REALIDAD AUMENTADA
Y COMPORTAMIENTO DEL CONSUMIDOR:
PERSPECTIVAS PARA EL MARKETING
DIGITAL
Ana Lucía Muelle Holguín
https://orcid.org/0009-0003-7688-0446
Universidad de Lima, Perú
Ivonne Malca Hernández
https://orcid.org/0009-0000-0526-5081
Universidad de Lima, Perú
Recibido: 23 de mayo del 2026 / Aceptado: 24 de junio del 2026
doi: https://doi.org/10.26439/ddee2026.n009.8928
RESUMEN. La investigación tiene como propósito analizar la realidad aumentada y el comportamiento del consumidor, con un enfoque en la intención de compra y la satisfacción. El objetivo es comprender cómo la realidad aumentada puede influir en las creencias, actitudes y decisiones de compra de los consumidores en el sector de la moda. Para ello, se adoptó un enfoque cuantitativo y se utilizó un cuestionario validado por expertos en marketing. Cinco expertos fueron contactados para evaluar la claridad, coherencia, suficiencia y relevancia del cuestionario, y se aplicó el índice V de Aiken para cuantificar su validez. Los datos fueron obtenidos a través de una encuesta presencial y virtual aplicada a una muestra de 178 personas pertenecientes a la generación Z y compradoras de moda en línea. Se utilizó el enfoque estadístico PLS-SEM para analizar modelos de ecuaciones estructurales. Se analizaron variables dependientes como la satisfacción y la intención de compra, así como variables independientes —entre ellas, la realidad aumentada—. Los hallazgos de la investigación indican que la experiencia de usuario proporcionada por la realidad aumentada tiene un impacto positivo en la intención de compra de los consumidores. Aquellos que interactúan con productos mediante la realidad aumentada muestran una mayor disposición a comprar que quienes utilizan métodos tradicionales. Se descubrió que la interactividad y la personalización no tienen un impacto significativo en la intención de compra. Sin embargo, se encontró que la satisfacción del cliente está relacionada con el cumplimiento de sus expectativas, lo que a su vez influye en su intención de compra futura.
PALABRAS CLAVE: comportamiento del consumidor / intención de compra / perspectiva del consumidor / realidad aumentada / retail / experiencia de compra
AUGMENTED REALITY AND CONSUMER BEHAVIOR:
PERSPECTIVES FOR DIGITAL MARKETING
ABSTRACT. This research aims to analyze the Augmented Reality and consumer behavior, focusing on purchase intention and satisfaction. The objective is to understand how Augmented Reality can influence consumers’ beliefs, attitudes, and purchase decisions in the fashion industry. A quantitative approach was adopted, using a questionnaire validated by marketing experts. Five experts were contacted to evaluate the clarity, coherence, sufficiency, and relevance of the questionnaire, applying the Aiken’s V index to quantify its validity. The data was obtained through an in-person and virtual survey applied to a sample of 178 people belonging to Generation Z and online fashion buyers. The PLS-SEM statistical approach was used to analyze structural equation models. Dependent variables such as satisfaction and purchase intention, as well as independent variables, including Augmented Reality, were analyzed. The research findings indicate that the user experience provided by Augmented Reality has a positive impact on consumers’ purchase intention. Those who interact with products through Augmented Reality show a greater willingness to buy compared to traditional methods. Interactivity and personalization were found to have no significant impact on purchase intention; however, customer satisfaction was found to be related to meeting expectations, which in turn influences future purchase intention.
KEYWORDS: consumer behavior / purchase intention / consumer perspective / augmented reality / retail / shopping experience
Códigos JEL: M31, M37, O33, D12
Este es un artículo de acceso abierto, distribuido bajo los términos de la licencia Creative Commons Attribution 4.0 International (C BY 4.0).
1. INTRODUCCIÓN
El comportamiento del consumidor va más allá del acto de comprar un producto o servicio. Se trata de un proceso continuo que no se limita al momento de la transacción en que se intercambia dinero —o una tarjeta de crédito— por un bien o servicio (Solomon, 2008). En este contexto, resulta fundamental analizar no solo lo que ocurre durante la compra, sino también los factores que la rodean y aquellos que influyen en la decisión del consumidor. Hoyer et al. (2018) amplían esta perspectiva al señalar que la comprensión del comportamiento del consumidor implica considerar una variedad de factores, como el motivo, el lugar, el momento, la cantidad, la frecuencia, la duración y las decisiones de los consumidores respecto de si adquirirán, utilizarán o desecharán una oferta. Dado que el proceso de decisión de compra consta de cinco etapas —reconocimiento de la necesidad, búsqueda de información, evaluación de alternativas, decisión de compra y comportamiento poscompra (Kotler & Armstrong, 2013)—, analizar el comportamiento del consumidor en cada una de ellas constituye una oportunidad para que las empresas optimicen sus estrategias, comprendan mejor las decisiones de compra y consideren la manera en que los consumidores interactúan con sus productos o servicios a lo largo del proceso.
De igual modo, la relación entre los estímulos y el comportamiento del consumidor es clave para comprender cómo se toman las decisiones de compra. En los entornos de compra online, la calidad y el tipo de información disponible para los consumidores actúan como estímulos que influyen en sus procesos de toma de decisiones. La confianza, tanto cognitiva como afectiva, media la relación entre estos estímulos y el comportamiento del consumidor, lo que resalta la importancia de disponer de información fiable para moldear las decisiones de compra (Wang et al., 2023).
De esta manera, la experiencia del consumidor ha evolucionado, lo que ha incrementado la sensibilidad sensorial de las personas y ha otorgado un mayor protagonismo a los sentidos. Estos funcionan ahora como activadores de las emociones de compra; los productos son percibidos no solo como bienes tangibles, sino también como generadores de experiencias y momentos memorables.
Durante las últimas dos décadas, un objetivo común de la investigación ha sido integrar el procesamiento de información en objetos cotidianos y convertir el mundo físico en una interfaz de interacción con lo digital (Olsson et al., 2013). Es así como la realidad aumentada se ha convertido en una herramienta de transformación, al superponer la información digital en el entorno físico, lo que genera nuevas formas de interactividad y personalización (Carmigniani et al., 2011). Javornik (2016) resalta que las características de la realidad aumentada, como la interactividad, tienen un impacto significativo en el comportamiento del consumidor, pues influyen en su percepción del producto y en su intención de compra. Según Scholz y Smith (2016), la realidad aumentada también ofrece nuevas oportunidades para las marcas al conectar de manera más profunda con los usuarios, aprovechando la inmersión digital para generar experiencias más personalizadas y efectivas.
La realidad aumentada y la interactividad son conceptos relacionados que están transformando la manera en que los consumidores interactúan con productos y servicios, particularmente en el comercio electrónico. El progreso de la realidad aumentada proporciona un mejor nivel de interactividad, ya que los consumidores tienen la posibilidad de controlar objetos virtuales en tiempo real, lo que genera experiencias más envolventes, como “probarse” ropa de forma virtual o personalizar sus preferencias. Esta capacidad de interacción mejora la experiencia del usuario al hacerla más atractiva y personalizada, al replicar el proceso de compra en un establecimiento físico, lo que puede incrementar la confianza en la compra de productos y reducir las devoluciones. Además, la realidad aumentada influye positivamente en la intención de compra, ya que permite a los consumidores interactuar de manera significativa con los productos, lo que mejora sus actitudes hacia la marca (Kim et al., 2023). Según Bleier et al. (2019), la creación de experiencias en línea efectivas para los consumidores requiere un enfoque centrado en la interactividad y la personalización.
En el contexto del retail de moda, las empresas tienen la oportunidad de utilizar la realidad aumentada para mostrar información adicional sobre los productos, como combinaciones de prendas o sugerencias de estilo, lo que fomenta la venta cruzada (Chylinski et al., 2020). Además, las aplicaciones de realidad aumentada para dispositivos móviles permiten a los clientes escanear escaparates o determinadas ubicaciones dentro de las tiendas y agregar elementos virtuales a su entorno, lo que mejora la experiencia de compra tanto en línea como en la tienda física (Dacko, 2017).
