Content uploaded by Ángel F. Villarejo-Ramos
Author content
All content in this area was uploaded by Ángel F. Villarejo-Ramos on Mar 15, 2018
Content may be subject to copyright.
MARKETING
FACTORES QUE AFECTAN A LA ADOPCIÓN DEL BIG DATA COMO
INSTRUMENTO DE MARKETING EN EMPRESAS ESPAÑOLAS
Juan-Pedro Cabrera-Sánchez
jcabrera10@us.es
Departamento de Administración de Empresas y Marketing (España)
Ángel F. Villarejo-Ramos
curro@us.es
Universidad de Sevilla
Departamento de Administración de Empresas y Marketing (España)
RESUMEN:
El uso masivo de los smartphones, la gran cantidad de aparatos y sensores conectados a internet y
el abaratamiento de la computación y almacenamiento de datos han permitido que se generalice el
Big Data. Hoy día, las empresas que sean capaces de obtener nuevos datos sobre su negocio y
clientes tendrán una ventaja competitiva sobre las demás y justo por eso, las empresas de éxito
están tomando sus decisiones más importantes basadas en datos y no en la jerarquía empresarial.
Además, casi todo el software asociado a tecnologías Big Data es software libre por lo que nos
preguntamos: “si es libre y aporta mucho valor, ¿por qué no lo usan?”. Así, en este estudio
pretendemos evaluar los factores que afectan a la aceptación de esta nueva tecnología por parte de
las empresas. Con ese fin, adaptamos el modelo de aceptación de tecnologías UTAUT al contexto
del Big Data al que añadimos un inhibidor; la resistencia al uso de las nuevas tecnologías. El
modelo estructural fue valorado mediante PLS con un adecuado ajuste global. Entre los resultados
destacamos que tiene más relevancia una buena infraestructura para poder usar Big Data que la
dificultad de su implantación aceptando por necesario hacer un esfuerzo en su implementación.
Aportamos beneficios académicos por lo innovador y para la gestión, el beneficio que reportará a
las empresas españolas el desarrollo de esta tecnología para una mejor gestión de la relación con
los clientes.
PALABRAS CLAVE: Big Data, intención de uso, UTAUT, aceptación tecnologías, resistencia al
uso, PLS.
ABSTRACT:
Massive use of smartphones, great quantity of connected apparels and sensors to internet and low
prices of computing and data storage have allowed the Big Data adoption. Nowadays, companies
that can get new data about their business and customers will have a competitive advantage over
other companies and because of that, successful companies are taking their decisions data-driven
and not management-driven. Moreover, almost all this software is free and because of that, we
question ourselves: “if it is free and very valuable, why is not being used by all companies?”. That
is why in this study, we intend to find the factors that drive this new technology acceptance from
companies. We will use an adaptation of the UTAUT to the Big Data context with a new inhibitor
such as the use resistance to new technologies. The structural model was evaluated by PLS with an
adequate global fit. Among the most remarkable results is the fact that is more important to have a
good infrastructure than the difficulties to implement it. So the effort to use it is taken for granted.
This research will be useful for scholars and practitioners because of its innovativeness and to have
an approach of this technology development influencing on CRM program in Spanish companies.
KEY WORDS: Data, intention behaviour, UTAUT, technology acceptance, use resistance, PLS.
1. INTRODUCCIÓN
El cambio que ha traído el Big Data sobre la forma de analizar los datos ha sido revolucionario. Estas
tecnologías suponen un antes y un después en la forma de obtener información valiosa para la empresa ya
que permiten gestionar una gran cantidad de datos, prácticamente en tiempo real y obtener una gran
información que dota a las empresas que las tienen implementadas de una gran ventaja
competitiva.(Sivarajah, Kamal, Irani, & Weerakkody, 2016).
Las empresas están recolectando tal cantidad de datos de sus clientes que para poder tratarlos bien hacen falta
nuevas destrezas y competencias como los “Data Scientist” que son un híbrido de ingeniería, estadística y
profundo conocimiento del negocio. Este tipo de perfiles ayudará a exprimir los datos generados por la
compañía y cambiarán el proceso de toma de decisiones hacia decisiones basadas en datos y no en
experiencias anteriores de las personas encargadas de gestionar la compañía (McAfee & Brynjolfsson, 2012)
Sin embargo, para implementar o integrar Big Data en las empresas actuales hay que superar una serie de
barreras como son el desconocimiento, los miedos, la resistencia al cambio, entre otros, además de las
limitaciones de la propia tecnología (Yaqoob et al., 2016).
La mayor parte de la literatura se ha centrado en aspectos técnicos relacionados con todo el ecosistema Big
Data, tanto en el desarrollo de aplicaciones y casos de estudio sobre minería de datos, analítica de datos,
predicción, prescripción, modelado estadístico y experimentos de todo tipo (Sivarajah et al., 2016) dejando
de lado su integración y uso dentro de la empresa. Salvo un trabajo sobre la intención de adoptar analítica Big
Data (Kwon, Lee, & Shin, 2014) y otros dos sobre adopción de la tecnología Big Data (Brünink, 2016;
Rahman, 2016) hay poca literatura al respecto.
Hoy día se están produciendo datos constantemente con nuestra mera actividad de usar el móvil. El móvil
está geolocalizado y tiene acceso a internet, a la que están conectados millones de dispositivos. Las empresas
tienen toda esta información a su disposición junto con los productos comprados, momentos de consumo
(días y horas), sentimientos hacia su marca, actividad en redes sociales, formas de pago y mucha más
información que supone que el tratamiento de toda esta gran cantidad de datos haya que hacerlo con
novedosas técnicas como el Big Data (McAfee & Brynjolfsson, 2012).
