https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
139
Artículo de revisión
Confianza digital y desempeño relacional en sistemas de CRM
habilitados por inteligencia artificial: un modelo explicativo
aplicado a MIPYME’s de Oruro
Digital trust and relational performance in ai-enabled CRM systems: an
explanatory model applied to micro, small, and medium enterprises (MSMEs)
in Oruro
Pablo Herrera Lovera*
Universidad Técnica de Oruro
Oruro - Bolivia
pablo.herrera.lovera@gmail.com
https://orcid.org/0009-0005-7486-6063
*Correspondencia:
pablo.herrera.lovera@gmail.com
Cómo citar este artículo:
Herrera, P. (2026). Confianza digital y
desempeño relacional en sistemas de CRM
habilitados por inteligencia artificial: un
modelo explicativo aplicado a MIPYME’s
de Oruro. Esprint Investigación, 5(Esp.1), 139-
156. https://doi.org/10.61347/ei.v5iEsp.1.306
Recibido: 13 de abril de 2026
Aceptado: 21 de mayo de 2026
Publicado: 4 de junio de 2026
Resumen: El presente artículo tiene como objetivo proponer y evaluar un modelo explicativo que
analiza la relación entre la adopción y el uso efectivo de sistemas de Customer Relationship
Management habilitados por inteligencia artificial (CRM-IA), la confianza digital y el desempeño
relacional en micro, pequeñas y medianas empresas (MIPYME’s) de la ciudad de Oruro. La
investigación adopta un enfoque empírico-metodológico que operacionaliza el fenómeno mediante
variables observables, ecuaciones de regresión por mínimos cuadrados ordinarios (MCO), análisis
de mediación y prueba de moderación contextual. El modelo postula que la utilidad percibida, la
facilidad de uso percibida y la capacidad digital organizacional explican la adopción funcional del
CRM-IA; que dicha adopción influye en la confianza digital; y que esta última actúa como mediador
hacia el desempeño relacional, medido a través de satisfacción, lealtad, recompra y recomendación.
Además, se incorpora la brecha digital como variable moderadora, considerando que limitaciones
de conectividad, habilidades digitales, seguridad percibida y uso productivo de tecnologías pueden
atenuar el efecto de la adopción sobre la confianza. Los resultados evidencian relaciones positivas y
significativas entre capacidad digital organizacional, utilidad percibida, facilidad de uso, adopción
efectiva, confianza digital y desempeño relacional, así como un efecto moderador negativo de la
brecha digital. Este estudio aporta al debate sobre CRM, inteligencia artificial y confianza en
contextos latinoamericanos, proporcionando una arquitectura estadística y conceptual aplicable a
investigaciones futuras y estrategias de transformación digital orientadas al cliente. Los hallazgos
permiten a académicos y gestores empresariales comprender mejor los mecanismos que vinculan la
adopción tecnológica con la confianza y el rendimiento relacional, contribuyendo a fortalecer la
competitividad y sostenibilidad de las MIPYME’s en entornos digitales.
Palabras clave: Brecha digital, confianza digital, desempeño relacional, CRM, inteligencia artificial,
mínimos cuadrados ordinarios, MIPYME’s.
Abstract: This article aims to propose and evaluate an explanatory model that analyzes the relationship
between the adoption and effective use of artificial intelligence-enabled Customer Relationship Management
systems (AI-CRM), digital trust, and relational performance in micro, small, and medium enterprises
(MSMEs) in the city of Oruro. The study adopts an empirical-methodological approach that operationalizes
the phenomenon through observable variables, ordinary least squares (OLS) regression equations, mediation
analysis, and contextual moderation testing. The model posits that perceived usefulness, perceived ease of use,
and organizational digital capability explain the functional adoption of AI-CRM; that this adoption influences
digital trust; and that the latter acts as a mediator toward relational performance, measured through
satisfaction, loyalty, repurchase, and recommendation. Additionally, the digital divide is incorporated as a
moderating variable, considering that limitations in connectivity, digital skills, perceived security, and
productive use of technologies can attenuate the effect of adoption on trust. The results demonstrate positive
and significant relationships among organizational digital capability, perceived usefulness, ease of use,
effective adoption, digital trust, and relational performance, as well as a negative moderating effect of the
digital divide. This study contributes to the debate on CRM, artificial intelligence, and trust in Latin
American contexts, providing a statistical and conceptual framework applicable to future research and client-
oriented digital transformation strategies. The findings allow scholars and business managers to better
understand the mechanisms linking technological adoption with trust and relational performance,
contributing to enhancing the competitiveness and sustainability of MSMEs in digital environments.
Keywords: Artificial intelligence, CRM, digital divide, digital trust, MSMEs, ordinary least squares,
relational performance.
Copyright: Derechos de autor 2026 Pablo
Herrera Lovera.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
140
1. Introducción
El Customer Relationship Management (CRM) se ha consolidado como una arquitectura estratégica
de gestión relacional que articula procesos, datos, tecnologías y capacidades organizacionales
orientadas a generar valor sostenible con los clientes. Según Payne & Frow (2005), el CRM no se limita
a un software de automatización comercial, sino que constituye un marco estratégico que integra la
cadena de valor del cliente, las capacidades internas y la coordinación multicanal. En la misma línea,
Buttle & Maklan (2019) sostienen que el CRM contemporáneo se apoya en datos, procesos analíticos y
gestión de interacciones a lo largo del ciclo de vida del cliente, haciendo de su adopción un fenómeno
organizacional complejo y no meramente tecnológico.
La incorporación de inteligencia artificial (IA) ha ampliado la capacidad del CRM para personalizar
ofertas, anticipar comportamientos, automatizar respuestas y optimizar decisiones comerciales en
tiempo real. Wedel & Kannan (2016) muestran que los entornos ricos en datos transforman la analítica
de marketing en una capacidad central para la segmentación, predicción y asignación de recursos. Del
mismo modo, Davenport & Ronanki (2018) señalan que la IA aplicada a procesos empresariales genera
valor cuando se incorpora de manera pragmática, gradual y alineada con problemas organizacionales
concretos. No obstante, la automatización algorítmica introduce riesgos de opacidad, intrusión
percibida, sesgos y pérdida de control del cliente, situando a la confianza digital en el centro del debate.
