Retos, 14(27), 2024 Revista de Ciencias de la Administración y Economía
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
www.retos.ups.edu.ec
abril-septiembre 2024
pp.115-130
https://doi.org/10.17163/ret.n27.2024.08
Revista de Ciencias de Revista de Ciencias de
Administración y EconomíaAdministración y Economía
Satisfacción del cliente en la logística: un análisis de chatbots en
las empresas líderes de Colombia, Perú y Ecuador
Customer satisfaction in logistics: an analysis of chatbots in the
leading companies of Colombia, Peru, and Ecuador
Pedro Ramos De Santis
Profesor e investigador de la Escuela Superior Politécnica del Litoral, Ecuador
pramos@espol.edu.ec
https://orcid.org/0000-0002-5968-481X
Recibido: 03/11/23 Revisado: 04/12/23 Aprobado: 19/02/24 Publicado: 01/04/2024
Resumen: este artículo analiza el impacto potencial de los chatbots en el mejoramiento del servicio al cliente en la industria logística, evaluando
el rendimiento de diez destacadas empresas en Colombia, Perú y Ecuador (zona CPE). Estas empresas, insertas en el sector de servicios logís-
ticos, desempeñan un papel crucial en la cadena de suministro, ofreciendo servicios especializados que abarcan transporte, almacenamiento
y otras áreas dentro de su actividad económica. El estudio, que incluyó a 1250 usuarios individuales tipo B2C (empresa a consumidor) de
chatbots, se enfocó en analizar la efectividad de estas herramientas y su repercusión en la conformidad del cliente. Mediante análisis de regre-
sión múltiple, se identificaron elementos fundamentales que inciden en la satisfacción del cliente, como la capacidad de abordar problemas,
el conocimiento detallado de la empresa, la autonomía en la resolución de problemas, la precisión gramatical y la reputación general. Los
resultados destacan el potencial de los agentes virtuales para mejorar significativamente la atención al consumidor en la logística, señalando su
eficacia en la resolución de problemas, familiaridad con productos y servicios, autonomía en la resolución de problemas, corrección gramatical
y recomendaciones de usuarios. Estos hallazgos son cruciales para el sector logístico, subrayando el papel transformador de los chatbots en la
elevación de la satisfacción del cliente y la eficiencia operativa mediante la integración tecnológica.
Palabras clave: chatbot, efectividad, logística, regresión múltiple, servicio.
Abstract: the article analyzes the potential effectiveness of chatbots on enhancing consumer service in the logistics industry, assessing the per-
formance of ten prominent companies in Colombia, Peru, and Ecuador (CPE region). These companies, situated in the logistics services sector,
play a crucial role in the supply chain, offering specialized services encompassing transportation, storage, and other areas within their economic
activities. The study, involving 1250 individual B2C (business-to-consumer) users of chatbots, focused on analyzing the effectiveness of these
tools and their impact on customer satisfaction. Through multiple regression analysis, key factors influencing customer satisfaction were identi-
fied, such as the ability to address issues, detailed knowledge of the company, autonomy in issue resolution, grammatical accuracy, and overall
reputation. The results underscore the significant potential of chatbots to enhance customer service in logistics, emphasizing their effectiveness
in issue resolution, familiarity with products and services, autonomy in issue resolution, grammatical correctness, and user recommendations.
These findings are vital for the logistics sector, highlighting the transformative role of chatbots in elevating customer satisfaction and operational
efficiency through technological integration.
Keywords: chatbot, effectiveness, logistics, multiple regression, service.
Cómo citar: Ramos De Santis, P. (2024). Satisfacción del cliente en la logística: un análisis de chatbots en las empre-
sas líderes de Colombia, Perú y Ecuador. Retos Revista de Ciencias de la Administración y Economía, 14(27), 115-130.
https://doi.org/10.17163/ret.n27.2024.08
© 2024, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
Pedro Ramos De Santis
116
Introducción
Uso de chatbots en servicio al cliente
La logística global, impulsada por el auge del
comercio electrónico, exige eciencia en el servi-
cio al cliente, llevando a las empresas a adoptar
tecnologías como los chatbots (Caldarini et al.,
2022). Estos programas de inteligencia articial
(IA) simulan conversaciones humanas, brindando
asistencia continua sin intervención humana y
mejorando la satisfacción del cliente con informa-
ción sobre pedidos, envíos y horarios (Nicolescu
y Turodache, 2022).
