MODELIZACIN DE LOS FACTORES MS IMPORTANTES QUE

CARACTERIZAN UN SITIO EN LA RED.

BERNAL GARCA, JUAN JESS

Catedrtico en Economa Aplicada.
Dpto. de Mtodos Cuantitativos e Informticos.
Universidad Politcnica de Cartagena
correo-e: juanjesus.bernal@upct.es
MARTNEZ MARA-DOLORES, SOLEDAD MARA
Profesora Ayudante de Universidad.
Dpto. de Mtodos Cuantitativos e Informticos.
Universidad Politcnica de Cartagena
correo-e: soledad.martinez@upct.es
SNCHEZ GARCA, JUAN FRANCISCO
Profesor Ayudante de Universidad.
Dpto. de Mtodos Cuantitativos e Informticos.
Universidad Politcnica de Cartagena
correo-e: jf.sanchez@upct.es

RESUMEN
Mediante el anlisis de los datos recogidos en una encuesta realizada durante el ltimo
trimestre de 2003 a una muestra de pymes en la regin de Murcia, se presentan los
resultados obtenidos para identificar los factores que pueden ser considerados ms
importantes a la hora de que una pgina web genere cierta confianza en los futuros
clientes. Dicho anlisis se ha realizado utilizando la tcnica de anlisis de componentes
principales, con la que se han sintetizado los datos pudindolos relacionar entre s, con
lo que finalmente se han obtenido las caractersticas principales que definen un sitio en
la red y que, por lo tanto, deben de ser incluidas en el mismo para fidelizar al
consumidor.

Palabras clave: e-commerce, anlisis de componentes principales, pymes.

XII Jornadas de ASEPUMA

MODELIZACIN DE LOS FACTORES MS IMPORTANTES QUE CARACTERIZAN UN SITIO EN LA RED.

1. INTRODUCCIN
Realizaremos el anlisis propuesto para identificar los factores considerados ms
importantes para que una pgina web genere confianza y fidelidad en los clientes
eliminando la informacin que pueda resultar redundante de la lista de atributos
presentada, mediante la utilizacin de los datos recogidos en la encuesta realizada
durante el ltimo trimestre de 2003 a una muestra de pymes en la regin de Murcia.
Para calcular el tamao muestral idneo que necesitbamos, si el tamao de la
poblacin es desconocido tal y como ocurra en nuestro caso, para un nivel de confianza
del 97,50% ajustado a una curva normal, con un 95% de probabilidad y asumiendo un
error del 4% sera necesario un tamao muestral de 600 empresas. Si asumimos un error
del 4,62% obtendramos un tamao muestral para un tamao de poblacin no conocido
de 450 empresas. Tambin se muestran los clculos realizados acerca del tamao
muestral idneo en funcin de que el parmetro de tamao de la poblacin fuese
conocido asumiendo el supuesto, ya que esta cifra no la conocamos en realidad, de que
el nmero total de empresas en esta Regin fuese de unas 100.000, con lo que
obtenamos una muestra de 597 empresas para el caso de que fuera el 4% el error
soportado y de 448 en el caso de que fuese del 4,62%.
Se obtuvieron un total de 537 respuestas de distintas empresas de la Regin, de las que
finalmente resultaron vlidas un total de 450 de las cuales, 152 se rellenaron de forma
directa en la sobre una pgina web preparada para tal fin, 21 se recibieron por fax, 3 por
correo ordinario y 55 se realizaron mediante entrevista. El resto se recibieron por correo
electrnico.

2. ANLISIS DE COMPONENTES PRINCIPALES

Como ya hemos indicado nuestro objetivo consista en identificar los factores que
pueden ser considerados ms importantes a la hora de que una pgina web pueda
generar cierta confianza y fidelidad en los futuros clientes. Para ello utilizamos el
Anlisis de Componentes Principales (ACP), ya que esta tcnica multivariante permite
el tratamiento conjunto de las variables observadas reduciendo as el nmero de datos, y
consiguiendo identificar un grupo de variables ficticias formadas a partir de la
combinacin de las anteriores observadas. De esta forma podremos sintetizar los datos y
relacionarlos entre s, sin hacer ninguna hiptesis previa sobre lo que significa cada
factor inicial.
2