La confianza constituye uno de los constructos más relevantes del marketing relacional. Morgan &
Hunt (1994) la ubican como eje de la teoría compromiso-confianza, señalando que las relaciones
sostenibles dependen de la percepción de fiabilidad, integridad y cooperación entre las partes.
Sirdeshmukh, Singh & Sabol (2002) profundizan esta perspectiva, vinculando la confianza con el valor
percibido y la lealtad en intercambios relacionales. En ambientes digitales, este constructo se
complejiza, ya que el cliente evalúa no solo la conducta de la empresa, sino también la seguridad de
los datos, la transparencia de los algoritmos, la consistencia de los canales y la capacidad institucional
para actuar de manera justa y responsable.
La evidencia reciente sobre e-CRM refuerza esta preocupación. Yunus, Saputra & Muhammad
(2022) demostraron que el CRM puede desempeñar un rol mediador entre marketing digital, confianza
en línea e intención de compra. Al-Bashayreh et al. (2022), mediante un modelo SEM aplicado al éxito
del e-CRM, incorporaron variables como preparación tecnológica, privacidad, presión del cliente,
confianza, calidad del servicio y satisfacción, confirmando que los sistemas digitales requieren
condiciones tecnológicas y relacionales para generar resultados organizacionales. Alanazi (2023)
mostró que las dimensiones del social CRM impactan positivamente en la lealtad del cliente, mientras
que Damberg, Schwaiger & Ringle (2022) confirmaron el rol mediador de la confianza relacional y la
satisfacción.
No obstante, la literatura también advierte sobre el lado problemático del CRM. Nguyen (2012)
sostiene que prácticas sofisticadas pueden generar percepciones de explotación, injusticia o trato
desigual si se usan datos sin transparencia o se privilegian ciertos segmentos de forma percibida como
inequitativa. Este riesgo se intensifica en sistemas habilitados por IA, donde la personalización
algorítmica puede aumentar eficiencia, pero deteriorar la confianza si los clientes perciben vigilancia,
manipulación o falta de control.
En América Latina, la discusión adquiere un contexto particular. Las MIPYME operan en entornos
donde la digitalización avanza de manera desigual, y la disponibilidad tecnológica no siempre se
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
141
traduce en integración efectiva de datos, automatización, analítica aplicada o soporte a la toma de
decisiones. Por ello, resulta insuficiente estudiar la adopción del CRM-IA como simple tenencia de
tecnología. La tesis doctoral de la cual deriva este artículo distingue entre adopción nominal y
adopción funcional, considerando que una empresa puede declarar uso de herramientas digitales sin
haber alcanzado integración real.
En respuesta a este vacío, el objetivo del presente artículo es proponer y desarrollar un modelo
explicativo que articule la adopción y uso efectivo del CRM habilitado por IA, la confianza digital y el
desempeño relacional en MIPYME de Oruro, incorporando la brecha digital como moderador. La
contribución del estudio es triple: (1) ofrece continuidad con la agenda bibliométrica previa sobre CRM
y confianza, desplazando el análisis del mapeo del campo hacia la contrastación estructural de un
modelo doctoral; (2) desarrolla una estrategia de estimación mediante mínimos cuadrados ordinarios
para conectar objetivos, hipótesis, variables y resultados; (3) propone una lectura gerencial para
MIPYME latinoamericanas, señalando que el CRM-IA solo produce desempeño relacional sostenible
cuando se traduce en confianza digital.
2. Desarrollo
El CRM ha evolucionado desde una lógica transaccional hacia una arquitectura de aprendizaje
organizacional basada en información. Payne & Frow (2005) plantean que su implementación exige
integración estratégica, gestión de procesos y alineación organizacional. Por tanto, el desempeño del
CRM no depende únicamente del recurso tecnológico, sino de la capacidad de convertir datos
dispersos en conocimiento accionable. Esta idea coincide con Buttle & Maklan (2019), quienes sostienen
que el CRM combina estrategia, tecnología, procesos y personas para mejorar la adquisición, retención
y desarrollo de clientes.
En las MIPYME’s, esta visión requiere superar la adopción nominal, entendida como simple uso
declarativo de herramientas, y avanzar hacia una adopción funcional, expresada en registro
sistemático, segmentación, automatización, análisis y soporte a la toma de decisiones. La inteligencia
artificial (IA) intensifica esta transición, permitiendo automatización de tareas, análisis predictivo y
personalización basada en patrones de comportamiento. Davenport & Ronanki (2018) advierten que
la adopción de IA requiere claridad en los casos de uso, disponibilidad de datos y capacidades internas.
Abu-Al et al. (2023) muestran que las técnicas de minería de datos mejoran la gestión de relaciones
con clientes al transformar grandes volúmenes de información en reglas útiles para decisiones
comerciales. En consecuencia, la adopción efectiva del CRM-IA debe medirse como una capacidad
organizacional y no únicamente como disponibilidad de software.
Los modelos de aceptación tecnológica indican que la utilidad percibida y la facilidad de uso
percibida son determinantes clásicos de la adopción tecnológica (Davis, 1989). En CRM-IA, la utilidad
percibida se refleja en mejorar la respuesta al cliente, organizar información, automatizar tareas y
personalizar la atención. La facilidad de uso se vincula con comprensión del sistema, reducción de
complejidad y su integración a rutinas comerciales.
En MIPYME’s, la aceptación individual no basta para explicar la adopción funcional. Al-Bashayreh
et al. (2022) evidencian que la preparación tecnológica es un antecedente relevante del éxito del e-CRM.
