Motivaciones hedónicas vs utilitaristas en internet: segmentación latente de mayores.

Marketing_______________________________________________________________1 MOTIVACIONES HEDÓNICAS VS UTILITARISTAS EN INTERNET: SEGMENTACIÓN LATENTE DE MAYORES. Dra. Begoña Peral Peral (bpera[email protected]) Dr. Ángel F. Villarejo Ramos ([email protected]) Dr. Jorge Arenas Gaitán (j[email protected]) Universidad de Sevilla Departamento de Administración de Empresas y Marketing Av. Ramón y Cajal, s/n 41018 Sevilla (España) RESUMEN: El presente trabajo analiza la heterogeneidad en el comportamiento online de los mayores. La literatura previa se ha centrado en la segmentación socio-demográfica de los mayores con relación al uso de Internet. La novedad que añade este estudio es tratar de determinar la segmentación mediante variables específicamente elegidas para el estudio de las personas mayores, y relacionadas con el valor utilitarista del mayor cuando utiliza banca electrónica, frente al carácter más hedónico que supone el uso de redes sociales online. Al tratar de analizar estos comportamientos en situaciones de uso de estas tecnologías entre mayores, hemos detectado la presencia de cinco grupos o segmentos con perfiles muy diferenciados con relación al uso que le dan a dichas aplicaciones en relación a las variables analizadas: audacia, ansiedad tecnológica y autoconfianza en el uso de las TIC. Utilizamos un modelo clúster de clases latentes adecuado en situaciones de segmentación a posteriori. PALABRAS CLAVE: segmentación, valor utilitarista, valor hedónico, mayores, clases latentes. ABSTRACT: The present work analyses heterogeneity in the online behavior of the elderly. The prior literature has centered on the socio-demographic segmentation of the elderly regarding their Internet use. However, the novelty that this study adds is to aim to determine the segmentation via variables which have been especially chosen for studies of the elderly and that are related to their utilitarian use of e-banking, compared to the more hedonic nature of using online social networks. In dealing with such behaviors in situations of the elderly using these technologies, we have detected the presence of five groups or segments with highly differentiated use-related profiles concerning the variables analyzed: venturesomeness, technological anxiety and self-confidence in ICT use. We use a latent class cluster model which is appropriate in situations of a posteriori segmentation. KEYWORDS: segmentation, utilitarian value, hedonic value, elder people, latent cluster analysis. 1. INTRODUCCIÓN Asumiendo que un grupo de mayores son protagonistas de la brecha digital en cuanto que viven alejados de las tecnologías y de internet, existe otro grupo de mayores que presentan un nivel elevado de aceptación y uso de las tecnologías. Por tanto, consideramos los mayores como un grupo altamente heterogéneo en cuanto a sus comportamientos como usuarios de las TIC en general y de internet en particular, debido a que sus comportamientos online pueden venir afectados por diferentes características socio-económicas y psicológicas del individuo. La revisión bibliográfica sobre mayores y TIC muestra que este grupo de usuarios presenta niveles más elevados de ansiedad tecnológica y menor autoconfianza que los individuos más jóvenes (Czaja y Sharit, 1998; Dyck y Smither, 1994; Guo et al., 2013). Sin embargo, otros estudios (Niemelä-Nyrhinen, 2007) realizados sobre mayores pertenecientes a la generación del Baby Boom (es decir, los nacidos entre 1945 y 1955), mostraron diferencias con este estereotipo predominante hasta el momento, ya que estos mayores han Marketing_______________________________________________________________2 madurado con el nacimiento de las actuales tecnologías, como el teléfono móvil o internet, por lo que difieren de otras generaciones anteriores en el hecho de haber tenido experiencias de uso con ellas. Este trabajo pretende, a partir del reconocimiento de diferentes niveles de aceptación y uso de las TIC, analizar la heterogeneidad en el comportamiento online de los mayores, y centrar la explicación de esa diferencia en el hecho de que su comportamiento online puede variar desde la motivación utilitarista, investigada a partir de la utilización de la banca electrónica; o bien su motivación hedónica, estudiada sobre el uso que realizan de las redes sociales online. Las diferencias mostradas en el comportamiento de la población analizada respecto a las aplicaciones de internet seleccionadas sirven para describir los segmentos discriminados por características de corte psicológico, como son la audacia, ansiedad tecnológica y la autoconfianza, empleadas