XII Jornadas de ASEPUMA

Bernal Garca, J.,Martnez Mara-Dolores, S., Snchez Garca J.F

Las macrocaractersticas o componentes principales que se obtienen tras un proceso de

clculo de races y vectores caractersticos de una matriz simtrica tienen como objetivo
contener la mayora de la varianza observada, con lo que se evita conseguir informacin
redundante. Para que esto suceda las variables han de ser incorreladas entre s y se han
de poder expresar como combinacin lineal de las variables que realmente han sido
observadas. A mayor varianza incorporada en cada una de estas componentes, implica
que la misma contiene una mayor cantidad de informacin.
Se ha realizado una aproximacin1 a los factores que podran ser considerados
principales en una determinada pgina en la red, utilizando esta tcnica, aplicndola a
las respuestas obtenidas sobre la valoracin de ciertos atributos para conocer a su vez si
stos se pueden concretar y reducir a un nmero menor sin perder demasiada
informacin, resumiendo de esta forma los que presentan un peso especfico mayor y
evitando redundancias que puedan estar contenidas en ms de una variable. Tras un
anlisis descriptivo inicial obtuvimos los estadsticos, considerando finalmente un total
de 20 atributos para incorporar al modelo.

ESTADSTICOS DE ADECUACIN MUESTRAL

KMO y prueba de Bartlett
Medida de adecuacin muestral de Kaiser-Meyer-Olkin
Chi-cuadrado
aproximado
Prueba de esfericidad de Bartlett
gl
Sig.

0,944
6.814,482
190
0,000

Tabla 1

Se presentan en la Tabla 1 los estadsticos correspondientes al estudio de la adecuacin

de la muestra al modelo. Podemos comprobar que la adecuacin muestral a este anlisis
no solamente resulta deseable, sino que presenta una muy buena adecuacin a los datos,
ya que el estadstico de KMO, que nos indica la proporcin de la varianza que tienen en
comn las variables analizadas, presenta un valor de 0,944, coeficiente muy cercano a la
unidad que es lo ms aconsejado2 para este tipo de anlisis, lo que indicara una perfecta
adecuacin de los datos a un modelo de anlisis factorial. Mediante la prueba de
esfericidad de Bartlett podemos asegurar que si el nivel crtico es superior a 0,05
entonces no podremos rechazar la hiptesis nula de esfericidad. Como podemos
comprobar en nuestro anlisis la significacin es perfecta, ya que obtiene el valor 0,000,
1

Para ello hemos utilizado el Software estadstico incorporado en el paquete SPSS 11.0 y el paquete
XLSTAT que se incorpora a la hoja de clculo Microsoft Excel 2003.
2
A partir de 0,5 se considera que es buena la adecuacin muestral para un anlisis factorial.
XII Jornadas de ASEPUMA

MODELIZACIN DE LOS FACTORES MS IMPORTANTES QUE CARACTERIZAN UN SITIO EN LA RED.

por lo que se puede rechazar dicha hiptesis nula, considerando el ajuste de las variables
mediante el anlisis factorial idneo.
Comprobamos que, una vez introducidas todas las variables, los datos obtenidos nos
ofrecan una matriz definida positiva, condicin necesaria para poder continuar con la
metodologa ACP.
Recordamos que el coeficiente de correlacin parcial nos indica la relacin que existe
entre dos variables si eliminamos el efecto del resto de variables del modelo. La Tabla
2 muestra un extracto de esta matriz de correlaciones, que como podemos comprobar
presenta el valor 1,00 en toda su diagonal y niveles crticos iguales a 0,00 para todas las
variables. Cuando dichas variables comparten mucha informacin entre ellas pero no
con el resto, la correlacin parcial es elevada, lo que perjudica al anlisis. La matriz
obtenida en el anlisis de correlaciones anti-imagen, que reproducimos slo en parte en
la Tabla 3 debido a su extensin, presenta los coeficientes de adecuacin muestral para
cada variable. Como se puede observar, los coeficientes de correlacin son bajos por lo
que nuevamente podemos afirmar que el anlisis de componentes principales es
adecuado para las variables objeto de estudio.
Matriz de Correlaciones (a)

Correlacin

Sig.
(Unilateral)

P12.1 Contenido
P12.2 Sencillez Manejo
P12.3 Velocidad
P12.4 Calidad
P12.5 Actualizacin
P12.6 Pgina Propia
P12.7 Seguridad Sist.
P12.8 Privacidad

P12.1 Contenido
P12.2 Sencillez Manejo
P12.3 Velocidad
P12.4 Calidad
P12.5 Actualizacin
P12.6 Pgina Propia
P12.7 Seguridad Sist.
P12.8 Privacidad
P12.9 Confidencialidad
P12.10 LOPD

a.

