Teoria Unificada - Pt.es

Traducido del portugués al español - www.onlinedoctranslator.
com
Revista de administración de empresas

ISSN:0034-7590
ISSN:2178-938X
Fundación Getulio Vargas, Escuela de Administración de
Empresas de S.Paulo
CABRERA-SÁNCHEZ, JUAN-PEDRO; VILLAREJO-RAMOS, ÁNGEL F FACTORES QUE

AFECTAN LA ADOPCIÓN DE ANALÍTICA DE BIG DATA EN LAS EMPRESAS Revista de
Administração de Empresas, vol. 59, núm. 6, 2019, noviembre-diciembre, págs. 415-429
Fundación Getulio Vargas, Escuela de Administración de Empresas de S.Paulo
DOI: 10.1590/S0034-759020190607
Disponible en: http://www.redalyc.org/articulo.oa?id=155163302007
como citar
problema completo Sistema de Información Científica Redalyc
Más información sobre este artículo Red de Revistas Científicas de América Latina y el Caribe, España y
Página web de la revista en redalyc.org Portugal
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
RAE-Revista de Administración de Empresas | FGV EAESP
FORO
Enviado el 24.07.2018. Aprobado 19.07.2019
Evaluado a través de un proceso de revisión doble ciego. Editores científicos: Eduardo de Rezende Francisco, José Luiz Kugler, Soong
Moon Kang, Ricardo Silva y Peter Alexander Whigham
Versión traducida
DOI: http://dx.doi.org/10.1590/S0034-759020190607
FACTORES QUE AFECTAN LA ADOPCIÓN DE

