Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
1. Introducción
Las redes sociales han revolucionado el mundo en gran manera. Desde el surgimiento de plataformas como Facebook, Twitter e Instagram, la vida experimentó un cambio drástico y emocionante. Estas herramientas digitales lograron conectar más allá de las barreras físicas y permitieron interactuar, compartir y colaborar de tal manera, que su impacto ha sido tan profundo que se ha convertido en una parte integral de la sociedad moderna. No se puede ignorar su influencia en la vida diaria, ya sea que estemos buscando noticias, manteniendo el contacto con amigos y/o familiares, promocionando los negocios o simplemente explorando intereses y pasiones (Ridge, 2023).
De este modo, las redes sociales se consolidan como un componente esencial en la vida cotidiana del consumidor, ya sea como herramienta laboral, medio de comunicación o fuente de entretenimiento.
En ese sentido, la investigación aborda el tema de las barberías y su notable crecimiento dentro del mercado de la estética masculina; haciéndolo más competitivo tanto por su capacidad de innovación como por su aporte a la sociedad. Es así que, el modelo teórico utilizado propuesto por Fred Davis (1989) y adaptado por Lodoño y Botero. (2021) donde considera las variables confianza, actitud hacia la adopción, intención conductual, facilidad de uso percibida y usabilidad, analizadas según la regresión de mínimos cuadrados parciales (PLS-SEM) permitió evaluar la relación de los constructos e indicadores y determinar la contribución de cada ítem, a través del análisis de fiabilidad.
2. La evolución las redes sociales y la barbería
El uso de las redes sociales ha evolucionado de manera significativa, donde en Bolivia para el año 2023, existe una población de12.30 millones donde 8,12 millones son usuarios en internet, 13,3 millones se conectan a través de un dispositivo celular, lo que equivale al 106,7% de la población total y 7,50 millones son usuarios activos en social media, lo que equivale al 61% de la población total (Limachi, 2023).
De igual manera las redes sociales son una herramienta útil la cual permite promover distintas actividades económicas, ya sea de grandes o pequeñas marcas sin importar al mercado al que se enfrente.
Asimismo, según el periódico “Los Tiempos”, en la última década en la ciudad de Cochabamba, varios barberos se independizaron y abrieron sus propios emprendimientos, algunos se aferran aún a sus costumbres y rutinas otros, exploran nuevas formas de conseguir clientes generando experiencias diferentes; haciendo uso de las redes sociales como estrategia competitiva. (Cabrera, 2023).
Después de un análisis a través de la plataforma Google Trends, en el último año se ha evidenciado una creciente tendencia en la búsqueda relacionada con barberías por parte de usuarios en internet, según se puede observar en la Figura 1.
3. Análisis bibliométrico
El análisis bibliométrico facilita la evaluación de diversos artículos científicos, contribuyendo a que el trabajo de investigación adquiera mayor relevancia y solidez en su contenido.
Por tanto, es un análisis cuantitativo de las publicaciones científicas que permite identificar, evaluar tendencias y patrones de investigación dentro de un campo disciplinario. Es un enfoque utilizado para analizar datos bibliográficos. Utilizando características como el número total de publicaciones y citas de un autor, tema, universidad y una nación (Campos, 2023).
Finalmente, se ejecutaron diversas combinaciones de términos asociados al modelo implementado para la recuperación de información, con el objetivo de analizar la variabilidad en los resultados obtenidos en diferentes plataformas de información.
La tabla 1 muestra los resultados obtenidos según las plataformas de Google académico, Dialnet y Scielo.
4. Modelo teórico
Para determinar el uso del marketing digital se implementó el modelo teórico TAM (Technology Acceptance Model) propuesto por Davis (1989) y adaptado por Lodoño y Botero (2021), dado que, es una de las herramientas más utilizadas para predecir si los usuarios adoptarán una nueva tecnología, y así, explicar la influencia en el comportamiento del consumidor dentro el sector de la barbería, ver Figura 2.