habitualmente en estudios sobre el comportamiento de las personas mayores como consumidores en general y como usuarios de TIC, en particular. Para el desarrollo empírico de nuestra investigación hemos empleado una muestra de mayores, usuarios de la banca electrónica y/o con perfiles activos en redes sociales online. Hemos analizado su comportamiento online ante ambas situaciones, como clientes de banca electrónica y en el uso de la operativa habitual que desarrollan con su banco, y como usuarios activos en redes sociales online en las que intercambian y comparten información según diversos niveles de frecuencia de uso. La metodología empleada para la segmentación es el modelo clúster de clases latentes, método que realiza una segmentación a posteriori en función de los resultados del análisis de los datos de la muestra observada y que además permite realizar una identificación del perfil del individuo de cada uno de los segmento detectados (Wilson-Jeanselme y Reynolds, 2006). La estructura de este trabajo recoge una revisión teórica inicial de las principales variables analizadas en el modelo de segmentación, tanto las variables de corte psicológico como los diferentes comportamientos online de los mayores con relación a las dos plataformas online elegidas por su diferente carácter utilitarista o hedónico. En el siguiente epígrafe describimos la metodología elegida y su justificación como método de segmentación entre usuarios con comportamientos observados a posteriori. A continuación destacamos los resultados obtenidos de la muestra de mayores usuarios de las tecnologías analizadas y describimos los diferentes segmentos resultantes tras la aplicación del modelo de clases latentes. Finalmente, recogemos un apartado de discusión sobre los resultados obtenidos, que nos llevan a determinar las principales implicaciones para la gestión y conclusiones de la experimentación realizada. 2. MARCO TEÓRICO 2. 1. Los mayores y su comportamiento en Internet El estereotipo de los mayores alejados de la tecnología e internet, que mostraba personas con altos niveles de ansiedad tecnológica y con menores niveles de autoconfianza (Czaja y Sharit, 1998; Dyck y Smither, 1994; Guo et al., 2013) era la idea predominante respecto a los mayores y TIC. A partir del trabajo de Niemelä- Nyrhinen (2007), sobre mayores pertenecientes a la generación del Baby Boom, coetáneas al nacimiento de las actuales tecnologías, se acepta que difieren de otras anteriores en su experiencia como usuarios tecnológicos. Su mayor uso y conocimiento permite a estos mayores, actualmente con edades entre 59 y 69 años, tener menores niveles de ansiedad tecnológica que los que ofrecían generaciones anteriores de mayores. Aunque las tasas de penetración de las nuevas tecnologías, como internet o el teléfono móvil, son menores en comparación con las de usuarios más jóvenes, los mayores aceptan y usan la tecnología especialmente cuando esta les permite llevar una vida más cómoda y con mayor independencia. Del mismo modo, es cierto que los mayores están más inclinados a usar aquellas tecnologías más asentadas en el mercado (Chen y Chan, 2014), ya que se encuentran más entre los adoptantes tardíos de una tecnología que entre los pioneros. Por otra parte, los mayores que se han mantenido alejados de la tecnología temen que la adopción de nuevas herramientas tecnológicas pueda provocar grandes cambios en sus rutinas diarias (Kurniawan, 2008). Es cierto que existen diferencias importantes en el uso que hacen los mayores de internet y los que realiza el resto de la población (Peral-Peral et al., 2013a; Chung et al., 2010; Hill et al. 2008; Reisenwitz et al., 2007), Marketing_______________________________________________________________3 siendo percibido más como una herramienta que como un entorno de ocio (Jones y Fox, 2009). Estudios recientes (Chen y Chan, 2014; Mitzner et al., 2010) señalan que los mayores usan tecnologías principalmente, por orden de importancia, con el objeto de comunicarse, entretenerse y facilitar sus actividades diarias y de ocio. En este sentido, en nuestro país los mayores realizan un menor número de actividades online que el resto de la población española, pero hacen un uso más intensivo de banca electrónica o lectura de periódicos y diarios, no existiendo diferencia en el caso de actividades básicas como correo electrónico o búsqueda de información (turismo, salud o administración electrónica). Los motivos que explican el diferente nivel de uso de internet por parte de los mayores, comparado con generaciones más jóvenes, son: 1) la falta de interés, probablemente porque no tienen necesidad de emplear las TIC en su vida diaria, ni presión social para