ANÁLISIS DEGRANDES DATOSEN EMPRESAS
Factores que inciden en la adopción de la analítica de Big Data en las empresas
Factores que inciden en la adopción de la analítica de Big Data en las empresas
RESUMEN
Dado que la cantidad total de datos se duplica cada dos años, el bajo costo de computación y
almacenamiento de datos hace que la adopción de Big Data Analytics (BDA) sea deseable para las empresas
como una herramienta para obtener una ventaja competitiva. Dada la disponibilidad de software libre, ¿por
qué algunas empresas no han adoptado estas técnicas? Para responder a esta pregunta, extendemos la
teoría unificada de adopción y uso de tecnología (UTAUT) adaptada al contexto BDA, agregando dos
variables: resistencia al uso y riesgo percibido. Utilizamos el grado de implantación de estas técnicas para
dividir a las empresas en usuarias y no usuarias de técnicas BDA. Los modelos estructurales fueron
evaluados por mínimos cuadrados parciales (PLS). Los resultados muestran que la importancia de una
buena infraestructura supera las dificultades que enfrentan las empresas para implementar BDA. Si bien las
empresas que planean usar Big Data esperan resultados significativos, los usuarios actuales son más
escépticos sobre su desempeño.
PALABRAS CLAVE|Big Data, Intención de Uso, Teoría Unificada de Adopción y Uso de Tecnología, Resistencia al
Uso, Riesgo Percibido.
RESUMEN
Dado que la cantidad total de datos se duplica cada dos años, el bajo precio de la computación y el
almacenamiento de datos hace que la adopción de Big Data Analytics (BDA) sea deseable para las
empresas, como una herramienta para obtener una ventaja competitiva. Dada la disponibilidad de software
libre, ¿por qué algunas empresas no han adoptado estas técnicas? Para responder a esta pregunta,
ampliamos el modelo de teoría unificada de adopción y uso de tecnología (UTAUT) para adaptarlo al
contexto BDA agregando dos variables: resistencia al uso y riesgo percibido. Utilizamos el nivel de
implementación de estas técnicas para dividir a las empresas en usuarias y no usuarias de BDA. Los
modelos estructurales fueron evaluados por mínimos cuadrados parciales (PLS). Los resultados muestran
que la importancia de una buena infraestructura supera las dificultades que enfrentan las empresas para
implementarla.
PALABRAS CLAVE |Big Data, teoría intencional de aceptación y uso de la tecnología, resistencia al uso, comportamiento
percibido de riesgo.
RESUMEN
Dado que la cantidad total de datos se duplica cada año, el bajo precio de la computación y el
almacenamiento de datos hace que la adopción del análisis Big Data (BDA) sea muy deseable para las
JUANO-PEDRO CABRERA-
empresas, como una herramienta para obtener una ventaja competitiva. Dada la disponibilidad de software
SÁNCHEZ¹
libre, ¿por qué algunas empresas no han adoptado estas técnicas? Para responder a esta pregunta,
jcabrera10@us.es
ampliamos la teoría unificada de adopción y uso de tecnología (UTAUT) para adaptarla al contexto BDA,
ORCID: 0000-0001-5723-3153
agregando dos variables: resistencia al uso y riesgo percibido. Utilizamos el nivel de implantación de estas
técnicas para dividir las empresas entre: usuarias y no usuarias de BDA. Los modelos estructurales se
ÁNGEL F. VILLAREJO-RAMOS¹
evaluaron con mínimos cuadrados parciales (PLS). Los resultados muestran que la importancia de una
curro@us.es
buena infraestructura supera las dificultades que enfrentan las empresas para implementarla. Si bien las
ORCID: 0000-0002-6916-2839
empresas que planean usar BDA esperan buenos resultados, los usuarios actuales son más escépticos
acerca de su desempeño.
¹ Universidad de Sevilla, Facultad
de Ciencias Económicas y PALABRAS CLAVE |Big Data, uso previsto, teoría unificada de adopción y uso de tecnología,
Emprendedores, Sevilla, España resistencia al uso, riesgo percibido.
415 ©RAE | São Paulo |v.59|no. 6|nov-dic 2019|415-429 ISSN 0034-7590; eISSN 2178-938X
FORO|FACTORES QUE AFECTAN LA ADOPCIÓN DE ANÁLISIS DEGRANDES DATOSEN EMPRESAS
Juano-Pedro Cabrera-Sánchez | Ángel F. Villarejo-Ramos
INTRODUCCIÓN por las propias empresas y sus clientes. Esto cambia la forma en que
se toman las decisiones, favoreciendo un enfoque basado en datos
Actualmente, la sociedad genera datos sobre nuestras actividades en lugar de un enfoque basado en la experiencia personal de los
a un ritmo exponencial de crecimiento. Estos datos cubren, por directores ejecutivos.(McAfee y Brynjolfsson, 2012).
ejemplo, nuestros teléfonos móviles y su ubicación, cualquier Las empresas que utilizan BDA deben enfrentarse a los
transacciónen línea, el internet de las cosas, las redes sociales, retos que se presentan en el llamado ciclo de vida de los datos:
usables etc. Las empresas que pueden convertir estos datos dudas sobre los datos en sí, dificultades en el procesamiento de
sobre sus clientes en información en tiempo real obtienen una los datos e inquietudes sobre su gestión.(Akerkar, 2014; Zicari,
ventaja competitiva sustancial.(Sivarajah, Kamal, Irani y 2014). Las preguntas sobre los datos giran en torno a su volumen,
Weerakkody, 2017). Los datos de los usuarios les permiten a las variedad, velocidad, veracidad, volatilidad, valor y visualización.
empresas saber cuándo sus clientes consumen sus productos, los Las tareas de procesamiento de datos incluyen técnicas
mejores momentos para las promociones y cómo mejorar el relacionadas con la adquisición de datos, almacenamiento en
sentimiento de marca. Empresas que usan analíticagrandes datos bases de datos, limpieza y transformación de datos existentes,
(Análisis de grandes datos-BDA)(McAfee y Brynjolfsson, 2012) selección correcta del modelo y presentación de resultados.
puede procesar grandes cantidades de datos casi en tiempo real Finalmente, la gestión adecuada de los datos implica
y convertirse en líderes del mercado. consideraciones éticas, incluido el respeto por la privacidad y la
La adopción, implementación y gestión de BDA requiere que las seguridad del usuario.
empresas adquieran nuevas habilidades. Los nuevos perfiles profesionales, Dado que la toma de decisiones se basa cada vez más en los
como el científico de datos, que combina ingeniería, estadística y un datos, las empresas deben obtener de manera eficiente información
profundo conocimiento empresarial, se encuentran entre los trabajos más valiosa de un entorno de datos que cambia rápidamente. Este proceso
buscados en la actualidad. Los empleados con estas habilidades ayudan a es detallado por Agrawal,Bernstein y Bertino (2011), como se muestra
las empresas a extraer los datos generados en la Figura 1.
Figura 1.procesos degrandes datos
procesos degrandes datos
Gestión de datos Análisis de datos
Integración,
Adquisición extracción, limpieza Análisis
agregación y Interpretación
y grabar y anotación y modelado
representación
Como podemos ver, el uso de BDA por parte de las lleva a dos preguntas. Primero, ¿qué afecta su adopción? En
empresas implica dos procesos principales: la gestión de datos y segundo lugar, ¿por qué muchas empresas aún no utilizan BDA?
el análisis de datos. Si bien la gestión de datos plantea problemas La mayor parte de la literatura sobre BDA se centra en aspectos
de ingeniería, el análisis de datos está más relacionado con los técnicos relacionados con su ecosistema: desarrollo de
intereses de los profesionales de datos.marketingyanalítica. BDA aplicaciones, minería de datos, análisis, predicción, prescripción o
es el proceso de obtener valor de los datos al encontrar patrones modelado estadístico.(Sivarajah et al., 2017). Hay poca
ocultos que respaldan la toma de decisiones basada en datos. investigación sobre la adopción de BDA dentro de las empresas.
(Brünink, 2016; Demoulin & Coussement, 2018; Huang, Liu &
Las empresas que consideran la adopción de BDA enfrentan Chang, 2012; Kwon, Lee & Shin, 2014; Rahman, 2016; Verma,
varias barreras, como la falta de conocimiento, el miedo, la resistencia Bhattacharyya & Kumar, 2018).
al cambio y las limitaciones inherentes a la tecnología.(Yaqoob et al., Este estudio, basado en el modelo de la Teoría Unificada de
2016). Sin embargo, BDA mejora su toma de decisiones, utilizando Aceptación y Uso de la Tecnología (UTAUT)(Venkatesh, Morris, Davis y
técnicas ysoftwarelibre y de código abierto. esto nos da Davis, 2003), considera el impacto de dos nuevas variables,
resistencia al uso y percepción de riesgo, en la adopción de BDA. El Modelos de aceptación de análisis degrandes datos
objetivo de este estudio es explicar la adopción y el uso de esta nueva
tecnología por parte de las empresas y comprender los problemas de La adopción de la tecnología por parte de las empresas y los
implementación, para proponer recomendaciones a los profesionales. consumidores es fundamental para su éxito. Se han desarrollado y
Por eso diferenciamos entre empresas usuarias y no usuarias de esta probado varios modelos de adopción de tecnología, incluida la teoría
tecnología y buscamos diferentes factores que inciden en su del comportamiento planificado (TPB)(Ajzén, 1991)y el modelo de
aceptación y uso. adopción de tecnología (TAM)(Davis, 1985). Pero sin duda el modelo
La segunda sección del artículo describe los fundamentos UTAUT(Venkatesh et al., 2003)es el más completo. Este modelo integra
teóricos del modelo propuesto. La tercera sección describe la modelos y teorías anteriores para analizar la adopción y aceptación de
metodología que utilizamos. La cuarta sección analiza los resultados tecnologías.
obtenidos de la aplicación del modelo en una muestra de empresas. Estudios previos que investigan la adopción de BDA por
Finalmente, presentamos las principales conclusiones teóricas y parte de las empresas(Brünink, 2016; Demoulin & Coussement,
prácticas, así como las limitaciones de nuestra investigación. 2018; Huang et al., 2012; Kwon et al., 2014; Rahman, 2016; Verma
et al., 2018) usó el TAM original(Davis, 1985), TAMAÑO2
(Venkatesh y Davis, 2000), TAM3 (Venkatesh y Bala, 2008)o el
ANTECEDENTES TEÓRICOS E HIPÓTESIS DEL modelo UTAUT sin variables adicionales. Los modelos de
aceptación se han actualizado desde su introducción, incluso
MODELO PROPUESTO
evolucionando hacia nuevos modelos. Como el modelo UTAUT ya
Análisis ymarketingusandograndes datos es un modelo maduro, lo mejoramos con dos nuevas variables
(resultados significativos de esta investigación) que ayudan a
Big Data ha revolucionado elmarketinganalítica y lamarketing en explicar cuándo las empresas eligen adoptar BDA.
general. Aportó nuevos conceptos y nuevas formas de hacer las La teoría del razonamiento conductual(Claudiy, García y
cosas.(Watson, 2019; Wedel y Kannan, 2016)para generar una O'Driscoll, 2015)proporciona una imagen general donde la
ventaja competitiva. BDA permite la innovación de servicios, que participación del usuario es muy importante para la adopción exitosa
crea valor estratégico para las empresas(Chiang, Grover, Liang y de la tecnología(Ives y Olson, 2008). Los usuarios que están
Zhang, 2018). predispuestos al cambio tienen menos resistencia a adoptar una
Actualmente, BDA se está utilizando en campañas nueva tecnología(Laumer, Maier, Eckhardt y Weitzel, 2016). Diferentes
publicitarias. marketingcon un enfoque en aumentar el actitudes dan forma al proceso de adopción de una nueva tecnología.
compromiso del cliente (Liu, Shin y Burns, 2019). La revisión de la (López, Rodríguez y Cervero, 2006). Esta investigación nos llevó a
literatura muestra un número creciente de publicaciones sobre el buscar diferentes patrones entre las empresas usuarias y no usuarias
uso de grandes datospara crear beneficios demarketing de nuestra muestra.
relacional.(Amado, Cortez, Rita y Moro, 2018). El modelo que proponemos incluye cuatro variables
la administración demarketingpuede usar la gran cantidad independientes extraídas del modelo UTAUT. La primera, expectativa
de datos disponibles (por ejemplo, en las redes sociales) para de desempeño, se define como el grado en que se espera que el uso
obtenerperspectivasvalioso de sus clientes. Empresas que de la tecnología brinde beneficios a la empresa. El segundo,
explotangrandes datosde las redes sociales obtienen ventajas expectativa de esfuerzo, mide la facilidad esperada de uso de una
competitivas porque conocen mejor a sus clientes(Ducange, tecnología. El tercero, la influencia social, mide cómo las personas
Pecori y Mezzina, 2018). Los estudios muestran que el uso de BDA creen que a sus amigos y familiares les gustaría que usaran una
en inteligencia de negocios(Sol, Sol y Strang, 2018)y para tecnología en particular. El cuarto, las condiciones favorables, se
mantener la privacidad del cliente(Palmatier & Martín, 2019)crea define como la medida en que los consumidores creen que los
activos importantes en elmarketingde relación recursos y el apoyo estarán disponibles para desarrollar un
Sin embargo, la literatura sobre la adopción de BDA es comportamiento particular. El modelo propone una influencia directa
relativamente escasa y se centra en el nivel de la industria.(Lai, Sun y de las tres primeras variables sobre la intención de comportamiento,
Ren, 2017; Rehman, Chang, Batool y Wah, 2016; Wright, Robin, Stone y mientras que las condiciones facilitadoras afectan la intención de
Aravopoulou, 2019; Yadegaridehkordi et al., 2018). Pocos autores han comportamiento y la conducta de uso. Arenas-Gaitán, Peral-Peral y
investigado qué factores inciden en la adopción de BDA por parte de Villarejo-Ramos (2016)señalan que el diferencial de este modelo es su
las empresas. capacidad para identificar qué
factores son los principales determinantes de la adopción. El modelo La resistencia al uso consiste en la oposición o reacciones
permite la inclusión de diferentes variables moderadoras que negativas a la implementación de una nueva tecnología. Comogibson
interfieren en la influencia de los constructos clave del modelo. (2004) concluye, la introducción de muchas nuevas tecnologías ha
Hemos agregado resistencia al desgaste y riesgo percibido a fracasado debido a la oposición de los usuarios a su implementación.
las construcciones UTAUT. La resistencia al uso consiste en reacciones Aunque la literatura actual reconoce resistencia al uso(Kim y Kankanhalli,
negativas al cambio o implementación de un nuevo sistema (Kim y 2009; Lapointe y Rivard, 2007), pocos estudios lo integran en el modelo
Kankanhalli, 2009). El riesgo percibido es el potencial de pérdidas UTAUT. Sin embargo, existen precedentes de su uso para explicar la
resultantes de la implementación de una nueva tecnología o sistema intención de comportamiento.(Hsieh, 2015).Norzaidi, Salwani, Chong y
de información.(Pluma y Pavlou, 2003). Rafidah (2008)encontraron una relación entre la resistencia al uso y el uso
del usuario, lo que fue confirmado por otros estudios que no utilizaron el
modelo UTAUT.(Bhattacherjee & Hikmet, 2007; Poon et al., 2004). Por lo
Supuestos del modelo propuesto tanto, proponemos como hipótesis:
H4: La resistencia al uso afecta negativamente la