Todos estos datos, muchos de ellos generados en tiempo real, no tienen la misma estructura por lo que las
bases de datos SQL no sirven para almacenarlos y aquí es donde surge el término Big Data. Se usa para
describir grandes conjuntos de datos, no estructurados y que en muchos casos necesitan ser capturados casi
en tiempo real. Para manejarlos es necesario un nuevo conjunto de tecnologías y herramientas liderados por
la fundación Apache (Hashem et al., 2015; Sivarajah et al., 2016; Yaqoob et al., 2016). Y aunque no existe
una definición unánime de Big Data podríamos usar la siguiente: “tecnología que permite almacenar,
procesar y combinar enormes cantidades de diferentes tipos de datos obtenidos de diferentes fuentes”
(Brünink, 2016).
Como principales características del Big Data podemos hablar del modelo de las tres V’s propuesto por
Gartner (2012):
Volumen: grandes cantidades de datos creados por humanos y máquinas que continúa creciendo
exponencialmente.
Variedad: hace referencia a los diferentes tipos de datos, desde imágenes a tuits pasando por datos
de venta o geo posicionamiento.
Velocidad: los datos llegan por diferentes flujos con especial hincapié por los generados en tiempo
real.
Trabajos posteriores como los de Fan y Bifet (2013) o Gandomi y Haider (2015) añaden dos nuevas
características:
Veracidad: los datos han de ser veraces y las fuentes confiables.
Valor: los datos han de aportar y generar valor para obtener ventajas competitivas.
Y como principal uso de estas técnicas podemos tener la analítica de datos que correctamente usada nos va a
permitir sacar nuevos patrones y valiosas ideas que nos permitirán hacer una analítica descriptiva (Joseph,
State, & Johnson, 2013), predictiva (Waller & Fawcett, 2013) e incluso, prescriptiva (Joseph et al., 2013).
Con este estudio pretendemos obtener datos sobre los factores que afectan a la adopción y uso de esta nueva
tecnología en empresas, así como entender los posibles problemas para su implementación con lo que
podremos dar las recomendaciones pertinentes a los profesionales que toman las decisiones.
La estructura del trabajo recoge en el siguiente epígrafe la justificación teórica de las relaciones del modelo
causal propuesto: El tercer epígrafe describe la metodología usada en la investigación. El epígrafe cuarto
describe y analiza los resultados obtenidos tras la aplicación del modelo a la muestra observada. Finalizamos
el trabajo presentando las principales conclusiones y limitaciones del mismo.
2. PROPUESTA DE MODELO Y PLANTEAMIENTO DE HIPÓTESIS
La adopción de una tecnología es determinante para su éxito. Desde la teoría de la conducta planificada -TPB
(Ajzen, 1991) hasta el muy usado modelo de aceptación de la tecnología-TAM (Davis, 1985) se han
desarrollado y testado muchos modelos de aceptación de tecnología. Pero sin duda, el modelo propuesto por
la Unified Theory of Technology Adoption and Use of Technology, o UTAUT (Venkatesh, Morris, Davis, &
Davis, 2003) integra diferentes modelos y teorías previos que se han propuesto para analizar la aceptación de
una tecnología.
Los determinantes del modelo son: 1) las expectativas de resultado (Performance Expectancy, PE), definida
como el grado en el que usar una tecnología ofrece beneficios en el desarrollo de ciertas actividades; 2) las
expectativas de esfuerzo (Effort Expectancy, EE), que miden el grado de facilidad asociado al uso de la
tecnología; 3) la influencia social (Social Influence, SI) o como los consumidores perciben que amigos y
familiares creen que ellos deberían utilizar una tecnología; y 4) las condiciones facilitadoras (Facilitating
Conditions, FC), percepciones de los consumidores de que los recursos y el apoyo están disponibles para
desarrollar un comportamiento. El modelo propone una influencia directa de las tres primeras sobre la
intención de uso (Behavior Intention, BI). Las condiciones facilitadoras influyen sobre el uso de la nueva
tecnología (Usage Behavior, UB).
Como señalan Arenas-Gaitán, Peral-Peral, & Villarejo-Ramos,(2016), el valor de este modelo está en su
capacidad de identificar cuáles son los principales determinantes de la adopción, y permite incluir y
considerar el efecto de diferentes moderadores que afectan en la influencia de los constructos claves del
modelo.
A los constructos del modelo UTAUT añadimos la resistencia al uso (Resistance Use, RE) ya que en la
adopción de nuevas tecnologías y sistemas de información también se ha investigado sobre la resistencia al
uso como reacción adversa u oposición al cambio o nueva implementación de tecnologías. En este contexto
se define la resistencia como la oposición al cambio asociado a la implementación de una nueva tecnología o
sistema de información ( Kim & Kankanhalli, 2009).
Vamos a continuación a proponer las diferentes hipótesis basadas en la ampliación realizada del modelo
UTAUT para el caso de aceptación y uso de Big Data por parte de las empresas
Las expectativas de resultado (Performance Expentancy, PE) hacen referencia a la percepción sobre el
rendimiento que va a tener la tecnología en cuestión. Dentro del UTAUT es uno de los constructos más
influyentes en la intención de uso. Diversos trabajos (Brünink, 2016; Chauhan & Jaiswal, 2016; Yu, 2012)
además del propio trabajo original (Venkatesh et al., 2003) sostiene esta relación positiva.
Consecuencia de lo anterior podemos establecer como hipótesis:
Hipótesis1: Las expectativas de resultado afectan de forma positiva sobre la intención de
comportamiento del usuario de Big Data.