P12.1
Contenido
1,000
0,619
0,543
0,386
0,505
0,388
0,517
0,557

0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000

P12.2
Sencillez
Manejo
0,619
1,000
0,696
0,485
0,540
0,497
0,506
0,457

P12.3
Velocidad

P12.4
Calidad

0,543
0,696
1,000
0,509
0,584
0,429
0,529
0,480

0,386
0,485
0,509
1,000
0,530
0,515
0,338
0,341

0,000

0,000
0,000

0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000

0,000
0,000
0,000

0,000
0,000
0,000
0,000
0,000
0,000
0,000

0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000

Determinante = 1,912E-07
Tabla 2

XII Jornadas de ASEPUMA

Bernal Garca, J.,Martnez Mara-Dolores, S., Snchez Garca J.F

Extracto de la Matriz Anti-Imagen

P12.1
Contenido

Covarianza
anti-imagen

Correlacin
anti-imagen

P12.1 Contenido
P12.2 Sencillez Manejo
P12.3 Velocidad
P12.4 Calidad
P12.5 Actualizacin
P12.6 Pgina Propia
P12.7 Seguridad Sist

P12.1 Contenido
P12.2 Sencillez Manejo
P12.3 Velocidad
P12.4 Calidad
P12.5 Actualizacin
P12.6 Pgina Propia
P12.7 Seguridad Sist.
P12.8 Privacidad
P12.9 Confidencialidad
P12.10 LOPD

0,473
-0,130
-0,029
-0,016
-0,036
0,034
-0,005

0,950
-0,314
-0,066
-0,032
-0,079
0,067
-0,014
-0,247
0,097
0,066

P12.2
Sencillez
Manejo
-0,130
0,361
-0,151
0,002
-0,018
-0,084
-0,019

-0,314
0,921
-0,396
0,006
-0,046
-0,189
-0,059
0,074
-0,018
-0,157

P12.3
Velocidad

P12.4
Calidad

P12.5
Actualizacin

-0,029
-0,151
0,401
-0,079
-0,072
0,027
-0,034

-0,066
-0,396
0,943
-0,178
-0,170
0,057
-0,099
-0,011
-0,057
0,112

-0,016
0,002
-0,079
0,494
-0,113
-0,137
0,006

-0,032
0,006
-0,178
0,903
-0,241
-0,263
0,016
0,052
-0,011
-0,059

-0,036
-0,018
-0,072
-0,113
0,447
-0,083
-0,011

-0,079
-0,046
-0,170
-0,241
0,963
-0,168
-0,030
0,009
-0,095
0,009

P12.6
Pgina
Propia
0,034
-0,084
0,027
-0,137
-0,083
0,549
0,008
.
0,067
-0,189
0,057
-0,263
-0,168
0,936
0,021
-0,136
0,088
-0,049
.

Tabla 3

Los valores de la covarianza anti-imagen que figuran en la diagonal representan el valor

de lo que cada variable tiene como propio e individual, es decir, lo que no comparte con
el resto de las variables. As, por ejemplo, la variable P12.1 Contenido presenta un valor
de 0,473 de propiedad individual y nica frente al 0,361 que presenta la segunda
variable P12.2 Sencillez de Manejo, lo que implica que la primera comparte menos
informacin con el resto que la segunda. Los valores por tanto de la diagonal
representan la unicidad de cada variable en el modelo.

NMERO DE FACTORES A EXTRAER

Las denominadas comunalidades en el inicio de una tcnica ACP siempre son iguales a
uno, cobrando sentido en los componentes obtenidos al final. Al considerar tan slo un
nmero reducido de factores entre todas las variables observadas, la varianza total no
queda totalmente explicada. Por tanto, sus valores oscilarn entre cero y uno, es decir,
entre la posibilidad de que los factores comunes no expliquen nada de la variabilidad de
una variable o que por el contrario sta quede totalmente explicada por los factores
comunes.