hacerlo (Iyer & Eastman, 2006; Nayak et al., 2006; Reisenwitz et al., 2007); 2) por la influencia negativa de las habilidades formales para usar internet (Van Deursen y Van Dijk, 2010); y 3) por la diferencia en la necesidad y búsqueda de información respecto a otros segmentos poblacionales (Dennis et al., 2009). Asimismo, los mayores indican que no usan internet cuando la información y los servicios que ellos necesitan están disponibles a través de medios tradicionales, como periódicos, teléfono o correo postal (Morrell et al., 2005). Aun así, hay un grupo significativo de mayores implicados con internet y que usan sus herramientas y aplicaciones y son, mayoritariamente, aquellos que tienen una menor edad dentro del grupo de mayores (Cresci et al., 2010; Fox, 2004; Hogeboom et al., 2010; Peral-Peral et al., 2013b). Así, la edad cronológica en el grupo de los mayores explica diferencias en su comportamiento online. Fox (2004) expone que poco tienen que ver los llamados silver tsunami, con edades entre 50 y 64 años, con los internautas inactivos de 80 y más años. McCloskey (2006) también diferencia entre los mayores por subgrupos de edad, encontrando que, con respecto a la compra electrónica, la probabilidad de realizar una transacción online es menor para aquellos más mayores que además perciben mayor dificultad en la utilización de internet. En el caso de la banca electrónica, Peral-Peral et al. (2013b) encuentran diferentes segmentos de mayores usuarios de banca online, destacando entre ellos un grupo considerable de usuarios seguros en el uso de las herramientas de internet y de la banca. En general, la probabilidad de compromiso con internet se reduce a medida que aumenta la edad y sobre todo dentro del grupo de los mayores a partir de los 70 años (Eurostat, 2005). Más allá de la edad, los anteriores resultados sugieren que deben existir otras variables explicativas de los diferentes comportamientos de los mayores en internet. Algunos trabajos (Meuter et al., 2003; Ryu et al., 2009) han identificado ciertas variables psicológicas relacionadas con la edad y el comportamiento de los mayores en internet, como la audacia, la confianza en sí mismo y la ansiedad tecnológica, o más relacionadas con el contexto exclusivo de los mayores, como por ejemplo, la condiciones físicas percibidas. 2.2. Variables psicológicas que influyen en el comportamiento online Las personas audaces se mueven por el deseo de probar cosas nuevas y excitantes. Son conscientes de que hay un riesgo implicado en sus decisiones, pero exhiben un comportamiento más atrevido. Se trata de una motivación intrínseca del individuo hacia la estimulación, el conocimiento y el logro (Clarke, 2004). La audacia forma parte del locus de control interno (Chantal y Vallerand, 1996), es decir, el sujeto percibe que los hechos que ocurren en su vida son efectos y consecuencias de sus decisiones, de forma que les gusta enfrentarse con experiencias desafiantes. Por tanto, cabe esperar que las personas que presenten esta dimensión de la personalidad se impliquen en actividades nuevas y retadoras, como las relacionadas con la tecnología. Por ejemplo, en el entorno del comercio electrónico, Siu y Cheng (2001) consideraron diferentes características de los individuos, entre ellas la audacia, y encontraron que los adoptantes reflejan mayor nivel de audacia que los no adoptantes, están más predispuestos a correr riesgos, así como más interesados en los desarrollos tecnológicos. Y en el contexto de los mayores, Sudbury y Simcock (2009b) realizaron una segmentación de 650 personas británicas de 50 a 79 años, utilizando variables comportamentales, entre ellas la audacia. Sus resultados indicaron que el carácter audaz permite diferenciar entre los mayores; así el segmento denominado pioneros positivos presenta altos niveles de audacia, ya que les gusta comprar y probar cosas nuevas por curiosidad, les gusta ser los primeros en hacerlo, comentarlo con sus amigos y compartir información. La ansiedad tecnológica se considera un ejemplo del estado de ansiedad (Chua et al., 1999), es decir, un estado transitorio o condición variable en intensidad y que fluctúa con el tiempo. Se considera que la Marketing_______________________________________________________________4 ansiedad tecnológica induce a impactos negativos en las respuestas cognoscitivas del individuo (Guo et al., 2013), como pueden ser el uso de una aplicación de internet, y puede ser modificado, principalmente, mediante formación y experiencia con la tecnología. La ansiedad tecnológica es el principal determinante a nivel individual del uso de una tecnología (Meuter et al., 2003). Además, otra de sus consecuencias es la