Fuente: Elaboración propia en base a Londoño y Botero, 2021
Figura 2. Modelo TAM aplicado por Londoño y Botero (2021)
Por otra parte, la formulación de las hipótesis de investigación adoptó las variables del análisis según el modelo teórico, como ser la confianza, actitud hacia la adopción del marketing en redes sociales, intención conductual, facilidad de uso percibida y la utilidad percibida. A continuación, se presentan las hipótesis de investigación.
H1: La confianza en el contenido digital tiene un impacto positivo y directo sobre la intensión de uso de medios digitales.
H2: La facilidad de uso de los medios digitales tiene un impacto positivo y directo sobre la intensión de uso de medios digitales.
H3: La intención de uso de los medios digitales tiene un impacto positivo y directo respecto a la Actitud de adoptar del marketing en redes sociales.
H4: La utilidad percibida influye de forma positiva y directa ante la intensión de uso de medios digitales.
5. Metodología de la investigación
Dentro la investigación se empleó el método deductivo (Arrieta, 2018), ya que permite derivar aplicaciones específicas a partir de ideas generales y alcanzar conclusiones precisas. Este enfoque, vinculado a la investigación cuantitativa, facilitó la obtención de resultados concretos mediante la revisión de literatura académica.
Por otra parte, se adoptó un enfoque mixto (Hernández, Fernández, & Mendoza, 2018), ya que permitió analizar respuestas subjetivas mediante la observación de campo y los datos estadísticos cuantificables. De esta forma, se determinó la aceptación o rechazo de las variables planteadas a lo largo del presente trabajo.
Finalmente, el estudio siguió el método descriptivo, ya que busca detallar el comportamiento de las variables presentes, permitiendo una mejor comprensión del fenómeno en estudio. Asimismo, se empleará un diseño correlacional, ya que permitirá identificar asociaciones significativas. Además, la investigación será de tipo no experimental, dado que los datos se recolectarán mediante una encuesta previamente estructurada (Hernández, Fernández, & Mendoza, 2018).
6. Definición de la población y técnica de muestreo
Para la presente investigación, la muestra fue compuesta por personas de sexo masculino, cuyas edades oscilan entre los 15 y 44 años, residentes en la provincia de Cercado, departamento de Cochabamba. Esta población fue seleccionada por su relevancia dentro del mercado objetivo relacionado con el sector de barberías.
La determinación del marco muestral se hizo a partir de los datos poblacionales del Instituto Nacional de Estadística (INE) de la gestión 2024, de Cercado, Cochabamba, se ha decidido utilizar la técnica de muestreo no probabilístico por conveniencia, debido a que la misma está conformada únicamente por varones entre 15 y 44 años. Los cálculos realizados dieron un resultado de 157.991 habitantes de género masculino, por lo que, se obtiene un tamaño de 200, lo que indica el número de encuestas necesarias para validar los datos.
La encuesta realizada presenta 27 preguntas, correspondientes 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 (Ver anexo 1).
7. Análisis de resultados
Dentro del análisis de datos, se recopilaron un total de 211 respuestas mediante la aplicación de una encuesta, lo que permitió avanzar con el desarrollo tanto del análisis exploratorio como del confirmatorio, con el objetivo de validar las hipótesis planteadas en la investigación. El análisis exploratorio fue realizado utilizando el software IBM SPSS, mientras que el confirmatorio se llevó a cabo mediante la técnica de Regresión de Mínimos Cuadrados Parciales (PLS), basada en el modelo de ecuaciones estructurales (SEM), a través del programa SmartPLS 4. Ambos enfoques permitieron trabajar con variables de tipo cuantitativo, posibilitando la obteniendo resultados positivos y significativos que aportan valor a la comprensión del fenómeno estudiado.
7.1. Análisis factorial exploratorio
Para el análisis factorial exploratorio se usaron las pruebas de Kaiser-Meyer- Olkin (KMO) y la de esfericidad de Bartlett, que según Hair et. al 1999 se interpreta de manera semejante a los coeficientes de confiabilidad, vale decir, con un rango de 0 a 1, considerando como adecuado un valor igual o superior a 0,70, el cual sugiere una interrelación satisfactoria entre los ítems.
