Introducción

En la década de 1990 aparecieron las primeras tiendas virtuales en América Latina, concretamente en Argentina, México y Brasil. Desde los años 2000, el auge de Internet y el desarrollo de sistemas de pago seguras propició que el e-Commerce se expandiera en estos territorios (^{Sanabria-Díaz et al., 2016}). A su vez, los smartphones y el aumento de las ventas a través de las redes sociales digitales impulsaron este comercio electrónico latinoamericano (^{Sevilla-Avilés, 2021}), popularizándose aún más gracias a la conveniencia y a la facilidad de hallar productos con mejores precios que en las tiendas tradicionales (^{Soler-Patiño, 2016}). No obstante, existen todavía desafíos para las ventas electrónicas, como la baja penetración de tarjetas de crédito, los complejos procesos aduaneros y los aranceles altos (Skypostal, 2019; Cámara peruana de comercio electrónico, 2021).

El cénit del e-Commerce a nivel mundial llegó en la pandemia debido a que adquirir productos en muchas tiendas físicas resultaba muy complicado. Latinoamérica no fue la excepción y a pesar de la baja penetración del E-Commerce en la región, durante el COVID-19, llegó a cifras esperadas para el 2030 (^{Boyle, 2021}). Así, aunque de forma irregular, en muchos países de la región se dio un aumento total del e-Commerce del 37 % en 2020, aunque volvió a contraerse en 2022 debido al regreso de la actividad regular en las tiendas físicas y al aumento de la inflación (^{Chevalier, 2021}, 2023). Argentina, Colombia y Perú son los países que registraron los mayores crecimientos (Chevalier, 2023), pero también destaca Ecuador con incrementos superiores al 30 % en ingresos obtenidos del e-Commerce (CITEC, 2023).

Sobre el sector de la moda, este también se ha desarrollado fuertemente, siendo Brasil, México, Colombia y Argentina los mercados predominantes, con amplias ofertas online y marcas tanto locales como de gran reconocimiento a nivel mundial (^{Dos Reis y Machado, 2020}; ^{Brooksworth et al., 2022}; ^{Meneses, 2023}). Algunos de los aspectos que lo han facilitado han sido el incremento del uso de los smartphones y de las redes sociales virtuales; plataformas casi obligadas por las marcas de moda que quieran llegar óptimamente a los consumidores y de forma más amplia. En este sentido, el e-Commerce ha supuesto que muchas empresas lleguen a un público extenso, en ocasiones a zonas o países en las que no tienen una tienda física, lo que ha conllevado al aumento de las oportunidades para la obtención de mayores ingresos y, para los consumidores, mayor acceso y diversificación de producto. Además, el desarrollo tecnológico y el crecimiento de internet han permitido al consumidor ver y comprar productos sin necesidad de desplazarse a tiendas físicas, lo que ha provocado que las empresas repiensen sus estrategias de marketing (^{Rosário y Raimundo, 2021}). Los avances tecnológicos han permitido la mejora de interactividad y la experiencia del consumidor, lo que se ha traducido en estrategias de marketing y de negocios beneficiosas tanto para los consumidores como para las empresas (^{Joshi, 2013}).

Existen muchos factores que afectan a las intenciones y al comportamiento de los consumidores en el e-Commerce. Entre estos factores se encuentran los tecnológicos, los económicos, los demográficos, los culturales y los factores psicológicos individuales (^{Venkatesh et al., 2022}). Las empresas de e-Commerce deben tener en cuenta estos factores al diseñar sus estrategias de marketing, aunque no todos tienen la misma relevancia. Así mismo, teniendo en cuenta las incertidumbres y riesgos involucrados en los negocios en línea, los consumidores prestan atención a la seguridad y la usabilidad del sitio web, los servicios, la conveniencia, los precios, la confianza y la variedad de productos (^{Chiang et al., 2018}).