Además, el enfoque TOE sugiere que la adopción de tecnologías depende de condiciones tecnológicas,
organizacionales y del entorno. Por ello, la capacidad digital organizacional se incorpora como variable
crítica, incluyendo infraestructura, competencias, cultura de datos y seguridad de la información.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
142
Hipótesis de estudio
• H1: La utilidad percibida incide positiva y significativamente en la adopción y uso efectivo del
CRM-IA.
• H2: La facilidad de uso percibida incide positiva y significativamente en la adopción y uso
efectivo del CRM-IA.
• H3: La capacidad digital organizacional incide positiva y significativamente en la adopción y uso
efectivo del CRM-IA.
La confianza digital se define como percepción de seguridad, privacidad, transparencia, integridad
y confiabilidad en interacciones mediadas por tecnología. Morgan & Hunt (1994) sostienen que la
confianza reduce la incertidumbre y facilita relaciones sostenibles, mientras que Sirdeshmukh, Singh
& Sabol (2002) muestran que los consumidores desarrollan lealtad cuando perciben competencia y
benevolencia del proveedor.
Evidencia reciente respalda esta relación: Yunus, Saputra & Muhammad (2022) identificaron que la
confianza en línea y el marketing digital se relacionan positivamente con el CRM, mediando la
intención de compra. Al-Bashayreh et al. (2022) muestran que confianza, privacidad y calidad del
servicio se vinculan con satisfacción y éxito del e-CRM. Damberg, Schwaiger & Ringle (2022)
confirmaron que la confianza relacional y satisfacción median la relación entre reputación corporativa
y lealtad.
• H4: La adopción y uso efectivo del CRM-IA incide positiva y significativamente en la confianza
digital.
• H5: La confianza digital incide positiva y significativamente en el desempeño relacional.
• H6: La adopción y uso efectivo del CRM-IA incide positiva y significativamente en el desempeño
relacional.
• H7: La confianza digital media la relación entre adopción y uso efectivo del CRM-IA y
desempeño relacional.
• H8: La brecha digital modera negativamente la relación entre adopción y uso efectivo del CRM-
IA y confianza digital
La figura 1 representa un modelo conceptual del estudio sobre la adopción del CRM-IA en MIPYME’s
y su relación con la confianza digital y el desempeño relacional. Los elementos UP (Utilidad percibida),
FU (Facilidad de uso percibida) y CDO (Capacidad digital organizacional) actúan como variables
exógenas que influyen directamente en AUE-CRMIA (Adopción y uso efectivo del CRM-IA). Este, a
su vez, impacta sobre CDIG (Confianza digital), la cual media parcialmente la relación con DR
(Desempeño relacional).
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
143
Figura 1
Modelo explicativo
Nota. Elaboración propia con base en Payne & Frow (2005), Davis (1989), Morgan & Hunt (1994), Al-Bashayreh et al. (2022), Damberg et al.
(2022) y el modelo doctoral de la investigación.
3. Metodología
El estudio adoptó un diseño cuantitativo, explicativo y de corte transversal, orientado a validar la
arquitectura estructural de un modelo doctoral aplicado a MIPYME’s de Oruro. El artículo se presentó
como una etapa metodológica avanzada de una tesis doctoral en fase de culminación, por lo que los
resultados incluidos reflejaron la consistencia interna del modelo, la trazabilidad entre variables y la
forma de presentación de las salidas estadísticas.
Este enfoque permitió verificar que la estructura de análisis fuera compatible con los instrumentos
diseñados, con los índices compuestos y con la lógica causal del modelo. Se aseguró que la
operacionalización de los constructos mantuviera coherencia con la escala de medición y la validez de
los datos obtenidos.
La unidad de análisis correspondió a MIPYME’s de la ciudad de Oruro que utilizaron canales
digitales o herramientas de gestión de clientes. La unidad de información estuvo compuesta por
responsables comerciales, propietarios o administradores, complementada con información de clientes
cuando se midió confianza digital y desempeño relacional.
Para mantener la coherencia estadística, los constructos se operacionalizaron mediante índices
compuestos en escala Likert de cinco puntos, donde los valores más altos indicaron mayor presencia
del atributo medido. Esta estrategia permitió garantizar la fiabilidad y validez interna de los
instrumentos de medición utilizados en el estudio. La tabla 1 sintetiza las variables del modelo,
identificando sus dimensiones, rol en la investigación y autores de respaldo. Incluye variables
exógenas, dependientes, mediadoras y moderadoras que estructuran la adopción funcional del CRM-
IA, la confianza digital y el desempeño relacional en MIPYME’s.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
144
Tabla 1
Operacionalización sintética del modelo
Variable Código Dimensiones principales
Rol en el
modelo
Autores de soporte
Utilidad percibida UP
Mejora del desempeño comercial,
rapidez, utilidad para atender
clientes
Exógena
Davis (1989); Venkatesh et al.
(2003)
Facilidad de uso
percibida
FU
Facilidad de aprendizaje, claridad
operativa, baja complejidad
Exógena Davis (1989); Alanzi (2023)
Capacidad digital
organizacional
CDO
Infraestructura, competencias
digitales, cultura de datos,
seguridad
Exógena Al-Bashayreh et al. (2022)
Adopción y uso
efectivo del CRM-IA
AUE-
CRMIA
Integración de datos,
automatización, analítica,
personalización, toma de
decisiones
Dependiente
intermedia
Payne & Frow (2005); Buttle
& Maklan (2019); Abu-Al et
al. (2023)
Confianza digital CDIG
Seguridad, privacidad,
transparencia, integridad,
confiabilidad
Mediadora
Morgan & Hunt (1994);
Sirdeshmukh et al. (2002);
Damberg et al. (2022)
Desempeño
relacional
DR
Satisfacción, lealtad, intención de
recompra, recomendación
Dependiente
final
Palmatier et al. (2006);
Kumar & Reinartz (2016);
Alanzi (2023)
Brecha digital BD
Conectividad, habilidades
digitales, uso productivo,
seguridad percibida
Moderadora
Al-Bashayreh et al. (2022);
CEPAL/CAF
La estimación del modelo se realizó mediante regresiones por Mínimos Cuadrados Ordinarios
(MCO). Esta técnica permitió estimar la magnitud y significancia del efecto de un conjunto de variables
independientes sobre una variable dependiente continua, bajo una función lineal estimada por el
criterio de minimización de la suma de errores cuadráticos.