La tabla 2 muestra que la prueba de KMO y esfericidad de Bartlett, presentan un resultado de 0.955 por encima del criterio de 0.70, siendo datos son ideales. De la misma forma el nivel de significancia de la prueba de Bartlett presenta un resultado de 0.000 situándose por debajo de 0.05 indicando que existe correlación entre las variables del modelo.
Tabla 2. Prueba de KMO y esfericidad de Bartlett
Fuente: Elaboración propia en base a IBM SPSS Stadistic, 2024
Asimismo, se realizó la tabla 3 muestra las comunalidades con el fin de presentar cuánta varianza de cada variable original puede ser explicada por los factores extraídos en el análisis factorial.
La tabla muestra que, una vez realizada la extracción, la carga significativa de cada uno de los valores se encuentra por encima de 0.5 a excepción de dos componentes los cuales pueden ser eliminados ya que estos no cumplen con el criterio.
Finalmente se realizó en análisis de varianza total explicada con el fin de poder demostrar qué porcentaje de la variabilidad total en los datos es capturada por los factores extraídos. Según Hair et al. (2018), un modelo factorial adecuado debe explicar una proporción significativa de la varianza total, siendo comúnmente aceptable un umbral de al menos el 60% en ciencias sociales. Los resultados obtenidos en la tabla 4, muestran que con el tercer componente se cumple el criterio de porcentaje acumulado, lo que significa que la información obtenida llega a explicar el 69% de las dimensiones del modelo propuesto.
7.2. Análisis factorial confirmatorio
Para este tipo de análisis se empleó el uso del software SmartPLS 4 con el objetivo de contrastar los resultados y poder aceptar o rechazar las diferentes hipótesis planteadas, para ello, se implementó el uso de la técnica PLS-SEM que permite realizar estimaciones de ecuaciones simultáneas mediante regresiones múltiples y se caracteriza por dos componentes básicos:
El modelo estructural es el modelo guía que muestra las relaciones de dependencia entre variables independientes (exógenas) y variables dependientes (endógenas).
El modelo de medida muestra las relaciones entre los constructos (variables latentes) y los indicadores (variables observables).
En este modelo, el investigador puede especificar qué indicadores (Items) definen a cada constructo. Además, evalúa la fiabilidad de constructos e indicadores (Avila & Moreno, 2018).
En el modelo basado en la técnica PLS-SEM, el análisis se divide en dos etapas principales, cada una con criterios específicos que deben considerarse para evaluar la fiabilidad y validez del modelo de medida. La tabla 5 presenta las etapas y criterios según la técnica PLS-SEM.
7.2.1. Fiabilidad de los indicadores
Para comprobar la fiabilidad de los indicadores se ejecutó el análisis del modelo estructural donde los valores de las cargas se muestran en medio de las flechas que conectan entre el indicador y la variable. La fiabilidad se valora examinando las cargas de los indicadores con sus respectivos constructos.
Según Carmines y Zeller (1979) sostienen que, para aceptar un indicador como integrante del constructo, aquel ha de poseer una carga igual o superior a 0.707, caso contrario aquellos que no cumplan con el criterio expuesto pueden ser eliminados en lo que se denomina “depuración de ítems” (Carmines & Zeller, 1979). Ver la figura 3.
Se observa en la figura 3, el ítem “FUs6” no cumple con el criterio mínimo de carga factorial superior a 0.707, por lo que este puede ser eliminado, Por el contrario, el resto de los ítems presentan cargas por encima de lo indicado, lo cual es un indicador favorable dentro el modelo.
Habiendo eliminado el indicador que no cumplían con el criterio mínimo de fiabilidad, se presenta el nuevo modelo ajustado, ver la figura 4.
Una vez realizado la sustracción de la variable FUs6, el diagrama nos muestra como cada una de las variables cumple con una carga factorial superior a 0.707 según el criterio mínimo de fiabilidad.