En este sentido, esta investigación incluye en la ecuación tres variables a tener en cuenta, como son los riesgos percibidos, la conveniencia y los costos, los cuales se muestran como componentes a tener muy en cuenta en las decisiones de compra online del consumidor, sobre todo en este sector de la moda (^{Margalina y Cutipa-Limache, 2023}). En este sector, además de los inconvenientes generales inherentes al e-Commerce, hay que añadir también aspectos propios como, por ejemplo, la naturaleza visual y emocional de los productos, la subjetividad personal en las tomas de decisiones, la variabilidad de las tallas y ajustes, los ciclos y tendencias en este ámbito, los valores percibidos (exclusividad, calidad, identidad o reputación de la marca, etc.), los procesos de devolución de algunas prendas o estrategias de marketing usadas especialmente en este campo como los influencers o las pruebas virtuales y de realidad aumentada para que los consumidores puedan visualizar cómo se verían con esos productos (^{Escobar-Rodríguez y Bonsón-Fernández, 2017}; ^{Guercini et al., 2018}; ^{Miglani-Neha, 2022}). De aquí, la necesidad de contrastar estas tres variables de gran relevancia en las compras online. A estas, se añade la confianza, que representa un determinante clave del comportamiento y la intención de compra del consumidor en el e-Commerce (^{Venkatesh et al., 2022}; ^{Hamid y Sujood, 2023}), así como la principal barrera para este tipo de comercio en América Latina (^{Pena-Alcaraz, 2023}).

Materiales y método

Para realizar el análisis se desarrolló un modelo de ecuaciones estructurales PLS-SEM usando el software SmartPLS 4 (^{Ringle et al., 2022}). Se optó por esta técnica de análisis debido a sus buenos resultados con muestras pequeñas y con una distribución y comportamiento no normal de los datos, así como el objetivo de predicción de la investigación (^{Margalina et al., 2023}). La evaluación del modelo estructural y del modelo de medida se realizó de acuerdo con las recomendaciones de ^{Hair et al. (2022}); mientras que para el análisis del poder predictivo y explicativo del modelo se siguieron los lineamientos de Ringle et al. (2023).

La muestra está conformada por 223 estudiantes provenientes de cuatro universidades de Ecuador, en concreto, se han colectado datos de dos universidades de la región Sierra (Universidad Técnica de Ambato y Universidad de las Fuerzas Armadas) y dos de la Costa (Universidad Técnica Estatal de Quevedo y Universidad Técnica de Machala). Se seleccionó una muestra de estudiantes porque este tipo de población tiene un mayor grado de homogeneidad, lo que reduce el efecto de las diferencias en edad, educación, nivel socioeconómico y la experiencia laboral en los resultados (^{Schlägel y Sarstedt, 2016}). Además, se aplicó la técnica de muestreo no probabilístico por conveniencia para la selección de la muestra. Los resultados del software G*Power (^{Faul et al., 2009}) indican que la muestra de 223 estudiantes permite alcanzar un poder estadístico del 95 %, un tamaño del efecto (f²) de 0,059 a un nivel de significación de 0.05 (dos colas), lo cual está en conformidad con los objetivos del estudio.

Los datos para el análisis fueron colectados mediante una encuesta distribuida online a los estudiantes de licenciatura de Ecuador por un docente. Esta fue aplicada durante el período abril-julio de 2022. Las repuestas fueron anónimas y sin recompensa económica para asegurar la confidencialidad de los datos. Para la encuesta se utilizó un cuestionario estructurado que contenía preguntas para la caracterización de la muestra y la medición de las cinco variables incluidas en el modelo PLS-SEM: confianza, riesgos, conveniencia, costos e intención de compra. Todos los ítems incluidos en el cuestionario para medir las cinco variables tenían opciones de respuesta de tipo Likert de 5 puntos, según el grado de desacuerdo o acuerdo. Los ítems del cuestionario fueron adaptados por los propuestos en la literatura (tabla 1) y enfocados hacia la compra en línea de productos de moda.