La generación Z, nacida en la era digital, tiene expectativas particulares en cuanto a sus experiencias de compra en línea, lo que ha impulsado a las marcas de moda a adoptar nuevas tecnologías para atraer a este segmento. En este sentido, Kovács y Keresztes (2024) resaltan el uso de la realidad aumentada como un factor diferenciador de la experiencia de compra de los consumidores de la generación Z en el retail de moda en línea, dado que estos buscan experiencias que van más allá de la simple transacción, y la realidad aumentada les ofrece una forma de interactuar con las marcas de manera personalizada e inmersiva. Asimismo, las percepciones de la generación Z sobre los atributos de la realidad aumentada, como la interactividad y la vivacidad, influyen significativamente en su nivel de compromiso, lo que se traduce en actitudes favorables hacia las aplicaciones móviles de realidad aumentada y los productos virtuales, así como en intenciones de comportamiento positivas.
A pesar de los avances en la comprensión del comportamiento del consumidor, persiste un vacío en la literatura respecto de la relación específica entre la generación Z y el uso de la realidad aumentada en el contexto del retail de moda en línea. Kovács y Keresztes (2024) resaltan que la realidad aumentada puede transformar las estrategias de marketing al personalizar experiencias de compra en el comercio electrónico y adaptarse a las expectativas de los consumidores jóvenes. Asimismo, Hoffmann y Mai (2022) señalan que el uso de la realidad aumentada en el comercio minorista se encuentra en una fase inicial, aunque posee un gran potencial para integrar elementos digitales con objetos físicos en tiempo real, lo que resulta relevante en el ámbito de la moda. A pesar de estos avances, el desarrollo de aplicaciones de realidad aumentada diseñadas específicamente para maximizar el impacto en el comportamiento del consumidor sigue siendo limitado. Además, no se ha profundizado lo suficiente en cómo esta tecnología influye específicamente en las expectativas, percepciones y decisiones de la generación Z, un segmento de consumidores nativos digitales con preferencias y hábitos de consumo distintos.
Según Gatter et al. (2022), las funciones de realidad aumentada, como los probadores virtuales, pueden disminuir las tasas de devolución al permitir una evaluación previa más precisa por parte de los consumidores. Por otro lado, Baytar et al. (2020) destacan que estas tecnologías mejoran la percepción del producto, lo que incrementa la intención de compra al proporcionar mayor confianza y personalización. Sin embargo, la personalización y la interactividad inmersiva proporcionada por la realidad aumentada aún requieren estudios más detallados, especialmente en lo que respecta a su influencia en el comportamiento y las decisiones de compra de los consumidores.
2. Marco conceptual
La teoría de las posibilidades de acción propuesta por Gibson (1978) resalta cómo en cada entorno existen ciertas características o posibilidades que pueden desencadenar acciones específicas. Contextualizada en la realidad aumentada, esta facilita la personalización en el retail, lo que genera una relación entre la tecnología y las interacciones del usuario. Adicionalmente, ello influye en las decisiones de compra y en la satisfacción dentro del entorno minorista. Las capacidades de la tecnología, como la realidad aumentada, se definen por la forma en que los usuarios las perciben e interactúan con ellas en un contexto específico. Además, relacionar la tecnología, las acciones que esta herramienta posibilita y las percepciones de los usuarios contribuye a comprender cómo los consumidores perciben y utilizan las características de la realidad aumentada para mejorar su experiencia de compra. Asimismo, se destaca que estas variables dependen del contexto, lo que implica que las posibilidades de acción percibidas pueden variar según la tecnología específica y el entorno en el que se utiliza (Xu et al. 2023).
La teoría de la telepresencia, desarrollada conceptualmente por Steuer (1992), sostiene que cuando la información se transmite a un receptor mediante entornos virtuales o mediados tecnológicamente, estos pueden influir en la sensación de “estar presente”. La telepresencia se produce cuando una persona percibe que se encuentra en el entorno virtual en lugar de su entorno físico real. En ese sentido, la riqueza del medio (media richness) y la interactividad constituyen elementos fundamentales para favorecer la telepresencia. Esto implica que el entorno virtual debe tener la capacidad de transmitir información detallada y ofrecer opciones que permitan al usuario interactuar y modificar lo que ocurre, lo que incrementa la experiencia de inmersión. Esto se relaciona con la realidad aumentada y la interactividad en la experiencia de compra al explicar cómo los consumidores perciben y se involucran en los entornos digitales. Además, la telepresencia, en el contexto de la realidad aumentada, constituye una herramienta que permite que las personas sientan que interactúan con productos en un entorno real, incluso cuando compran en línea. Asimismo, se destacan factores como la interactividad y la riqueza de los medios como estímulos de la telepresencia; la primera se refiere al grado en que los usuarios pueden interactuar con el contenido, mientras que la segunda alude a la vivacidad y calidad de la información (Yoo, 2023).
La teoría del intercambio social y la teoría del valor percibido del cliente respaldan la idea de que la interacción y la personalización tienen un impacto positivo en el valor percibido. La primera, propuesta por Homans (1958), explica las interacciones entre las personas en términos de costos y beneficios, y sostiene que las relaciones sociales se forman y se mantienen en función de la evaluación de las recompensas y los costos asociados a dichas interacciones. Bitner (1992) amplió este concepto en el ámbito del marketing al señalar que las interacciones entre las empresas y los consumidores pueden transmitir señales que influyen en las actitudes de estos hacia los productos, lo que, a su vez, afecta su percepción del valor. De esta manera, cuando los consumidores perciben que reciben un valor adicional mediante la interactividad y la personalización, su percepción del valor del producto se incrementa, lo que también puede influir en su intención de compra.
Adicionalmente, la teoría de los valores de consumo de Sheth et al. (1991) sostiene que el valor percibido comprende dimensiones funcionales, sociales, emocionales, epistémicas y condicionales. En el contexto de la realidad aumentada, el valor funcional se ve favorecido por la interactividad, ya que permite a los usuarios visualizar y probar productos en un entorno realista antes de realizar una compra. Además, la personalización que esta herramienta hace posible, como la adaptación de productos a las preferencias individuales del consumidor, incrementa el valor percibido al generar una mayor conexión entre el consumidor y el producto.
La teoría del estímulo-organismo-respuesta (SOR), desarrollada por Mehrabian y Russell (1974), postula que un estímulo externo —como un producto o una característica del entorno de compra— afecta al “organismo”, que representa el estado emocional y cognitivo del consumidor. Este proceso interno genera una respuesta, que puede manifestarse en intenciones conductuales, como la intención de compra. La teoría sostiene que la calidad del estímulo y la manera en que este es percibido por el consumidor influyen en sus reacciones emocionales y en su intención de compra (Hochreiter et al., 2023).
Aplicada al uso de la realidad aumentada, la teoría SOR sostiene que los estímulos generados por esta herramienta, como la posibilidad de “probar” productos de manera virtual, pueden crear experiencias positivas que incrementan la intención de compra de los usuarios. A su vez, la interactividad en los entornos de realidad aumentada reduce la incertidumbre y aumenta la confianza del consumidor, lo que genera que el estímulo sea percibido como más confiable y atractivo (Guo et al., 2021).
La teoría de la confirmación de expectativas, propuesta por Oliver en 1980 y desarrollada posteriormente en sus investigaciones sobre la satisfacción del consumidor (Oliver, 1993), examina cómo las expectativas previas y las percepciones posteriores al consumo influyen en la satisfacción del consumidor y en su intención de compra. En este contexto, la investigación se ha ampliado para incorporar el constructo de socialidad, en el que la personalización constituye un antecedente de la socialidad y de la satisfacción. De acuerdo con esta teoría, los consumidores forman expectativas antes de adquirir un producto; si la experiencia de uso las cumple o supera, se genera una experiencia positiva que incrementa la satisfacción y las intenciones de recompra. En este sentido, se plantea que la personalización influye directamente en la satisfacción, la cual, a su vez, afecta las intenciones de compra (Tsai et al., 2020).
3. DESARROLLO DE LAS HIPÓTESIS
A continuación, se presentan las hipótesis del presente trabajo.
H1: la realidad aumentada genera experiencias personalizadas.
La realidad aumentada genera experiencias personalizadas al adaptarse al comportamiento y a las preferencias del usuario en tiempo real. Han et al. (2021) destacan que elementos como el atractivo visual y la interactividad que ofrece esta herramienta, incrementan la autenticidad de la experiencia, lo que genera una mayor satisfacción y una conexión emocional más profunda.