Las expectativas de esfuerzo (Effort Expectancy, EE), hace referencia a lo fácil de aprender y de usar que
será esta nueva tecnología. Según el propio UTAUT, el Big Data se utilizará más o menos en función de lo
fácil o difícil que sea. Otros estudios refuerzan el sentido y el peso de esta relación (Al-Gahtani, Hubona, &
Wang, 2007; Chauhan & Jaiswal, 2016; H. W. Kim, Chan, & Gupta, 2007; Lee & Song, 2013; Yu, 2012) que
confirman el efecto que tiene el esfuerzo esperado sobre la intención de uso.
Por ello, enunciamos como segunda hipótesis del modelo:
Hipótesis 2: La expectativa de esfuerzo afecta negativamente sobre la intención de comportamiento
del usuario de Big data
La medida de la influencia social (Social Influence, SI) en la propuesta original de Venkatesh et al. (2003) y
ampliada en el UTAUT2 (Venkatesh, Thong, & Xu, 2012) ha sido utilizada para medir el efecto de la
influencia percibida por los usuarios respecto a lo que otros- amigos, familia- piensan con respecto a la
utilización de una tecnología. En un entorno empresarial también es importante lo que piensan los jefes y los
colegas (Al-Gahtani et al., 2007; Brünink, 2016; Chauhan & Jaiswal, 2016; Gupta, Huang, & Niranjan, 2010;
H. W. Kim et al., 2007; Lee & Song, 2013).
Por lo anterior podemos enunciar como hipótesis:
Hipótesis 3: La influencia social afecta positivamente a la intención de comportamiento en el uso de
un servicio de Big data.
La resistencia al uso (Resistance Use, RU) ha sido entendida como oposición o reacción negativa ante la
implementación de una nueva tecnología. Como señala Gibson (2004), la puesta en marcha de muchas
nuevas tecnologías han resultado fallidas por la oposición de los usuarios a su implementación. Y aunque la
resistencia al uso está bastante estudiada en la literatura (Kim & Kankanhalli, 2009; Lapointe & Rivard,
2007) hay muy pocos estudios que la usen integrándolas en el modelo UTAUT. No obstante sí que hay
precedentes de la resistencia al uso con la intención de uso (Hsieh, 2015).
Por ello, podemos enunciar como hipótesis:
Hipótesis 4: La resistencia al uso influye negativamente sobre la intención de uso de un servicio de
Big Data.
Las condiciones facilitadoras (Facilitating Conditions, FC) ponen en relieve la facilidad de acceso a los
recursos necesarios para usar una nueva tecnología, así como el soporte y apoyo posterior (Venkatesh et al.,
2003). En un trabajo posterior, el UTAUT2, Venkatesh et al. (2012) comprobaron que este constructo tiene
un efecto significativo en la intención de uso de una tecnología. También estudios más recientes han
contrastado este efecto positivo en la intención de uso (Duyck et al., 2010; Hung, Wang, & Wang, 2007; Wu,
Tao, & Yang, 2007).
Por ello, podemos enunciar como hipótesis:
Hipótesis 5: Las condiciones facilitadoras afectan positivamente a la intención de comportamiento
en el uso de un servicio de Big Data.
En concordancia tanto con la teoría de la conducta planificada TPB (Ajzen, 1991) y por tanto con el UTAUT
original (Venkatesh et al., 2003), podemos comprobar que las condiciones facilitadoras afectan positivamente
al uso de una nueva tecnología. Trabajos posteriores (Al-Gahtani et al., 2007; Brünink, 2016; Chauhan &
Jaiswal, 2016; Duyck et al., 2010; H. W. Kim et al., 2007) han contrastado esta hipótesis.
Por ello, podemos enunciar como hipótesis:
Hipótesis 6: Las condiciones facilitadoras afectan positivamente a la intención de comportamiento
en el uso de un servicio de Big Data.
Desde la ampliamente utilizada propuesta de Davis, (1985) del Modelo de Aceptación de Tecnologías
(TAM), para predecir y evaluar la aceptación y uso de las tecnologías hasta la propuesta del modelo UATUT
(Venkatesh et al., 2003) que predecía efectos moderadores sobre los antecedentes de la intención de uso de
las tecnologías, pasando por la Theory of Reasoned Action (TRA) (Fishbein & Ajzen, 1975); se contempla la
relación directa entre la intención de comportamiento y el uso de las tecnologías. En nuestro caso es
indudable que la intención de comportamiento del usuario de Big Data, influido positiva y negativamente por
las variables propuestas en nuestro modelo, afecta favorablemente al uso final del servicio.
Esta influencia ha sido contrastada en muchos contextos como por ejemplo, la adopción de la banca por
internet en Portugal (Martins, Oliveira, & Popovič, 2014), compra de billetes de avión en España (Escobar-
Rodríguez & Carvajal-Trujillo, 2014), uso de sistemas de gestión de documentos electrónicos (Afonso,
Gonzalez, Roldán, & Sánchez-Franco, 2102) o adopción de ERPs en la India (Chauhan & Jaiswal, 2016).
Por ello, podemos enunciar como hipótesis:
Hipótesis 7: La intención de comportamiento del usuario influye favorablemente sobre el uso de un
servicio de Big Data.
En la Figura 1 presentamos el modelo propuesto con las hipótesis enunciadas con anterioridad.
Figura 1. Modelo de aceptación del Big data en empresas
3. METODOLOGÍA DE LA INVESTIGACIÓN
3.1 DESCRIPCIÓN DE LA MUESTRA
La muestra empleada en este trabajo proviene de directivos responsables de un área como RRHH,
Financiero, Marketing y Ventas o el propio CEO de la compañía.
Los datos fueron recogidos durante los meses de septiembre y octubre de 2017 mediante una encuesta
autoadministrada realizada por internet. Para eliminar posibles ambigüedades en el cuestionario, previamente
se revisó, a modo de pre-test, con 5 directivos voluntarios y otros tantos investigadores.