Tabla 1 Ítems del cuestionario 

Respecto a las características de la muestra, se observa una mayor proporción de mujeres (74 %), así como una edad media de 22,1 años. Además, 86.1 % de los encuestados han realizado compras en línea. Solo 6.7 % compran con frecuencia productos de moda en tiendas en línea, 22 % lo hace de manera ocasional, 51.1 % rara vez y 13.9 % nunca.

Resultados

Con base en las recomendaciones de ^{Hair et al. (2022}) para la evaluación del modelo de medida reflectivo que se usó para las cinco variables del modelo PLS-SEM, se analizaron las medidas para fiabilidad interna, la validez convergente y la validez discriminante (tabla 2 y 3). La evaluación de la fiabilidad interna se inicia con el análisis de las cargas de los indicadores, las cuales deben superar el valor mínimo de 0,708. Tal como se puede observar en la tabla 2, todos los indicadores superan este valor.

Tabla 2 Fiabilidad y validez de los constructos 

**p<0,01

Para completar la evaluación de la fiabilidad interna se analizan las medidas del Alfa de Cronbach y de la fiabilidad compuesta (rA y rA). Los valores superan el umbral de 0,70 para ambas medidas y en el caso de todos los constructos. Por su parte, la evaluación de la validez convergente se basa en los valores del AVE, están en todos los casos más altos que el nivel mínimo requerido de 0,50. Por lo tanto, las medidas de los cinco constructos reflectivos presentan niveles altos en lo que a la fiabilidad interna y validez convergente se refiere. Hay que mencionar que, debido a la falta de fiabilidad, se excluyeron algunos ítems para la medición de la conveniencia, los costos y los riesgos, de los propuestos por ^{Cunningham y De Meyer-Heydenrych (2018}).

A continuación, se evalúa si las medidas de los constructos reflectivos muestran validez discriminante a nivel empírico. Para tal objetivo, se escogió la ratio heterotrait-monotrait (HTMT) por ser el criterio más fiable para determinar la validez discriminante (^{Ringle et al., 2023}).

Tabla 3 Validez discriminante (HTMT) 

Los valores del HTMT, los cuales se presentan en la columna ‘Muestra original (O)’ de la tabla 3, son inferiores al nivel máximo más conservador de 0,85 (^{Henseler et al., 2015}). En el caso de las variables Costos y Conveniencia, se observa que el límite superior del intervalo de confianza (95.0 %) supera este nivel. No obstante, su valor HTMT de 0,861 es inferior al valor 0,90, el cual representa el límite máximo para constructos conceptualmente similares (^{Hair et al., 2022}). Este es el caso de las dos variables, las cuales representan dos dimensiones de los atributos de tienda en línea, junto a los costos, el tiempo y el servicio, según ^{Cunningham y De Meyer Heydenrych (2018}). Las variables tiempo y servicio también fueron incluidas en el instrumento de medición, pero debido a la falta de validez interna y discriminante fueron eliminadas del modelo. Por tanto, se comprueba la fiabilidad y validez de los constructos.

El siguiente paso consiste en la evaluación del modelo estructural, la cual se inicia con la evaluación de la multicolinealidad, del poder explicativo y del poder predictivo del modelo propuesto. En el caso de la multicolinealidad, ninguno de los valores VIF superan el valor recomendado de 3,000 (^{Hair et al., 2022}); por tanto, no se identificó este problema para el modelo estructural planteado (figura 1).

Como se puede observar en la figura 1, los valores del R², los cuales se encuentran insertados en los círculos que representan las variables del modelo en el gráfico, alcanzan valores de 0,540 y 0,486, respectivamente. Además, todos los valores del R² son estadísticamente significativos. Por lo tanto, el modelo tiene poder explicativo. El valor del SRMR de 0,063, el cual es inferior al nivel máximo de 0,08 (^{Hair et al., 2022}) también confirma que el modelo propuesto tiene poder explicativo.