H2: la realidad aumentada genera interactividad en la experiencia de compra.
Kim et al. (2023) sugieren que la realidad aumentada, al incrementar la interactividad, mejora la experiencia de compra. Además, esta herramienta enriquece la interacción con los productos al permitir que los consumidores combinen y personalicen los artículos de manera virtual. Esta capacidad genera una experiencia de compra más atractiva y personalizada.
H3: la personalización tiene un impacto positivo en el valor percibido.
De acuerdo con Lai et al. (2025), las experiencias de realidad aumentada personalizadas ofrecen contenido adaptado a las preferencias y al historial de compras del usuario, lo cual conduce a una mayor percepción de valor por parte de los consumidores.
H4: la interactividad tiene un impacto positivo en el valor percibido.
Según Poushneh y Vasquez-Parraga (2017), la realidad aumentada tiene un impacto significativo en la experiencia del usuario al proporcionar información detallada sobre los productos y permitir que estos sean visualizados de manera más interactiva. Asimismo, los autores sugieren que la experiencia del usuario mejora cuando este percibe un equilibrio adecuado entre el precio y el valor percibido. En ese sentido, la realidad aumentada puede contribuir a justificar el precio de un producto al demostrar su valor mediante experiencias inmersivas que incrementan el valor percibido.
H5: la personalización influye intención de compra.
De acuerdo con Huang y Rust (2021), las experiencias de compra personalizadas influyen en las decisiones de compra del consumidor. En la medida en que la personalización implica adaptar los productos, los servicios y las comunicaciones a las preferencias y comportamientos individuales del cliente, esta ha sido identificada como un factor clave para mejorar la satisfacción del consumidor y fortalecer su relación con la marca.
H6: la personalización proporciona satisfacción positiva.
La personalización mediante aplicaciones de realidad aumentada tiene un impacto directo en la satisfacción del cliente al ofrecerle experiencias de compra adaptadas a sus preferencias. Según Lai et al. (2025), la integración de la realidad aumentada en el proceso de compra permite que los consumidores interactúen con los productos de manera más directa y personalizada. Esto da lugar a experiencias de compra más inmersivas, basadas en datos sobre los hábitos y preferencias de los consumidores.
H7: la interactividad genera un efecto positivo en la intención de compra.
Las experiencias de compra inmersivas mejoran significativamente la percepción del consumidor sobre el valor del producto y su interacción con la marca, lo que a su vez refuerza la intención de compra (Bleier et al., 2019).
H8: la interactividad genera un efecto positivo en la satisfacción.
Lin y Huang (2024) sostienen que la interactividad proporcionada por las aplicaciones de realidad aumentada fomenta en los consumidores un estado de alta concentración en la actividad. Este estado inmersivo, alcanzado mediante la interacción directa con elementos virtuales, mejora significativamente la experiencia del usuario, pues la hace más atractiva y personalizada, lo que incrementa la satisfacción del cliente.
H9: la satisfacción del consumidor tiene un efecto positivo en la intención de compra.
Nawres et al. (2024) destacan la relación entre la satisfacción y la intención de compra. Se identifica que la satisfacción fomenta el comportamiento de recomendación, de modo que los consumidores satisfechos no solo están más dispuestos a comprar, sino también a compartir sus experiencias positivas, lo que puede influir en las decisiones de compra de otros. Estas relaciones son especialmente relevantes en contextos en los que la experiencia de compra y la satisfacción resultan cruciales para impulsar la lealtad y la intención de compra.
Figura 1
Modelo conceptual
4. METODOLOGÍA
Para el trabajo de investigación se aplicó un método cuantitativo, el cual se utilizó para evaluar el comportamiento del consumidor en la experiencia de compra con realidad aumentada en el ámbito de la moda. Para este propósito, se elaboró un cuestionario estructurado, cuyo tiempo de llenado aproximado fue de entre cinco y diez minutos. La primera sección del cuestionario estuvo compuesta por preguntas filtro y por ítems relacionados con la demografía de los participantes, mientras que la segunda sección se centró en los ítems diseñados para contrastar las hipótesis del estudio. Las respuestas para todos los constructos utilizados en el cuestionario fueron medidas en una escala de Likert de 5 puntos (1 = totalmente en desacuerdo, 5 = totalmente de acuerdo). Dichos constructos fueron medidos a partir de escalas adaptadas de variables de investigaciones previas con instrumentos ya validados. Las variables consideradas fueron las siguientes: realidad aumentada (Söderström et al., 2024), personalización (Lai et al., 2025), interactividad (Kim et al., 2023), valor percibido (Lai et al., 2025), satisfacción (Gabriel et al., 2023) e intención de compra (Nawres et al., 2024).
La población elegida para esta investigación es la generación Z. Al-Mu’ani et al. (2024) determinan que esta generación comprende a las personas nacidas entre los años 1997 y 2012, y se caracteriza por ser quienes nacieron en un entorno digital, con acceso constante a la tecnología y al internet. Se eligió a esta generación en particular debido a que, según Dorie y Loranger (2024), se trata de nativos digitales que utilizan de manera habitual estos canales para comunicarse y realizar diferentes actividades, como las compras en línea. En consecuencia, la población del estudio está constituida por personas pertenecientes a la generación Z que realizan compras de moda en línea.
Se plantearon un total de diecinueve preguntas en el cuestionario a partir de la adaptación de los constructos encontrados en la literatura; estas abarcaron las seis variables propuestas. Para comprobar la validez del instrumento, se contactó a cinco profesionales del área de marketing para realizar un juicio de expertos, a fin de evaluar el cuestionario según cuatro criterios: claridad, coherencia, suficiencia y relevancia. Los expertos, tras la revisión de los ítems, asignaron las siguientes calificaciones para evaluar el cuestionario: 1 = aprueba y 0 = en desacuerdo. Posteriormente, a partir de las observaciones recibidas, se aplicó la V de Aiken basada en los criterios de interpretación de Solikhin et al. (2023) y Octafia et al. (2021), que permite cuantificar la validez del contenido del instrumento. En los criterios de claridad y coherencia se obtuvo un resultado de 0,80 (excelente validez); en el criterio de suficiencia, un valor de 0,90 (excelente validez); y en el criterio de relevancia, un valor de 0,70 (validez adecuada). Asimismo, se aplicó el coeficiente kappa de Cohen, el cual presenta un rango estadístico de -1 a 1. Se obtuvo como resultado una concordancia general entre los expertos de 0,646, que denota una fuerza de concordancia buena (Fleiss et al., 1969). En función de estos resultados, se evidencia la validez del instrumento.
Tabla 1
Coeficiente kappa de Cohen
|
IC del 95 % |
||||
|---|---|---|---|---|
|
Calificaciones |
Kappa no |
EE |
Inferior |
Superior |
|
Kappa promedio |
0,646 |
|||
|
E1 - E2 |
0,457 |
0,305 |
-0,141 |
1,000 |
|
E1 - E3 |
0,771 |
0,217 |
0,346 |
1,000 |
|
E2 - E3 |
0,642 |
0,326 |
0,003 |
1,000 |
|
E1 - E4 |
0,457 |
0,305 |
-0,141 |
1,000 |
|
E2 - E4 |
1,000 |
0,000 |
1,000 |
1,000 |
|
E3 - E4 |
0,642 |
0,326 |
0,003 |
1,000 |
|
E1 - E5 |
0,771 |
0,217 |
0,346 |
1,000 |
|
E2 - E5 |
0,642 |
0,326 |
0,003 |
1,000 |
|
E3 - E5 |
0,441 |
0,331 |
-0,207 |
1,000 |
|
E4 - E5 |
0,642 |
0,326 |
0,003 |
1,000 |
Nota. 19 sujetos/ítems y 5 evaluadores/mediciones. Los intervalos de confianza son asintóticos.
El cuestionario fue sometido a una prueba piloto, en la que participaron treinta encuestados que examinaron la relevancia de la data que proporcionaban las preguntas propuestas. Estos treinta sets de data fueron recolectados y analizados, y se obtuvo un resultado satisfactorio: no se identificó lugar para ambigüedad, debido a que la formulación y la estructura de las preguntas fue adecuada y precisa, de acuerdo con la opinión de los encuestados.