Proponemos varias hipótesis basadas en el modelo UTAUT extendido para
intención conductual de usar BDA.
la aceptación y uso de BDA por parte de las empresas.
La expectativa de rendimiento se refiere a la percepción de El riesgo percibido es el potencial de pérdidas en la
cómo funcionará la tecnología y es uno de los constructos más implementación de una nueva tecnología. Además del trabajo de
influyentes en relación con la intención de comportamiento. Varios Featherman y Pavlou (2003), que incluye la escala de medida que
estudios (Brünink, 2016; Chauhan y Jaiswal, 2016; Yu, 2012)además de utilizamos, muchos estudios han considerado el riesgo percibido
la obra original(Venkatesh et al., 2003)confirma esta relación positiva. como un antecedente con un impacto negativo en la intención de
Por lo tanto, proponemos como hipótesis: comportamiento (Kim, Ferrin y Rao, 2008; Lee y Song, 2013; Martins,
Oliveira y Popovič, 2014). Por lo tanto, proponemos como hipótesis:
H1: la expectativa de rendimiento influye positivamente en la
intención conductual de usar BDA. H5: El riesgo percibido afecta negativamente la intención
conductual de usar BDA.
La expectativa de esfuerzo se refiere a la expectativa de
facilidad de aprendizaje y uso de esta nueva tecnología. Según el Las condiciones habilitantes son favorables cuando existe fácil
modelo UTAUT, el grado de adopción del BDA depende de la acceso a los recursos necesarios para el uso de una nueva tecnología
facilidad o dificultad esperada para su uso. Varios estudios y el apoyo posterior.(Venkatesh et al., 2003). En estudios posteriores
confirman esta relación(Al-Gahtani, Hubona y Wang, 2007; utilizando UTAUT2,Venkatesh et al. (2012)encontraron que este
Chauhan y Jaiswal, 2016; Kim, Chan y Gupta, 2007; Lee y Song, constructo tiene un efecto significativo en la intención conductual de
2013; Yu, 2012)y el efecto de la expectativa de esfuerzo sobre la usar una nueva tecnología. Además, estudios más recientes han
intención de comportamiento. Así, proponemos como segunda comprobado un efecto positivo de esta variable sobre la intención de
hipótesis del modelo: comportamiento.(Duyck et al., 2010; Hung, Wang y Chou, 2007; Wu,
Tao y Yang, 2007). Así, proponemos como hipótesis:
H2: La expectativa de esfuerzo, o facilidad de uso, afecta
positivamente la intención conductual de usar BDA. H6: Las condiciones facilitadoras influyen positivamente en la
intención conductual de usar BDA.
La influencia social, un concepto desarrollado originalmente
por Venkatesh et al. (2003)y extendido en UTAUT2(Venkatesh, Tanga y Tanto el TPB(Ajzén, 1991)como UTAUT(Venkatesh et al.,
Xu, 2012), mide el efecto que genera lo que otros (amigos y familiares) 2003)se han utilizado para demostrar cómo las condiciones
opinan sobre esta tecnología. En un entorno profesional, lo que propicias favorables afectan positivamente el uso de una nueva
piensan los jefes y compañeros también es muy importante.(Al- tecnología. Varias obras posteriores(Al-Gahtani et al., 2007;
Gahtani et al., 2007; Brünink, 2016; Chauhan & Jaiswal, 2016; Gupta, Brünink, 2016; Chauhan & Jaiswal, 2016; Duyck et al., 2010; Kim et
Huang & Niranjan, 2010; Kim et al., 2007; Lee & Song, 2013). Por lo al., 2007)confirmar esta relación. Por lo tanto, proponemos como
tanto, proponemos como hipótesis: hipótesis:
H3: La influencia social afecta positivamente la intención H7: Las condiciones facilitadoras afectan positivamente el uso de
conductual de usar BDA. BDA.
Los principales modelos de aceptación tecnológica (TRA, González, Roldán y Sánchez-Franco, 2012)yPlanificación de recursos
TAM, UTAUT y UTAUT2) apuntan a una relación directa entre la empresariales(ERP)(Chauhan y Jaiswal, 2016). Por lo tanto, proponemos
intención de comportamiento y el uso de tecnologías(Davis, 1985; como hipótesis:
Fishbein y Ajzen, 1975; Venkatesh et al., 2003, 2012). Esta
H8: La intención conductual de usar BDA afecta
influencia se ha demostrado en contextos similares a la adopción
positivamente su uso.
de BDA, comobanca por Internet(Martins et al., 2014), compras de
vuelosen línea(Escobar-Rodríguez & Carvajal-Trujillo, 2014), En la Figura 2, mostramos el modelo propuesto de aceptación
sistemas de gestión de documentos electrónicos(Alfonso, y uso de BDA con caminos identificados en nuestras hipótesis.
Figura 2.Modelo de aceptación degrandes datosen empresas
resistencia al desgaste riesgo percibido
Expectativa de H1
actuación
H4 H5
H2
expectativa de esfuerzo
H8
Intención Comportamiento
conductual de uso
H3
Influencia social
H6
facilitar las condiciones H7
METODOLOGÍA DE INVESTIGACIÓN Featherman y Pavlou (2003). En todos los casos se utilizaron escalas
tipo Likert de siete puntos.
Descripción de la muestra
herramientas estadísticas
Nuestra investigación, cuyos datos fueron recolectados entre
septiembre y octubre de 2017 a través deEmaily teléfono, contó con Para estimar el modelo estructural se utilizó el método de mínimos
199 respuestas de CEOs y gerentes de empresas que trabajan en cuadrados parciales (PLS),(Chin y Dibbern, 2010; Hair, Sarstedt, Ringle
diferentes áreas, como Recursos Humanos, Finanzas,Marketing y y Mena, 2012)comosoftwareEstadístico PLS inteligente 3.2.3 (Ringle,
Ventas. Se realizó una prueba previa de la encuesta con cinco gestores Wende y Becker, 2015). Para evitar el sesgo de medición, o sesgo del
voluntarios y varios investigadores especialistas, quienes método común(CMB), en la muestra observada se siguieron las
cumplimentaron el cuestionario y proporcionaronretroalimentación recomendaciones deBurton-Jones (2009). También seguimos las
sobre los problemas En la Tabla 1, clasificamos las empresas de los recomendaciones dePodsakoff, MacKenzie, Lee y Podsakoff (2003),
encuestados según sus ingresos e industrias. MacKenzie, Podsakoff y Podsakoff (2011); Podsakoff, Mackenzie y
escalas de medir Podsakoff (2012),yKock y Lynn (2012). Porque el estudio se centra en

CMB y PLS para modelos de ecuaciones estructurales. SiguiendoKok
Para los constructos UTAUT, adaptamos las escalas deVenkatesh et (2015), agregamos preguntas no relacionadas para crear una variable
al. (2003)para el contexto de la BDA. La resistencia al desgaste se latente y consideramos estos indicadores y las demás variables como
midió utilizando la escala propuesta porBhattacherjee y Hikmet antecedentes. La variable CMB actúa como la variable dependiente
(2007),mientras que el riesgo percibido se midió con la escala de para todas las demás variables en el
modelo. Los factores de inflación de la varianza estimados por este método deben ser menores a 3.3 para confirmar que la muestra
no tiene CMB. En la Tabla 2, demostramos que nuestra muestra cumple con este requisito.
Tabla 1.Muestra de empresas según ingresos y sector de actividad

< 2 M€ 2M€<X<10M€ 10M€<X<43M€ > 43 M€ (no contestado) - Total
Agricultura 1 3 dos 1 7
comercio y distribucion 5 4 1 10 20
telecomunicaciones 6 dos 4 14 1 27
Construcción dos 1 4 7
Educación dos 1 dos 5
Energía 1 3 4
Financiero 1 dos 8 11
Industrial 5 3 dos 6 dieciséis
Otros 10 10 6 13 dos 41
Salud 3 dos 5
servicios 24 12 9 10 55
(no contestado) 1 1
Total general 60 35 27 73 4 199
Tabla 2.Factor de inflación de la varianza(VIF) de todas las variables para verificar CMB
Variable_CMB
intención de comportamiento 2,423
Expectativa de esfuerzo 1,631
facilitar las condiciones 2,472
riesgo percibido 1,288
expectativa de rendimiento 1,994
resistencia al desgaste 1.852
Influencia social 1.675
Comportamiento de uso 1,996
RESULTADOS
Verificamos la confiabilidad de todas las construcciones. La literatura actual sugiere que para que los modelos de medición se
consideren confiables y válidos, las cargas factoriales deben exceder 0.7(Henseler, Ringle y Sarstedt, 2014; Roldán y Sánchez-Franco,
2012). En la Tabla 3 mostramos que cada carga fue mayor a 0,7, excepto el tercer indicador de condiciones habilitantes (CF3), que fue
descartado.
Tabla 3.Fiabilidad de escalas de medida (cargas)
Intención Expectativa Condiciones Riesgo Expectativa de Resistencia Influencia Comportamiento

conductual de esfuerzo facilitadores lo tengo actuación usar Social de uso
IC1 0.970
IC2 0.986
IC3 0.984
IC4 0.974
EE1 0.777
EE2 0.887
EE3 0.898
EE4 0.874
EE5 0.806
CF1 0.874
CF2 0.892
CF4 0.847
RP1 0.927
RP2 0.924
RP3 0.877
ED1 0.899
ED2 0.868
ED3 0.909
ED4 0.918
ED5 0.785
ED6 0.829
ED7 0.784
RU1 0.931
RU2 0.964
RU3 0.938
RU4 0.902
IS1 0.741
IS2 0.877
IS3 0.817
IS4 0.792
IS5 0.724
CULO 1,000
Luego, se analizó la confiabilidad del constructo mediante indicadores compuestos de confiabilidad y el Alfa de Cronbach. En todos los
casos, los valores de nuestros indicadores estuvieron por encima de 0,7, como sugiereAnualmente (1978). La validez convergente se confirmó
mediante el análisis de la varianza media extraída. Todos los valores estuvieron por encima del límite de 0.5 propuesto porStraub, Boudreau y
Gefen (2004). Estos indicadores, presentados en la Tabla 4, cumplen con los requisitos.
Tabla 4.Fiabilidad compuesta y validez convergente