El uso creciente de chatbots abarca empresas
de distintos tamaños y sectores, ofreciendo in-
teracciones personalizadas al simular conversa-
ciones humanas. La investigación sobre chatbots
ha evolucionado desde el 2000 (Caldarini et al.,
2022). En logística, los chatbots gestionan con-
sultas y quejas de clientes de manera rentable,
brindando atención continua, mejorando tiem-
pos de respuesta y manejando tareas repetitivas
(Davenport et al., 2020).
Integrados en diversos canales, como sitios
web y redes sociales, los chatbots se adaptan al
método preferido del cliente y comprenden el
lenguaje natural para respuestas más humanas
(Illescas-Manzano et al., 2021; Ridha y Haura,
2022). La calidad de sus respuestas depende de
datos y algoritmos de entrenamiento cuidadosa
-
mente diseñados, aunque en situaciones comple-
jas algunos clientes preeren interacción humana
(Sarker, 2021; Trappey et al., 2021; Adamapolou
y Moussiades, 2020; Xu et al., 2020).
La versatilidad de los chatbots se destaca al
adaptarse a diferentes industrias y escalas empre-
sariales, ofreciendo soporte personalizado para
democratizar soluciones ecientes de servicio
al cliente (Perifanis y Kitsios, 2023). Empresas
en estudio, especializadas en servicios B2C, se
distinguen por entregas rápidas y herramientas
para la trazabilidad, priorizando la atención al
cliente con respuestas rápidas, soluciones efecti-
vas y gestión eciente de transacciones. El estudio
recopiló datos de 1250 usuarios B2C para com-
prender la correspondencia entre la interacción
con chatbots y el nivel de conformidad general
del consumidor.
A pesar de su creciente popularidad, entender
el impacto de los chatbots en la satisfacción del
cliente en la logística es esencial. Su implemen-
tación efectiva mejora la experiencia del cliente
al proporcionar respuestas rápidas y precisas.
Los chatbots y la Inteligencia
Artificial (IA)
La tecnología avanza, y los chatbots junto con la
Inteligencia Articial (IA) evolucionan, ofreciendo
un potencial fascinante para la interacción huma-
na con las máquinas. Estas tecnologías inuyen
en la vida diaria y en el ámbito empresarial. Los
chatbots, también llamados agentes conversacio-
nales, simulan conversaciones humanas a través
de interfaces de chat, proporcionando respuestas
automatizadas limitadas a tareas especícas me-
diante algoritmos de interpretación del lenguaje
natural (Adamapolou y Moussiades, 2020).
La IA busca desarrollar sistemas con capacida-
des humanas, como aprendizaje y razonamiento,
y se utiliza para que los chatbots comprendan y
respondan al lenguaje natural de manera más
inteligente (Collins et al., 2021). Explora aspec-
tos como el reconocimiento auditivo, la visión
mediante computadora y el procesamiento del
lenguaje natural.
La diferencia clave es que los chatbots son
aplicaciones especícas para interactuar en un
chat, mientras que la IA crea sistemas inteligen-
tes para diversas tareas. Los chatbots, utilizando
técnicas de IA, tienen capacidad limitada para
comprender el lenguaje natural y siguen patro-
nes predenidos (Lin et al., 2023). En cambio, la
IA, enfocándose en procesamiento del lengua-
je natural (NLP), utiliza algoritmos avanzados
para comprender el signicado, la intención y
el contexto del lenguaje humano, permitiendo
respuestas más complejas.
La integración de chatbots y sistemas de IA
promete interacciones más uidas y personali-
zadas, así como soluciones inteligentes en diver-
sos sectores. Mientras los chatbots mejoran la
atención al cliente, la IA amplía posibilidades en
términos de automatización y toma de decisiones,
Satisfacción del cliente en la logística: un análisis de chatbots en las empresas líderes de Colombia, Perú y Ecuador
Retos, 14(27),115-130
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
117
impactando signicativamente en cómo interac-
tuamos con la tecnología en el mundo moderno.