Para completar el cuestionario, los encuestados pasaron previamente por dos preguntas filtro, a fin de determinar su aptitud para participar en la investigación: ¿es parte de la generación Z; es decir, nació entre los años 1997 y 2012? y ¿realiza compras de moda en línea? Solo si la respuesta fue positiva para ambas preguntas, el encuestado pudo continuar completando el cuestionario. Esta herramienta fue completada por los encuestados a través de dos medios: de manera virtual y presencialmente. Para la manera virtual, se compartió con los encuestados el enlace del cuestionario —en formato Google Forms— a través de redes sociales. Presencialmente, los encuestados recibieron copias impresas de los cuestionarios.
Para la fase de análisis descriptivo de la data, se utilizó el software JASP, elegido por su interfaz accesible e intuitiva. Para ello, se descargó la data del cuestionario de Google Forms en formato Excel, a la que también se le incorporó la información obtenida a partir de los cuestionarios aplicados en formato presencial. Este archivo de datos (dataset) se importó al software JASP, en el que primero se revisó la hoja de cálculo para detectar posibles anomalías y verificarlas antes de proceder al análisis descriptivo de las variables de interés seleccionadas. Este procedimiento permitió la visualización de los datos mediante gráficos, diagramas y tablas resumidas. Se aplicaron dos pruebas previas al análisis factorial exploratorio: el índice KMO y el test de esfericidad de Bartlett. La información que arrojó el test piloto fue analizada utilizando el alfa de Cronbach, con el fin de determinar la fiabilidad del cuestionario. Se consiguió un coeficiente de más de 0,70, lo que evidencia la consistencia interna de los ítems.
Tabla 2
Índice KMO
|
Prueba de Kaiser-Meyer-Olkin |
|
|
|
MSA |
|
MSA general |
0,798 |
|
RA 1 |
0,863 |
|
RA 2 |
0,616 |
|
RA 3 |
0,789 |
|
P 1 |
0,828 |
|
P 2 |
0,766 |
|
P 3 |
0,800 |
|
I 1 |
0,922 |
|
I 2 |
0,804 |
|
I 3 |
0,833 |
|
IC 1 |
0,852 |
|
IC 2 |
0,727 |
|
IC 3 |
0,710 |
|
VP 1 |
0,687 |
|
VP 2 |
0,925 |
|
VP 3 |
0,860 |
|
SAT 1 |
0,891 |
|
SAT 2 |
0,787 |
|
SAT 3 |
0,834 |
|
SAT 4 |
0,658 |
Nota. I = interactividad, IC = intención de compra, P = personalización, RA = realidad aumentada, SAT = satisfacción, VP = valor percibido.
El valor de KMO del instrumento es de 0,798, lo que significa que los datos de la muestra piloto son adecuados para realizar el análisis factorial. De igual manera, se observa que los valores de todas las preguntas son mayores a 0,5 —es decir, son aceptables—.
Tabla 3
Prueba de esfericidad de Bartlett
|
Prueba de Bartlett’s |
||
|---|---|---|
|
Χ² |
gl |
p |
|
619,614 |
171,000 |
< ,001 |
Después de aplicar el test de Bartlett, se obtuvo un valor de chi-cuadrado de 619,614 para el instrumento, con un nivel de significancia de p < 0,001. Estos resultados indican que existe intercorrelación significativa entre las variables analizadas, lo que confirma que los datos son adecuados para la aplicación de un análisis factorial.
Tabla 4
Alfa de Cronbach del instrumento
|
Estadísticas de fiabilidad del instrumento |
|
|---|---|
|
Estimación |
Alfa de Cronbach (α) |
|
Point estimate |
0,964 |
|
95 % CI lower bound |
0,940 |
|
95 % CI upper bound |
0,980 |
En la Tabla 4 se puede observar que el valor de alfa de Cronbach es 0,964 (IC 95 %: 0,940-0,980), por lo que el instrumento que contiene dieciséis ítems tiene muy alta fiabilidad (Ruiz Bolívar, 2002).
Para determinar el tamaño de la muestra, se empleó un análisis para modelos de ecuaciones estructurales (SEM) utilizando la calculadora de tamaño de muestra para SEM desarrollada por Daniel Soper (2024). El cálculo se efectuó para un modelo basado en PLS-SEM, considerando un tamaño del efecto anticipado de 0,1 (pequeño), un nivel de potencia estadística deseado de 0,8, un nivel de probabilidad de 0,05, cuatro variables latentes (intención de compra, realidad aumentada, satisfacción y valor percibido) y 19 variables observadas. Con estos parámetros, se estimó un tamaño mínimo de muestra de 177 participantes para evaluar adecuadamente la estructura del modelo (Soper, 2024). Finalmente, la encuesta se distribuyó de manera virtual mediante Google Forms y se obtuvieron 178 respuestas válidas para el análisis.
Adicionalmente, el análisis de datos se realizó con Partial Least Squares Structural Equation Modeling (PLS-SEM), un enfoque estadístico utilizado para analizar modelos de ecuaciones estructurales (Hair et al., 2019), mediante el software SmartPLS.
El modelo teórico inicial incluyó los constructos realidad aumentada, intención de compra, satisfacción, valor percibido, interactividad y personalización, así como sus relaciones. Estos fueron medidos mediante indicadores. Tras la recopilación de datos del cuestionario, se evaluó el modelo utilizando SmartPLS. Se usó el criterio de Fornell-Larcker para comparar los coeficientes de correlación de los constructos (Chin, 1998) y, a su vez, se utilizó el factor de inflación de la varianza (VIF) para medir la colinealidad de los indicadores formativos y evaluar la existencia de problemas de multicolinealidad entre tales constructos. Mediante el alfa de Cronbach se evaluó la consistencia interna de los ítems que conforman cada constructo; además, se calculó la fiabilidad compuesta (rho_c) y, junto con el AVE, se evaluó la validez convergente. Para determinar la validez discriminante, se utilizó el método de las cargas cruzadas (cross loadings), de acuerdo con el cual las cargas o correlaciones del indicador con su propio constructo deben ser significativamente mayores que las correlaciones con los otros constructos que forman parte del modelo. Además, se aplicó la técnica de bootstrapping para evaluar la significancia estadística de los path coefficients.
Posteriormente, se evaluó el modelo estructural analizando los path coefficients, y los valores de R2 para determinar la fuerza y significancia de las relaciones entre los constructos (Hair et al., 2019). Este enfoque permitió validar las hipótesis planteadas y comprender las interacciones entre las variables. Finalmente, se evaluó la precisión del modelo mediante el Q² predictivo.
5. RESULTADOS
En la Tabla 5 pueden observarse los datos demográficos de la muestra de los 178 encuestados validados del estudio. Con respecto al género, el 54,5 % de la muestra es femenino y el 45,5 % masculino. En cuanto a los rangos etáreos, el 11,8 % tiene entre 15 y 18 años, 64 % de 19 a 23 años, y 24,2 % tiene entre 24 y 27 años.
Tabla 5
Demografía de la muestra
|
Medición |
Ítem |
Frecuencia |
Porcentaje |
|
Género |
Femenino |
97 |
54,5 |
|
Masculino |
81 |
45,5 |
|
|
Edad |
15-18 |
21 |
11,8 |
|
19-23 |
114 |
64,0 |
|
|
|
24-27 |
43 |
24,2 |
Nota. N = 178.
El modelo causal se utiliza para evaluar y estimar las relaciones causales entre variables latentes, lo que proporciona una comprensión de los mecanismos subyacentes de un fenómeno. Un coeficiente positivo indica que un incremento en la variable independiente se asocia con un incremento en la variable dependiente, mientras que un coeficiente negativo refleja una relación inversa entre ambas variables. La magnitud del coeficiente también indica la fuerza de la relación (Hair et al., 2019).
En la Figura 2 se muestran las variables y su correlación. Se identifica cómo la realidad aumentada tiene un impacto en la personalización, con un coeficiente de correlación 0,676; a su vez, la personalización tiene un impacto bajo sobre la intención de compra (0,194) y un mayor impacto sobre la satisfacción (0,519). La realidad aumentada también afecta la interactividad, con un coeficiente de correlación 0,566 y la interactividad, a su vez, tiene un efecto menor sobre la intención de compra, con un coeficiente de correlación 0,112.