Figura 1 Coeficientes path y valores del R² del modelo propuesto 

El poder predictivo fue evaluado con la ayuda de las técnicas recomendadas por ^{Ringle et al. (2023}), PLSpredict y CVPAT. El método PLSpredict fue propuesto por ^{Shmueli et al. (2019}) y basa el análisis del poder predictivo en las medidas Q²predict, RMSE y MAE. Los valores de estas medidas para la variable dependiente del modelo propuesto, Intención de compra, se encuentran en la tabla 4.

Tabla 4 Resultados PLSpredict intención de compra 

Los valores del Q²predict superan en todos los casos el valor 0, por tanto, el modelo propuesto tiene poder predictivo. El valor RMSE y del MAE obtenidos al aplicar PLS-SEM son superiores a los resultados de la regresión lineal (LM) en la mayoría de los casos. La única excepción se observa en el indicador Intención 1. Este resultado muestra que el modelo tiene poder medio para predecir la variable intención de compra (^{Shmueli et al., 2019}).

La técnica CVPAT o prueba de capacidad predictiva con validación cruzada, presentada por ^{Liengaard et al. (2021}), compara la pérdida predictiva de PLS-SEM y LM en dos niveles. Los resultados de la aplicación de esta prueba para el modelo planteado se exponen en la tabla 5.

Tabla 5 Resultados CVPAT 

**p<0,01, *p<0,05

En ambos informes generados de la aplicación del procedimiento CVPAT, PLS-SEM vs. Media de indicadores (IA) y PLS-SEM vs. Modelo lineal, se obtiene un valor de diferencia media de pérdida negativo. Además, el valor p es inferior a 0,05 en todos los casos en el primer informe en la mayoría en el segundo. Por tanto, la capacidad de predicción de PLS-SEM es significativamente mayor que la de los parámetros IA y LM.

La significación y relevancia de las relaciones del modelo estructural se evaluaron con base en los lineamientos de ^{Hair et al. (2022}). La significación de los coeficientes path se determinó con la ayuda del procedimiento de bootstrapping, con 10 000 muestras de bootstrap, el método Percentil bootstrap para el intervalo de confianza, test de dos colas a un nivel de significación de 0,05. Por su parte, la relevancia se determinó con la ayuda de los coeficientes path, los valores del R² y del tamaño del efecto f².

Tabla 6 Resultados validación de las hipótesis 

**p<0,01, *p<0,05

Los resultados muestran que, de los dos atributos del canal de compra, solo la Conveniencia afecta significativamente a la Intención de compra, con un coeficiente path positivo de 0,273 (t = 3,446, p<0,01), un tamaño del efecto f² bajo de 0,062. Los Riesgos representan otra variable con un efecto positivo y significativo de 0,281 (t = 3,761; p<0,01) y el mayor tamaño del efecto f² alcanzando por una variable independiente del modelo de 0,071. Estos resultados validan H₁ y H₃. Por tanto, se confirma la relevancia de la Conveniencia y los Riesgos para la intención de compra online en el sector de la moda observada en previos estudios (^{Iqbal et al., 2019}; ^{Singh et al., 2019}; ^{Margalina y Cutipa-Limache, 2023}).

En cambio, los Costos tienen un coeficiente path negativo de -0,016 (t = 0,168, p>0,05), pero sin significación estadística y sin ningún efecto, según indica el valor del f2 de 0,00. Por tanto, no se valida H2, en línea con los resultados encontrados en los estudios de ^{Cunningham y De Meyer-Hendrich (2018}) y ^{Margalina y Cutipa-Limache (2023}).

Por su parte, la Confianza también afecta positiva y significativamente a la Intención de compra, con un coeficiente path de 0,263 (t = 3,001; p<0,01) y el mismo tamaño del efecto f2 que la Conveniencia de 0,062. Por consiguiente, también se valida H4. De esta manera, la confianza se revela como un factor relevante en las decisiones de compra en el e-Commerce, al igual que en los estudios previos de Manjoor et al. (2020), ^{Venkatesh et al. (2022}) y ^{Hamid y Sujood (2023}).