Variación media extraída
Alfa de Cronbach rho_A Fiabilidad compuesta
(PÁJARO)
Intención
0.985 0.986 0.989 0.958
conductual
expectativa de esfuerzo 0.906 0.934 0.928 0.722
facilitar las condiciones 0.841 0.843 0.904 0.759
riesgo percibido 0.896 0.909 0.935 0.828
Expectativa de
0.940 0.947 0.951 0.736
actuación
resistencia al desgaste 0.951 0.954 0.965 0.872
Influencia social 0.851 0.874 0.893 0.627
Comportamiento de uso 1,000 1,000 1,000 1,000
Luego evaluamos la validez discriminante del modelo de medición de dos maneras. En primer lugar, realizamos la prueba de Fornell y
Larcker.(Barclay, Higgins y Thompson, 1995). Luego, usando la relación Heterotrait-Monotrait (HTMT)(Henseler et al., 2014), nos aseguramos
de que los valores estuvieran por debajo de 0,9 en todos los casos. Los resultados de ambas pruebas se muestran en las Tablas 5 y 6.
Tabla 5.Validez discriminante (prueba de Fornell-Larcker)

Intención
0.979
conductual
Expectativa de
0.384 0.850
esfuerzo
Condiciones
0.628 0.587 0.871
facilitadores
riesgo percibido - 0.331 - 0.185 - 0.283 0.910
Expectativa de
0.544 0.434 0.373 - 0.195 0.858
actuación
resistencia a
- 0.506 - 0.258 - 0.343 0.408 - 0.566 0.934
usar
Influencia social 0.497 0.459 0.483 - 0.246 0.479 - 0.234 0.792
Comportamiento
0.630 0.361 0.624 - 0.276 0.402 - 0.400 0.449 1,000
de uso
Tabla 6.Validez discriminante (Relación Heterorrasgo-Monorrasgo -HTMT)

Intención
conductual
Expectativa de
0.380
esfuerzo
Condiciones
0.690 0.649
facilitadores
riesgo percibido 0.349 0.202 0.324
Expectativa de
0.559 0.449 0.411 0.206
actuación
resistencia al desgaste 0.521 0.269 0.383 0.443 0.597
Influencia social 0.532 0.507 0.567 0.297 0.524 0.254

Comportamiento
0.635 0.355 0.679 0.287 0.405 0.408 0.476
de uso
Los valores de Rdospara los constructos de segundo orden (intención de comportamiento y comportamiento de uso) se muestran en la Tabla 7.
Tabla 7.R² del modelo
R² R² ajustado
intención de comportamiento 0.560 0.546
Comportamiento de uso 0.483 0.478
La Figura 3 muestra los valores para cada modelo de carga y ruta.
Figura 3.resultados del modelo
RU1 RP1
ED1 0.931 0.927
RU2 0.964 0.924 RP2
ED2 0.938 0.877
0.899 RU3
0.902 RP3
ED3 0.868
Riesgo
0.909 RU4 Resistencia lo tengo
ED4 0.918 usar
0.785
ED5 0.829 - 0,187 (0,006) - 0,063 (0,112)
0.784 Expectativa de
ED6 actuación 0,230 (0,001)
ED7
[+]
0,393 (0,000) 0.483
0.560
EE1
0.777 0,114 (0,001) Comportamiento
EE2 Intención de uso
0.887 conductual
EE3 0.898 1,000
0.874
EE4 0.806
Expectativa de 0,163 (0,003)
EE5 esfuerzo CULO
IS1
0.741 0,449 (0,000) 0,377 (0,000)
IS2
0.877
IS3 0.817
0.792
IS4 0.724
Influencia
IS5 Social
CF1
0.874
CF2
0.892
0.847
CF4 Condiciones
facilitadores
Los valores de los coeficientes de camino y la varianza significativo al 5% de nivel de confianza, encontramos una relación
explicada de las variables endógenas (Rdos) fueron analizados negativa debido a un efecto supresor(Falk & Miller, 1992)producido
para evaluar el modelo estructural. Los coeficientes de ruta por la nueva relación de condiciones facilitadoras en la intención
indican la fuerza de la relación entre las variables independientes conductual, entonces podemos rechazar H2. En orden de influencia,
y dependientes. Utilizamos una técnica dearranquecon 5 mil podemos ver que el factor de condiciones facilitadoras es el que más
muestras para encontrar la confiabilidad de los coeficientes de contribuye a la intención de comportamiento y el segundo que más
trayectoria estimados, como se muestra en la Tabla 8. contribuye al uso. El segundo factor que más contribuye a la intención
de comportamiento es la expectativa de desempeño, mientras que el
Tabla 8.Estimaciones del modelo estructural (coeficientes factor que más contribuye al uso es la intención de comportamiento.
de camino) También observamos que el coeficiente de intención conductual de
Muestra uso es significativo al 0,1% de nivel de confianza. El coeficiente del

muestra completa valores p
originales (O) efecto de la resistencia al uso sobre la intención de comportamiento
es significativo y negativo.
Intención de comportamiento ->
0,393 *** 0.000 También calculamos la Q de Stone-Geisserdosevaluar la
Comportamiento de uso
capacidad predictiva del modelo(Gefen, Rigdon y Straub, 2011). Los
Expectativa de esfuerzo -> resultados se muestran en la Tabla 9. Se concluye que el modelo tiene
- 0.114 * 0.032
Intención de comportamiento relevancia predictiva, ya que los valores de Qdosen la Tabla 9 son
mayores que cero(Roldán & Sánchez-Franco, 2012).
Condiciones facilitadoras ->
0.449 *** 0.000
Intención conductual
Tabla 9.Predicción de variables latentes
Condiciones facilitadoras -> REQM Q²

0,377 *** 0.000
intención de comportamiento 0.558 0.502
Riesgo percibido -> Intención de
- 0,063 (n) 0.112
comportamiento Comportamiento de uso 0.522 0.397
Expectativa de rendimiento ->

0,230 *** 0.001
Intención de comportamiento Se consideró la posibilidad de heterogeneidad en la muestra.
SiguiendoBecker, Rai, Ringle y Volckner (2013), realizamos una
Resistencia al uso -> Intención de
- 0,187 ** 0.006 segmentación de clases latentes PLS-POS y también una
comportamiento
segmentación de clases latentes FIMIX. No encontramos diferencias
Influencia social -> Intención de en los grupos con segmentaciónposteriormente.

0,163 ** 0.003
comportamiento Luego intentamos la segmentación múltiplea prioricon
diferentes criterios (por ejemplo, tamaño de la empresa, uso de
* * * p<0,001, **p<0,01, *p<0,05. (bootstrapping con 5.000 submuestras y test de
una cola). grandes datos, sector de actividad), no encontrando diferencias
Relaciones significativas con coeficientes de ruta y valor p en negrita. entre estas submuestras. Sin embargo, encontramos diferentes
comportamientos en las empresas cuando se les preguntó sobre
El indicador fue calculadoResidual cuadrático medio el nivel de madurez de la implementación de BDA. Utilizamos la
estandarizado(SRMR) para evaluar el ajuste del modelo. El valor escala propuesta porPaulk, Curtis, Chrissis y Weber (1993), que ha
obtenido, 0,065, fue inferior al umbral de 0,08 propuesto porHenseler sido ampliamente utilizado(Berg, Leinonen, Leivo y Pihlajamaa,
et al. (2014), lo que sugiere un buen ajuste del modelo. El modelo 2002; Khatibian, Hasan y Jafari, 2010; Urwiler y Frolick, 2008)y
explica el 47,85% de la variación en el uso y el 54,6% de la variación en tiene cinco niveles: inicial, replicable, definido, administrado y
la intención de comportamiento (ver Tabla 7), superando ambos el optimizado. Se eligieron empresas que no habían implementado
nivel mínimo del 10% recomendado porFalk y Miller (1992). BDA o que estaban en los dos primeros niveles del Segmento 1 y
Los resultados confirman la mayoría de las hipótesis, las de los tres últimos niveles del Segmento 2. Como se indica en
excepto H5 (riesgo percibido) y H2 (expectativa de esfuerzo). Los la Tabla 10 para el Segmento 1 y en la Tabla 11 para el Segmento
coeficientes de hipótesis confirmadas son significativos al 1% de 2, existen diferencias significativas entre estos dos segmentos y la
nivel de confianza. Aunque el esfuerzo esperado es muestra completa (ver Tabla 8).
Tabla 10.Segmento 1. Estimaciones del modelo estructural Realizamos una prueba Anova y confirmamos las diferencias
(coeficientes de trayectoria) significativas entre las submuestras. Para las empresas no usuarias o
de nueva creación (segmento 1), todas las relaciones fueron
NO USUARIOS Y PRINCIPIANTES Muestra
valores p significativas, excepto por los efectos del riesgo percibido y el
Segmento 1. Tamaño: 152 empresas originales (O)
esfuerzo esperado sobre la intención de comportamiento. Las
0,387 *** 0,000 condiciones facilitadoras y la expectativa de desempeño fueron los
factores que más contribuyeron a la intención de comportamiento,
Expectativa de esfuerzo -> Intención de
- 0,092 (n) 0.094 con altos niveles de significación. Los coeficientes de resistencia al uso
comportamiento
e influencia social también fueron grandes y significativos. Para
0,344 *** 0,000 usuarios normales y usuarios intensivos (segmento 2), ninguna de las
relaciones fue significativa, excepto por el efecto de facilitar las
0,237 ** 0.002 condiciones sobre la intención de comportamiento, que tuvo el efecto
más significativo entre todas las relaciones en este estudio.
- 0,073 (n) 0.106
comportamiento Curiosamente, la expectativa de rendimiento no fue significativa.
Expectativa de rendimiento ->