Figura 2
Modelo causal
La realidad aumentada presenta una correlación positiva con la personalización (0,676) y con la interactividad (0,566), lo que indica que un mayor uso de la realidad aumentada se asocia con un mayor nivel de personalización y con interacciones más dinámicas con los usuarios. Además, el coeficiente de correlación de 0,529 entre el constructo satisfacción y el de intención de compra indica que cuanto más satisfecho esté un cliente, más probable es su intención de comprar.
El alfa de Cronbach presentó un valor de 0,964, en el que se indica una alta fiabilidad en los ítems del cuestionario. Adicionalmente, el índice KMO (0,798) y el test de esfericidad de Bartlett (p < 0,001) evidenciaron que los datos son adecuados para análisis factorial, lo que respalda la estructura del modelo. Asimismo, se verificó la validez convergente y discriminante, por lo que se confirmó que los constructos cumplen con los criterios establecidos para su diferenciación y correlación interna. Con respecto a la validez discriminante, el criterio de Fornell-Larcker establece que la raíz cuadrada de la varianza media extraída por un constructo debe ser mayor que la correlación entre dicho constructo y cualquier otro constructo del modelo (Chin, 1998). Como puede observarse en la Tabla 6, los valores de los constructos son mayores que las correlaciones entre ellos, lo que respalda que todas las variables latentes difieren lo suficiente entre sí.
Tabla 6
Validez discriminante - criterio de Fornell-Larcker
|
Intención de compra |
Interactividad |
Personalización |
Realidad aumentada |
Satisfacción |
Valor percibido |
|
|
Intención |
0,860 |
|||||
|
Interactividad |
0,622 |
0,788 |
||||
|
Personalización |
0,675 |
0,693 |
0,801 |
|||
|
Realidad |
0,704 |
0,566 |
0,676 |
0,864 |
||
|
Satisfacción |
0,756 |
0,711 |
0,763 |
0,728 |
0,888 |
|
|
Valor percibido |
0,719 |
0,673 |
0,723 |
0,609 |
0,786 |
0,890 |
El VIF se utiliza para evaluar la colinealidad de los indicadores formativos. Idealmente, los valores del VIF deben ser cercanos o inferiores a 3. Se considera que existen problemas de colinealidad cuando los valores son iguales o superiores a 5, ya que ello indica una alta colinealidad entre los constructos predictores (Hair et al., 2019). En la Tabla 7, se observa que todos los indicadores presentan valores del VIF cercanos o inferiores a 3, por lo que no se evidencian problemas de multicolinealidad.
Tabla 7
Estadísticas de colinealidad
|
VIF |
|
|
I1 |
2,108 |
|
I2 |
1,918 |
|
I3 |
1,856 |
|
IC 1 |
2,130 |
|
IC 2 |
1,637 |
|
IC 3 |
2,032 |
|
P1 |
1,672 |
|
P2 |
1,744 |
|
P3 |
1,805 |
|
RA 1 |
1,809 |
|
RA 2 |
2,167 |
|
RA 3 |
1,884 |
|
SAT 1 |
2,984 |
|
SAT 2 |
3,427 |
|
SAT 3 |
2,923 |
|
SAT 4 |
2,438 |
|
VP 1 |
2,282 |
|
VP 2 |
2,773 |
|
VP 3 |
2,103 |
Nota. I = interactividad, IC = intención de compra, P = personalización, RA = realidad aumentada, SAT = satisfacción, VP = valor percibido.
Según Hair et al. (2019), el alfa de Cronbach se debe encontrar en un valor mayor o igual al 0,70 para determinar la confiabilidad de la consistencia interna. De los resultados obtenidos, las seis variables cumplen con ello, lo que indica una buena consistencia interna. Por otro lado, el AVE es una métrica que evalúa la validez convergente de un constructo, a través de la varianza promedio extraída de todos los elementos de cada constructo. En la Tabla 8 se observa que todos los constructos tienen un valor aceptable mayor a 0,50. En cuanto a la confiabilidad compuesta, se puede notar que los resultados de cada variable se encuentran dentro del rango de 0,70 a 0,95, lo que significa que son satisfactorios y buenos, y no llegan a ser redundantes.
Tabla 8
Fiabilidad y validez de los constructos: descripción general
|
|
Alfa de Cronbach |
Fiabilidad |
Fiabilidad |
Varianza media |
|
I |
0,700 |
0,729 |
0,830 |
0,621 |
|
IC |
0,824 |
0,838 |
0,895 |
0,740 |
|
P |
0,721 |
0,724 |
0,843 |
0,642 |
|
RA |
0,831 |
0,841 |
0,898 |
0,747 |
|
SAT |
0,911 |
0,912 |
0,937 |
0,789 |
|
VP |
0,869 |
0,871 |
0,920 |
0,793 |
Nota. I = interactividad, IC = intención de compra, P = personalización, RA = realidad aumentada, SAT = satisfacción, VP = valor percibido.
El método cross loadings requiere que las cargas de cada indicador en su constructo sean mayores que las de los demás constructos, con una carga óptima igual o mayor a 0,708 (Hair et al., 2019). En la Tabla 9, se puede observar que se cumple la premisa de que los ítems de cada constructo son mayores a sus antecesores.
Tabla 9
Validez discriminante – cargas cruzadas
|
|
I |
IC |
P |
RA |
SAT |
VP |
|
I1 |
0,874 |
0,544 |
0,620 |
0,531 |
0,660 |
0,639 |
|
I2 |
0,795 |
0,514 |
0,569 |
0,420 |
0,558 |
0,557 |
|
I3 |
0,685 |
0,400 |
0,429 |
0,372 |
0,438 |
0,354 |
|
IC 1 |
0,536 |
0,890 |
0,641 |
0,651 |
0,681 |
0,619 |
|
IC 2 |
0,505 |
0,804 |
0,474 |
0,553 |
0,552 |
0,533 |
|
IC 3 |
0,564 |
0,883 |
0,610 |
0,608 |
0,705 |
0,691 |
|
P1 |
0,550 |
0,481 |
0,783 |
0,520 |
0,555 |
0,543 |
|
P2 |
0,577 |
0,579 |
0,798 |
0,511 |
0,608 |
0,595 |
|
P3 |
0,540 |
0,557 |
0,822 |
0,592 |
0,664 |
0,597 |
|
RA 1 |
0,489 |
0,610 |
0,560 |
0,845 |
0,601 |
0,521 |
|
RA 2 |
0,421 |
0,572 |
0,520 |
0,871 |
0,586 |
0,420 |
|
RA 3 |
0,542 |
0,636 |
0,658 |
0,876 |
0,686 |
0,614 |
|
SAT 1 |
0,630 |
0,635 |
0,653 |
0,587 |
0,885 |
0,678 |
|
SAT 2 |
0,622 |
0,667 |
0,673 |
0,659 |
0,905 |
0,649 |
|
SAT 3 |
0,663 |
0,696 |
0,740 |
0,691 |
0,897 |
0,761 |
|
SAT 4 |
0,610 |
0,686 |
0,640 |
0,644 |
0,866 |
0,703 |
|
VP 1 |
0,599 |
0,637 |
0,605 |
0,521 |
0,699 |
0,880 |
|
VP 2 |
0,624 |
0,703 |
0,677 |
0,616 |
0,745 |
0,918 |
|
VP 3 |
0,574 |
0,577 |
0,648 |
0,484 |
0,655 |
0,873 |
Nota. I = interactividad, IC = intención de compra, P = personalización, RA = realidad aumentada, SAT = satisfacción, VP = valor percibido.
De acuerdo con Hair et al. (2019), la técnica del bootstrapping se utiliza para determinar la significancia estadística de los path coefficients en el modelo. Mediante este procedimiento se obtienen intervalos de confianza para tales coeficientes, lo que permite determinar si son significativamente diferentes de cero y, por lo tanto, si ejercen un efecto significativo en el modelo.
Figura 3
Bootstrapping
El p-value (valor p) es una medida estadística que ayuda a determinar la significancia de los resultados en un análisis de hipótesis. Un valor p menor a 0,05 sugiere que existe suficiente evidencia como para rechazar la hipótesis nula, lo que implica que el efecto observado es estadísticamente significativo; al contrario, un valor p mayor a 0,05 indica que no hay suficiente evidencia para rechazar la hipótesis nula, lo que sugiere que el efecto observado podría ser resultado del azar (Hair et al., 2019). En este caso, se evidencia que el modelo tiene un alto grado de confiabilidad, puesto que los valores p son 0,000, lo que indica una significancia estadística muy alta (p < 0,001) en siete de los conectores entre las variables. Por otro lado, las hipótesis H5 y H7 son rechazadas, ya que presentan p-values superiores a 0,000, con valores 0,051 y 0,080 respectivamente.