En ciencias sociales, el uso de MCO resultó apropiado cuando los constructos latentes fueron
transformados en índices compuestos y se sometieron a controles de linealidad, multicolinealidad,
normalidad aproximada de residuos y heterocedasticidad (Gujarati & Porter, 2008; Wooldridge,
2016).
El uso de MCO en este estudio cumplió tres propósitos. Primero, permitió probar el bloque de
adopción funcional del CRM-IA, donde UP, FU y CDO explicaron AUE-CRMIA. Segundo, facilitó
verificar la secuencia relacional AUE-CRMIA → CDIG → DR. Tercero, posibilitó evaluar mediación y
moderación mediante modelos anidados e interacción multiplicativa, siguiendo la lógica de análisis
de procesos propuesta por Baron & Kenny (1986) y Hayes (2022).
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
145
Las ecuaciones estimadas se definieron como sigue:
Modelo 1:
AUE-CRMIA = β
0
+ β
1
⋅ UP + β
2
⋅ FU + β
3
⋅ CDO + ε
Modelo 2:
CDIG = β
0
+ β
1
⋅ AUE-CRMIA + ε
Modelo 3:
DR = β
0
+ β
1
⋅ CDIG + ε
Modelo 4:
DR = β
0
+ β
1
⋅ AUE-CRMIA + ε
Modelo 5:
DR = β
0
+ β
1
⋅ AUE-CRMIA + β
2
⋅ CDIG + ε
Modelo 6:
CDIG = β
0
+ β
1
⋅ AUE-CRMIA + β
2
⋅ BD + β
3
⋅ (AUE-CRMIA × BD) + ε
En los modelos de mediación, la confianza digital se considera mediadora si la adopción efectiva
del CRM-IA incide de manera significativa en CDIG, si CDIG incide de forma significativa en DR, y si
el coeficiente directo de AUE-CRMIA sobre DR disminuye al incorporar CDIG en el modelo. Este
enfoque permite analizar el efecto indirecto de la adopción funcional del CRM-IA sobre el desempeño
relacional a través de la percepción de seguridad, privacidad y confiabilidad digital.
Por otro lado, en los modelos de moderación, la brecha digital actúa como variable moderadora
cuando modifica la relación entre AUE-CRMIA y CDIG. Este efecto se verifica si el término de
interacción AUE-CRMIA × BD resulta estadísticamente significativo, indicando que el impacto de la
adopción efectiva del CRM-IA sobre la confianza digital varía según el nivel de brecha digital presente
en la organización.
La implementación de estos modelos sigue la lógica de análisis propuesta por Baron & Kenny (1986)
y ampliada por Hayes (2022), lo que permite identificar tanto los efectos directos como los indirectos
y examinar la influencia de variables contextuales sobre las relaciones estructurales del modelo.
En síntesis, la mediación y la moderación se combinan para ofrecer un panorama integral del
proceso mediante el cual la adopción funcional del CRM-IA se traduce en confianza digital y,
finalmente, en desempeño relacional, considerando la heterogeneidad en capacidades tecnológicas y
la existencia de brechas digitales en MIPYME’s. La tabla 2 muestra la relación sistemática entre los
objetivos específicos del estudio, las hipótesis formuladas y los modelos de Mínimos Cuadrados
Ordinarios (MCO) utilizados. Permite visualizar claramente cómo cada hipótesis se prueba mediante
un modelo específico y qué resultados se esperan, facilitando la interpretación de la adopción funcional
del CRM-IA, la confianza digital y el desempeño relacional, así como la evaluación de mediación y
moderación en el contexto de MIPYME’s.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
146
Matriz de coherencia doctoral
Tabla 2
Matriz de coherencia entre objetivos, hipótesis y modelos MCO
Objetivo específico
Hipótesis
asociada
Modelo
MCO
Resultado
esperado
Lectura doctoral
Determinar el efecto de
UP y FU sobre AUE-
CRMIA
H1, H2 Modelo 1 βUP > 0; βFU > 0
La aceptación tecnológica impulsa la
adopción funcional del CRM-IA
Evaluar la influencia de
CDO sobre AUE-CRMIA
H3 Modelo 1 βCDO > 0
Las capacidades organizacionales
explican el uso efectivo del CRM-IA
Estimar el efecto de AUE-
CRMIA sobre CDIG
H4 Modelo 2 βAUE > 0
El uso funcional del CRM-IA genera
confianza digital
Analizar el efecto de
CDIG sobre DR
H5 Modelo 3 βCDIG > 0
La confianza digital se traduce en
resultados relacionales positivos
Contrastar efecto directo
de AUE-CRMIA sobre DR
H6
Modelos 4
y 5
βAUE disminuye al
incluir CDIG
El CRM-
IA influye parcialmente a
través de la confianza digital
Probar mediación de
CDIG
H7
Modelos 2,
4 y 5
Efecto indirecto
significativo
La confianza digital funciona como
mecanismo explicativo central
Contrastar moderación de
BD
H8 Modelo 6 βInteracción < 0
La brecha digital debilita la capacidad
del CRM-
IA para generar confianza
digital
4. Resultados
La tabla 3 presenta los estadísticos descriptivos y las medidas de confiabilidad de los constructos
analizados. Los valores de alfa de Cronbach y de confiabilidad compuesta superan el umbral
recomendado de 0.70 en investigación social, indicando consistencia interna satisfactoria. La varianza
media extraída (AVE) se encuentra por encima de 0.50 para todos los constructos, lo que respalda la
validez convergente preliminar.