0,330 *** 0,000
Intención de comportamiento
Resistencia al uso -> Intención de DISCUSIÓN, CONCLUSIONES Y LIMITACIONES

- 0,227 ** 0.002
comportamiento
Influencia social -> Intención de Nuestra investigación extiende el modelo UTAUT agrandes datoscon
0,189 ** 0.002
comportamiento una nueva variable, la resistencia al desgaste. Con esta extensión
* * * p<0,001, **p<0,01, *p<0,05. (bootstrapping con 5.000 submuestras y test de contribuimos a la generalización del modelo ya una mejor
una cola).
comprensión de la aceptación tecnológica. Nuestro modelo abre
Relaciones significativas con coeficientes de ruta y valor p en negrita.
nuevos caminos a partir de investigaciones previas sobre BDA al
incluir una nueva variable independiente, la resistencia al uso, en el
Tabla 11.Segmento 2. Estimaciones del modelo estructural modelo UTAUT e incluye el comportamiento de uso de BDA como una
(coeficientes de trayectoria)
variable de resultado.Brunink (2016)utiliza el modelo UTAUT sin
agregar resistencia al uso o explicar el comportamiento de uso real.
USUARIOS NORMALES YUSUARIOS PESADOS Muestra
valores p Otros estudios(Demoulin & Coussement, 2018)centrarse en apoyar el
Segmento 2. Tamaño: 47 empresas originales (O)
uso degrandes datospor la dirección, utilizando modelos como TAM,

0.561 *** 0.001 TAM2 o TAM3(Brown & Venkatesh, 2005; Huang et al., 2012; Verma et
al., 2018). Estos modelos explican la adopción y el uso real de BDA en
Expectativa de esfuerzo -> Intención de
- 0,186 (n) 0.084 las empresas, pero son más limitados que el modelo UTAUT.
comportamiento