XII Jornadas de ASEPUMA

MODELIZACIN DE LOS FACTORES MS IMPORTANTES QUE CARACTERIZAN UN SITIO EN LA RED.

La Tabla 4 presenta las comunalidades obtenidas para cada una de las variables, una
vez realizada la extraccin. As, podemos comprobar que variables tales como el
Contenido con un 0,927 de comunalidad, la Calidad con un 0,907 o la Pgina Propia
con un 0,904, explican en mayor proporcin la
varianza segn su participacin en los factores
o componentes resultantes en el anlisis,

Comunalidades

denomina factorial. Las columnas de esta

P12.1 Contenido
P12.2 Sencillez Manejo
P12.3 Velocidad
P12.4 Calidad
P12.5 Actualizacin
P12.6 Pgina Propia
P12.7 Seguridad Sist.
P12.8 Privacidad
P12.9 Confidencialidad
P12.10 LOPD
P12.11 Certificacin
P12.12 Modelo Negocio
P12.13 Garanta Empresa
P12.14 Disponibilidad
P12.15 No Rechazo
P12.16 Integridad
P12.17 Facturacin
P12.18 Pago
P12.19 Sgto. Pedidos
P12.20 Postventa

ltima matriz representan a un factor y las filas

Mtodo de
principales.

mientras que variables como la posibilidad de

que un website presente una Facturacin clara
de forma online participan en menor medida
con un 0,793 en la explicacin de dicha
varianza.
3

El proceso matemtico

por el que se

desarrolla la eleccin de las componentes

principales de una muestra, se realiza a partir
de una matriz de correlaciones, de donde, y a
travs de la aplicacin del anlisis factorial
correspondiente,

se

extrae

otra

que

se

extraccin:

Inicial

Extraccin

1,000

,544
,698
,689
,621
,654
,523
,784
,823
,809
,707
,727
,652
,702
,772
,825
,801
,744
,751
,735
,801

1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000
1,000

1,000
Anlisis de

Componentes

Tabla 4

coinciden en nmero con el total de variables

observadas. A cada elemento de esta matriz factorial se le denomina peso, carga,
ponderacin o saturacin factorial, y son interpretados como ndices de correlacin
entre las filas y las columnas, indicando as el peso que cada variable asigna a cada
factor.
Considerando la Tabla 5 podemos decidir con cuantos componentes o factores nos
vamos a quedar. Existen reglas para saber el nmero ms adecuado a conservar, por
ejemplo, la que se conoce como Criterio de Kaiser que indica que hay que conservar los
componentes principales cuyos valores propios son mayores que la unidad, aunque el
criterio ms utilizado es el de observar el porcentaje de varianza total explicada por cada
componente o factor, y cuando ste llega a un porcentaje acumulado considerado alto,

Desarrollado por Harman (1980)

XII Jornadas de ASEPUMA

Bernal Garca, J.,Martnez Mara-Dolores, S., Snchez Garca J.F

normalmente cerca del ochenta por ciento, significa que el nmero de factores es
suficiente.
Varianza total explicada
Componente
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

10,730
1,394
1,300
0,939
0,793
0,556
0,507
0,478
0,456
0,384
0,353
0,314
0,305
0,291
0,251
0,232
0,218
0,191
0,170

% de la
varianza
53,652
6,968
6,500
4,694
3,964
2,779
2,536
2,389
2,280
1,922
1,766
1,571
1,524
1,455
1,253
1,162
1,088
0,956
0,852

20

0,138

0,688

Total

%
acumulado
53,652
60,620
67,120
71,814
75,778
78,557
81,093
83,482
85,762
87,684
89,451
91,021
92,545
94,000
95,253
96,416
97,504
98,460
99,312
100,000

Sumas de las saturaciones al

cuadrado de la extraccin
% de la
%
Total
varianza acumulado
10,730
53,652
53,652
1,394
6,968
60,620
1,300
6,500
67,120
0,939
4,694
71,814

Suma de las saturaciones al

cuadrado de la rotacin
% de la
%
Total
varianza acumulado
3,970
19,849
19,849
3,657
18,286
38,135
3,544
17,719
55,854
3,192
15,960
71,814

12

10

Autovalor

Autovalores iniciales

2
0
1

3
2

5
4

7
6

9
8

11
10

13
12

15
14

17
16

Nmero de componente
Figura 1. Grfico de Sedimentacin

Mtodo de extraccin: Anlisis de Componentes principales.