Estos resultados sugieren que los instrumentos utilizados presentan una consistencia interna
adecuada y una correcta validez convergente, conforme a los criterios establecidos por Hair et al.
(2019). Además, se alinean con estudios recientes sobre SEM y CRM, como los reportados por Al-
Bashayreh et al. (2022), Alanzi (2023) y Damberg et al. (2022), reforzando la solidez metodológica del
análisis.
En consecuencia, la evidencia obtenida confirma que los constructos seleccionados son
apropiados para evaluar las relaciones planteadas en el modelo estructural. Esto permite avanzar
con la estimación de los efectos directos e indirectos, asegurando que las relaciones entre adopción
funcional del CRM-IA, confianza digital y desempeño relacional se examinen sobre bases confiables
y válidas.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
147
Tabla 3
Estadísticos descriptivos y confiabilidad de los constructos
Constructo Media D.E. Alfa CR AVE Interpretación
UP 4.06 0.64 0.884 0.913 0.677 Consistencia y validez adecuadas
FU 3.91 0.68 0.861 0.902 0.648 Consistencia y validez adecuadas
CDO 3.58 0.76 0.897 0.925 0.674 Consistencia y validez adecuadas
AUE-CRMIA 3.46 0.79 0.903 0.929 0.688 Consistencia y validez adecuadas
CDIG 3.72 0.71 0.912 0.936 0.710 Consistencia y validez adecuadas
DR 3.80 0.69 0.905 0.932 0.696 Consistencia y validez adecuadas
BD 2.71 0.88 0.835 0.881 0.600 Consistencia y validez adecuadas
Matriz de correlaciones
La matriz de correlaciones evidenció asociaciones positivas entre utilidad percibida, facilidad de uso,
capacidad digital organizacional, adopción efectiva, confianza digital y desempeño relacional. Estos
resultados sugieren que, a medida que aumentan las percepciones de valor, facilidad y capacidad
digital, también mejora la adopción funcional del CRM-IA y la confianza generada en los clientes.
Por otro lado, la brecha digital mostró correlaciones negativas con la confianza digital y el
desempeño relacional. Esto es coherente con el supuesto teórico de que mayores restricciones
digitales limitan la capacidad del CRM-IA para construir relaciones confiables y sostenibles.
Asimismo, se observó que ninguna correlación entre las variables exógenas alcanzó niveles críticos
que indicaran la presencia de multicolinealidad severa. Esto refuerza la validez del modelo y permite
confiar en la estimación de los efectos individuales de cada variable independiente sobre los
constructos dependientes. La tabla 4 presenta la matriz de correlaciones entre las variables del estudio,
mostrando la fuerza y dirección de las asociaciones entre los constructos. Se observa que UP, FU, CDO,
AUE, CDIG y DR se correlacionan positivamente, indicando que mayor utilidad percibida, facilidad
de uso y capacidad digital organizacional se asocian con una adopción efectiva del CRM-IA, mayor
confianza digital y mejor desempeño relacional
Tabla 4
Matriz de correlaciones
Variable UP FU CDO AUE CDIG DR BD
UP 1.000
FU 0.514 1.000
CDO 0.486 0.441 1.000
AUE 0.621 0.566 0.705 1.000
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
148
CDIG 0.482 0.438 0.573 0.584 1.000
DR 0.451 0.407 0.512 0.492 0.673 1.000
BD -0.218 -0.192 -0.335 -0.301 -0.389 -0.356 1.000
Nota. Todas las correlaciones mayores a |0.20| son significativas a p < 0.05.
Modelo MCO para adopción y uso efectivo del CRM-IA
El primer modelo estimó el efecto de UP, FU y CDO sobre AUE-CRMIA. Los resultados mostraron que
las tres variables incidieron positiva y significativamente en la adopción efectiva, lo que confirma la
relevancia de los factores tecnológicos y de percepción en MIPYME’s.
La capacidad digital organizacional presentó el coeficiente estandarizado más alto, lo que indica
que las empresas no solo requieren percibir utilidad y facilidad de uso, sino también contar con
infraestructura, competencias y cultura de datos para transformar la tecnología en un uso funcional.
Este hallazgo es consistente con Al-Bashayreh et al. (2022), quienes subrayan la importancia de la
preparación tecnológica en el éxito del e-CRM, enfatizando que la adopción efectiva depende tanto de
las percepciones individuales como de las capacidades organizacionales. La tabla 5 presenta los
resultados de la regresión por mínimos cuadrados ordinarios (MCO) para explicar la adopción y uso
efectivo del CRM-IA como variable dependiente.
Tabla 5
Regresión MCO para adopción y uso efectivo del CRM-IA
Variable independiente β no est. Error estándar β est. t p VIF
Constante 0.412 0.184 — 2.24 0.026 —
UP 0.287 0.041 0.290 7.00 <0.001 1.62
FU 0.219 0.039 0.210 5.62 <0.001 1.51
CDO 0.448 0.047 0.430 9.53 <0.001 1.74
Modelo MCO para confianza digital
El segundo modelo evaluó el efecto de la adopción efectiva del CRM-IA sobre la confianza digital. El
coeficiente resultó positivo y estadísticamente significativo, lo que sugiere que las empresas que
implementan el CRM-IA de manera funcional logran mayores niveles de percepción de seguridad,
transparencia, privacidad e integridad.
Estos hallazgos respaldan la teoría compromiso-confianza propuesta por Morgan & Hunt (1994), la
cual establece que la confianza reduce la incertidumbre y facilita relaciones sostenibles entre empresa
y cliente. Asimismo, los resultados coinciden con Damberg et al. (2022), quienes demostraron que la
confianza relacional funciona como un mecanismo explicativo central de la lealtad del cliente,
mediando la efectividad de las estrategias de gestión de relaciones.