El número de encuestas validas fue de 128 y las podemos clasificar en función de su facturación y sector de
actividad tal y como se muestra en la Tabla 1.
Tabla 1. Empresas de la muestra según facturación y sector
Sector
(en
blanco)
Menos de 2
Millones de €
Entre 2 y 10
Millones de €
Entre 10 y 43
Millones de €
Más de 43
Millones de €
Total
general
Agropecuario
1
2
2
5
Comercio y distribución
2
1
6
9
Comunicaciones
1
4
2
2
10
19
Construcción
2
1
3
Educación
2
1
2
5
Energético y minero
1
1
Financiero
1
6
7
Industrial
4
3
5
12
Otros
1
7
8
2
9
27
Sanitario
3
2
5
Servicios
11
9
6
8
34
(en blanco)
1
1
Total general
3
38
26
12
49
128
3.2 ESCALAS DE MEDIDA
Las escalas de medida, provenientes en su mayoría del modelo original de Venkatesh et al. (2003), han sido
adaptadas al Big Data, según los trabajos recogidos en la Tabla 2. La variable Resistencia al Uso fue medida
mediante la escala propuesta por Bhattacherjee y Hikmet (2007).
Tabla 2. Escalas de medida
Constructo
Escala
Fuentes
Performance
expectancy
PE1: Creo que el Big Data es útil para llevar a cabo las tareas de nuestra
empresa
PE2: Creo que con Big Data se podría hacer las tareas de nuestra
empresa más rápidamente
PE3: Creo que con Big Data se podría incrementar la productividad de
nuestra empresa
PE4: Creo que con Big Data mejoraría el rendimiento de nuestra
empresa
PE5: Creo que con Big Data se puede obtener más información de
nuestros clientes
PE6: Creo que con Big Data se incrementará la calidad de la información
usada en nuestra empresa
PE7: Creo que con Big Data se obtendrá nueva información valiosa de
nuestros clientes
(Venkatesh et al.,
2003).
(Moore, &
Benbasat, 1991).
(McAfee &
Brynjolfsson,
2012)
Effort
Expectancy
EE1: El Big Data le resultaría claro y comprensible a las personas de
nuestra empresa
EE2: Sería fácil para nuestra empresa familiarizarse con el Big Data
EE3: Para nuestra empresa sería fácil usar el Big Data
EE4: Creo que aprender Big Data sería fácil para las personas de nuestra
empresa
EE5: Generar datos valiosos usando Big Data sería fácil para nuestra
empresa
(Venkatesh et al.,
2003)
Social
Influence
SI1: Las empresas que influyen en la nuestra usan Big Data
SI2: Las empresas de referencia para nosotros usan Big Data
SI3: Las empresas de nuestro entorno que usan Big Data tienen más
prestigio que las que no lo usan
SI4: Las empresas de nuestro entorno que usan Big Data son
innovadoras
SI5: Usar Big Data es un símbolo de estatus en nuestro entorno
(Venkatesh et al.,
2003)
Facilitating
conditions
FC1: Nuestra empresa tiene los recursos necesarios para usar Big Data
FC2: Nuestra empresa tiene el conocimiento necesario para usar Big
(Venkatesh et al.,
2003)
Data
FC3: El Big Data no es compatible con otros sistemas de nuestra
empresa
FC4: Nuestra empresa tiene disponible una persona (o grupo de ellas)
para asistencia con las dificultades que pudieran surgir
Resistance
to use
RU1: No queremos usar Big Data para cambiar el modo en el que
analizamos nuestros datos
RU2: No queremos usar Big Data para cambiar el modo en el que
tomamos decisiones
RU3: No queremos usar Big Data para cambiar el modo en el que
interactuamos con otras personas en nuestro trabajo
RU4: Sobre todo, no queremos usar Big Data para cambiar nuestra actual
forma de trabajar
(Bhattacherjee &
Hikmet, 2007)
Behavioural
intention
BI1: Tenemos la intención de usar Big Data en los próximos meses
BI2: Predecimos que usaremos Big Data en los próximos meses
BI3: Planificamos usar Big Data en los próximos meses
BI4: Tenemos la intención de obtener nuevos y valiosos datos gracias a
Big Data en los próximos meses
(Venkatesh et al.,
2003).
( Davis, Bagozzi,
& Warshaw,
1989)
Usage
behaviour
UB: ¿Cuál es el actual uso de Big Data en su empresa?
(i) Nunca lo hemos usado
(ii) Una vez al año
(iii) Una vez en 6 meses
(iv) Una vez en 3 meses
(v) Una vez al mes
(vi) Una vez a la semana
(vii) Una vez cada 3-4 días
(viii) Cada 2-3 días
(ix) A diario
(Venkatesh et al.,
2003)
3.3 HERRAMIENTAS ESTADÍSTICAS
Hemos empleado diversas técnicas estadísticas de cara a lograr los objetivos planteados. Hemos usado PLS
para analizar la fiabilidad y validez de las escalas de medida y valorar el modelo estructural (Chin &
Dibbern, 2010; Hair, Sarstedt, Ringle, & Mena, 2012). Concretamente, hemos usado el paquete de software
SmartPLS 3 (Ringle, Wende, & Becker, 2015).
También chequeamos previamente que no tuviésemos error por sesgo de medida o Common Method Bias
(CMB). Para ello seguimos las indicaciones de Kock (2015) y Kock & Lynn (2012) y añadimos una nueva
variable latente llamada variable CMB como dependiente de las anteriores del modelo, medida con un
indicador no usado con anterioridad. Todos los factores de inflación de la varianza (VIF) obtenidos por este
método debían ser menores de 3’3 para confirmar que la muestra no tenía CMB. Podemos comprobar que
cumplimos estos requisitos en la Tabla 3.