Tabla 5

En nuestro modelo podemos comprobar, y as lo hemos sealado, que a partir de la

componente nmero cuatro el autovalor comienza a ser inferior a la unidad aunque en
esta componente todava mantiene un valor alto, y adems el porcentaje de la varianza
explicada acumulada asciende al 71,814%, por lo que podemos considerar que ste
puede ser un valor lo suficientemente alto para estimar que cuatro es un nmero de
factores suficiente.
En la Figura 1 se presenta el grfico de sedimentacin de las componentes, que suele
ser utilizado tambin como contraste grfico para conocer el nmero de componentes a
retener4. Segn este criterio se retienen todas las componentes que estn situadas
previamente a la zona de sedimentacin, entendiendo por esta la parte del grfico en la
que los componentes empiezan a no presentar pendientes fuertes, que como ya hemos
mencionado para los datos obtenidos podemos comprobar que puede ser a partir de la
componente cuatro o cinco.
4

Equivalente a otro criterio denominado de la media aritmtica.

XII Jornadas de ASEPUMA

19
18

20

MODELIZACIN DE LOS FACTORES MS IMPORTANTES QUE CARACTERIZAN UN SITIO EN LA RED.

Finalmente optamos por extraer cuatro componentes, obteniendo la matriz que se

presenta en la Tabla 6. De la misma podemos concluir que la variable P12.4 Calidad
no va a estar presente en ninguno de los

Matriz de componentes (a)

factores finales que obtengamos. Esto es

P12.1 Contenido
P12.2 Sencillez Manejo
P12.3 Velocidad
P12.4 Calidad
P12.5 Actualizacin
P12.6 Pgina Propia
P12.7 Seguridad Sist.
P12.8 Privacidad
P12.9 Confidencialidad
P12.10 LOPD
P12.11 Certificacin
P12.12 Modelo Negocio
P12.13 Garanta Empresa
P12.14 Disponibilidad
P12.15 No Rechazo
P12.16 Integridad
P12.17 Facturacin
P12.18 Pago
P12.19 Sgto. Pedidos
P12.20 Postventa

debido a que el valor del coeficiente

alcanzado es inferior al punto de corte que
determinamos y que es del 0,6. El resto de
las variables obtienen un valor superior a
dicho punto de corte, por lo que se incluirn
de una u otra forma en los factores finales
del modelo.
Conseguir

una

interpretacin

clara

mediante la utilizacin de los datos

recogidos en la anterior tabla no es fcil.
Por este motivo se realizan diversos
procedimientos que posibilitan, a partir de
una solucin inicial como la obtenida en la

Componente
1
,677
,708
,698
,711
,609
,770
,749
,764
,741
,766
,728
,773
,794
,760
,769
,777
,733
,766
,726

Mtodo de extraccin: Anlisis de componentes principales.

a 4 componentes extrados
Tabla 6

Tabla 7, poder conseguir unos factores que

puedan interpretarse de un modo ms sencillo.

INTERPRETACIN DE LAS COMPONENTES

Uno de estos procedimientos es la Rotacin Factorial que transforma la matriz factorial
inicial en otra denominada matriz factorial rotada,

ms fcil de interpretar, que

consiste en una combinacin lineal de la primera y que explica la misma cantidad de

varianza inicial. Los factores rotados tratan de que cada una de las variables originales
tenga una correlacin lo ms prxima a uno que sea posible con uno de los factores, y
correlaciones prximas a cero con los restantes, consiguiendo as correlaciones altas con
un grupo de variables y baja con el resto.
Para poder realizar una interpretacin un poco ms sencilla, utilizamos el sistema de
rotacin de los factores utilizando la Normalizacin Varimax, convergiendo dicha
rotacin en 6 iteraciones, indicando que se realizar la extraccin para cuatro
componentes, ya que como comprobamos anteriormente con este nmero conseguamos
obtener ms del 70% de la varianza explicada.