0,648 *** 0.001 Nuestros resultados muestran que la intención conductual de
usar BDA en las empresas está determinada por cuatro factores. En
0,128 (n) 0.188 primer lugar, la expectativa de rendimiento, la percepción de que la
implementación de esta tecnología logrará buenos resultados,
- 0,188 (n) 0.106 aumenta la adopción, como se muestra en estudios anteriores.(Lee &
comportamiento
Song, 2013; Yu, 2012). En segundo lugar, la influencia social tiene un
Expectativa de rendimiento -> efecto positivo sobre la intención de usar BDA, como se demostró en
- 0,214 (n) 0.174
Intención de comportamiento
artículos anteriores.(Bozán, Parker y Davey, 2016). En tercer lugar, las
Resistencia al uso -> Intención de condiciones favorables, el apoyo y la provisión de los recursos
- 0,207 (n) 0.172
comportamiento
necesarios para el uso de la empresa aumentan tanto la intención de
Influencia social -> Intención de comportamiento como el uso.(Alharbí, 2014). Finalmente, la
0,056 (n) 0.354
comportamiento
resistencia al uso disminuye las intenciones conductuales de uso de
* * * p<0,001, **p<0,01, *p<0,05. (bootstrapping con 5.000 submuestras y test de una
BDA en las empresas, con un efecto más significativo que la influencia
cola). Relaciones significativas con coeficientes de ruta y valor p en negrita.
social.
También encontramos que, aunque el BDA se percibe como difícil porque podemos inferir que no están aprovechando todo el
de usar (expectativa de esfuerzo), la influencia de esta percepción en la potencial de la tecnología. Tienen cierta insatisfacción con la
intención de comportamiento es pequeña y está contenida en otras tecnología, y tienen una expectativa de rendimiento muy baja,
relaciones: condiciones facilitadoras en la intención de comportamiento cuando ocurriría todo lo contrario. Por lo tanto, debemos
(efecto supresor mencionado anteriormente). informarles sobre la tecnología y cómo se puede utilizar para
También encontramos un efecto positivo de las condiciones generar ganancias en cada sector.
habilitadoras en el comportamiento de uso de nuevas tecnologías con El uso de BDA en las empresas puede representar un
un factor similar para la intención de comportamiento. Por lo tanto, se avance muy importante en la gestión de la información,
puede decir que los hallazgos son consistentes con todas las hipótesis mejorando la relación con los clientes. Como más que una
del modelo UTAUT, excepto H5 (riesgo percibido). Como creemos que herramienta de gestión de relaciones con los clientes, BDA
la resistencia al uso tiene un efecto significativo, proponemos brinda a las empresas información relevante y aumenta el
agregarlo al modelo original, con el fin de obtener mejores conocimiento sobre los clientes, mejorando su compromiso.
explicaciones sobre la aceptación y uso de BDA en las empresas. Aunque el modelo UTAUT ya está bien probado y maduro,
hemos incluido dos variables para ampliarlo. Sin embargo, muchas
Finalmente, destacamos las diferencias de otras variables pueden ser relevantes. Para esta tecnología, las
comportamiento entre las empresas que no utilizan estas construcciones del modelo original, como la expectativa de
técnicas o están comenzando a utilizarlas (Segmento 1) y las rendimiento, tienen menos influencia en la intención de
empresas que las utilizan desde hace mucho tiempo comportamiento que una de las construcciones que agregamos, la
(Segmento 2). Para las empresas emergentes o los no resistencia al uso. Como puede haber otras variables con efectos
usuarios, la expectativa de desempeño, la influencia social y significativos, el modelo UTAUT debe continuar evolucionando para
las condiciones favorables tienen un efecto significativo y brindar mejores explicaciones sobre la aceptación de nuevas
positivo sobre la intención de comportamiento y el tecnologías. Investigaciones futuras sobregrandes datosdebe tratar
comportamiento de uso, mientras que la resistencia al uso de identificar estas variables. Además, parece necesario explorar
tiene un efecto significativo y negativo sobre ambas variables. nuevas variables moderadoras para analizar posibles efectos no
Entre las empresas de usuarios normales y usuarios considerados anteriormente.
intensivos, solo las condiciones habilitadoras tienen un efecto Finalmente, tamaños de muestra más grandes nos permitirán
sobre la intención de comportamiento, mientras que el resto establecer diferencias de comportamiento entre grupos de empresas,
de las relaciones no son significativas. Esto podría sugerir que que podemos analizar mediante una técnica de segmentación.
los usuarios establecidos saben lo que pueden lograr con posteriormente, como segmentación dirigidaposteriormente–
estas técnicas, Mínimos cuadrados parciales (POS-PLS). Entonces, si obtenemos una
En cuanto a las implicaciones profesionales, los resultados muestra más grande de empresas que están usando (o tienen la
sugieren que los ejecutivos infieren que cada tecnología tiene su intención de usar)grandes datos, tendremos un modelo con mejor
propia curva de aprendizaje, y esta cuestión no afecta su rendimiento y resultados más informativos.
adopción cuando se esperan grandes resultados, como en el caso
degrandes datos(Cabrera-Sánchez & Villarejo-Ramos, 2018).
Asimismo, si la empresa cuenta con una infraestructura REFERENCIAS
adecuada, no tiene nada que perder probando la tecnología. En
cualquier caso, para superar la resistencia al uso de BDA, aún se Afonso, C., González, M., Roldán, J., & Sánchez-Franco, M. (2012).
Determinantes de la aceptación por parte del usuario de un Sistema de Gestión de
necesita información clara sobre sus beneficios. Por lo tanto,
Documentos Electrónicos (EDMS) de administración electrónica local. enActas de la
recomendamos dos pasos para los gerentes. En el primer paso, 12ª Conferencia Europea sobre Gobierno Electrónico, ECEG(páginas. 19-28),
se les debe decir que la mayoría de lossoftware asociado a estas Barcelona: Academic Publishing International Limited.
técnicas es gratuito y que si ya tienenhardware, debería Agrawal, D., Bernstein, P. y Bertino, E. (2011). Desafíos y
probarlos. En la segunda etapa, debe haber comunicación con los oportunidades con Big Data 2011-1.Procedimientos de la
Fundación VLDB(páginas. 1-16). Obtenido dehttp://dl.acm.org/
gerentes sobre los beneficios de usargrandes datos, incluyendo
citation. cfm?id=2367572%5Cnhttp://docs.lib.purdue.edu/cctech/1/
ejemplos de empresas en las mismas áreas que lo utilizan. Esta
Ajzen, I. (1991).La teoría del comportamiento planificado.Comportamiento organizacional
segunda acción es muy importante para las empresas que y Procesos de Decisión Humana,50(2), 179-211.
actualmente utilizangrandes datos, doi:10.1016/0749-5978(91)90020-T
Akerkar, R. (2014).Análisis de big data de aviación: convertir los datos en Chiang, RHL, Grover, V., Liang, T.-P. y Zhang, D. (2018).especial
perspectivas.Revista Internacional de Ciencias de la Computación y Aplicaciones, 11 tema: valor estratégico de big data y business analytics.Revista de
(3), 116-127. sistemas de información de gestión,35(2), 383-387. doi:10.1080/074
21222.2018.1451950
Al-Gahtani, SS, Hubona, GS y Wang, J. (2007).Información
tecnología (TI) en Arabia Saudita: Cultura y la aceptación y uso de Chin, WW y Dibbern, J. (2010). Una introducción a una permutación basada
TI.Gestión de la información,44(8), 681-691. doi:10.1016/j. procedimiento para análisis PLS multigrupo: resultados de pruebas de
im.2007.09.002 diferencias en datos simulados y un análisis transcultural de la contratación
de servicios de sistemas de información entre Alemania y EE. UU. En VE Vinzi,
Alharbí, ST (2014). Confianza y aceptación de la computación en la nube: A
WW Chin, J. Henseler y H. Wang (Eds.),manual de mínimos cuadrados
modelo UTAUT revisado.Actas - 2014 Conferencia Internacional sobre
parciales(páginas. 171-193). doi:10.1007/978-3-540-32827-8
Ciencias Computacionales e Inteligencia Computacional, CSCI 2014, dos
(Mm) (págs. 131-134). doi:10.1109/CSCI.2014.107 Claudy, MC, García, R. y O'Driscoll, A. (2015).resistencia del consumidor
a la innovación: una perspectiva de razonamiento conductual.Revista de la
Amado, A., Cortez, P., Rita, P., & Moro, S. (2018).Tendencias de investigación sobre
Academia de Ciencias del Marketing,43(4), 528-544. doi:10.1007/
Big Data en marketing: minería de texto y modelado de temas basados en
s11747-014-0399-0
análisis de literatura.Investigación europea sobre gestión y economía
empresarial,24(1), 1-7. doi:10.1016/j.iedeen.2017.06.002 Davis, F. (1985).El modelo de aceptación de tecnología para pruebas empíricas.
nuevos sistemas de información para el usuario final. Instituto Tecnológico
Arenas-Gaitán, J., Peral-Peral, B., & Villarejo-Ramos, A.-F. (2016). grupos
de Massachusetts, Sloan School of Management (diciembre).
de las carreras en banca electrónica. Segmentación de clases latentes con
PLS-POS. enCongreso de Marketing AEMARK. Madrid, España. Demoulin, NTM y Coussement, K. (2018). Aceptación de la minería de texto
sistemas: El papel de señalización de la calidad de la información.
Barclay, D., Higgins, C. y Thompson, R. (1995). Los mínimos cuadrados parciales
Gestión de la información. Publicación avanzada en línea. doi:10.1016/j.
(PLS) enfoque para el modelado causal: adopción y uso de computadoras
im.2018.10.006
personales como ilustración.estudios tecnológicos,2(2), 285-309.
Ducange, P., Pecori, R. y Mezzina, P. (2018).Un vistazo a los grandes datos
Becker, J.-M., Rai, A., Ringle, CM y Völckner, F. (2013).Descubriendo
análisis en el marco de las estrategias de marketing.Informática blanda,
heterogeneidad no observada en modelos de ecuaciones estructurales para
22(1), 325-342. doi:10.1007/s00500-017-2536-4
evitar amenazas de validez.MIS Trimestral,37(3), 665-694. doi:10.25300/
MISQ/2013/37.3.01 Duyck P., Pynoo B., Devolder P., Voet T., Adang L., Ovaere D. y
Vercruysse, J. (2010).Monitoreo del proceso de implementación de PACS
Berg, P., Leinonen, M., Leivo, V. y Pihlajamaa, J. (2002).Evaluación de
en un gran hospital universitario: discrepancias entre radiólogos y
calidad y nivel de madurez de la I+D.Revista Internacional de Economía de la
médicos.Revista de imágenes digitales,23(1), 73-80. doi:10.1007/
Producción,78(1), 29-35. doi:10.1016/S0925-5273(00)00166-3
s10278-008-9163-7
Bhattacherjee, A. y Hikmet, N. (2007).La resistencia de los médicos a
Escobar-Rodríguez, T. y Carvajal-Trujillo, E. (2014).compras en línea
tecnología de la información en salud: un modelo teórico y una prueba
billetes para compañías de bajo coste: una aplicación del modelo de la
empírica.Revista Europea de Sistemas de Información,dieciséis(6),
teoría unificada de aceptación y uso de la tecnología (UTAUT).Gestión
725-737.doi:10.1057/palgrave.ejis.3000717
turística,43, 70-88. doi:10.1016/j.tourman.2014.01.017
Bozán, K., Parker, K. y Davey, B. (2016). Una mirada más cercana a lo social
Falk, RF y Miller, NB (1992).Una base para el modelado suave. Akron, OH:
constructo de influencia en el modelo UTAUT: un enfoque basado en la teoría
Prensa de la Universidad de Akron.
institucional para investigar los patrones de adopción de TI en salud de las
personas mayores.Actas de la Conferencia Internacional Anual de Hawái Featherman, MS y Pavlou, PA (2003).Predicción de servicios electrónicos
sobre Ciencias de Sistemas,2016-Marzo(páginas. 3105-3114). doi:10.1109/ adopción: una perspectiva de las facetas del riesgo percibido.Revista Internacional
HICSS.2016.391 de Estudios de Computación Humana,59(4), 451-474. doi:10.1016/
S1071-5819(03)00111-3
Brown, SA y Venkatesh, V. (2005).Modelo de adopción de
tecnología en los hogares: una prueba de modelo de referencia y extensión Fishbein, M. y Ajzen, I. (1975).Creencia, actitud, intención y comportamiento.
que incorpora el ciclo de vida del hogar.MIS Trimestral, 29(3), 399-426. Una introducción a la teoría y la investigación.. Reading, MA: Addison-Wesley.
doi:10.2307/25148690
Gargallo López, B., Suárez Rodríguez, J., & Almerich Cerveró, G. (2006).
Brunink, L. (2016).Integración multifuncional de Big Data: aplicación de la La influencia de las actitudes de los profesores en el uso de las
modelo UTAUT. Universidad de Twente (Países Bajos). nuevas tecnologías. Revista de Pedagogía Española,64(233), 45-66.
Burton-Jones. (2009).Minimizar el sesgo del método a través de la programática Gefen, D., Rigdon, EE y Straub, D. (2011).Una actualización y extensión de