Es así como los resultados de las hipótesis indican que se aceptaron siete de las nueve planteadas. Se evidencia, entonces, que la realidad aumentada influye significativamente en variables clave como la personalización, la interactividad y el valor percibido, lo que genera efectos positivos sobre la satisfacción del consumidor y, en consecuencia, sobre su intención de compra. Sin embargo, las hipótesis relacionadas con la influencia directa de la personalización y la interactividad en la intención de compra fueron rechazadas debido a que se obtuvieron valores p superiores a 0,05.
El coeficiente de R² se interpreta como una medida del poder explicativo del modelo; se considera que los valores 0,75, 0,50 y 0,25 son sustanciales, moderados y débiles, respectivamente (Hair et al., 2019). La personalización tiene un R² de 0,458, lo que indica que el 45,8 % de su varianza es explicado por la realidad aumentada y la interactividad. Asimismo, el valor percibido tiene un R² de 0,580, por lo que el 58 % de su varianza es explicado por las variables que lo preceden. Esto permite afirmar que las variables independientes, como la realidad aumentada, tienen una influencia moderada sobre las variables dependientes clave, como la satisfacción y la intención de compra.
El Q² predictivo evalúa la capacidad del modelo para predecir valores de variables dependientes en un conjunto de datos fuera de muestra. Un Q² mayor que 0 indica que el modelo tiene capacidad predictiva, cuyos valores más altos (como 0,25 o 0,5) indican una mejor predicción (Hair et al., 2019).
En la Tabla 10, se muestra que la variable con mayor valor Q² predictivo es la satisfacción (0,491) y, consecuentemente, la intención de compra (0,444) y la personalización (0,442), lo que indica que estas variables tienen una buena capacidad de predicción. Finalmente, la interactividad (0,301) y el valor percibido (0,357) muestran los valores más bajos.
Tabla 10
Valor predictivo de las variables dependientes
|
Q² predict |
RMSE |
MAE |
|
|
Intención de compra |
0,444 |
0,756 |
0,614 |
|
Interactividad |
0,301 |
0,850 |
0,655 |
|
Personalización |
0,442 |
0,759 |
0,566 |
|
Satisfacción |
0,491 |
0,722 |
0,571 |
|
Valor percibido |
0,357 |
0,813 |
0,622 |
6. DISCUSIÓN
Los resultados indican que se aceptan las hipótesis H1, H2, H3, H4, H6, H8 y H9, a diferencia de las hipótesis H5 y H7.
La H1 señala que la realidad aumentada genera experiencias personalizadas (p < 0,001). Igualmente, la H2 plantea que la realidad aumentada genera interactividad en la experiencia de compra (p < 0,001). Según Lampropoulos et al. (2020), la capacidad de la realidad aumentada para ofrecer interacciones personalizadas y adaptadas al contexto influye significativamente en el engagement y en la satisfacción del usuario. Por ejemplo, las aplicaciones de realidad aumentada que se adaptan a las interacciones del usuario y al contexto en tiempo real pueden reducir la incertidumbre de la interacción y mejorar principios ergonómicos, lo que conduce a una experiencia de usuario más personalizada y satisfactoria. De acuerdo con Habil et al. (2024), la teoría de la riqueza de los medios explica ambas hipótesis, pues esta refiere que la realidad aumentada tiene la capacidad de potenciar la experiencia en línea del consumidor y de proporcionarle contenido útil, ya que determinadas características de la herramienta (como la personalización y la interactividad) contribuyen a que la experiencia sea más atractiva, informativa, y pueda adaptarse a las preferencias individuales. Por un lado, ofrecer altos niveles de personalización mejora la percepción y comportamiento del consumidor al utilizar la herramienta; por otro lado, la interactividad le brinda al usuario control y la posibilidad de modificación. En ese sentido, uniendo la personalización con la interactividad, es posible fomentar un efecto positivo en el comportamiento del consumidor.
La H3, también aceptada por los resultados, sostiene que la personalización tiene un impacto positivo en el valor percibido (p < 0,001). Investigaciones previas demuestran que la personalización puede mejorar el valor percibido de un producto con la utilización de realidad aumentada, gracias a que permite que la experiencia de compra sea adaptada a las preferencias individuales de cada usuario. Dado que la realidad aumentada brinda la oportunidad de probarse virtualmente prendas de vestir, la convierte en una experiencia destacada y, por lo tanto, más personalizada (Smink et al., 2020).
La H4 indica que la interactividad tiene un impacto positivo en el valor percibido (p < 0,001). De acuerdo con Ganesan y Kumar (2024), el aumento y la vivacidad, características interactivas de la realidad aumentada, atraen al consumidor y generan una actitud positiva frente al uso de esta herramienta para la compra de prendas en línea. El engagement actúa como mediador entre estos atributos y el valor percibido, los cuales tienen alta relevancia en la potenciación de la experiencia del consumidor, su comportamiento y la mejora del valor percibido.
La H5 postulaba que la personalización influye en la intención de compra (p > 0,05); sin embargo, los resultados no muestran evidencia suficiente para respaldar la hipótesis, por lo que se la rechaza. En contraste con lo planteado, una investigación sobre la experiencia de uso de la realidad aumentada y el comportamiento del consumidor encontró que el control cognitivo permite al consumidor visualizar y probar virtualmente el producto en tiempo real, lo que genera satisfacción. En ese sentido, el sentido de control en la realidad aumentada podría ser más determinante que la personalización en la intención de compra (Whang et al., 2021). La segunda investigación, que evaluó la personalización percibida en sitios web de compras en línea con realidad aumentada o sin ella, encontró diferencias en su influencia sobre la intención de compra. En particular, la personalización resulta relevante en los sitios web sin realidad aumentada, mientras que no ejerce una influencia directa en aquellos que incorporan realidad aumentada (Alimamy & Gnoth, 2022).
La H6, respaldada por los resultados, plantea que la personalización proporciona satisfacción (p < 0,001). La teoría de la equidad postula que la satisfacción del consumidor está influenciada por la capacidad que la realidad aumentada ofrece para controlar y generar resultados personalizados del contenido virtual de los productos de interés. En consecuencia, si los resultados de los productos personalizados cumplen las expectativas del consumidor, este experimentará satisfacción (Poushneh, 2018).
La H7 sostenía que la interactividad genera intención de compra (p > 0,05), pero los resultados no muestran evidencia suficiente para respaldar la hipótesis, por lo que se la rechaza. En un estudio previo se demostró que la interactividad no tenía un impacto significativo en los beneficios utilitarios de la intención de compra (Nikhashemi et al., 2021). Los resultados evidenciaron que la relación entre la interactividad de las aplicaciones de realidad aumentada y los beneficios utilitarios era insignificante, lo que sugiere que una mayor interactividad no necesariamente incrementa el valor práctico percibido por los consumidores. Esto podría explicarse porque los usuarios se familiarizan con las funciones interactivas, lo que reduce su percepción de utilidad con el tiempo. En consecuencia, aunque la interactividad de la realidad aumentada puede aumentar el disfrute —factor que, junto con la inmersión, podría tener un efecto más directo y positivo en la intención de compra (Wang et al., 2023)—, no se traduce necesariamente en mayores beneficios utilitarios que influyan en dicha intención.
La H8, respaldada por los resultados, indica que la interactividad genera satisfacción (p < 0,001). Según Lin & Huang (2024), esta relación puede explicarse mediante la teoría del flujo, la cual plantea que, al utilizar una aplicación de realidad aumentada, el consumidor puede experimentar una experiencia placentera al alcanzar un estado de alta concentración y disfrute durante la actividad. Por ello, para involucrar al consumidor en dicha experiencia, se requiere de la interactividad, la cual contribuye a hacerla más inmersiva, lo que influye en la satisfacción y genera una intención de uso de la realidad aumentada.