XII Jornadas de ASEPUMA

Bernal Garca, J.,Martnez Mara-Dolores, S., Snchez Garca J.F

Matriz de componentes rotados(a)

1
P12.1 Contenido
P12.2 Sencillez Manejo
P12.3 Velocidad
P12.4 Calidad
P12.5 Actualizacin
P12.6 Pgina Propia
P12.7 Seguridad Sist.
P12.8 Privacidad
P12.9 Confidencialidad
P12.10 LOPD
P12.11 Certificacin
P12.12 Modelo Negocio
P12.13 Garanta Empresa
P12.14 Disponibilidad
P12.15 No Rechazo
P12.16 Integridad
P12.17 Facturacin
P12.18 Pago
P12.19 Sgto. Pedidos
P12.20 Postventa

Componente
2
3

,738
,727
,720
,638
,624
,766
,822
,804
,713
,682
,647
,602
,714
,808
,780
,686
,731
,689
,803

Mtodo de extraccin: Anlisis de componentes principales.

Mtodo de rotacin: Normalizacin Varimax con Kaiser.
a. La rotacin ha convergido en 6 iteraciones.
Tabla 7

En la Tabla 7 presentamos la matriz de componentes rotados, mostrando los valores

situados por encima de 0,5 para as lograr una mejor exposicin de las variables
iniciales obtenidas para cada componente.
A continuacin pasamos a renombrar las componentes en funcin de las variables
iniciales que incorporan:
Componente 1. Esta componente engloba al conjunto de atributos que se concentran en
la encuesta como pertenecientes al grupo Seguridad, ya que consideramos que dan la
sensacin y hacen que una pgina pueda ser ms segura. sta ser la componente que
denominamos Factor Seguridad, y que explica por s sola nada menos que el 53,652%,
ms de la mitad, de la varianza total (Tabla 5), ocupando destacadamente el primer
lugar frente al resto de componentes que vamos a presentar.
Componente 2. Contiene cinco variables iniciales que son consideradas como
prestaciones propias de la web y que resulta lgico que presenten informacin
redundante.

Llamaremos

esta

componente

el

Factor

de

Prestaciones

Imprescindibles y explica un 6,968% de la varianza total (Tabla 5).

Una ltima variable que no hemos mencionado y que tambin se incluye en la
caracterizacin de esta componente, es la que se ha denominado Pgina Propia, es
decir, el que una pgina sea y est alojada en un servidor propiedad de la empresa.
XII Jornadas de ASEPUMA

MODELIZACIN DE LOS FACTORES MS IMPORTANTES QUE CARACTERIZAN UN SITIO EN LA RED.

Componente 3. Incluye las caractersticas que pueden dotar a una web como sitio que
resulta de confianza y fiable en el sentido de que se realizan las transacciones de forma
idnea para el consumidor. Se ha denominado a esta componente el Factor Garanta
de Empresa, explicando por s sola el 6,500% del total de la varianza (Tabla 5).
Componente 4: Cuatro variables conforman este factor: el Servicio Postventa y de
Reclamaciones online, Seguimiento de pedidos y Posibilidad de cancelacin de pedidos
online, Distintas opciones para el pago y por ltimo Facturacin online clara.
Llamamos a esta componente el Factor de Garanta del Proceso de la Transaccin,
ya que este factor recoge las caractersticas ms tcnicas, explicando el 4,694% de la
varianza total (Tabla 5).
Podemos decir, por tanto, que una pgina en Internet s que deber de contar en
principio al menos con la adecuada combinacin de estos cuatro factores, por lo que si
cuidamos los aspectos que nos indican en una pgina web, podemos fidelizar y
conseguir generar confianza en la red.
Una vez que se han obtenido las componentes podemos lograr definir las puntuaciones
factoriales mediante una estimacin para cada uno de los sujetos en cada factor
extrado, para as valorar qu situacin tiene ese sujeto frente a estas nuevas variables
que hemos construido a partir de la reduccin de las variables iniciales introducidas en
el anlisis. Cuando se utiliza el mtodo de extraccin de factores utilizando las
componentes principales, las puntuaciones obtenidas se calculan a partir de la solucin
factorial. Dicha solucin es ortogonal por lo que las puntuaciones tambin lo son.
Se obtiene finalmente la matriz de coeficientes para el clculo de las puntuaciones
factoriales que contiene las ponderaciones para cada variable para poder calcular las
puntuaciones factoriales. Mediante estos coeficientes estimados podemos construir una
ecuacin lineal para cada una de las componentes extradas, basadas en las variables y
las puntuaciones factoriales. Presentamos a continuacin una de las ecuaciones que
finalmente hemos obtenido para la estimacin de las puntuaciones factoriales de un
sujeto:
Factor Seguridad = 0,043 Contenido - 0,077 Sencillez Manejo - 0,074 Velocidad - 0,175
Calidad - 0,002 Actualizacin - 0,009 Pgina Propia + 0,297 Seguridad Sist + 0,350
Privacidad + 0,330 Confidencialidad + 0,281 LOPD + 0,246 Certificacin - 0,040 Modelo
Negocio - 0,119 Garanta Empresa - 0,044 Disponibilidad - 0,077 No Rechazo - 0,021
Integridad - 0,031 Facturacin - 0,153 Pago + 0,002 Sgto Pedidos - 0,084 Postventa