No obstante, la Confianza sirve también de vehículo para los efectos indirectos de los atributos de la tienda y los riesgos sobre la Intención de compra. Así lo demuestran los resultados del análisis de los efectos de mediación. En concreto, la Conveniencia afecta positiva y significativamente a la intención de compra a través de la Confianza de 0,055 (t = 1,938; p<0,05). La mediación es complementaria y parcial porque ambos efectos, el directo y el indirecto, de la Conveniencia son significativos y positivos, con un tamaño del efecto de la varianza explicada (VAF) del 20.14 %. En el caso de los costos, la mediación es completa, porque solo el efecto indirecto tiene significación estadística, con un coeficiente path positivo de 0,060 (t = ,938; p<0,05). Por tanto, se validan ambas hipótesis que plantean la mediación de la Confianza entre los efectos de los atributos y la intención de compra, H5 y H6. Es decir, los costos percibidos se convierten en un factor relevante en las estrategias de marketing en contextos de baja confianza del consumidor, como ocurre en los países latinoamericanos (Latinobarómetro, 2023). Asimismo, estos resultados destacan una vez más el papel importante de la confianza en las decisiones de compra online porque además del efecto directo sobre la intención de compra también median el efecto de las percepciones de los consumidores sobre los atributos y los riesgos de la tienda (^{Qalati et al., 2021}).

El efecto indirecto de los riesgos es aún mayor que el de los dos atributos del canal de venta, con un coeficiente path positivo y significativo de 0,105 (t = 2,386; p<0,05). En este caso también se trata de una mediación complementaria porque, como demostró la validación de H3, el efecto también es positivo y significativo. El valor del VAF del 37.36 %, el cual se encuentra dentro del intervalo del 20 % al 80 %, indica la existencia de una mediación parcial (^{Nitzl et al., 2016}). Por lo tanto, los resultados demuestran de nuevo que la confianza es un factor de suma importancia para la intención de comprar productos del sector de la moda, acorde con los estudios hechos por ^{Zhao et al. (2019}), ^{Hamid y Sujood (2023}) y ^{Margalina y Cutipa Limache (2023}).

Los valores del R2 indican que los efectos directos e indirectos de las cuatro variables del modelo propuesto explican 48.6 % de la variación de la Intención de compra. No obstante, destaca que la Conveniencia, los Costos y los Riesgos explican conjuntamente 54 % de la varianza de la Confianza en el vendedor. Esto se puede explicar por la gran cantidad de factores involucrados en el proceso de decisión de los consumidores en el e-Commerce. Entre ellos se encuentran los canales utilizados para el marketing, la popularidad y la familiaridad de la marca del vendedor, así como los servicios ofrecidos para asistir la compra en la plataforma de venta (^{Cunningham y De Meyer-Hendrich, 2018}; ^{Rosário y Raimundo, 2021}).

Conclusiones

La presente investigación demuestra el papel clave de la confianza para el e-Commerce del sector de la moda de Ecuador porque tiene efectos significativos sobre la intención de compra. Dado que esta última variable precede a la conducta, los hallazgos pueden ser de gran utilidad para que las empresas evalúen, desarrollen y mejoren sus estrategias de marketing y, con ello, mejorar la confianza de sus consumidores, como, por ejemplo, incidir en una buena transparencia, en la calidad del producto, en el nivel excepcional de servicio al cliente, respeto por la privacidad, participación en la comunidad, feedback y testimonios por parte de los consumidores, garantías y devoluciones claras, comunicación externa coherente, innovación continua, programas de fidelización o capacitación al personal para interactuar y resolver los problemas de los clientes. En este sentido, los nuevos canales de social media ofrecen oportunidad para el marketing relacional, el cual tiene como resultado mayores niveles de confianza y de lealtad.