7.2.2. Fiabilidad y validez de constructo
Asimismo, se evaluó la fiabilidad de los constructos a través de la medición del “Alfa de Cronbach”. Según Hair et al. (2022) es una medida de la fiabilidad interna que evalúa qué tan consistente es el conjunto de ítems entre sí. Sin embargo, el valor mínimo aceptable para el coeficiente alfa de Cronbach es 0,70 (Hair J. F., 2022).
Otra medida de análisis es la “Fiabilidad compuesta” Hair et al. (2022), mencionan que, a diferencia del alfa de Cronbach, esta asume cargas factoriales iguales entre los ítems, proporcionando así una estimación más precisa de la fiabilidad en modelos de ecuaciones estructurales. Dentro de los criterios el valor mínimo aceptable es de 0.70. Por lo tanto, sugieren considerar ambas medidas de análisis ya que “Alfa de Cronbach” puede servir como un límite inferior conservador, mientras que la “Fiabilidad compuesta” actúa como un límite superior, ofreciendo una visión más completa de la consistencia interna del constructo (Hair J. F., 2022).
Finalmente, también se muestra los valores de la “Varianza Extraída Media (AVE)”, Hair et al. (2022) sostienen que es una medida que evalúa la validez convergente de un constructo. Un valor alto de AVE sugiere que los ítems tienen suficiente correlación con su constructo correspondiente por lo que el valor sugerido mínimo aceptable debe estar por encima de 0.50 (Hair J. F., 2022).
A continuación, la tabla 6 muestra la fiabilidad y validez de constructo, obtenidos dentro del modelo estructural.
Como se observa, los valores de alfa de Cronbach fueron superiores a 0.87, lo cual indica una consistencia interna adecuada y excelente, asimismo los valores de la fiabilidad compuesta se encontraron por encima de 0.90 presentando una fuerte consistencia entre los indicadores, finalmente los valores de AVE mostraron resultados por encima de 0.50 lo que indica que cada constructo explica adecuadamente la varianza de sus indicadores.
7.2.3. Validez discriminante
Según Hair et al. (2022) establece que la validez discriminante es clave para asegurar la calidad del modelo de medición, ya que evita solapamientos conceptuales y empíricos entre constructos (Hair J. F., 2022).
Para dicha evaluación existen diferentes criterios que permiten un mejor entendimiento del enfoque de investigación, cada uno con sus fortalezas específicas.
El criterio de Fornell-Larcker es un método estadístico utilizado para evaluar la validez discriminante en modelos de medición. Hair et al. (2022) sostienen que es un método estadístico utilizado para evaluar la validez discriminante en modelos de medición, especialmente en ecuaciones estructurales (Hair J. F., 2022).
Según Fornell y Larcker (1981) menciona que 0.5 es el valor sugerido como límite inferior de un AVE aceptable, (Fornell & Larcker, 1981). A continuación, la tabla 7 presenta la validez discriminante según el criterio de Fornell - Larcker.
Como se puede ver en la tabla 7, todos los constructos cumplieron con el criterio de Fornell-Larcker, a excepción de “Actitud de adopción del marketing”, que presenta correlaciones muy altas con “Intensión de uso” con un 0.872 y “Utilidad percibida” con un 0.827 esto puede ser resultado de que existe una actitud positiva hacia el marketing en redes y una alta intensión de usarlo, lo que hace que los constructos estén estrechamente conectados.
Asimismo, la tabla 8 presenta el HTMT (Heterotrait-Monotrait Ratio of Correlations), un método moderno y más sensible que evalúa la validez discriminante comparando la correlación promedio entre ítems de distintos constructos, según los criterios de aceptación se considera que existe validez discriminante, cuando los valores son inferiores a 0.85 o 0.90 (Hair J. F., 2022).
Tabla 8. Matriz de ratios Heterotrait - Monotrait (HTMT)
Fuente: Elaboración propia en base a SmartPLS 4, 2024
La tabla 7 muestra que la mayoría de las relaciones entre constructos cumplieron con este criterio. Sin embargo, se observaron tres constructos con valores elevados, “Actitud de adopción del marketing en redes sociales” e “Intensión de uso” con un 0.941, “Utilidad de uso percibido” e “Intensión de uso” con un 0.925, y “Actitud” e “Utilidad” con un 0.895. Se puede asumir que existe una respuesta favorable a la adopción del marketing digital y su intención de utilizarlo.