10

XII Jornadas de ASEPUMA

Bernal Garca, J.,Martnez Mara-Dolores, S., Snchez Garca J.F

La matriz de las covarianzas de las puntuaciones factoriales se presenta en la Tabla 8,

contiene en la diagonal principal la varianza de las puntuaciones factoriales que son
iguales

uno

las

covarianzas entre pares de

factores. Si vale cero, como
por ejemplo entre el factor
uno y el dos, eso significa
que

son

completamente

independientes entre s, es
decir no existe correlacin

Matriz de covarianza de las puntuaciones de las

componentes
Componente
1
2
3
4
1,000
,000
-1,615E-16 -1,341E-16
1
,000
1,000
1,289E-16 1,074E-16
2
-1,615E-16 1,289E-16
1,000
,000
3
-1,341E-16 1,074E-16
,000
1,000
4
Mtodo de extraccin: Anlisis de componentes principales.
Mtodo de rotacin: Normalizacin Varimax con Kaiser.
Puntuaciones de componentes.
Tabla 8

entre ellas. En el mtodo de componentes principales se obtienen las puntuaciones

factoriales reales, es decir, no son estimadas sino que se calculan directamente a partir
de

las

variables

originales.

Para

facilitar el clculo
de los factores o
componentes
obtenidos

hemos

planteado

el

modelo en una hoja

de

clculo

de

Figura 2. Modelo en Hoja de Clculo

MicrosoftExcel 2003 cuyo aspecto presentamos en la Figura 2, con el fin de facilitar

la introduccin de la valoracin de los 20 atributos presentados, y obtener as la
evaluacin que esa persona obtiene para cada factor obtenido.
Se realizaron comprobaciones con distintos sujetos de la muestra de las que exponemos
un ejemplo en la Figura 3. En ella se presentan las puntuaciones que obtiene en cada
factor, en este caso segn los datos facilitados por el gerente de un hotel de la Regin.
Podemos comprobar que al considerar dos elementos tales como la Privacidad y la
Confidencialidad como poco relevantes, puntundolos con un 4, el Factor Seguridad
disminuye considerablemente obteniendo un 3,42, aunque los otros atributos de este
grupo se punten con la valoracin ms alta.
En esta ocasin la Componente de Prestaciones Imprescindibles es la que obtiene una
mayor puntuacin. Creemos que debido al tipo de servicio que presta una empresa

XII Jornadas de ASEPUMA

11

MODELIZACIN DE LOS FACTORES MS IMPORTANTES QUE CARACTERIZAN UN SITIO EN LA RED.

como este hotel a travs de la red, por ejemplo ofertas vacacionales, localizacin de
precios y sobre todo reservas online, ser importante cuidar atributos tales como que
Atributos de una Pgina Web