Además, se observa que los riesgos y la conveniencia sí correlacionan significativamente con la intención de compra. En este sentido, las empresas pueden disminuir los riesgos, por ejemplo, informando detalladamente de los productos, usando imágenes de alta calidad, con oportunas políticas de devolución, también con opiniones y testimonios de clientes, asegurando la información personal de estos, con políticas de privacidad transparente, añadiendo pruebas de calidad, con un chat en vivo y servicio al cliente efectivo o haciendo seguimientos de los pedidos. Mientras que pueden aumentar la conveniencia con estrategias como una navegación fácil de la web, simplificando los procesos de compra y la política de devoluciones, con opciones flexibles de pago, haciendo una entrega rápida y con opciones de seguimiento, con programas de fidelización, suscripción y recompensas, incrementando la personalización y recomendaciones, con una eficiente atención al cliente, con una aplicación móvil de calidad o con unas guías de estilo de moda y tallas detalladas para así reducir la probabilidad de devoluciones debido a medidas incorrectas.

Esto podría deberse a que la moda suele tener un carácter subjetivo y personal, donde algunos consumidores pueden estar dispuestos a pagar más por artículos que consideren exclusivos o de alta calidad, independientemente del costo absoluto. Así, este valor percibido provocaría que ciertos clientes estuviesen dispuestos a invertir más en prendas que consideren valiosas en términos de estilo, marca, tendencia o exclusividad. Además, cabe mencionar que algunas de estas compras responden a cuestiones emocionales, de expresión personal, imagen social o de identificación con una marca, lo que podría superar la consideración de costos en la toma de decisiones de compra. A su vez, la experiencia de compra podría resultar un factor que eclipsara a los costos, pues los compradores pueden valorar más aspectos como la comodidad, la facilidad de navegación en la web, el servicio al cliente o la posibilidad de devoluciones fáciles. No obstante, hay que tener en cuenta los costos a la hora de mejorar la confianza, porque, de esta manera, las empresas pueden aumentar la eficiencia de sus campañas de marketing.

Por último, sobre las últimas hipótesis planteadas, se muestra que la confianza actúa como mediadora entre las variables riesgos y conveniencia. Se confirma, por tanto, el importante papel de la confianza como vehículo para canalizar los esfuerzos de marketing con el fin de obtener respuestas favorables por parte de los consumidores en términos de intención de compra. Por lo que, además de aplicar las estrategias comentadas anteriormente, las organizaciones empresariales de este sector deberían enfocar sus actividades de marketing hacia la consecución de percepciones positivas en los consumidores respecto a los riesgos, la conveniencia y los costos para mejorar la confianza en el vendedor y que, de esta forma, aumentasen los efectos en la intención de compra.

Respecto a la metodología utilizada, esta ha mostrado ser aceptable y con buenos resultados. Aun así, se considera que el modelo propuesto es solo una base en la que hay que seguir trabajando, ya sea añadiendo o quitando otras variables como mejorando los ítems que los componen. En este sentido, tal vez el género, la edad o las características socioculturales serían algunos factores que podría moderar las variables estudiadas. Por lo que se hace pertinente seguir investigando estas vías metodológicas y, especialmente, aplicarlas a otros sectores, en otras muestras y en otros contextos o países.

Como conclusión, se considera que la investigación realizada contribuye al campo de estudio acerca de los factores que afectan a la adopción del comercio online en economías emergentes como la ecuatoriana. Los datos extraídos apelan a que las futuras campañas de marketing de las empresas que operan electrónicamente en Latinoamérica tengan como propósito ganar la confianza de los clientes con una serie de componentes previamente analizados. Bajo este marco, se espera que las posteriores investigaciones ahonden aún más tanto en los diversos factores que afectan a la intención de compra como en otros modelos que aumenten el poder explicativo y predictivo encontrado en este estudio. De esta forma, y con más investigaciones de carácter longitudinal y transcultural, se podrá mejorar el comercio electrónico tanto para los vendedores como para los consumidores.