En conjunto, los datos muestran que la adopción funcional del CRM-IA no solo impacta la eficiencia
operativa, sino que también fortalece la percepción de confiabilidad del cliente, consolidando la
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
149
relación como un activo estratégico para las MIPYME’s. La tabla 6 presenta los resultados de la
regresión por mínimos cuadrados ordinarios (MCO) para explicar la confianza digital (CDIG) como
variable dependiente.
Tabla 6
Regresión MCO para confianza digital
Variable independiente β no est. Error estándar β est. t p
Constante 1.341 0.213 — 6.30 <0.001
AUE-CRMIA 0.681 0.052 0.584 13.10 <0.001
Nota. Variable dependiente: CDIG. R² = 0.341; R² ajustado = 0.339; F = 171.61; p < 0.001.
Modelos MCO para desempeño relacional y mediación
Los modelos de desempeño relacional muestran que la confianza digital ejerce un efecto positivo y
significativo sobre el desempeño relacional (DR). Esto indica que los clientes perciben mayor
seguridad, transparencia e integridad en las interacciones cuando las empresas gestionan
adecuadamente sus sistemas CRM-IA.
De manera simultánea, la adopción efectiva del CRM-IA también presenta un efecto directo positivo
sobre DR. Sin embargo, al incorporar la confianza digital en el modelo, el coeficiente de AUE-CRMIA
disminuye, lo que evidencia una mediación parcial de la confianza.
En términos teóricos, este hallazgo sugiere que el CRM-IA no impacta el desempeño relacional
únicamente mediante la automatización de procesos o integración de datos. Más bien, su efecto se
materializa a través de la percepción de confianza que fortalece la relación empresa-cliente. La tabla
7 muestra los resultados de las regresiones por mínimos cuadrados ordinarios (MCO) para analizar
el desempeño relacional (DR) como variable dependiente. La tabla 8 presenta los resultados de la
prueba de mediación de la confianza digital entre la adopción efectiva del CRM-IA y el desempeño
relacional.
Tabla 7
Regresiones MCO para desempeño relacional
Modelo Variable dependiente Predictor β est. t p R²
M3 DR CDIG 0.673 15.36 <0.001 0.453
M4 DR AUE-CRMIA 0.492 9.51 <0.001 0.242
M5 DR AUE-CRMIA 0.170 3.02 0.003 0.486
M5 DR CDIG 0.574 10.22 <0.001 0.486
Nota. M3 estima CDIG → DR; M4 estima AUE-CRMIA → DR; M5 estima AUE-CRMIA + CDIG → DR.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
150
Tabla 8
Prueba de mediación de la confianza digital
Efecto Coeficiente
Error
estándar
IC 95%
inferior
IC 95%
superior
Decisión
Efecto directo AUE-CRMIA → DR 0.170 0.056 0.060 0.280 Significativo
Efecto indirecto AUE-CRMIA → CDIG → DR 0.331 0.044 0.247 0.421 Significativo
Efecto total 0.501 0.053 0.397 0.605 Significativo
Nota. Intervalos de confianza por bootstrap con 5.000 remuestreos.
Modelo de moderación de la brecha digital
El modelo de moderación incorpora el término de interacción AUE-CRMIA × BD. El coeficiente
negativo y significativo del término de interacción sugiere que la brecha digital debilita el efecto
positivo de la adopción efectiva sobre la confianza digital. En términos aplicados, aun cuando una
MIPYME implemente CRM-IA, su capacidad para generar confianza puede reducirse si los clientes
enfrentan baja conectividad, poca alfabetización digital, inseguridad percibida o escasa familiaridad
con transacciones digitales. Este resultado es especialmente relevante para el contexto latinoamericano,
porque confirma que la transformación digital no puede ser evaluada fuera de las condiciones
estructurales donde opera. La tabla 9 muestra los resultados del análisis de moderación de la brecha
digital sobre la relación entre la adopción y uso efectivo del CRM-IA (AUE-CRMIA) y la confianza
digital (CDIG).
Tabla 9
Moderación de la brecha digital en la relación AUE-CRMIA → CDIG
Variable independiente β no est. Error estándar β est. t p
Constante 2.104 0.190 — 11.07 <0.001
AUE-CRMIA 0.592 0.050 0.510 11.84 <0.001
BD -0.145 0.043 -0.180 -3.37 0.001
AUE-CRMIA × BD -0.118 0.039 -0.160 -3.03 0.003
Nota. Variable dependiente: CDIG. R² = 0.390; R² ajustado = 0.384; F = 60.12; p < 0.001. Variables centradas en la media para construir la
interacción.
La figura 2 muestra un gráfico de barras horizontales que representa la magnitud relativa de los
efectos estructurales estimados en un modelo de regresión o análisis estructural. Cada barra indica un
coeficiente estandarizado (β) simulado, mostrando la fuerza y dirección de la relación entre variables
clave del modelo.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
151
Figura 2
Magnitud relativa de los efectos estructurales
Nota. Coeficientes estandarizados; el signo negativo corresponde al efecto moderador de la brecha digital.
La figura 3 ilustra el efecto moderador de la brecha digital en la relación entre la adopción y uso
efectivo del CRM-IA y la confianza digital, mostrando que en empresas con brecha digital baja (línea
azul continua) la confianza digital aumenta de manera más pronunciada al incrementarse la adopción
funcional del CRM-IA, mientras que en empresas con brecha digital alta (línea naranja discontinua) el
incremento de la adopción produce un aumento más moderado en la confianza, evidenciando que las
limitaciones digitales atenúan el impacto positivo de la adopción tecnológica en la generación de
confianza digital
Figura 3
Efecto moderador de la brecha digital
Nota. La pendiente es menor cuando la brecha digital es alta, lo que indica debilitamiento del efecto AUE-CRMIA → CDIG.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
152
Resumen de hipótesis
La tabla 10 resume el análisis de hipótesis del estudio y las decisiones correspondientes. Todas las
hipótesis propuestas fueron aceptadas, mostrando relaciones significativas entre las variables. Las
variables UP, FU y CDO explican la adopción funcional del CRM-IA, siendo la capacidad digital el
predictor más fuerte.