Tabla 3. VIF extraída de los constructos para comprobar el CMB
Variable
CMB
Behavioral Intention
2,351
Effort Expectancy
1,621
Facilitating Conditions
2,027
Performance Expectancy
1,971
Resistance use
1,611
Social Influence
1,710
Variable CMB
4. RESULTADOS
Para el análisis del modelo con PLS vamos a hacer antes un análisis de fiabilidad de los constructos y sus
escalas de medida para posteriormente valorar el propio modelo.
Para analizar la fiabilidad y validez del modelo de medida vamos a basarnos en la literatura existente
(Henseler, Ringle, & Sarstedt, 2014; Roldán & Sánchez-Franco, 2012), en la que se nos propone una carga
factorial mínima de 0,7 sobre sus propias variables latentes para constructos medidos en modo B.
Comprobamos que todos los indicadores, excepto FC3, cumplen dicha condición. Por ello, decidimos
eliminar este indicador manteniendo el resto en la escala original y procedimos a recalcular las cargas
factoriales. Dichos resultados se exponen en la Tabla 4.
Tabla 4. Fiabilidad individual de las escalas de medida (cargas factoriales)
Behavioral
Intention
Effort
Expectancy
Facilitating
Conditions
Performance
Expectancy
Resistance
use
Social
Influence
Usage
Behaviour
BI1
0,969
BI2
0,983
BI3
0,984
BI4
0,977
EE1
0,735
EE2
0,862
EE3
0,880
EE4
0,819
EE5
0,758
FC1
0,890
FC2
0,898
FC4
0,856
PE1
0,924
PE2
0,914
PE3
0,914
PE4
0,950
PE5
0,835
PE6
0,853
PE7
0,783
RU1
0,918
RU2
0,959
RU3
0,929
RU4
0,880
SI1
0,744
SI2
0,888
SI3
0,813
SI4
0,810
SI5
0,728
UB
1,000
Procedemos entonces a analizar la fiabilidad de los constructos para lo que empleamos los indicadores de
fiabilidad compuesta y alfa de Cronbach. En todos los casos, nuestros indicadores son superiores al 0.7 tal y
como sugiere Nunnally (1978). Además, se ha asegurado la validez convergente analizando la varianza
media extraída (AVE). En nuestro caso, todos los indicadores ofrecían niveles superiores al 0.5 propuesto
(Straub, DetmarBoudreau & Gefen, 2004). Estos indicadores aparecen en la Tabla 5, en la que podemos
comprobar que todos los constructos, incluido el constructo Condiciones Facilitadoras, cumplen todos los
requisitos.
Tabla 5. Fiabilidad compuesta y validez convergente
Continuamos ahora evaluando la validez discriminante. Lo hemos hecho de dos formas: a) usando el test de
Fornell y Larcker donde se compara la raíz cuadrada del AVE de cada variable latente con las correlaciones
de dicha variable con el resto (Barclay, Thompson, & Higgins, 1995); y b) mediante el más restrictivo
método de la ratio Heterotrait-Monotrait (HTMT) (Henseler et al., 2014) comprobando que en todos los
casos ofrecían niveles inferiores a 0.9. Podemos ver los resultados de ambos tests, en las Tablas 6 y 7, lo que
nos permite comprobar que aseguramos la validez discriminante de todas las variables latentes empleadas.
Tabla 6. Validez discriminante (Test de Fornell-Larcker)
Tabla 7. Validez discriminante (Ratio Heterotrait-Monotrait -HTMT)
Alfa de
Cronbach
rho_A
Fiabilidad
compuesta
Varianza
extraída media
(AVE)
Behavioral Intention
0,985
0,986
0,989
0,957
Effort Expectancy
0,878
0,910
0,907
0,661
Facilitating Conditions
0,856
0,856
0,913
0,777
Performance Expectancy
0,953
0,960
0,961
0,781
Resistance use
0,941
0,946
0,958
0,850
Social Influence
0,858
0,874
0,898
0,638
Usage Behaviour
1,000
1,000
1,000
1,000
Behavioral
Intention
Effort
Expectancy
Facilitating
Conditions
Performance
Expectancy
Resistance
use
Social
Influence
Usage
Behaviour
Behavioral Intention
0,978
Effort Expectancy
0,356
0,813
Facilitating Conditions
0,625
0,519
0,882
Performance Expectancy
0,587
0,480
0,380
0,884
Resistance use
-0,529
-0,281
-0,407
-0,547
0,922
Social Influence
0,496
0,517
0,482
0,456
-0,246
0,799
Usage Behaviour
0,663
0,336
0,670
0,423
-0,429
0,491
1,000
En la Figura 2 podemos ver los valores para cada una de las cargas y el path del modelo. Asimismo, podemos
chequear la R2 de los constructos de segundo orden: Intención de Comportamiento y Uso en la Tabla 8.
Tabla 8. R2 del modelo
R cuadrado
R cuadrado
ajustada
Behavioral Intention
0,584
0,566
Usage Behaviour
0,546
0,539
Figura 2: Resultados del modelo.
Para la valoración del modelo estructural se analizan los valores de los coeficientes paths y la varianza
explicada de las variables endógenas (R2). Los coeficientes paths señalan la intensidad de la relación entre las
variables dependientes e independientes. Se ha usado una técnica de re-muestreo llamada bootstrapping con
5000 muestras para calcular la fiabilidad de los coeficientes paths en las relaciones hipotetizadas. Ver Tabla
9.