La H9, también respaldada por los resultados, plantea que la satisfacción del consumidor tiene un efecto positivo en la intención de compra (p < 0,001). Según Chiu et al. (2021), la teoría de la confirmación de expectativas explica la relación entre la satisfacción y la intención de compra en un contexto de realidad aumentada, al sostener que, si el usuario tiene una experiencia positiva y satisfactoria al utilizarla para realizar compras en línea, es más probable que realice una compra e, incluso, que continúe utilizándola. Asimismo, la teoría unificada de aceptación y uso de la tecnología establece que el valor utilitario se vincula con una experiencia de compra racional orientada a la satisfacción, la cual deriva de las expectativas de rendimiento previas al uso de la realidad aumentada. En este sentido, el cumplimiento de dichas expectativas relacionadas con el valor utilitario puede promover la intención de compra de los productos o prendas visualizados mediante realidad aumentada (Vieira et al., 2022).
6.1 Implicancias prácticas
La investigación tiene implicancias prácticas para los negocios de retail en moda al aportar resultados medibles en el sector. En este sentido, se ha demostrado el impacto positivo de la interacción inmersiva de los consumidores con los productos mediante el uso de la realidad aumentada en la intención de compra.
A su vez, la investigación contribuye a la toma de decisiones orientadas a la disminución de las devoluciones de productos en el sector. En este marco, se plantea que, al permitir a los consumidores “probar” virtualmente los productos antes de comprarlos, la realidad aumentada reduce la incertidumbre y mejora la precisión de las decisiones de compra, lo que se traduce en una menor tasa de devoluciones, menores costos operativos y una mayor eficiencia en los procesos de venta en línea (Whang et al., 2021).
Finalmente, la investigación tiene aplicaciones para las empresas del sector retail de moda al plantear cómo la realidad aumentada puede responder a la demanda de los consumidores mediante experiencias personalizadas y tecnológicas. Su implementación permite a los negocios adaptarse a las expectativas de la generación Z, quienes valoran la interactividad y la personalización en sus experiencias de compra (Lai et al., 2025). Este enfoque mejora la satisfacción del cliente, contribuye a su fidelización y facilita la conexión entre la marca y el consumidor, en respuesta a las tendencias actuales de consumo.
6.2 Implicancias teóricas
La investigación contribuye teóricamente al proporcionar un marco para comprender cómo las características y atributos de la realidad aumentada pueden aplicarse a las estrategias de marketing online. Asimismo, muestra cómo el uso de esta herramienta puede reducir la brecha existente entre las experiencias de compra online y presencial en el retail de moda. Los resultados también evidencian que la realidad aumentada actúa como un generador de experiencias de usuario más completas y personalizadas, lo que podría transformar la teoría de la decisión de compra al incorporar dimensiones como la inmersión y la telepresencia, previamente poco consideradas. Además, se plantea que la interactividad puede constituir un factor fundamental para generar engagement del consumidor y, en consecuencia, un mayor valor percibido.
Asimismo, la investigación contribuye a una mayor comprensión de la personalización e interactividad en contextos digitales, lo que sugiere que la realidad aumentada permite niveles de personalización que fortalecen el vínculo emocional y la satisfacción del cliente de una manera que los enfoques de personalización convencionales no alcanzan.
Estas contribuciones teóricas son relevantes porque sugieren nuevas formas de innovar en la experiencia digital del cliente en el retail de moda y evidencian cómo estas estrategias representan oportunidades para la toma de decisiones empresariales.
REFERENCIAS
Al-Mu’ani, L., Al-Momani, M., Amayreha, A., Aladwan, S., & Al-Rahmid, W. (2024). The effect of logistics and policy service quality on customer trust, satisfaction, and loyalty in quick hypothesis: A multigroup analysis of generation Y and generation Z. Uncertain Supply Chain Management, 12(3), 1417-1432. https://doi.org/10.5267/j.uscm.2024.4.009
Alimamy, S., & Gnoth, J. (2022). I want it my way! The effect of perceptions of personalization through augmented reality and online shopping on customer intentions to co-create value. Computers in Human Behavior, 128, 107105. https://doi.org/10.1016/j.chb.2021.107105
Baytar, F., Chung, T., & Shin, E. (2020). Evaluating garments in augmented reality when shopping online. Journal of Fashion Marketing and Management: An International Journal, 24(4), 667-683. https://doi.org/10.1108/JFMM-05-2018-0077
Bitner, M. J. (1992). Servicescapes: The impact of physical surroundings on customers and employees. Journal of Marketing, 56(2), 57-71. https://doi.org/10.1177/002224299205600205
Bleier, A., Harmeling, C. M., & Palmatier, R. W. (2019). Creating effective online customer experiences. Journal Of Marketing, 83(2), 98-119. https://doi.org/10.1177/0022242918809930
Carmigniani, J., Furht, B., Anisetti, M., Ceravolo, P., Damiani, E., & Ivkovic, M. (2011). Augmented reality technologies, systems and applications. Multimedia Tools and Applications, 51(1), 341-377. https://doi.org/10.1007/s11042-010-0660-6
Chin, W. W. (1998). The partial least squares approach to structural equation modeling. En G. A. Marcoulides (Ed.), Modern methods for business research (pp. 295-336). Lawrence Erlbaum Associates.
Chiu, C. L., Ho, H. C., Yu, T., Liu, Y., & Mo, Y. (2021). Exploring information technology success of augmented reality retail applications in retail food chain. Journal of Retailing and Consumer Services, 61, 102561. https://doi.org/10.1016/j.jretconser.2021.102561
Chylinski, M., Heller, J., Hilken, T., Keeling, D. I., Mahr, D., & de Ruyter, K. (2020). Augmented reality marketing: A technology-enabled approach to situated customer experience. Australasian Marketing Journal, 28(4), 374-384. https://doi.org/10.1016/j.ausmj.2020.04.004
Dacko, S. G. (2017). Enabling smart retail settings via mobile augmented reality shopping apps. Technological Forecasting and Social Change, 124, 243-256. https://doi.org/10.1016/j.techfore.2016.09.032
Dorie, A., & Loranger, D. (2024). Word on the street: Apparel-related critical incidents leading to eWOM and channel behaviour among millennial and Gen Z consumers. Journal of Consumer Marketing, 41(2), 148-161. https://doi.org/10.1108/JCM-02-2022-5213
Fleiss, J. L., Cohen, J., & Everitt, B. S. (1969). Large sample standard errors of kappa and weighted kappa. Psychological Bulletin, 72(5), 323-327. https://doi.org/10.1037/h0028106
Gabriel, A., Dhifan, A., Nabila, C., & Wuri, P. (2023). The influence of augmented reality on e-commerce: A case study on fashion and beauty products. Cogent Business & Management, 10(2), 2208716. https://doi.org/10.1080/23311975.2023.2208716
Ganesan, M., & Kumar, B. (2024). Augmented reality: The key to unlock customer engagement potential. Marketing Intelligence & Planning, 42(6), 976-1009. https://doi.org/10.1108/MIP-08-2023-0408
Gatter, S., Hüttl-Maack, V., & Rauschnabel, P. A. (2022). Can augmented reality satisfy consumers’ need for touch? Psychology & Marketing, 39(3), 508-523. https://doi.org/10.1002/mar.21618
Gibson, J. J. (1978). The ecological approach to the visual perception of pictures. Leonardo, 11(3), 227-235. https://doi.org/10.2307/1574154
Guo, J., Li, Y., Xu, Y., & Zeng, K. (2021). How live streaming features impact consumers’ purchase intention in the context of cross-border e-commerce? A research based on SOR theory. Frontiers in Psychology, 12, 767876. https://doi.org/10.3389/fpsyg.2021.767876
Habil, S., El-Deeb, S., & El-Bassiouny, N. (2024). The metaverse era: Leveraging augmented reality in the creation of novel customer experience. Management & Sustainability: An Arab Review, 3(1), 1-15. https://doi.org/10.1108/MSAR-10-2022-0051
Hair, J., Risher, J., Sarstedt, M., & Ringle, C. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24. https://doi.org/10.1108/EBR-11-2018-0203
Han, S., Yoon, J., & Kwon, J. (2021). Impact of experiential value of augmented reality: The context of heritage tourism. Sustainability, 13(8), 4147. https://doi.org/10.3390/su13084147
Hochreiter, V., Benedetto, C., & Loesch, M. (2023). The stimulus-organism-response (S-O-R) paradigm as a guiding principle in environmental psychology: Comparison of its usage in consumer behavior and organizational culture and leadership theory. Journal of Entrepreneurship and Business Development, 3(1), 7-16. https://doi.org/10.18775/jebd.31.5001
Hoffmann, S., & Mai, R. (2022). Consumer behavior in augmented shopping reality. A review, synthesis, and research agenda. Frontiers in Virtual Reality, 3, 961236. https://doi.org/10.3389/frvir.2022.961236
Homans, G. C. (1958). Social behavior as exchange. American Journal of Sociology, 63(6), 597-606. https://doi.org/10.1086/222355
Hoyer, W. D., MacInnis, D. J. & Pieters, R. (2018). Comportamiento del consumidor. Cengage Learning.