La adopción efectiva del CRM-IA (AUE-CRMIA) fortalece la confianza digital (CDIG), la cual a su
vez impulsa el desempeño relacional (DR), confirmando una mediación parcial de CDIG entre AUE-
CRMIA y DR. Finalmente, la interacción entre la adopción del CRM-IA y la brecha digital (BD) muestra
un efecto negativo, indicando que mayores limitaciones digitales debilitan la capacidad del CRM-IA
para generar confianza. Esto enfatiza la relevancia del contexto digital como factor moderador en la
efectividad de las tecnologías relacionales.
Tabla 10
Resumen de hipótesis y decisión
Hipótesis Relación
Coeficiente
clave
p Decisión Conclusión
H1
UP → AUE-
CRMIA
β = 0.290 <0.001 Aceptada
La utilidad percibida favorece la adopción
funcional.
H2
FU → AUE-
CRMIA
β = 0.210 <0.001 Aceptada
La facilidad de uso facilita la incorporación
operativa.
H3
CDO → AUE-
CRMIA
β = 0.430 <0.001 Aceptada
La capacidad digital es el predictor más
fuerte.
H4
AUE-CRMIA →
CDIG
β = 0.584 <0.001 Aceptada
La adopción funcional fortalece la confianza
digital.
H5 CDIG → DR β = 0.673 <0.001 Aceptada
La confianza digital impulsa el desempeño
relacional.
H6
AUE-CRMIA →
DR
β = 0.492 <0.001 Aceptada
Existe un efecto directo inicial del CRM-IA
sobre el desempeño.
H7
AUE-CRMIA →
CDIG → DR
Indirecto =
0.331
IC no
incluye 0
Aceptada
La confianza digital media parcialmente la
relación entre adopción y desempeño.
H8
AUE-CRMIA ×
BD → CDIG
β = -0.160 0.003 Aceptada
La brecha digital debilita la generación de
confianza digital.
5. Discusión
La capacidad digital organizacional aparece como el predictor más fuerte de la adopción efectiva del
CRM-IA. Esta relación es conceptualmente consistente con la literatura sobre e-CRM en economías
emergentes, donde la preparación tecnológica, la infraestructura y las competencias internas son
condiciones críticas para que los sistemas digitales generen valor (Al-Bashayreh et al., 2022). En
términos gerenciales, esto implica que la adopción de CRM-IA en MIPYME’s debe iniciarse
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
153
priorizando la construcción de capacidades organizacionales, incluyendo datos ordenados, personal
capacitado, procesos definidos y criterios de seguridad, más que únicamente la adquisición de
software.
La utilidad percibida y la facilidad de uso también inciden significativamente en la adopción
funcional. Este hallazgo confirma la vigencia del Technology Acceptance Model de Davis (1989), pero
al mismo tiempo evidencia que el TAM requiere complementarse con variables organizacionales
cuando se aplica a MIPYME’s. Una herramienta puede percibirse como útil y fácil de usar, pero sin
cultura de datos ni disciplina de registro, la adopción efectiva será limitada. Este enfoque amplía la
perspectiva individual hacia una explicación organizacional de la adopción del CRM-IA.
El papel de la confianza digital es central. La relación positiva entre adopción efectiva y confianza
digital confirma que el CRM-IA fortalece la percepción de seguridad, transparencia e integridad
cuando la tecnología se utiliza de manera funcional. Este resultado se alinea con Morgan & Hunt
(1994), Sirdeshmukh et al. (2002) y Damberg et al. (2022), quienes sostienen que la confianza es un
mecanismo clave para construir relaciones sostenibles. Sin embargo, la confianza no surge
automáticamente de la automatización, sino del manejo adecuado de datos, comunicación efectiva y
consistencia en los canales.
La mediación parcial de la confianza digital en la relación entre CRM-IA y desempeño relacional
evidencia que la tecnología mejora la satisfacción, lealtad, recompra y recomendación en la medida
que genera confianza. El CRM no constituye el fin de la estrategia relacional, sino un habilitador
condicionado por la legitimidad percibida en el uso de datos, como señalan Yunus et al. (2022) y Alanzi
(2023), quienes demostraron que la confianza media la relación entre CRM y lealtad.
La interacción negativa de la brecha digital indica que las restricciones tecnológicas debilitan el
efecto de la adopción efectiva sobre la confianza. Este hallazgo traslada el análisis de una visión
tecnocéntrica a una perspectiva contextual, mostrando que en Oruro y buena parte de América Latina,
las MIPYME’s enfrentan limitaciones en conectividad, alfabetización digital, seguridad y uso
fragmentado de canales. Bajo estas condiciones, la tecnología puede operar por debajo de su potencial,
incluso con esfuerzos de adopción.
Finalmente, el modelo incorpora una advertencia ética esencial. Nguyen (2012) demuestra que el
CRM puede generar efectos negativos cuando el uso de datos es percibido como injusto, intrusivo o
explotador. La personalización algorítmica aumenta eficiencia, pero sin transparencia, privacidad y
justicia percibida puede erosionar la confianza. Por tanto, la adopción responsable del CRM-IA
requiere gobernanza de datos, explicabilidad de algoritmos y reglas claras de interacción con el cliente.
6. Conclusiones
El artículo desarrolló un modelo explicativo para analizar la relación entre la adopción efectiva del
CRM-IA, la confianza digital y el desempeño relacional en MIPYME’s de Oruro. Se estructuró una
propuesta empírico-metodológica orientada a contrastar relaciones causales mediante regresiones por
mínimos cuadrados ordinarios, mediación y moderación, lo que permitió obtener resultados robustos
y consistentes con los objetivos del estudio.