resistencia al cambio, dado que aquellos individuos con altos niveles de ansiedad tecnológica tienden a estar más preocupados por los errores tecnológicos inesperados (Durndell y Haag, 2002; Guo et al., 2013), por lo que intentan mantener el estado inicial (Guo et al., 2013). La confianza en sí mismo puede definirse como la evaluación propia de un individuo sobre su capacidad para llevar a cabo un comportamiento (Dabholkar y Bagozzi, 2002). Es decir, refleja el grado en que los futuros usuarios creen que son lo suficientemente capaces para utilizar con éxito una determinada tecnología (Walker y Johnson, 2006). Algunas personas están más familiarizadas que otras, lo que les supone una mayor confianza en sí mismos. Dicha confianza, junto con la ansiedad tecnológica, es uno de los principales determinantes internos de la intención de usarla. Los individuos con alta confianza en sí mismos tienden a enfocarse en la diversión y entretenimiento que les produce usar tecnologías que conocen (Dabholkar y Bagozzi, 2002). Diversos estudios (Czaja y Sharit, 1998; Dyck y Smither, 1994; Guo et al., 2013) han mantenido que las personas mayores presentan niveles más elevados de ansiedad tecnológica y menor autoconfianza que los individuos más jóvenes. Sin embargo, otros estudios (Niemelä-Nyrhhinen, 2007; Agudo et al., 2012) ofrecen una visión más detallada, señalando segmentos de consumidores mayores con altos niveles de uso de diferentes tecnologías, como el teléfono móvil o internet, y bajos niveles de ansiedad tecnológica. Sin embargo, envejecer es un proceso continuo y complejo (Mathur y Moschis, 2005; Moschis, 1992), que conlleva cambios en el modo en que los individuos interactúan y responden a su entorno (Ryu et al., 2009). El proceso de envejecimiento provoca pérdidas graduales en los sistemas sensoriales y motores. Los cambios más significativos en los referidos al uso de los ordenadores son los relacionados con la visión y la audición (Van de Watering, 2005; Xue et al., 2012), lo que implica más dificultades en su uso (Phang et al., 2006). Las condiciones físicas percibidas se refieren a la percepción sobre las propias dificultades físicas en los sistemas de visión, audición y motor que pueden enfrentarle en la vida cotidiana. Estas percepciones pueden servir como controles internos o condiciones que inhiben su intención de utilizar una tecnología (Moschis et al, 2007; Chen y Chan 2011). 2. 3. Motivaciones utilitaristas y hedónicas La perspectiva utilitarista en la asignación de valor en las decisiones de compra es considerada como un trabajo o tarea que el individuo realiza buscando los beneficios económicos asociados a su decisión de compra (Holbrook y Hirschman 1982). Por su parte la perspectiva hedónica hace referencia a aspectos emotivos y de disfrute, asociados a la decisión tomada por el comprador (Hirschman y Holbrook, 1982). En este sentido, el comprador considera como un juego la toma de decisión y puede estar más influenciado por características estéticas y emocionales que le proporcionan un elevado valor intrínseco al producto o servicio. La principal contribución a la literatura acerca de la medida de los valores hedónicos y utilitaristas en las decisiones de compra es el realizado por Babin, Darden y Griffin (1994) al proponer sendas escalas para medir los componentes utilitaristas y hedónicos. Según estos autores, el valor utilitarista de una compra se basa en una tarea mental y racional donde la compra es más funcional. Por el contrario, el valor hedónico de la compra la hace más festiva y divertida y refleja el valor emocional relacionado con la compra como una experiencia placentera. La compra hedónica supone un escape divertido y aventurero para el comprador. Tras estos primeros estudios y con la irrupción del contexto digital en las situaciones de compra, se han desarrollado propuestas tendentes a analizar los beneficios hedónicos y utilitaristas en situaciones de compra online o con relación a la aceptación y uso de las TIC como instrumento de comunicación. Como señala Van der Heijden (2004), cuando una tecnología proporciona conjuntamente beneficios utilitaristas y hedónicos será más fácil de usar, si bien es el valor hedónico el que puede tener una mayor influencia sobre la intención de uso y su aceptación. Incluso, para usuarios que busquen la novedad y la innovación en su comportamiento, estas añaden motivación hedónica en el uso de la tecnología, aunque cuando la experiencia aumenta el atractivo de la innovación puede dejar de añadir valor hedónico y pasar a ser más una motivación utilitarista para el consumidor (Venkatesh et al., 2012), lo que puede explicar el comportamiento de los usuarios en