En particular, la sinergia entre chatbots y sis-
temas de IA no solo mejora la capacidad de com-
prensión del lenguaje natural, sino que también
permite a estos programas evolucionar con el
tiempo. La capacidad de aprendizaje continuo
de la IA asegura que los chatbots se adapten a las
cambiantes necesidades del cliente y se manten-
gan actualizados sin una intervención constante
(Aldoseri et al., 2023).
Retos y limitaciones de los chatbots
en atención al cliente
Aunque los asistentes virtuales ofrecen nu-
merosos benecios a las empresas de logística,
varios desafíos y limitaciones deben considerarse,
incluidas limitaciones tecnológicas, preferencias
de los clientes y preocupaciones éticas. Mageira
et al. (2022) señalan que los chatbots enfrentan
limitaciones en la comprensión y respuesta al
lenguaje natural. Aunque pueden reconocer frases
y palabras clave, la comprensión del contexto
puede ser un desafío, causando malentendidos
y frustración de los clientes, afectando la per-
cepción de la empresa. Otro desafío importante,
según Marjerison et al. (2022), es la necesidad de
mantenimiento continuo y actualizaciones de
la programación del chatbot. La adaptación a
cambios en consultas y preferencias de clientes
requiere inversión continua de tiempo y recursos
para mantener la ecacia del chatbot.
Las preferencias de los clientes plantean de-
safíos, ya que algunos preeren la eciencia de
los chatbots, mientras que otros optan por la in-
teracción humana, especialmente en situaciones
delicadas (Hudiyono, 2022). La transparencia
es clave para mitigar la resistencia, indicando
claramente cuándo interactúan con un chatbot
o un agente humano (Meyer et al., 2022).
Las limitaciones de los chatbots pueden afec-
tar su rendimiento en el servicio al cliente logísti-
co, generando insatisfacción y dañando la reputa-
ción de la marca. También surgen preocupaciones
éticas, como la necesidad de programarlos para
preservar la privacidad y condencialidad del
cliente (Khanum y Mustafa, 2022). Además, se
debe considerar el riesgo de que los chatbots per-
petúen prejuicios o discriminación, requiriendo
un diseño y monitoreo cuidadoso para evitar
problemas (Brendel et al., 2022).
La adopción de chatbots en el servicio al clien-
te no es una solución universal (Caldarini et al.,
2022; Zhang et al., 2021). Pueden no ser adecuados
para todo tipo de consultas de los clientes, y las
empresas deben evaluar el tipo de consultas que
reciben para determinar si los chatbots pueden
abordarlas efectivamente (Mohd et al., 2022). Las
consultas complejas o las quejas de los clientes
pueden requerir la intervención humana para
resolverse de manera satisfactoria.
Aunque los chatbots ofrecen benecios en lo-
gística, como mejorar el servicio y reducir costos,
enfrentan desafíos. Aunque ecientes en consultas
comunes, pueden fallar en situaciones emociona-
les o especializadas. Las empresas deben identi-
car las áreas de máximo valor y garantizar una
transición uida al soporte humano cuando sea
necesario (Kooli., 2023). Limitaciones tecnológicas,
preferencias de clientes y preocupaciones éticas
son posibles obstáculos en la adopción de chatbots.
Por lo tanto, las empresas deben evaluar cuida-
dosamente su idoneidad para sus necesidades y
garantizar una implementación ética y efectiva.
Investigaciones anteriores han examinado la
ecacia de los chatbots en atención al consumidor
en diversas de industrias, incluyendo el comercio
minorista (Tran et al., 2021; Jiang et al., 2022; Tan
y Liew 2022; Fan et al., 2023), asistencia sanitaria
(Abd-Alrazaq et al., 2020; Calvaresi et al., 2021,
Rathnayaka et al., 2022; Puspitasari et al., 2022),
turismo (Ivanov 2020; Zhang et al., 2022; Raq et
al., 2022; Pereira et al., 2022) y nanzas (OCDE,
2021; Nguyen et al., 2021; Lappeman et al., 2022;
Ho y Chow, 2023; Sung et al., 2022). Chen y Flo-
rence (2021), midieron la ecacia de los asisten-
tes virtuales habilitados con IA en el servicio al
consumidor utilizando AnyLogic Simulation a
través del análisis de escenarios, proporcionando
implicaciones gerenciales para el tiempo prome-
dio en el sistema, la tasa de respuesta, el nivel de
satisfacción y el ahorro de costos. Esto ayudó a
las empresas a comprender la repercusión de la
adopción de chatbots habilitados para la IA en
el servicio al cliente.