investigar.MIS Trimestral,33(3), 445-471. doi:10.2307/20650304 Directrices SEM para la investigación en ciencias administrativas y sociales.
MIS Trimestral,35(2), 3-14. doi:10.1016/j.lrp.2013.01.001
Cabrera-Sánchez, J.-P., & Villarejo-Ramos, A.-F. (2018). factores que
afectar a la adopción del Big Data como herramienta de marketing en Gibson, CF (2004). Cambio empresarial habilitado por TI: un enfoque para
las empresas españolas. enXXVIII Congreso Luso-Español de Gestión comprender y gestionar el riesgo.Documento de trabajo de MIT SloanEn el.
Científica,En Guarda (Portugal). 4520-04; CISR Documento de Trabajo No. 346. doi:10.2139/ssrn.644922
Chauhan, S. y Jaiswal, M. (2016).Determinantes de la aceptación de ERP Gupta, VK, Huang, R. y Niranjan, S. (2010).El examen longitudinal
Capacitación en software en escuelas de negocios: investigación empírica de la relación entre liderazgo de equipo y desempeño. Revista de
utilizando el modelo UTAUT.Revista internacional de educación gerencial,14 Liderazgo y Estudios Organizacionales,17(4), 335-350.
(3), 248-262. doi:10.1016/j.ijme.2016.05.005 doi:10.1177/1548051809359184
Hair, JF, Sarstedt, M., Ringle, CM y Mena, JA (2012).Una evaluación Laumer, S., Maier, C., Eckhardt, A. y Weitzel, T. (2016).Personalidad del usuario
del uso de modelos de ecuaciones estructurales de mínimos cuadrados parciales en y resistencia a los sistemas de información obligatorios en las
la investigación de mercados.Revista de la Academia de Ciencias del Marketing, 40 organizaciones: un modelo teórico y prueba empírica de la resistencia
(3), 414-433. doi:10.1007/s11747-011-0261-6 disposicional al cambio.Revista de tecnología de la información,31(1), 67-82.
doi:10.1057/jit.2015.17
Henseler, J., Ringle, CM y Sarstedt, M. (2014).Un nuevo criterio de
Evaluación de la validez discriminante en el modelado de ecuaciones estructurales Lee, JH y Song, CH (2013).Efectos de la confianza y el riesgo percibido en
basado en la varianza.Revista de la Academia de Ciencias del Marketing,43(1), aceptación del usuario de un nuevo servicio de tecnología.Comportamiento
115-135.doi:10.1007/s11747-014-0403-8 social y personalidad: una revista internacional,41(4), 587-597. doi:10.2224/
sbp.2013.41.4.587
Hsieh, PJ (2015).Uso de las nubes de salud por parte de los profesionales de la salud:
Integración de la aceptación de la tecnología y las perspectivas de sesgo del Liu, X., Shin, H. y Burns, AC (2019). Yexaminando el impacto del lujo
statu quo. Revista Internacional de Informática Médica,84(7), 512-523. marketing en redes sociales de la marca sobre la participación del cliente: uso
doi:10.1016/j.ijmedinf.2015.03.004 de análisis de big data y procesamiento de lenguaje natural.Revista de
investigación empresarial. Publicación avanzada en línea. doi: 10.1016/j.
Huang, TCK, Liu, CC y Chang, DC (2012).un empírico
jbusres.2019.04.042
investigación de los factores que influyen en la adopción de herramientas de
minería de datos. Revista Internacional de Gestión de la Información,32(3), 257-270. Martins, C., Oliveira, T. y Popovič, A. (2014). entender el
doi:10.1016/j.ijinfomgt.2011.11.006 Adopción de banca por Internet: una teoría unificada de aceptación y
uso de tecnología percibida y aplicación de riesgo.Revista Internacional
Hung, YH, Wang, YS y Chou, SCT (2007). Aceptación del usuario de
de Gestión de la Información,34(1), 1-13. doi:10.1016/j.
servicios de gobierno electrónico.Actas de PACIS 2007, 97. Recuperado de
ijinfomgt.2013.06.002
http://aisel.aisnet.org/pacis2007
McAfee, A. y Brynjolfsson, E. (2012).Big Data: La gestión
Ives, B. y Olson, MH (2008).Participación del usuario y éxito del MIS:
revolución.Revisión de negocios de Harvard,90(10), 61-68. https://doi.
Una revisión de la investigación.Ciencias de la gestión,30(5), 586-603.
org/10.1007/s12599-013-0249-5
doi:/10.1287/mnsc.30.5.586
MacKenzie, SB, Podsakoff, PM y Podsakoff, NP (2011).Construir
Khatibian, N., Hasan gholoi pour, T. y Abedi Jafari, H. (2010).
procedimientos de medición y validación en MIS e investigación del
Medición del nivel de madurez de la gestión del conocimiento dentro de
comportamiento: integración de técnicas nuevas y existentes.MIS Trimestral,
las organizaciones.Serie de estrategia empresarial,11(1), 54-70.
35(2), 293-334. doi:10.2307/23044045
doi:10.1108/17515631011013113
Norzaidi, MD, Salwani, MI, Chong, SC y Rafidah, K. (2008).LA
Kim, DJ, Ferrin, DL y Rao, HR (2008).El consumidor basado en la confianza
estudio de uso y resistencia de intranet en la industria portuaria de Malasia.
modelo de toma de decisiones en comercio electrónico: el papel de la
Revista de sistemas de información informática,49(1), 37-47. doi:10.1080 /
confianza, el riesgo percibido y sus antecedentes.Sistemas de Soporte a la
08874417.2008.11645304
Decisión, 44(2), 544-564. doi:10.1016/j.dss.2007.07.001
Nunally, JC (1978).teoría psicométrica(2da edición.) Hillsdale, Nueva Jersey:
Kim, H.-W. y Kankanhalli, A. (2009).Investigar la resistencia del usuario a
McGrawhill.
implementación de sistemas de información: una perspectiva de sesgo de status
quo. MIS Trimestral,33(3), 567-582. doi:10.2307/20650309 Palmatier, RW y Martín, KD (2019). Entender y valorar
datos de los clientes. En RW Palmatier y KD Martín,La guía del vendedor
Kim, HW, Chan, HC y Gupta, S. (2007).adopción basada en valores
inteligente para la privacidad de datos(páginas. 73-92). Palgrave Macmillan,
de internet móvil: una investigación empírica.Sistemas de Soporte a la
Cham. doi:10.1007/978-3-030-03724-6
Decisión,43(1), 111-126. doi:10.1016/j.dss.2005.05.009
Paulk MC, Curtis B., Chrissis MB y Weber CV (1993).
Kok, N. (2015).Sesgo de método común en PLS-SEM: una colinealidad completa
Modelo de madurez de capacidad, versión 1.1.Software IEEE,10(4), 18-27.
enfoque de evaluación.Revista internacional de colaboración electrónica,11
doi:10.1109/52.219617
(4), 1-10. doi:10.4018/ijec.2015100101
Podsakoff, PM, MacKenzie, SB, Lee, J.-Y. y Podsakoff, NP (2003).
Kock, N. y Lynn, GS (2012).Colinealidad lateral y resultados engañosos
Sesgos de métodos comunes en la investigación del comportamiento: una
en SEM basado en la varianza: una ilustración y recomendaciones.
revisión crítica de la literatura y los remedios recomendados.Revista de
Revista de la Asociación de Sistemas de Información,13(7), 546-580.
Psicología Aplicada,88(5), 879-903. doi:10.1037/0021-9010.88.5.879
Kwon, O., Lee, N. y Shin, B. (2014).Gestión de calidad de datos, datos
Podsakoff, PM, MacKenzie, SB y Podsakoff, NP (2012).fuentes
experiencia de uso e intención de adquisición de análisis de big data.
del sesgo de método en la investigación en ciencias sociales y
Revista Internacional de Gestión de la Información,34(3), 387-394. /
recomendaciones sobre cómo controlarlo.Revisión anual de psicología,63,
doi:10.1016/j.ijinfomgt.2014.02.002
539-569. doi:10.1146/annurev-psych-120710-100452
Lai, Y., Sun, H. y Ren, J. (2017).Entender los determinantes de
Poon EG, Blumenthal D, Jaggi T, Honor MM, Bates D.
Adopción de Big Data Analytics (BDA) en logística y gestión de la cadena
W. y Kaushal, R. (2004). Superar las barreras para adoptar e implementar
de suministro: una investigación empírica.Revista Internacional de
sistemas computarizados de entrada de órdenes médicas en hospitales de
Gestión Logística,29(2), 676-703. Duele. 10.1108/IJLM-06-2017-0153
EE. UU.asuntos de salud,23(4), 184-190. doi:10.1377/hlthaff.23.4.184
Rahman, N. (2016). Factores que afectan la adopción de la tecnología Big Data, 0–29.
Lapointe, L. y Rivard, S. (2007).Una triple toma del sistema de información
Simposio de Investigación Estudiantil.Obtenido dehttp://pdxscholar.
implementación.Ciencia de la Organización,18(1), 89-107. doi:10.1287/
library.pdx.edu/studentsymposium%5Cnhttp://pdxscholar.library.
orsc.1060.0225
pdx.edu/studentsymposium/2016/Presentations/10
Rehman, MHU, Chang, V., Batool, A. y Wah, TY (2016).grandes datos Venkatesh, V., Tanga, JYL y Xu, X. (2012).aceptación del consumidor
marco de reducción para la creación de valor en empresas sostenibles. y uso de la tecnología de la información: Extendiendo la teoría unificada
Revista Internacional de Gestión de la Información,36(6), 917-928. de aceptación y uso de la tecnología.MIS Trimestral,36(1), 157-178.
doi:10.1016/j.ijinfomgt.2016.05.013 doi:10.1017/CBO9781107415324.004
Ringle, CM, Wende, S. y Becker, JM (2015). SmartPLS. “SmartPLS Verma, S., Bhattacharyya, SS y Kumar, S. (2018).Una extensión
3.” Boenningstedt: SmartPLS GmbH. Obtenido dehttp://www. del modelo de aceptación de tecnología en el entorno de
smartpls.com implementación del sistema de análisis de big data.Procesamiento y
Gestión de la Información,54(5), 791-806. doi:10.1016/j.ipm.2018.01.004
Roldán, JL, & Sánchez-Franco, MJ (2012). Estructura basada en la varianza
Modelado: Directrices para el uso de mínimos cuadrados parciales en la Wedel, M. y Kannan, PK (2016).Análisis de marketing para datos-
investigación de sistemas de información. En M. Mora, O. Gelman, AL entornos ricos.revista de marketing,80(noviembre), 97-121.
Steenkamp & M. Raisinghnani,Metodologías de investigación, innovaciones y doi:10.1509/jm.15.0413
filosofías en ingeniería de sistemas de software y sistemas de información.
Watson, HJ (2019).Tutorial de actualización: Análisis de Big Data: Conceptos,
IGI-Global. doi:10.4018/978-1-4666-0179-6.ch010
tecnología y aplicaciones.Comunicaciones de la Asociación de
Sivarajah, U., Kamal, MM, Irani, Z. y Weerakkody, V. (2017).crítico Sistemas de Información,44(1), 364–379. doi:10.17705/1CAIS.04421
análisis de los desafíos de Big Data y métodos analíticos.Revista de
Wright, LT, Robin, R., Stone, M. y Aravopoulou, DE (2019).Adopción
investigación empresarial,70, 263–286. https://doi.org/10.1016/j.
de la tecnología Big Data para la innovación en marketing B2B.Revista de
jbusres.2016.08.001
marketing de empresa a empresa. Publicación avanzada en línea. doi:
Straub, D., Boudreau, M. y Gefen, D. (2004).Directrices de validación 10.1080/1051712X.2019.1611082
para la investigación positivista SI.Comunicaciones de la Asociación de
Wu, YL, Tao, YH y Yang, PC (2007). Usando UTAUT para explorar el
Sistemas de Información,13(24), 380-427. doi:10.17705/1CAIS.01324
comportamiento de los usuarios de comunicaciones móviles 3G.IEEM 2007:
Sun, Z., Sun, L. y Strang, K. (2018).Servicios de análisis de Big Data para Conferencia internacional IEEE 2007 sobre ingeniería industrial y gestión de
mejorar la inteligencia de negocios.Revista de sistemas de información ingeniería(páginas. 199-203). doi:10.1109/IEEM.2007.4419179
informática, 58(2), 162-169. doi:10.1080/08874417.2016.1220239
Yadegaridehkordi E, Hourmand M, Nilashi M, Shuib L, Ahani A y
Urwiler, R. y Frolick, MN (2008).La jerarquía de valor de TI: Uso Ibrahim, O. (2018).Influencia de la adopción de big data en el
La jerarquía de necesidades de Maslow como metáfora para medir el nivel de desempeño de las empresas manufactureras: un enfoque integrado
madurez del uso de la tecnología de la información dentro de las DEMATEL-ANFIS. Pronóstico tecnológico y cambio social, 137 (marzo),
organizaciones competitivas.Gestión de Sistemas de Información,25(1), 83-88. 199-210. doi:10.1016/j.techfore.2018.07.043
doi:10.1080/10580530701777206
Yaqoob I, Hashem IAT, Gani A, Mokhtar S, Ahmed E, Anuar,
Venkatesh, V. y Bala, H. (2008).Modelo de aceptación de tecnología 3 y un NB y Vasilakos, AV (2016).Big data: del principio al futuro. Revista
agenda de investigación sobre intervenciones.ciencias de la decisión,39(2), 273-315. Internacional de Gestión de la Información,36(6), 1231-1247.
doi:10.1111/j.1540-5915.2008.00192.x doi:10.1016/j.ijinfomgt.2016.07.009
Venkatesh, V. y Davis, FD (2000).La extensión teórica de Yu, C.-S. (2012).Factores que afectan a las personas para adoptar la banca móvil:
el modelo de aceptación de tecnología: cuatro estudios de campo Evidencia empírica del modelo UTAUT.Revista de investigación de
longitudinales.Ciencias de la gestión,46(2), 186-204. doi:10.1287/ comercio electrónico, 13(2), 104–121.
mnsc.46.2.186.11926
Zicari, R. (2014). Big data: Desafíos y oportunidades. En R. Akerkar
Venkatesh, V., Morris, MG, Davis, GB y Davis, FD (2003).Usuario (Ed.),Informática de grandes datos(páginas. 103-128). Boca Ratón, FL: CRC Press.
aceptación de la tecnología de la información: hacia una visión unificada.MIS doi:10.1201/b16014-5
Trimestral,27(3), 425-478. doi:10.2307/30036540