una Marketing_______________________________________________________________5 actividad con un marcado carácter hedónico, como las redes sociales online, a medida que aumenta su experiencia como usuario. En el contexto de la banca electrónica, sin embargo, las características técnicas del sistema son consideradas más influyentes en la intención de uso, esto son las características funcionales de la website del banco (Ndubisi y Sinti, 2006). Por este motivo, los esfuerzos por dar una mejor usabilidad a las plataformas de banca electrónica se concentran en aspectos puramente utilitaristas. Aun así, investigaciones sobre comportamiento del consumidor y sobre sociedad de la información encuentran que la motivación hedónica, medida a través del disfrute percibido, es importante en la determinación del consumo de productos y el uso de las tecnologías (Brown y Venkatesh, 2005; Nysveen et al., 2005; Van der Heijden, 2004). El valor utilitarista por su parte, viene determinado en función del éxito o del logro de objetivos concretos mediante la ejecución de tareas específicas (Kim y Han, 2011), por lo que la motivación funcional actúa como determinante clave en la intención de uso de la tecnología, ya que los consumidores realizan valoraciones racionales y calculadas de los beneficios utilitaristas y los sacrificios necesarios para el consumo de productos o servicios (Kim et al., 2007). En resumen, la aproximación dual sobre motivación hedónica o utilitarista en el uso de tecnologías y el comportamiento online, parece decantarse de una forma diferente cuando la tecnología es una aplicación más utilitarista y en la que se espera un rendimiento racional y económico, como los contextos de banca electrónica (Ndubisi y Sinti 2006), mientras que el interés por considerar las motivaciones hedónicas se centran más en contextos virtuales relacionados con el ocio y el entretenimiento (Suárez-Álvarez et al, 2008), en los que encuadramos el uso de las redes sociales online. 3. METODOLOGÍA 3.1. Descripción de la muestra La muestra empleada en este trabajo proviene de alumnos mayores de 55 años matriculados en el Aula de la Experiencia de una universidad del sur de Europa. Los datos fueron recogidos durante dos meses en el curso 2013/14 mediante una encuesta autoadministrada. El total de cuestionarios obtenidos fue de 526 que, tras su depuración, alcanza un total de 474 cuestionarios cumplimentados correctamente. La muestra está formada por un 65.4% de mujeres, la edad media es de 64 años (rango de 50-85), el nivel de estudios indica que el 11.1% son primarios, 53.8% secundarios y 35.1% universitarios, la clase media es mayoritaria (cerca del 80%) y el 78% de los individuos está jubilado. 3.2. Escalas de medida Las variables dependientes analizadas o indicadores fueron de dos tipos, las relacionadas con la banca electrónica (IB) y las de redes sociales. Para analizar el uso de IB se empleó la escala usada por Kwon y Wen (2010) cuyos ítems se valoraron en una escala Likert de 7 puntos. Respecto a las redes sociales se preguntó si las usaban y si tenían perfil (ambas variables dicotómicas: no/si), así como qué redes utilizaba (Facebook, Twitter, Tuenti u otras), de donde se extrajo el número de redes que empleaba (0: ninguna,… 4: cuatro redes). Además, se presentó en el cuestionario un total de nueve servicios bancarios realizados a través de internet, así como nueve herramientas de redes sociales, solicitando se indicara la frecuencia de uso (1: no lo usa, 2: lo usa algunas veces al mes, 3: lo usa varias veces a la semana). Se seleccionaron los tres servicios IB y herramientas RRSS que obtuvieron mayor media: comprobar mis cuentas bancarias, realizar transferencias y obtener información sobre mi cartera de inversiones; hacer comentarios, mostrar fotografías y chatear en las redes sociales. Dentro de las variables que empleamos para describir las clases latentes, también llamadas covariables, se encuentran el sexo, la edad y el nivel de estudios, así como cuatro constructos de carácter psicológico: las condiciones físicas percibidas, medidas con la escala propuesta por Ryu et al. (2009) y Phang et al. (2006); la audacia, la confianza en sí mismo y la ansiedad tecnológica, medidas con las escalas propuestas por Meuter et al. (2003). Los ítems de estos cuatro constructos se valoraron en una escala de 7 puntos Likert. Marketing_______________________________________________________________6 En el caso de los constructos empleadosuso de IB y las cuatro covariables psicológicasse comprobó el cumplimiento de los requisitos señalados por investigaciones precedentes (e.g. Fornell y Larcker 1981) para la validez convergente, la validez discriminante y la fiabilidad de las escalas. Para la inclusión de estas variables en el modelo se extrajeron sus factores (distribución normal tipificada) mediante SPSS 22. 