Por otra parte, Hair et al. (2022) mencionan las “Cargas cruzadas” son útiles para verificar que los indicadores estén más fuertemente relacionados con su propio constructo que con los demás, lo cual respalda la validez discriminante, es decir que la carga del ítem sobre su propio constructo debe ser mayor que cualquier otro constructo (Hair J. F., 2022). La tabla 9 presenta la validez discriminante a través de las cargas cruzadas.
7.2.4. Estadísticos de colinealidad
Según Hair et al. (2022), se refiere al grado en que una variable independiente puede explicarse linealmente por las demás variables independientes del modelo. Cuando dos o más variables están altamente correlacionadas, existe redundancia, lo cual puede distorsionar las estimaciones de los coeficientes y reducir la validez estadística del análisis. De acuerdo con los criterios propuestos por el autor se considera que un VIF inferior a 3 indica una baja colinealidad, valores entre 3 y 5 reflejan una colinealidad moderada, mientras que valores superiores a 5 podrían evidenciar colinealidad (Hair J. F., 2022).
A continuación, la tabla 10 presenta los estadísticos de colinealidad (VIF).
Los resultados obtenidos se presentaron por debajo de 5, lo cual es una buena señal en la investigación, no obstante, se tuvieron valores entre 3 y 5 como ser el caso de la ActAdop, FUs 2 y 4, IntUs 3 y UtilUs 3 que muestran colinealidad, pero aceptable.
Una vez que fue verificado el modelo de medida en relación con los criterios precedentes se procedió a la valoración del modelo estructural y validación de hipótesis planteadas.
7.2.5. Validación del modelo estructural
A diferencia del enfoque clásico basado en covarianzas, la validación del modelo estructural en PLS-SEM implica una evaluación sistemática de los coeficientes de trayectoria entre los constructos latentes, así como de la colinealidad, la varianza explicada, la relevancia predictiva y el tamaño del efecto (Hair J. F., 2022).
Aunque el ajuste global no es un requisito en PLS-SEM, medidas como el SRMR (Standardized Root Mean Square Residual), pueden utilizarse como referencia para evaluar la calidad del modelo (Henseler, Hubona, & Ray, 2016).
En este sentido, se procedió a verificar el modelo estructural con el objetivo de identificar posibles problemas de multicolinealidad, mediante el análisis de los valores VIF (Variance Inflation Factor) de las variables predictoras con el fin de asegurar que no excedan el valor restrictivo de 3.3 (Petter, Straub, & Rai, 2007). A continuación, la tabla 11 presenta los valores VIF.
Los resultados mostraron que no existen multicolinealidad entre las variables predictoras ya que se tiene un valor VIF iguales a 1.000, lo cual valida la independencia entre sí y pueden ser ajustadas sin ningún problema.
Asimismo, la figura 5 presenta el modelo final con el fin de formular conclusiones respecto al modelo interno. Para interpretar la significancia y relevancia de los coeficientes estandarizados, se aplicó el procedimiento de Bootstrapping utilizando 5000 submuestras. Esta técnica permite examinar tanto los valores t como los valores p, necesarios para determinar las relaciones planteadas entre los constructos (Hair, M. Hult, Ringle, & Sarstedt, 2017).
La figura 5 muestra como los diferentes factores se van relacionando entre si además se reflejan los valores de Path donde el criterio establecido debe ser superior a 0.20 (β> 0,20).
Primeramente, se tiene el constructo de utilidad de uso percibida con un β=0.649 presentando una relación fuerte y positiva ante la intensión de uso cumpliendo con el criterio.
Como segundo constructo se tiene la facilidad de uso percibida con un β=0.167 presentando una relación positiva, aunque débil ante la intensión de uso, sin embargo, no representa un resultado negativo.
El tercer constructo relacionado con la intensión de uso es referente a la confianza con un resultado de β=0.094 el cual muestra que la relación es débil y no significativa, siendo esta que no cumple con el criterio mencionado.