Teoria Unificada - Pt.es

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Teoria Unificada - Pt.es

Cargado por

Copyright:

Formatos disponibles

Traducido del portugués al español - www.onlinedoctranslator.

Revista de administración de empresas

CABRERA-SÁNCHEZ, JUAN-PEDRO; VILLAREJO-RAMOS, ÁNGEL F FACTORES QUE

Disponible en: http://www.redalyc.org/articulo.oa?id=155163302007

FACTORES QUE AFECTAN LA ADOPCIÓN DE

Juano-Pedro Cabrera-Sánchez | Ángel F. Villarejo-Ramos

Figura 1.procesos degrandes datos

procesos degrandes datos

Gestión de datos Análisis de datos

Juano-Pedro Cabrera-Sánchez | Ángel F. Villarejo-Ramos

Juano-Pedro Cabrera-Sánchez | Ángel F. Villarejo-Ramos

H4: La resistencia al uso afecta negativamente la

Juano-Pedro Cabrera-Sánchez | Ángel F. Villarejo-Ramos

Figura 2.Modelo de aceptación degrandes datosen empresas

resistencia al desgaste riesgo percibido

facilitar las condiciones H7

escalas de medir Podsakoff (2012),yKock y Lynn (2012). Porque el estudio se centra en

Juano-Pedro Cabrera-Sánchez | Ángel F. Villarejo-Ramos

Tabla 1.Muestra de empresas según ingresos y sector de actividad

Educación dos 1 dos 5

Industrial 5 3 dos 6 dieciséis

Total general 60 35 27 73 4 199

intención de comportamiento 2,423

Expectativa de esfuerzo 1,631

facilitar las condiciones 2,472

riesgo percibido 1,288

expectativa de rendimiento 1,994

resistencia al desgaste 1.852

Influencia social 1.675

Comportamiento de uso 1,996

Juano-Pedro Cabrera-Sánchez | Ángel F. Villarejo-Ramos

Tabla 3.Fiabilidad de escalas de medida (cargas)

Intención Expectativa Condiciones Riesgo Expectativa de Resistencia Influencia Comportamiento

Juano-Pedro Cabrera-Sánchez | Ángel F. Villarejo-Ramos

Tabla 4.Fiabilidad compuesta y validez convergente

expectativa de esfuerzo 0.906 0.934 0.928 0.722

facilitar las condiciones 0.841 0.843 0.904 0.759

riesgo percibido 0.896 0.909 0.935 0.828

resistencia al desgaste 0.951 0.954 0.965 0.872

Influencia social 0.851 0.874 0.893 0.627

Comportamiento de uso 1,000 1,000 1,000 1,000

Tabla 5.Validez discriminante (prueba de Fornell-Larcker)

Intención Expectativa Condiciones Riesgo Expectativa de Resistencia Influencia Comportamiento

riesgo percibido - 0.331 - 0.185 - 0.283 0.910

Influencia social 0.497 0.459 0.483 - 0.246 0.479 - 0.234 0.792

Juano-Pedro Cabrera-Sánchez | Ángel F. Villarejo-Ramos

Tabla 6.Validez discriminante (Relación Heterorrasgo-Monorrasgo -HTMT)

Influencia social 0.532 0.507 0.567 0.297 0.524 0.254

Tabla 7.R² del modelo

intención de comportamiento 0.560 0.546

Comportamiento de uso 0.483 0.478

La Figura 3 muestra los valores para cada modelo de carga y ruta.

Figura 3.resultados del modelo

Juano-Pedro Cabrera-Sánchez | Ángel F. Villarejo-Ramos

Muestra uso es significativo al 0,1% de nivel de confianza. El coeficiente del

Condiciones facilitadoras -> REQM Q²

Expectativa de rendimiento ->

Influencia social -> Intención de en los grupos con segmentaciónposteriormente.

Juano-Pedro Cabrera-Sánchez | Ángel F. Villarejo-Ramos

Expectativa de rendimiento ->

Resistencia al uso -> Intención de DISCUSIÓN, CONCLUSIONES Y LIMITACIONES

uso degrandes datospor la dirección, utilizando modelos como TAM,

Condiciones facilitadoras ->