3.3. Herramienta Para realizar la segmentación optamos por un modelo clúster de clases latentes, justificado por varios motivos. En primer lugar, este tipo de método realiza una segmentación post hoc, ya que el número y tipo de segmentos es determinado en función de los resultados del análisis de los datos y además clasifica a cada individuo dentro de un único segmento (Wilson-Jeanselme y Reynolds, 2006). En segundo lugar, estos modelos describen la relación entre las variables observadas así como permiten incluir parámetros adicionales que explican la relación entre las anteriores y otras variables latentes y no conocidas a priori (Vermunt y Magidson, 2005; Wedel y Kamakura, 2003). Además, diferentes estudios han demostrado su superioridad sobre técnicas tradicionales cluster (DeSarbo y Wedel, 1994; Rondán-Cataluña et al., 2010), ya que permite identificar clústeres que agrupan casos o individuos que comparten intereses o características similares y que son diferentes a los mostrados por los agrupados en otros clústeres (Vermunt y Magidson, 2005) y cuyas respuestas están generadas por la distribución de la probabilidad (Magidson y Vermunt, 2004). El software estadístico empleado para la segmentación de clúster latentes fue el Latent Gold 4.0. 4. RESULTADOS Para determinar el número de clúster que mejor ajusta los datos, se solicitó la extracción de 1 a 6 clústeres. Los criterios de información como el BIC, el AIC o el CAIC (basados en Log-Likelihood) permiten comparar las diferentes soluciones de los modelos basándose en el ajuste y la sencillez del modelo. Los menores valores de estos criterios se alcanzan con el modelo de cinco clúster. Respecto a la bondad en clasificar los casos en los clúster, los errores de la clasificación - mejor cuanto más cercano a cero-, el R 2 estándar -mejor cuanto más cercano a uno-, y el AWE (approximate weight of evidence, propuesto por Banfield y Raftery, 1993) -mejor cuanto menor sea su valor-, apoyan la decisión de seleccionar el modelo de cinco clúster (tabla 1). Tabla 1. Sumario del modelo. LL BIC(LL) Npar Class.Err. R 2 standard AWE 1-Cluster -3849,5517 7816,1664 19 0 1 7990,2294 2-Cluster -3327,0551 6900,5584 40 0,022 0,9308 7326,1065 3-Cluster -3145,305 6666,4436 61 0,0424 0,9027 7330,5352 4-Cluster -3035,165 6575,5489 82 0,0532 0,8889 7463,2643 5-Cluster -2787,5664 6209,7372 103 0,0434 0,9159 7269,2739 6-Cluster -2741,6493 6247,2883 124 0,0519 0,9014 7526,5044 Los indicadores analizados en el modelo son todos significativos (tabla 2), como muestra los p-value del estadístico de Wald menores a 0.05. Esto muestra que todos los indicadores contribuyen de una forma significativa a la capacidad de discriminar entre los clústeres. El R 2 de cada indicador indica cuanta varianza de cada uno es explicada por el modelo de cinco clúster. Tabla 2. Parámetros del Modelo para los indicadores. Cluster1 Cluster2 Cluster3 Cluster4 Cluster5 Wald p-value R² USO IB 0,919 -0,938 0,593 -0,029 -0,545 1882,096 1,9e-406 0,627 IB comprob.ctas 1,733 -1,183 1,866 -1,639 -0,776 109,127 1,10E-22 0,580 IB transf.ctas 2,115 -0,607 2,100 -2,131 -1,476 64,966 2,60E-13 0,393 IB inf.cartera 1,615 -0,681 1,563 -2,260 -0,237 55,580 2,50E-11 0,292 USO RRSS No -1,715 1,136 0,994 0,501 -0,916 95,608 8,50E-20 0,573 Si 1,715 -1,136 -0,994 -0,501 0,916 Perfil en No -1,693 0,875 0,948 1,018 -1,147 116,619 2,80E-24 0,682 Marketing_______________________________________________________________7 RRSS Si 1,693 -0,875 -0,948 -1,018 1,147 nº RRSS 1,781 -1,246 -1,211 -0,715 1,391 51,973 1,40E-10 0,412 RRSS comen 2,941 -2,054 0,451 -4,547 3,209 64,941 2,60E-13 0,515 RRSS fotograf. 1,216 -0,588 0,151 -2,607 1,829 69,544 2,80E-14 0,283 RRSS chat 3,024 -3,950 0,907 -3,349 3,369 30,130 4,60E-06 0,311 La utilización de las covariables, que afectan a la variable latente pero no tienen efecto directo sobre los indicadores, permite describir a los miembros de cada clúster. El sexo, la edad, la audacia y la ansiedad con la tecnología resultaron significativos en el modelo analizado (tabla 3). Tabla 3. Parámetros del Modelo para las covariables. Covariables Cluster1 Cluster2 Cluster3 Cluster4 Cluster5 Wald p-value Sexo Hombre 0,359 -0,240 0,465 -0,447 -0,137 31,544 2,40E-06 Mujer -0,359 0,240 -0,465 0,447 0,137 Edad cronológica -0,041 0,020 -0,026 0,077 -0,030 12,321 0,015 Nivel de estudios 0,168 -0,097 0,084 0,316 -0,470 4,725 0,320 Audacia 0,351 -0,247 0,160 -0,316 0,050 18,230 0,0011 Percepción condiciones físicas 0,018 0,069 0,162 -0,255 0,005 4,487 0,34 Confianza en sí mismo 