Behavioral
Intention
Effort
Expectancy
Facilitating
Conditions
Performance
Expectancy
Resistance
use
Social
Influence
Usage
Behaviour
Behavioral Intention
Effort Expectancy
0,332
Facilitating Conditions
0,681
0,560
Performance Expectancy
0,600
0,478
0,411
Resistance use
0,548
0,280
0,451
0,574
Social Influence
0,530
0,573
0,559
0,496
0,276
Usage Behaviour
0,667
0,311
0,724
0,426
0,440
0,522
Tabla 9. Contraste del modelo estructural (Path Coefficients)
Muestra original
(O)
P Valores
Behavioral Intention -> Usage Behaviour
0,400 ***
0,000
Effort Expectancy -> Behavioral Intention
-0,166 *
0,016
Facilitating Conditions -> Behavioral Intention
0,426 ***
0,000
Facilitating Conditions -> Usage Behaviour
0,420 ***
0,000
Performance Expectancy -> Behavioral Intention
0,321 ***
0,000
Resistance use -> Behavioral Intention
-0,182 *
0,011
Social Influence -> Behavioral Intention
0,185 **
0,007
***p<0,001, **p<0,01, *p<0,05. (basado en test de 1 cola y Bootstrap con 5000 muestras).
Además, se calculó el indicador SRMR para la muestra completa. SRMR es una medida del ajuste global del
modelo, especialmente adecuada para PLS. En nuestro caso, se obtuvo un valor de 0,078, lo que asegura el
ajuste del modelo al ofrecer niveles inferiores a 0,08 propuesto (Henseler et al., 2014).
Los resultados obtenidos indican que se aceptan las hipótesis propuestas, con un elevado nivel de
significación. Así, en orden de influencia, vemos como las Condiciones Facilitadoras es el constructo que
más aporta a la Intención y al Uso seguido de la Expectativas de Resultado. Se comprueba también la
relación entre la intención y el uso, significativa al máximo nivel de exigencia.
El modelo tiene una potencia explicativa media de un 54’6% sobre pasando el nivel mínimo de un 10%
recomendado por Falk y Miller (1992).
Asimismo hemos calculado el Stone-Geisser Q2 para evaluar la capacidad predictiva del modelo (Gefen,
Rigdon, & Straub, 2011) y hemos obtenido los resultados de la tabla 10.
Tabla 10. Resumen de predicción de variables latentes
RMSE
Q2
Behavioral Intention
0,583
0,545
Usage Behaviour
0,543
0,508
Con lo que podemos concluir que el modelo tiene relevancia predictiva al tener todos los valores Q2 de la
tabla mayores que 0 (Roldán & Sánchez-Franco, 2012).
5. CONCLUSIONES Y LIMITACIONES
5.1 CONCLUSIONES TEÓRICAS
Nuestro trabajo amplía el modelo UTAUT incorporando una nueva variable, Resistencia al Uso, que pretende
mejorar el resultado del modelo original de aceptación de tecnologías complejas como el Big Data. Esto
contribuye a la generalización de este modelo, a su conocimiento y en definitiva, a un mejor entendimiento
de la aceptación de nuevas tecnologías, en nuestro caso particular el Big Data. La utilización de Big Data por
parte de las empresas puede significar un importante avance con relación al uso de la información para la
mejora de la gestión de las relaciones con el cliente. Mucho más allá de una herramienta de CRM (Customer
Relationship Management), Big Data aporta información relevante para las empresas en todas las áreas de
gestión.
Centrados en los resultados obtenidos en nuestra investigación, podemos comprobar que la Intención de Uso
del Big Data por parte de las empresas viene determinada: 1) por la percepción de obtener buenos resultados
con la implementación de esta tecnología (Performance Expectancy); 2) por el efecto positivo que suponen
en esta tecnología que otros consideran importante usar (Social Influence); y 3) principalmente por el hecho
de que la empresa facilite el soporte y los recursos para promocionar su uso (Facilitating Conditions). Esta
última relación no estaba contemplada en el UTAUT (Venkatesh et al., 2003) original y sí en el UTAUT2
(Venkatesh et al., 2012). Por otra parte, vemos que la Intención de Uso es afectada negativamente por la
Resistencia al Uso de nuevas tecnologías que hay en toda organización, aunque su influencia es menor que
las relaciones anteriores. También podemos comprobar que, aunque el uso de Big Data se perciba difícil
(Effort Expectancy), su influencia es muy baja y poco significativa sobre la intención de uso. Esto podría
explicarse por el hecho que el Big Data es percibido como una tecnología a la que se le presupone una
dificultad en su implementación y que esto no afecta a la intención de uso. También hemos podido contrastar
una gran influencia positiva de las condiciones facilitadoras sobre el uso de la nueva tecnología, aportando
más carga incluso que la Intención de Uso.
Por tanto, y tras la contrastación del modelo, observamos que todas las hipótesis planteadas en la ampliación
propuesta del modelo UTAUT, han sido aceptadas, lo que puede trasladarse al diseño de un modelo que
aporta cierta mejora al modelo original.
5.2 CONCLUSIONES PRÁCTICAS
En cuanto a las implicaciones profesionales, todo esto hace pensar que poco a poco se va asumiendo que
cada nueva tecnología tiene su curva de aprendizaje y que influye poco a la hora de adoptarla siempre y
cuando se esperen unos grandes resultados, como es en el caso del Big Data. Asimismo, parece que si se
tiene la adecuada infraestructura no se pierde nada por probar esta nueva tecnología y que los factores
inhibidores de dicha prueba tienen menor peso que todo lo anterior. En este sentido, sería muy relevante
conocer por parte de las empresas que mucho software asociado al uso del Big Data es libre y si la empresa
cuenta ya con los recursos necesarios de hardware y de personal cualificado es mucho más fácil su adopción
por lo que ahí es donde enfocaríamos nuestro esfuerzo de comunicación.