© 2024, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
Pedro Ramos De Santis
118
El sector logístico es altamente competitivo y,
en este contexto, los chatbots están ganando una
creciente aceptación y uso en la industria, con
muchas empresas que los adoptan para mejorar
sus ofertas de servicio al cliente (Jenneboer et al.,
2022). Aunque populares, la efectividad de los
chatbots en este sector requiere un estudio más
profundo, evaluando su impacto en la satisfac-
ción, tiempo de respuesta y resolución de proble-
mas (Um et al., 2020). Este estudio es relevante
para garantizar un servicio eciente y conable
en la logística, donde los clientes demandan infor-
mación precisa sobre sus pedidos para mantener
la delidad. Aunque los chatbots pueden ser una
solución, es esencial evaluar su efectividad en este
contexto (Wetzel y Hofmann, 2020).
En síntesis, el propósito de esta investigación
es examinar la ecacia de los chatbots en la in-
dustria logística y su inuencia en la satisfac-
ción de los clientes. Esta investigación es crucial
para comprender cómo las empresas de logística
pueden mejorar el servicio al cliente y mantener
una ventaja competitiva en la industria. Además,
proporcionará información valiosa sobre la imple-
mentación de chatbots en logística al identicar
sus fortalezas y limitaciones y evaluar su impacto
en métricas críticas de servicio al cliente.
Materiales y método
El diseño y la ejecución de esta investigación
se llevaron a cabo con la nalidad de valorar
el rendimiento de los chatbots en el servicio al
cliente de compañías logísticas en la región CPE.
A continuación, se detallan los aspectos metodo-
lógicos, incluyendo la selección de participantes,
el instrumento de investigación y la recopilación
de datos demográcos.
Participantes y selección
El estudio involucró a 1250 clientes tipo B2C
de diez destacadas empresas de logística espe-
cializadas en servicios para consumidores nales
que operan en la zona CPE. La selección de estas
empresas cumplió criterios especícos, como el
volumen de operaciones, ingresos anuales, re-
putación y prestigio en el sector, presencia inter-
nacional, innovación tecnológica, retroalimen-
tación de los clientes e impacto en la industria.
Estos individuos fueron invitados a participar a
través de invitaciones especícas enviadas por
correo electrónico a aquellos clientes que habían
utilizado los servicios de chatbot en los últimos
seis meses. Todos los participantes expresaron su
voluntad de formar parte del estudio y propor-
cionaron su consentimiento informado antes de
completar la encuesta.
Instrumento de investigación
La efectividad de los chatbots en la industria
logística se evaluó mediante un instrumento de
encuesta integral de 20 ítems tipo Likert con res-
puestas que abarcan desde 1 (expresando total
desacuerdo) hasta 5 (indicando total acuerdo),
codicadas desde Q1 hasta Q20 , como se detalla
en la tabla 1, el mismo que fue diseñado para
capturar múltiples dimensiones de la satisfac-
ción del cliente. La encuesta, que utilizó una es-
cala Likert de 5 puntos, se centró en analizar as-
pectos cruciales del desempeño de los chatbots.
Entre estos aspectos se incluyeron la facilidad
de uso, la velocidad y calidad de las respuestas
proporcionadas por los chatbots, el conocimiento
sobre productos y servicios, la capacidad para
resolver problemas, lenguaje y gramática y la
recomendación a otros usuarios. Cada uno de
estos elementos se seleccionó cuidadosamente
para obtener una visión integral y precisa de la
experiencia del cliente en la interacción con los
chatbots de la industria logística.