0,027 -0,174 -0,041 -0,002 0,188 3,681 0,45 Ansiedad tecnológica -0,212 0,316 -0,093 -0,160 0,152 13,781 0,008 En la tabla 4 se presenta el tamaño de los cinco clúster. Los perfiles indican las probabilidades condicionales asociadas a cada indicador dicotómico, las medias asociadas a los indicadores continuos, o ambas (probabilidades y medias) para los indicadores ordinales. Esto permite que los valores de los indicadores para cada clúster sean transformados en una escala que facilita la obtención de los perfiles de los cinco clúster. Tabla 4. Perfiles de los indicadores. Clúster 1 Clúster 2 Clúster 3 Clúster 4 Clúster 5 Tamaño clúster 0,260 0,252 0,179 0,171 0,136 Indicadores USO IB (media) 0,888 -0,967 0,563 -0,059 -0,574 IB comprobar cuentas (media) 1,477 0,227 1,529 0,148 0,327 0: No uso 0,079 0,788 0,065 0,858 0,705 1: Frecuencia: algunas veces/mes 0,363 0,194 0,341 0,134 0,262 2: Frecuencia: varias veces/semana 0,556 0,016 0,594 0,007 0,032 IB transferencia entre cuentas (media) 0,879 0,093 0,871 0,021 0,040 0: No uso 0,323 0,909 0,327 0,979 0,960 1: Frecuencia: algunas veces/mes 0,476 0,088 0,475 0,021 0,039 2: Frecuencia: varias veces/semana 0,201 0,002 0,198 0,000 0,001 IB información sobre cartera (media) 0,827 0,076 0,793 0,015 0,124 0: No uso 0,435 0,929 0,454 0,986 0,890 1: Frecuencia: algunas veces/mes 0,302 0,065 0,299 0,014 0,097 2: Frecuencia: varias veces/semana 0,263 0,006 0,247 0,000 0,013 USO RRSS No 0,024 0,880 0,847 0,674 0,108 Si 0,976 0,120 0,153 0,326 0,892 Perfil en RRSS No 0,092 0,945 0,952 0,958 0,231 Si 0,908 0,055 0,048 0,042 0,769 nº RRSS (media) 1,493 0,336 0,345 0,480 1,279 RRSS realizar comentarios (media) 1,002 0,013 0,151 0,001 1,137 0: No uso 0,252 0,987 0,855 0,999 0,189 1: Frecuencia: algunas veces/mes 0,494 0,013 0,139 0,001 0,485 2: Frecuencia: varias veces/semana 0,254 0,000 0,006 0,000 0,326 Marketing_______________________________________________________________8 RRSS colgar fotografías (media) 0,647 0,108 0,232 0,014 1,022 0: No uso 0,515 0,899 0,798 0,986 0,310 1: Frecuencia: algunas veces/mes 0,323 0,093 0,173 0,014 0,358 2: Frecuencia: varias veces/semana 0,162 0,008 0,030 0,000 0,332 RRSS chatear (media) 0,609 0,001 0,072 0,001 0,811 0: No uso 0,541 1,000 0,932 0,999 0,424 1: Frecuencia: algunas veces/mes 0,309 0,001 0,064 0,001 0,342 2: Frecuencia: varias veces/semana 0,150 0,000 0,004 0,000 0,234 Los valores de los perfiles de los clústeres en función de los indicadores se muestran en el gráfico 1, previa transformación de las escalas de las variables continuas y ordinales dentro del rango (0,1). La ventaja es que estos valores re-escalados pueden ser representados en la misma escala que las probabilidades específicas de las clases para las variables dicotómicas. De estas, se representa la probabilidad del segundo valor (en nuestro caso: no/si). Grafico 1. Perfiles de los indicadores. 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 USO IB IB comprobar cuentas IB transferencia entre cuentas IB información sobre cartera USO RRSS Perfil en RRSS nº RRSS RRSS realizar comentarios RRSS colgar fotografías RRSS chatear CLUSTER 1 CLUSTER 2 CLUSTER 3 CLUSTER 4 CLUSTER 5 Respecto a las covariables (tabla 5), se recogen las probabilidades agregadas de pertenencia a los clúster, reescaladas para sumar uno dentro de cada clúster. En el caso de las covariables numéricas se presentan las medias. Tabla 5.Perfiles de las covariables. Covariables Cluster1 Cluster2 Cluster3 Cluster4 Cluster5 Sexo Hombre 0,496 0,206 0,540 0,201 0,225 Mujer 0,504 0,792 0,459 0,799 0,773 Edad cronológica 63,164 64,238 63,809 65,049 63,194 Nivel de estudios primarios 0,037 0,155 0,092 0,121 0,113 secundarios 0,544 0,491 0,461 0,428 0,513 universitarios 0,354 0,269 0,377 0,306 0,297 Audacia 0,237 -0,192 0,098 -0,255 0,094 Percepción condic. físicas -0,066 0,073 0,076 -0,140 0,068 Confianza en sí mismo 0,031 -0,099 -0,001 -0,043 0,179 Ansiedad tecnológica -0,254 0,307 -0,120 -0,090 0,189 La información sobre los perfiles de los indicadores y de las covariables se analiza conjuntamente, para identificar, describir y sugerir una denominación para cada clúster. CLUSTER 1: formado por el 26% de los encuestados. Es el segmento que más utiliza la banca electrónica y usa los tres servicios considerados. Es el grupo que más usa las redes sociales, está presente en más de una de ellas y el 90% de los individuos cuenta con perfiles en las mismas. La actividad más desarrollada en redes Marketing_______________________________________________________________9 sociales es la realización de comentarios, aunque no de forma frecuente. Respecto a las covariables, el reparto entre hombres y mujeres es prácticamente el