5.3 LIMITACIONES
Entre las principales limitaciones de este trabajo señalamos en primer lugar, que a pesar de la madurez del
modelo de base empleado (UTAUT) sólo hemos incluido en nuestra propuesta de modelo una variable
precedente más como es la Resistencia al Uso. Estimamos que, para el caso del Big Data, hay constructos del
modelo original, como la Expectativa de Esfuerzo, que están teniendo un menor peso en su influencia sobre
la intención de uso, lo que nos lleva a pensar que puedan existir más variables que aporten valor al UTAUT y
por ello, consideramos necesario en el futuro ir incluyendo estas variables ampliando así nuestro modelo
conceptual para Big Data.
En segundo lugar, parece necesario explorar nuevas variables moderadoras diferentes a las del UTAUT
original con el fin de evaluar posibles nuevos efectos no contemplados anteriormente.
Por otra parte, la muestra de empresas es pequeña para poder hacer un buen análisis multigrupo y poder
evaluar posibles diferencias en la intención y el uso del Big Data según sectores de actividad o tamaño de la
empresa, entre otras variables de clasificación. Con ello, conseguir una muestra mayor de empresas que
utilicen la tecnología Big Data será nuestro reto futuro que a buen seguro permitirá mejorar los resultados de
esta investigación.
6. REFERENCIAS BIBLIOGRÁFICAS
Afonso, C., Gonzalez, M., Roldán, J., & Sánchez-Franco, M. (2102). Determinants of user acceptance of a local eGovernment Electronic
Document Management System (EDMS). In Proceedings of the European Conference on e-Government, ECEG (pp. 19–28).
Ajzen, I. (1991). The theory of planned behavior. Orgnizational Behavior and Human Decision Processes, 50, 179–211.
https://doi.org/10.1016/0749-5978(91)90020-T
Al-Gahtani, S. S., Hubona, G. S., & Wang, J. (2007). Information technology (IT) in Saudi Arabia: Culture and the acceptance and use
of IT. Information and Management, 44(8), 681–691. https://doi.org/10.1016/j.im.2007.09.002
Arenas-Gaitán, J., Peral-Peral, B., & Villarejo-Ramos, A.-F. (2016). Grupos de mayores en la banca electrónica. Segmentación de clases
latentes con PLS-POS. In Congreso Marketing AEMARK. Madrid.
Bhattacherjee, A., & Hikmet, N. (2007). Physicians’ resistance toward healthcare information technology: a theoretical model and
empirical test. European Journal of Information Systems, 16(6), 725–737. https://doi.org/10.1057/palgrave.ejis.3000717
Brünink, L. (2016). Cross-Functional Big Data Integration : Applying the Utaut Model.
Chauhan, S., & Jaiswal, M. (2016). Determinants of acceptance of ERP software training in business schools: Empirical investigation
using UTAUT model. International Journal of Management Education, 14(3), 248–262. https://doi.org/10.1016/j.ijme.2016.05.005
Chin, W. W., & Dibbern, J. (2010). Handbook of Partial Least Squares, 171–193. https://doi.org/10.1007/978-3-540-32827-8
Davis, F. (1985). A Technology Acceptance Model for Empirically Testing New End-User Information Systems. Massachusetts Institute
of Technology, (December 1985), 291.
Davis, F. D., Bagozzi, R. P. ., & Warshaw, P. R. . (1989). User Acceptance of Computer Technology : A Comparison of Two
Theoretical Models, 35(8), 982–1003.
Duyck, P., Pynoo, B., Devolder, P., Voet, T., Adang, L., Ovaere, D., & Vercruysse, J. (2010). Monitoring the PACS implementation
process in a large university hospital-discrepancies between radiologists and physicians. Journal of Digital Imaging, 23(1), 73–80.
https://doi.org/10.1007/s10278-008-9163-7
Escobar-Rodríguez, T., & Carvajal-Trujillo, E. (2014). Online purchasing tickets for low cost carriers: An application of the unified
theory of acceptance and use of technology (UTAUT) model. Tourism Management, 43, 70–88.
https://doi.org/10.1016/j.tourman.2014.01.017
Falk, R. F., & Miller, N. B. (1992). A primer for soft modeling. Akron, OH: University of Akron Press.
Fan, W., & Bifet, A. (2013). Mining Big Data : Current Status , and Forecast to the Future. ACM SIGKDD Explorations Newsletter,
14(2), 1–5. https://doi.org/10.1145/2481244.2481246
Fishbein, M., & Ajzen, I. (1975). Belief Attitude, Intention and Behavior. An Introduction to Theory and Research. Philosophy &
Rhetoric, 10(2), 130–132.
Gartner. (2012). What Is Big Data? - Gartner IT Glossary - Big Data. Retrieved May 22, 2017, from http://www.gartner.com/it-
glossary/big-data/
Gefen, D., Rigdon, E. E., & Straub, D. (2011). An Update and Extension to SEM Guidelines for Administrative and Social Science
Research. MIS Quarterly, 35(2), iii-A7. https://doi.org/10.1016/j.lrp.2013.01.001
Gupta, V. K., Huang, R., & Niranjan, S. (2010). A Longitudinal Examination of the Relationship Between Team Leadership and
Performance. Journal of Leadership & Organizational Studies, 17(4), 335–350. https://doi.org/10.1177/1548051809359184
Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2012). An assessment of the use of partial least squares structural equation
modeling in marketing research. Journal of the Academy of Marketing Science, 40(3), 414–433. https://doi.org/10.1007/s11747-011-
0261-6
Hashem, I. A. T., Yaqoob, I., Anuar, N. B., Mokhtar, S., Gani, A., Ullah Khan, S., … Popovič, A. (2015). Education and training for
successful career in Big Data and Business Analy...: EBSCOhost. International Journal of Information Management, 34(1), 1–16.
https://doi.org/10.1080/12460125.2015.994333
Henseler, J., Ringle, C. M., & Sarstedt, M. (2014). A new criterion for assessing discriminant validity in variance-based structural
equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
Hsieh, P. J. (2015). Healthcare professionals’ use of health clouds: Integrating technology acceptance and status quo bias perspectives.
