinó a través del coeficiente de regresión (β). La importancia del coeficiente de regresión β se basa en el valor t, que se obtuvo a través de la técnica de muestreo bootstraping con 5000 sub muestras a un nivel de significancia de 5% en el programa Smart PLS, donde los criterios para la aceptación de hipótesis fueron (T-student ≥ 1,96) y (P-valor ≤ 0,05) (Hair et al, 2006).
Hipótesis | Relación de ruta | ß | Valor de t | Valor de p | Aceptada/rechazada |
---|---|---|---|---|---|
H1 | A->I | 0.443 | 6.307 | 0.000 | Aceptada |
H2 | C->F | 0.452 | 9.009 | 0.000 | Aceptada |
H3 | C->U | 0.154 | 2.992 | 0.003 | Aceptada |
H4 | F->A | 0.234 | 4.415 | 0.000 | Aceptada |
H5 | F->U | 0.656 | 12.407 | 0.000 | Aceptada |
H6 | U->A | 0.602 | 12.302 | 0.000 | Aceptada |
H7 | U->I | 0.385 | 5.187 | 0.000 | Aceptada |
Fuente: Elaboración propia en base a Smart PLS, 2021
En la Tabla 7 las siete relaciones de ruta representan las siete hipótesis, de esta manera, el resultado de la relación entre actitud de adoptar el marketing en las redes sociales y la intención conductual de adoptar el marketing en redes sociales reveló que dicha ruta es significativa (p < 0.000) con valores de β=0.443 o 44.3% y t= 6.307. Por lo tanto, se acepta la hipótesis 1.
Los resultados de los caminos path hacia la variable dependiente confianza fueron altamente significativos (p < 0.000), con valores de β=0,452 o 45,2% y t=9.009, es por eso que, se acepta la hipótesis 2. La ruta menos significativa (p<0.003) fue entre confianza y utilidad percibida β = 0.154 o 15.4% y t = 2.992, a pesar de tener un β muy bajo se acepta la hipótesis 3. El resultado de facilidad de uso percibida y la actitud de adoptar el marketing en las redes sociales era poco significativa (p<0.000) con valores de β=0.234 o 23,4% y t=4.415, de igual manera se acepta la hipótesis 4. La relación más significativa y fuerte fue entre facilidad de uso percibida y utilidad percibida β = 0.656 o 65.6% y t = 12.407, aceptando la hipótesis 5.
De acuerdo con la utilidad percibida y la actitud de adoptar el marketing en las redes sociales se mostró que dicha ruta era muy significativa, siendo así la segunda más importante del modelo (p<0.000) con valores de β=0.602 o 60,2% y t=12.302. Por lo tanto, se acepta la hipótesis 6.
Por último, la utilidad de uso percibida y la intención de adoptar el marketing en las redes sociales que dicha ruta es poco significativa (p<0.000) con valores de β=0.385 o 38,5% y t=5.187. siendo la segunda más débil del modelo, a pesar de tener un P bajo se acepta la hipótesis 7 ya que cumple con los parámetros establecidos.
En la Figura 4, se puede observar que, el poder predictivo de un modelo se mide a través del coeficiente de determinación R2, que representa el efecto combinado de todas las variables latentes exógenas o independientes sobre la variable latente endógena o dependiente. El valor R2 de las variables endógenas debería ser mayor o igual a 0.1, los valores de R2 menores a 0.1 proporcionan muy poca información, lo que significaría que las relaciones de las variables exógenas con esta variable endógena, tienen un nivel predictivo muy bajo. (Falk y Miller, 1992)
En resumen, el modelo muestra un aceptable poder predictivo (R2), ya que contribuye a explicar un 20,5% de la varianza de la facilidad de uso percibida, un 54,6 de la utilidad percibida, un 62,2 de la actitud de adoptar el marketing en las redes sociales y un 60,8 de la intención conductual.
Analizando los coeficientes de determinación, los resultados obtenidos demuestran que la confianza explica en un 54,6% la utilidad percibida R2=0,546, a su vez la facilidad de uso y utilidad percibida explican en un 62,2% la actitud de adoptar el marketing en las redes sociales R2=0,622, la intención conductual de adoptar el marketing en redes sociales es explicada en un 60,8% R2=0,608 por la utilidad y actitud percibida de adoptar el marketing en redes sociales.
Conclusiones
Los resultados de la investigación dieron cumplimiento a los objetivos planteados. Se obtuvo información respecto a la influencia del marketing digital en la decisión de compra de ropa femenina en las redes sociales, dicha información se logró a partir de la encuesta realizada a 337 mujeres, con edades que comprenden entre los 18 a 46 años.
En base a los datos arrojados por los distintos análisis realizados durante la investigación, podemos concluir lo siguiente:
Luego de haber analizado el comportamiento del consumidor online mediante la encuesta se observó que la confianza es un factor muy débil con relación a la utilidad percibida durante las compras que se realiza a través de internet, así mismo, tenemos que la facilidad de uso y la utilidad percibida tienen una fuerte relación asumiendo que al consumidor online le resulta fácil y sencillo la interacción durante la compra.
Se ha identificado aquellos factores que promueven el mercadeo de redes sociales como son la confianza, utilidad percibida, facilidad de uso percibida, actitud de adoptar el marketing y la intención de uso conductual de adoptar el marketing.
Se analizó el peso relacional de cada una de las variables independientes sobre las variables dependientes en la compra por internet, se hizo una observación de campo en la que se a a cuatro páginas de ropa femenina en redes sociales, de igual forma se pudo ver las debilidades y fortalezas de dichas empresas relacionado con las variables del modelo teórico.
Se estableció factores que facilitan el diseño de estrategias para atraer a los consumidores a través del análisis multivariante, ya que se pudo observar relaciones débiles y fuertes del estudio, de modo que, ayuda a tomar mejores decisiones.