dicha pgina tenga una velocidad de carga

1. Contenido

adecuada, que sea sencilla en su manejo, contar

2. Sencillez Manejo

10

con actualizaciones rpidas, etc

3. Velocidad

10

4. Calidad

5. Actualizacin

6. Pgina Propia

7. Seguridad Sistema

10

8. Privacidad

Factores
Factor Seguridad

3,42

Factor de Prestaciones Imprescindibles

8,21

Factor Garanta de Empresa

4,28

9. Confidencialidad

Factor Garanta del Proceso de la Transaccin

7,46

10. LOPD

10

Figura 3

11. Certificacin

10

12. Modelo Negocio

13. Garanta Empresa

14. Disponibilidad

principales por esta componente, argumento que

15. No Rechazo

ha puesto de manifiesto el empresario encuestado

16. Integridad

17. Facturacin

10

en su valoracin y que reflejan sus puntuaciones

factoriales resumiendo en un 8,21 la importancia

18. Pago

19. Seguimiento Pedidos online

10

20. Servicio Postventa online

10

Recordar que stos son los atributos considerados

de la informacin con la que dota este sujeto a

dichos atributos en una pgina.

CONCLUSIONES
Como se ha comprobado, el anlisis de componentes principales nos permite descubrir
y priorizar los atributos con los que deber contar una pgina en la red reduciendo la
informacin redundante que pueda existir entre los mismos. La identificacin de estas
componentes, nos permite conocer cules son los aspectos sobre los que se ha de incidir
ms para que dicha pgina tenga una estructura adecuada y resulte eficaz, logrando as
generar en los clientes potenciales mayor confianza y satisfaccin.
Mediante el anlisis de componentes principales hemos comprobado que efectivamente
los atributos planteados se pueden resumir finalmente en cuatro factores que eliminan la
informacin redundante segn las caractersticas presentadas, obteniendo ecuaciones
lineales para cada uno de ellos que nos ofrecen la puntuacin que obtendra un
consumidor en cada componente si los enfrentamos a que evalen dichas caractersticas
en un determinado sitio en la red.
Adems, dicha modelizacin se han implementado en una herramienta informtica, a la
que tanto las organizaciones empresariales como la Administracin Regional tienen

12

XII Jornadas de ASEPUMA

Bernal Garca, J.,Martnez Mara-Dolores, S., Snchez Garca J.F

fcil acceso, como es una aplicacin de hoja de clculo, lo que les permitir realizar
previsiones acerca de cmo la empresa debe de enfrentarse a la red.

BIBLIOGRAFA

Seleccin

de

variables

travs

de

la

tcnica

de

Componentes

Principales

www.inegi.gob.mx/difusion/espanol/niveles/jly/nivbien/componentes.html.

Cubiles de la Vega, M.D, Muoz Conde, M., Muoz Pichardo, JM. Pascual Acosta, A. e-Encuestas
Probabilsticas I. Los Marcos Estadstica Espaola, Vol. 44, nm 151, 2002.

Data Mining Institute. Anlisis Factorial 1997-2004. www.estadstico.com/arts.html?20001106

Kaiser, H.F. The Varimax criterion for analytic rotation in factor analysis. Psychometrika, 1958.

Kim, J. y Mueller, C.W. An introduction to factor analysis. What it is and how to do it. Beverly
Hills, CA, 1978.

Kotler, P., Cmara, D., y Grande, I. Direccin de Marketing (octava edicin) Ed. Prentice Hall,
1999.

Lizasoain, L; Joaristi. L. Gestin y anlisis de datos con SPSS versin 11. Universidad del Pas
Vasco. Ed. Thomson-Paraninfo. Madrid, 2003.

Mgica, Jose Miguel y Ruiz de Maya, Salvador El comportamiento del consumidor. Anlisis del
proceso de Compra Ariel Economa, 1997

Mria Albiol, J. Gil Saura, R. Preparacin, Tabulacin y Anlisis de Encuestas para Directivos.
ESIC Editorial, 1998.

Pea Snchez de Rivera, D. Estadstica. Modelos y Mtodos. Volumen 2 Ed. Alianza. Madrid,
1987.

Proyecto e-Math. Secretara de Estado de Educacin y Universidades. Anlisis de Componentes

Principales. www.uoc.edu

Ruiz

Soler,

M.

Metodologa

de

encuestas.

Curso

del

Doctorado

de

UCLA.

http://campusvirtual.uma.es/campus/jur_soc/rsoler/material/UCLA2/sld057.htm

Takeshi, A. Modelos de respuesta cualitativa: un examen Cuadernos Econmicos del ICE. N 39.
1988/2.

Thurstone, L.L. Multiple Factor Analysis. University of Chicago Press, 1947.

XII Jornadas de ASEPUMA

13