El cuarto constructo relacionado con la intensión de uso tiene un β=0.872 presentando un relación fuerte y positiva ante la actitud de adopción de las redes sociales.
Finalmente, dentro la interpretación de los coeficientes del modelo estructural, se tiene el valor de R2, el cual es una medida de predicción del modelo interno e indica que la variable endógena es explicada por las variables predictoras (Hair, M. Hult, Ringle, & Sarstedt, 2017).
Por lo tanto, dentro del modelo estructural los constructos utilidad de uso percibida (UtilUs), facilidad de uso percibida (FUs) y la confianza (C), existe un R2= 0.734 es decir que estas variables predictoras explican un 73.4% con respecto a la intensión de uso (IntUs).
Mientras que el constructo intensión de uso (IntUs) tiene como resultado un R2= 0.760 lo que quiere decir que dicha variable predictora representa el 76% en relación con la actitud de adopción del marketing en redes sociales (ActAdop).
7.3. Comprobación de hipótesis
A continuación, los resultados de la investigación en base al modelo de ecuaciones estructurales, para ello se hizo uso de la aplicación del Bootstrapping ya que permite examinar la estabilidad de las estimaciones ofrecidas por el análisis realizado en el software SmartPLS 4, dicho análisis se realiza a través de un procedimiento de remuestreo considerando los datos del estudio como si se tratase de una población (Hair, M. Hult, Ringle, & Sarstedt, 2017).
Según Hair et al. (2017) se debe aplicar el Bootstrapping bajo la siguiente configuración: Utilizar 5000 submuestras, aplicando el Bootstrapping completo, con el método de intervalo de confianza Bias-Corrected an Acelerated (BCa), asimismo aplicar el test de una sola cola (unilateral) ya que es utilizado por aquellas hipótesis que plantean verificar si un evento es positivo o negativo y finalmente un nivel de significancia de 0.05, se refiere al porcentaje de riesgo que se tomó en la investigación con respecto a cometer error de tipo I (rechaza la hipótesis cuando es verdadera), habiendo explicado lo anterior el valor critico t es de 1,65, para un nivel de significancia de 0,05 y para la prueba de una cola (Hair, M. Hult, Ringle, & Sarstedt, 2017).
Planteado los siguientes criterios la tabla 12 presenta los resultados del Bootstrapping.
Como se observa en la tabla dentro de las cuatro hipótesis establecidas se ve los siguientes resultados: C-IntUs = 1.686, FUs-IntUs = 2.324, IntUs-ActAdop = 36.271 y UtilUs-IntUs = 9.591, dichos valores son superiores a los de criterio establecido (t = 1.65), asimismo, los valores de p se encuentran por debajo de la significancia (0.05), de esta manera son aceptadas las hipótesis.
Por otra parte, la tabla 13 presenta la comprobación de las diferentes hipótesis que fueron planteadas donde de refleja la aceptación o rechazo de las mismas a través de los resultados del Bootstrapping.
Una vez presentado las hipótesis, se detallará cada una de ellas en base a los resultados obtenidos.
La hipótesis C-IntUs (H1) según los resultados, se tuvieron valores de β= 0.094, el valor t =1.686 es superior al valor crítico de 1.65, y el valor p = 0.046 es inferior a 0.05. Por lo tanto, indica que la confianza en el contenido digital tiene una influencia positiva y significativa en la intensión de uso de medios digitales. Por ello la primera hipótesis es aceptada.
La hipótesis FUs-IntUs (H2) indica que se tuvieron valores de β= 0.167, el valor t = 2.324 es superior al valor crítico de 1.65, y el valor p = 0.010 es inferior a 0.05. Aunque la relación se describe como positiva pero débil debido al resultado de Path (β), sin embargo, este cumple con los criterios de significancia. Por ello la segunda hipótesis es aceptada.
La hipótesis IntUs-ActAdop (H3) según los resultados, presentan valores de β= 0.872, el valor t = 36.271 es superior al valor crítico de 1.65, y el valor p = 0.000 es inferior a 0.05. Esto demuestra una relación fuerte y positiva, indicando que la intensión de uso de los medios digitales tiene un impacto significativo y directo en la actitud hacia la adopción del marketing en redes sociales. Por ello la tercera hipótesis es aceptada.