mismo, la edad cronológica es la más baja de los clústeres obtenidos, son los individuos que presentan la mayor audacia y son el segmento que menor ansiedad tecnológica presenta. Podemos denominar a este clúster como e-mayores. CLUSTER 2: Reúne al 25,2% de la muestra. No usa la banca por internet ni las redes sociales. Cerca del 75% de este grupo son mujeres. Los motivos de no uso derivarían del hecho de que son individuos que no les interesa probar cosas nuevas, además de ser el segmento que mayor ansiedad presenta con el uso de la tecnología. Llamamos a este grupo temerosos de la tecnología. CLUSTER 3: formado por casi el 18% de la muestra. Usan la banca por internet, disfrutando de los servicios que esta ofrece, pero el 85% de este grupo no usan las redes sociales. Se sienten ligeramente aventureros y no tienen miedo a enfrentarse con la tecnología. Aunque el nivel de estudios no es una covariable significativa en diferenciar entre las clases, merece la pena destacar que este grupo es el que mayor porcentaje presenta de estudios universitarios. Puesto que estos individuos muestran un comportamiento online definido por aplicaciones utilitaristas lo denominamos e-usuarios por conveniencia. CLUSTER 4: agrupa al 17% de la muestra. No usan la banca por internet, pero cerca de un tercio de este grupo si han empleado las redes sociales, aunque presentan el menor porcentaje de perfil en redes. El 74% son mujeres, de mayor media de edad, es el segmento menos audaz, y sin embargo, no presenta miedo a las tecnologías. Una posible explicación de este segmento es que hayan usado las redes sociales a través de familiares, lo que explicaría no tener perfil y no tener que enfrentarse al reto de usar tecnología, ya que otros lo hacen por ellos. Llamamos a este grupo navegando con la familia. CLUSTER 5: reúne al 13,6% de la muestra, no usa la banca electrónica pero si usa mucho las redes sociales, con un alto porcentaje de perfil en las mismas, están en más de una red social y presentan la mayor frecuencia de uso de las herramientas analizadas de redes sociales. El 74% son mujeres, con una media de edad más baja, son ligeramente audaces, no tienen miedo a la tecnología y son el segmento que mayor autoconcepción tiene de sí mismo. Estos individuos muestran un comportamiento online con una inclinación hedónica, lo denominamos enganchados con las redes. 5. DISCUSIÓN, IMPLICACIONES Y CONCLUSIONES El objetivo de nuestro trabajo es descubrir la existencia de heterogeneidad en el comportamiento de los mayores frente a servicios disponibles en internet. Los resultados avalan la idea planteada. El estereotipo de las personas mayores alejadas de la tecnología es equivocado, como muestran los distintos segmentos encontrados. A continuación discutimos en mayor profundidad las clases halladas. El grupo de mayor tamaño es el que denominamos e-mayores. Este segmento ha superado la brecha digital y usa activamente los servicios por internet que hemos analizado, tanto como clientes de banca electrónica como usuarios de redes sociales online. Otros autores han obtenido resultados parecidos con respecto a este grupo de individuos, denominándolos silver tsunami (Fox, 2004), new age (Mathur et al., 1998) o baby boomers (Niemelä-Nyrhhinen, 2007), e indican que son mayores que utilizan, o pueden utilizar en el futuro, cualquier servicio por internet que consideren útil o interesante, ya sea por motivos utilitaristas o hedónicos, como pedir citas online en el médico, planificar viajes o leer la prensa por internet. Además, son los mayores que más disfrutan con experiencias nuevas y no les produce ansiedad interactuar con la tecnología. Este segmento mostrará una mayor propensión a usar nuevas herramientas y aplicaciones online, en las que buscarán tanto beneficios hedónicos (vinculados con actividades de ocio y tiempo libre), como beneficios utilitaristas (aplicaciones que faciliten sus actividades rutinarias). Serán por tanto, un segmento atractivo para empresas de servicios turísticos online, aplicaciones móviles sobre ocio y cultura, servicios financieros, eadministración y servicios online y aplicaciones de salud, entre otros. Otro de los segmentos identificados es el de e-usuarios por conveniencia. Se trata de un grupo que utiliza la banca por internet, pero no las redes sociales. Puesto que no muestran ansiedad con las tecnologías, es posible que su no-uso de las redes online se explique porque consideran internet como una vía para realizar servicios utilitaristas. En este sentido, y puesto que se trata del segmento con mayor porcentaje de hombres, señalar que Venkatesh y Morris (2000) encuentran que el principal motivo para usar una tecnología por los