Huang, M.-H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49(1), 30-50. https://doi.org/10.1007/s11747-020-00749-9
Javornik, A. (2016). Augmented reality: Research agenda for studying the impact of its media characteristics on consumer behaviour. Journal of Retailing and Consumer Services, 30, 252-261. https://doi.org/10.1016/j.jretconser.2016.02.004
Kim, S., Park, H., Fatma, M., & Khader, M. S. (2023). How augmented reality can improve e-commerce website quality through interactivity and vividness: The moderating role of need for touch. Journal of Fashion Marketing and Management: An International Journal, 27(5), 760-783. https://doi.org/10.1108/JFMM-01-2022-0001
Kotler, P. & Armstrong, G. (2013). Fundamentos de marketing (11.ª ed.). Pearson Educación. https://frrq.cvg.utn.edu.ar/pluginfile.php/14584/mod_resource/content/1/Fundamentos%20del%20Marketing-Kotler.pdf
Kovács, I., & Keresztes, É. R. (2024). Digital innovations in e-commerce: Augmented reality applications in online fashion retail—A qualitative study among Gen Z consumers. Informatics, 11(3), 56. https://doi.org/10.3390/informatics11030056
Lai, Z., Leong, M. K., Khoo, K., & Sidhu, S. (2025). Integrating technology acceptance model and value-based adoption model to determine consumers’ perception of value and intention to adopt AR in online shopping. Asia Pacific Journal of Marketing and Logistics, 37(1), 1-19. https://doi.org/10.1108/APJML-03-2024-0386
Lampropoulos, G., Keramopoulos, E., & Diamantaras, K. (2020). Enhancing the functionality of augmented reality using deep learning, semantic web and knowledge graphs: A review. Visual Informatics, 4(1), 32-42. https://doi.org/10.1016/j.visinf.2020.01.001
Lin, K.-Y. & Huang, T. K. (2024). Shopping in the digital world: How augmented reality mobile applications trigger customer engagement. Technology in Society, 77, 102540. https://doi.org/10.1016/j.techsoc.2024.102540
Mehrabian, A., & Russell, J. A. (1974). An approach to environmental psychology. MIT Press.
Nawres, D., Bahri-Ammari, N., Yousaf, A., & Mishra, A. (2024). The role of augmented reality in shaping purchase intentions and WOM for luxury products. Journal of Business Research, 171, 114368. https://doi.org/10.1016/j.jbusres.2023.114368
Nikhashemi, S. R., Knight, H. H., Nusair, K., & Liat, C. B. (2021). Augmented reality in smart retailing: A(n) (A)symmetric approach to continuous intention to use retail brands’ mobile AR apps. Journal of Retailing and Consumer Services, 60, 102464. https://doi.org/10.1016/j.jretconser.2021.102464
Octafia, D., Supriyadi, S., & Sulhadi, S. (2021). Validity and reliability content of physics problem solving test instrument based on local wisdom. Journal of Educational Research and Evaluation, 9(1), 46-51. https://doi.org/10.15294/jere.v9i1.43712
Olsson, T., Lagerstam, E.-M., Kärkkäinen, T., & Väänänen-Vainio-Mattila, K. (2013). Expected user experience of mobile augmented reality services: A user study in the context of shopping centres. Personal and Ubiquitous Computing, 17(2), 287-304. https://doi.org/10.1007/s00779-011-0494-x
Oliver, R. L. (1993). Cognitive, affective, and attribute bases of the satisfaction response. Journal of Consumer Research, 20(3), 418-430. https://doi.org/10.1086/209358
Poushneh, A. (2018). Augmented reality in retail: A trade-off between user’s control of access to personal information and augmentation quality. Journal of Retailing and Consumer Services, 41, 169-176. https://doi.org/10.1016/j.jretconser.2017.12.010
Poushneh, A., & Vasquez-Parraga, A. Z. (2017). Discernible impact of augmented reality on retail customer’s experience, satisfaction and willingness to buy. Journal of Retailing and Consumer Services, 34, 229-234. https://doi.org/10.1016/j.jretconser.2016.10.005
Ruiz Bolívar, C. (2002). Instrumentos de investigación educativa: procedimientos para su diseño y validación. Ediciones CIDEG.
Scholz, J., & Smith, A. N. (2016). Augmented reality: Designing immersive experiences that maximize consumer engagement. Business Horizons, 59(2), 149-161. https://doi.org/10.1016/j.bushor.2015.10.003
Sheth, J. N., Newman, B. I., & Gross, B. L. (1991). Why we buy what we buy: A theory of consumption values. Journal of Business Research, 22(2), 159-170. https://doi.org/10.1016/0148-2963(91)90050-8
Smink, A. R., Van Reijmersdal, E. A., Van Noort, G., & Neijens, P. C. (2020). Shopping in augmented reality: The effects of spatial presence, personalization and intrusiveness on app and brand responses. Journal of Business Research, 118, 474-485. https://doi.org/10.1016/j.jbusres.2020.07.018
Söderström, C., Mikalef, P., Dypvik, A., & Gupta, S. (2024). Augmented reality (AR) marketing and consumer responses: A study of cue-utilization and habituation. Journal of Business Research, 182, 114813. https://doi.org/10.1016/j.jbusres.2024.114813
Solikhin, M., Sumaryanti, Sulistiyono, Fauzi, & Arbanto, B. (2023). Validity and reliability of sport diving basic skill instrument for beginner diver. International Journal of Human Movement and Sports Sciences, 11(4), 731-740. https://doi.org/10.13189/saj.2023.110415
Solomon, M. R. (2008). Comportamiento del consumidor (L. E. Pineda Ayala, Trad.; 7.a ed.). Pearson Educación. https://uachatec.com.mx/wp-content/uploads/2019/10/Comportamiento-del-consumidor-7ed-Michael-R.-Solomon.pdf
Soper, D. S. (2024). A-priori sample size calculator for structural equation models [Software]. https://www.danielsoper.com/statcalc
Steuer, J. (1992). Defining virtual reality: Dimensions determining telepresence. Journal of Communication, 42(4), 73-93. https://doi.org/10.1111/j.1460-2466.1992.tb00812.x
Tsai, H., Lee, Y., & Ruangkanjanases, A. (2020). Understanding the effects of antecedents on continuance intention to gather food safety information on websites. Frontiers in Psychology, 11, 579322. https://doi.org/10.3389/fpsyg.2020.579322
Vieira, V., Rafael, D., & Agnihotri, R. (2022). Augmented reality generalizations: A meta-analytical review on consumer-related outcomes and the mediating role of hedonic and utilitarian values. Journal of Business Research, 151, 170-184. https://doi.org/10.1016/j.jbusres.2022.06.030
Wang, J., Shahzad, F., & Ashraf, S. F. (2023). Elements of information ecosystems stimulating the online consumer behavior: A mediating role of cognitive and affective trust. Telematics and Informatics, 80, 101970. https://doi.org/10.1016/j.tele.2023.101970
Whang, J. B., Song, J. H., Choi, B., & Lee, J.-H. (2021). The effect of augmented reality on purchase intention of beauty products: The roles of consumers’ control. Journal of Business Research, 133, 275-284. https://doi.org/10.1016/j.jbusres.2021.04.057
Xu, X., Jia, Q., & Tayyab, S. M. U. (2023). The exploration of customization in augmented reality from the affordance lens: A three-stage hybrid approach. Technological Forecasting and Social Change, 194, 122729. https://doi.org/10.1016/j.techfore.2023.122729
Yoo, J. (2023). The effects of augmented reality on consumer responses in mobile shopping: The moderating role of task complexity. Heliyon, 9(3), e13775. https://doi.org/10.1016/j.heliyon.2023.e13775