Finalmente, la hipótesis UtilUs-IntUs (H4) muestra valores de β= 0.649, el valor t = 9.591 es superior al valor crítico de 1.65, y el valor p = 0.000 es inferior a 0.05. Por lo tanto, confirma que existe una relación fuerte y positiva, lo que significa que la utilidad de uso percibida influye directamente en la intensión de uso de los medios digitales. Por ello la cuarta hipótesis es aceptada.
8. Discusión e implicaciones gerenciales
Finalizado el análisis de los resultados y la comprobación de las hipótesis este punto establece recomendaciones para aquellas barberías que se encuentran en la industria del cuidado masculino en el municipio de Cercado, Cochabamba.
Por otra parte, se observó las relaciones más fuerte y significativa en la investigación, presentando una alta intención de usar medio digitales, es decir, una actitud muy positiva hacia el marketing de las barberías en redes sociales. Por lo tanto, se presenta diferentes estrategias según la necesidad de los constructo del modelo aplicado.
Dentro la tabla 14 se encuentran las estrategias respecto a la utilidad de uso percibida, donde se evidencio una fuerte relación y un alto nivel de significancia dentro de la investigación.
Asimismo, la tabla 15 muestra las estrategias para la facilidad de uso percibida, si bien tiene un impacto positivo y significativo sobre la intención de uso, este se considera débil, lo que sugiere enfocar sus esfuerzos en mejorar la experiencia del usuario respecto a la fluidez y sencillez.
Por otra parte, la tabla 16 referente a la confianza es el constructo más débil de las relaciones significativas sin embargo no deja de ser estadísticamente positivo y directo, se sugiere las siguientes estrategias.
Finalmente, se presenta una comparación de los resultados obtenidos en diversas investigaciones en las que se aplicó el modelo TAM. Es importante señalar que los constructos del modelo fueron adaptados de acuerdo con las características del servicio y la población analizadas según el autor. En este sentido, la Tabla 17 expone la comparación de los resultados de distintos estudios previos al presente trabajo de investigación.
Conclusiones
Las redes sociales han transformado la vida cotidiana y se han convertido en herramientas clave para promocionar actividades económicas, influyendo de forma significativa en los hábitos del consumidor y en la sociedad actual. En este contexto, el estudio se centró en el sector de barberías en el municipio de Cercado, Cochabamba, enfocado en hombres de entre 15 y 44 años. A partir de 211 encuestas, se evidenció que el 97.2% conoce el término “barbería” y el 72.2% sigue páginas relacionadas en redes sociales, lo que demuestra la importancia de estas plataformas para el posicionamiento del rubro.
La investigación se sustenta en el Modelo de Aceptación Tecnológica (TAM), el cual explica cómo los usuarios adoptan nuevas tecnologías. En base a los datos obtenidos a través de los distintitos análisis realizados durante la investigación, podemos concluir lo siguiente:
Por lo tanto, se confirmó el valor de la relación entre las variables utilidad de uso percibida e intención de uso dando como resultado un coeficiente de 0.649, lo que significa que influye de forma positiva y directa. Asimismo, se comprobó que el valor de la relación entre las variables intención de uso y actitud hacia la adopción del marketing en redes sociales, dando como resultado un coeficiente de 0.872 lo que significa que existe relación directo entre ambos. También, se demostró el valor de la relación, tanto la confianza con un coeficiente de 0.094 y la facilidad de uso con un resultado de 0.167, ambas ante la variable intención de uso indican que se tiene un impacto positivo.
Estos resultados muestran la disposición en adoptar una nueva tecnología siempre y cuando las plataformas sean honestas, sinceras, fáciles de aprender y utilizar, los consumidores serán más propensos a utilizarlas para interactuar con las barberías.
Finalmente, se establece que el diseño de estrategias en base a resultados obtenidos donde se observa las relaciones fuertes y débiles del estudio, lo cual ayuda a tomar mejores decisiones.