International Journal of Medical Informatics, 84(7), 512–523. https://doi.org/10.1016/j.ijmedinf.2015.03.004
Hung, Y., Wang, Y., & Wang, Y. (2007). User Acceptance of E-Government Services.
Joseph, R. C., State, P., & Johnson, N. A. (2013). Big data and transformational government.pdf. IEEE Computer Society, 43–48.
Retrieved from computer.org/ITPro
Kim, H.-W., & Kankanhalli, A. (2009). Investigating user resistance to implementation: a status quo bias perspective. MIS Quarterly,
33(3), 2009. https://doi.org/Article
Kim, H. W., Chan, H. C., & Gupta, S. (2007). Value-based Adoption of Mobile Internet: An empirical investigation. Decision Support
Systems, 43(1), 111–126. https://doi.org/10.1016/j.dss.2005.05.009
Kock, N. (2015). Common method bias in PLS-SEM : A full collinearity assessment approach, 1–10.
Kock, N., & Lynn, G. S. (2012). Lateral Collinearity and Misleading Results in Variance-Based SEM : An Illustration and
Recommendations. Journal of the Association for Information Systems, 13(7), 546–580.
Kwon, O., Lee, N., & Shin, B. (2014). Data quality management, data usage experience and acquisition intention of big data analytics.
International Journal of Information Management, 34(3), 387–394. https://doi.org/10.1016/j.ijinfomgt.2014.02.002
Lapointe, L., & Rivard, S. (2007). A Triple Take on Information System Implementation. Organization Science, 18(1), 89–107.
https://doi.org/10.1287/orsc.1060.0225
Lee, J.-H., & Song, C. (2013). Effects of trust and perceived risk on user acceptance of a new technology service. Social Behavior and
Personality: An …, 41(3), 587–598. https://doi.org/10.2224/sbp.2013.41.4.587
Martins, C., Oliveira, T., & Popovič, A. (2014). Understanding the internet banking adoption: A unified theory of acceptance and use of
technology and perceived risk application. International Journal of Information Management, 34(1), 1–13.
https://doi.org/10.1016/j.ijinfomgt.2013.06.002
McAfee, A., & Brynjolfsson, E. (2012). Big Data. The management revolution. Harvard Buiness Review, 90(10), 61–68.
https://doi.org/10.1007/s12599-013-0249-5
Moore, G.C., and Benbasat, I. (1991). Development of an instrument to measure the perceptions of adopting an information technology
innovation. Information Systems Research, 2(3), 192–222.
Nunnally, J. C. (1978). Psychometric Theory (2nd ed.). MCGraw- Hill College.
Rahman, N. (2016). Factors Affecting Big Data Technology Adoption, 0–29. Retrieved from
http://pdxscholar.library.pdx.edu/studentsymposium%5Cnhttp://pdxscholar.library.pdx.edu/studentsymposium/2016/Presentations/10
Ringle, C. M., Wende, S., & Becker, J. M. (2015). SmartPLS. “SmartPLS 3.” Boenningstedt: SmartPLS GmbH. Retrieved from
http://www.smartpls.com
Roldán, J. L., & Sánchez-Franco, M. J. (2012). Variance-Based Structural Equation Modeling: Guidelines for Using Partial Least
Squares in Information Systems Research. Research Methodologies, Innovations and Philosophies in Software Systems Engineering and
Information Systems. https://doi.org/10.4018/978-1-4666-0179-6.ch010
Sivarajah, U., Kamal, M. M., Irani, Z., & Weerakkody, V. (2016). Critical analysis of Big Data challenges and analytical methods.
Journal of Business Research, 70, 263–286. https://doi.org/10.1016/j.jbusres.2016.08.001
Straub, DetmarBoudreau, M., & Gefen, D. (2004). Validation Guidelines for IS Positivist Validation Guidelines for IS Positivist.
Communications of the Association for Information Systems, 13, 380–427. https://doi.org/Article
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User Acceptance of Information Technology: Toward a Unified
View. MIS Quarterly, 27(3), 425–478. Retrieved from http://www.jstor.org/stable/30036540
Venkatesh, V., Thong, J. Y. L., & Xu, X. (2012). Consumer Acceptance and Use of Information Technology: Extending the Unified
Theory of Acceptance And Use of Technology. MIS Quaterly, 36(1), 157–178. https://doi.org/10.1017/CBO9781107415324.004
Waller, M. A., & Fawcett, S. E. (2013). Data Science , Predictive Analytics , and Big Data: A Revolution That Will Transform Supply
Chain Design and Management. Journal of Busienss Logistics, 34(2), 77–84. https://doi.org/10.1111/jbl.12010
Wu, Y. L., Tao, Y. H., & Yang, P. C. (2007). Using UTAUT to explore the behavior of 3G mobile communication users. IEEM 2007:
2007 IEEE International Conference on Industrial Engineering and Engineering Management, 199–203.
https://doi.org/10.1109/IEEM.2007.4419179
Yaqoob, I., Hashem, I. A. T., Gani, A., Mokhtar, S., Ahmed, E., Anuar, N. B., & Vasilakos, A. V. (2016). Big data: From beginning to
future. International Journal of Information Management, 36(6), 1231–1247. https://doi.org/10.1016/j.ijinfomgt.2016.07.009
Yu, C.-S. (2012). Factors Affecting Individuals to Adopt Mobile Banking: Empirical Evidence from the UTAUT Model. Journal of
Electronic Commerce Research, 13, 104–121.