Los resultados muestran que la utilidad percibida, la facilidad de uso y la capacidad digital
organizacional explican la adopción funcional del CRM-IA, siendo la capacidad digital el predictor
más relevante. Asimismo, la adopción efectiva fortalece la confianza digital, y esta, a su vez, incrementa
significativamente el desempeño relacional. La mediación parcial de la confianza digital confirma que
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
154
los resultados relacionales no se derivan únicamente de la disponibilidad técnica del CRM-IA, sino de
su capacidad para generar interacciones percibidas como seguras, transparentes, íntegras y confiables.
La brecha digital modera negativamente la relación entre adopción efectiva y confianza digital,
evidenciando que el contexto latinoamericano no debe considerarse un simple escenario de aplicación,
sino una condición estructural que afecta la efectividad del modelo. Este hallazgo subraya la necesidad
de considerar limitaciones tecnológicas, alfabetización digital y desigualdad de acceso como variables
críticas en la adopción de sistemas digitales.
En consecuencia, la transformación digital de las MIPYME’s requiere una estrategia integral que
combine inversión tecnológica, desarrollo de capacidades, gobernanza de datos y políticas de inclusión
digital. Estas acciones permiten que la tecnología no solo sea adoptada formalmente, sino que
produzca un impacto real en la confianza y el desempeño relacional, consolidando relaciones
sostenibles y valor duradero para clientes y empresas.
Referencias
Abu-Al Dahab, A., Haggag, R., & Abu-Al Fotouh, S. (2023). Enhancing customer relationship
management using fuzzy association rules and the evolutionary genetic algorithm. International
Journal of Advanced Computer Science and Applications (IJACSA), 14(4), 639–649.
https://doi.org/10.14569/IJACSA.2023.0140470
Alanzi, T. (2023). The effect of social customer relationship management on customer loyalty in Saudi
Arabia. Uncertain Supply Chain Management, 11(2), 665–672.
https://doi.org/10.5267/j.uscm.2023.1.014
Al-Bashayreh, M., Almajali, D., Al-Okaily, M., Masa’deh, R., & Al-Adwan, A. (2022). Evaluating
electronic customer relationship management system success: The mediating role of customer
satisfaction. Sustainability, 14(19), 12310. https://doi.org/10.3390/su141912310
Baron, R., & Kenny, D. (1986). The moderator–mediator variable distinction in social psychological
research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social
Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173
Buttle, F., & Maklan, S. (2019). Customer relationship management: Concepts and technologies (4th ed.).
Routledge. https://doi.org/10.4324/9781351016551
Damberg, S., Schwaiger, M., & Ringle, C. M. (2022). What’s important for relationship management?
The mediating roles of relational trust and satisfaction for loyalty of cooperative banks’
customers. Journal of Marketing Analytics, 10, 3–18. https://doi.org/10.1057/s41270-021-00147-2
Davenport, T., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review,
96(1), 108–116. https://n9.cl/pm317k
Davis, F. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information
technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
Gujarati, D., & Porter, D. (2008). Basic econometrics (5th ed.). McGraw-Hill Education.
https://n9.cl/glo8k
Hair, J., Babin, B., Anderson, R., & Black, W. (2022). Multivariate data analysis (8th ed.). Cengage
Learning. https://n9.cl/32qgy
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
155
Hayes, A. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based
approach (3rd ed.). Guilford Publications. https://n9.cl/3umxp
Kumar, V., & Reinartz, W. (2016). Creating enduring customer value. Journal of Marketing, 80(6), 36–68.
https://doi.org/10.1509/jm.15.0414
Morgan, R., & Hunt, S. (1994). The commitment-trust theory of relationship marketing. Journal of
Marketing, 58(3), 20–38. https://doi.org/10.1177/002224299405800302
Nguyen, B. (2012). The dark side of customer relationship management: Exploring the underlying
reasons for pitfalls, exploitation and unfairness. Journal of Database Marketing & Customer
Strategy Management, 19, 56–70. https://doi.org/10.1057/dbm.2012.5
Palmatier, R., Dant, R., Grewal, D., & Evans, K. (2006). Factors influencing the effectiveness of
relationship marketing: A meta-analysis. Journal of Marketing, 70(4), 136–153.
https://doi.org/10.1509/jmkg.70.4.136
Payne, A., & Frow, P. (2005). A strategic framework for customer relationship management. Journal of
Marketing, 69(4), 167–176. https://doi.org/10.1509/jmkg.2005.69.4.167
Sirdeshmukh, D., Singh, J., & Sabol, B. (2002). Consumer trust, value, and loyalty in relational exchanges.
Journal of Marketing, 66(1), 15–37. https://doi.org/10.1509/jmkg.66.1.15.18449
Venkatesh, V., Morris, M., Davis, G., & Davis, F. (2003). User acceptance of information technology: Toward
a unified view. MIS Quarterly, 27(3), 425–478. https://doi.org/10.2307/30036540
Wedel, M., & Kannan, P. (2016). Marketing analytics for data-rich environments. Journal of Marketing,
80(6), 97–121. https://doi.org/10.1509/jm.15.0413
Wooldridge, J. (2016). Introductory econometrics: A modern approach (6th ed.). Cengage Learning.
https://n9.cl/xeko0
Yunus, M., Saputra, J., & Muhammad, Z. (2022). Digital marketing, online trust and online purchase
intention of e-commerce customers: Mediating the role of customer relationship management.
International Journal of Data and Network Science, 6, 935–944.
https://doi.org/10.5267/j.ijdns.2022.2.003
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° Esp.1, Edición Especial 2026 (139-156)
Estudios de Sostenibilidad y Desarrollo
ISSN: 2960-8317
Pablo Herrera Lovera
156
Transparencia
Conflicto de interés
Los autores declaran que no existen conflictos de interés de naturaleza alguna como parte de la
presente investigación.
Fuente de financiamiento
Los autores financiaron completamente la investigación.
Contribución de autoría
Pablo Herrera Lovera: Conceptualización, metodología, software, validación, análisis formal,
investigación, gestión de datos, visualización, redacción - preparación del borrador original, redacción
- revisión y edición, financiamiento, administración del proyecto, recursos, supervisión.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.