Satisfacción del cliente en la logística: un análisis de chatbots en las empresas líderes de Colombia, Perú y Ecuador
Retos, 14(27),115-130
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
119
Tabla 1
Conjunto de variables tipo Likert
Código Definición
Q1El chatbot fue efectivo para atender mi requerimiento
Q2Resultó fácil interactuar con el chatbot
Q3El chatbot me proporcionó respuestas oportunas
Q4El chatbot me proporcionó respuestas precisas
Q5El chatbot pudo resolver mi problema
Q6El chatbot excedió mis expectativas
Q7El chatbot tenía conocimiento sobre los productos/servicios de la empresa
Q8El chatbot pudo entender mi problema
Q9El chatbot me ahorró tiempo en comparación con otras opciones de soporte
Q10 El chatbot fue confiable
Q11 El chatbot pudo personalizar la interacción
Q12 El chatbot pudo anticipar mis necesidades
Q13 El chatbot pudo empatizar con mi situación
Q14 El chatbot pudo manejar mi problema sin transferirme a un agente humano
Q15 El lenguaje del chatbot fue claro y fácil de entender
Q16 Las respuestas del chatbot fueron gramaticalmente correctas
Q17 El tono del chatbot fue apropiado para la interacción
Q18 Las respuestas del chatbot fueron concisas y al punto
Q19 El chatbot pudo proporcionarme varias opciones para resolver mi problema
Q20 Yo recomendaría a otras personas usar el chatbot
Este estudio utilizó un cuestionario tipo Likert
de 20 ítems, resultado de una consideración minu-
ciosa de las múltiples dimensiones que afectan la
satisfacción del cliente con chatbots en logística.
Cada ítem se seleccionó por su relevancia en me-
dir aspectos cruciales de la experiencia del cliente.
La facilidad de uso, evaluada por la accesibili-
dad y amigabilidad de la interfaz, busca abordar
la experiencia del usuario. La velocidad y cali-
dad de las respuestas miden tanto la eciencia
operativa del chatbot como la precisión de sus
interacciones. La evaluación del conocimiento
sobre productos y servicios se centra en determi-
nar si el chatbot posee información suciente para
brindar respuestas útiles y precisas. La capacidad
para resolver problemas mide la efectividad del
chatbot para abordar y solucionar problemas de
manera autónoma. La evaluación del lenguaje y
la gramática se centra en la claridad y corrección
gramatical de las respuestas, aspectos cruciales
para la comprensión y satisfacción del usuario.
Finalmente, la recomendación a otros usuarios
proporciona una medida directa de la satisfacción
del cliente.
Además, para enriquecer el análisis, se reco-
piló información demográca relevante de los
participantes, incluyendo variables como la edad,
el género y el nivel educativo. Esto se hizo para
identicar posibles patrones o variaciones en la
satisfacción del cliente relacionados con estas
características demográcas.
Este cuestionario fue diseñado especíca-
mente para capturar las complejidades de la in-
teracción entre los usuarios y los chatbots en la
industria logística, considerando cuidadosamente
los elementos que más impactan la conformidad
del consumidor. La formulación de la hipótesis
de investigación se basa en la premisa de que la
efectividad de los chatbots en este contexto se
ve inuenciada signicativamente por variables
© 2024, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
Pedro Ramos De Santis
120
clave, como la capacidad para resolver proble-
mas, el conocimiento sobre productos y servicios,
la gestión autónoma de problemas, respuestas
gramaticalmente correctas y recomendaciones
positivas, todas ellas contribuyendo directamente
a la satisfacción del cliente.
Así, considerando toda la información pre-
sentada anteriormente, es posible proponer la
siguiente hipótesis de investigación:
La efectividad de los chatbots en el sector
logístico está signicativamente inuenciada por
variables clave, como la capacidad para resolver
problemas, el conocimiento sobre productos y
servicios, la gestión autónoma de problemas, res-
puestas gramaticalmente correctas y recomenda-
ciones positivas, impactando directamente en la
satisfacción del cliente.
Análisis de datos
Los datos recopilados fueron analizados me-
diante la última versión del software estadístico
R Studio (2023.06.0+421) para explorar la corre-
lación entre la satisfacción del cliente y la uti-
lización de chatbots. Se emplearon estadísticas
descriptivas, como puntajes medios, desviaciones
estándar y frecuencias, para proporcionar una
visión general de la distribución de los datos.
Además, se llevaron a cabo correlaciones biva-
riadas con el n de examinar las relaciones entre
variables individuales. Para identicar factores
signicativos que afectan la satisfacción del clien-
te, se realizó un análisis de regresión múltiple.
La estructura del modelo es la siguiente:
Donde:
y: variable dependiente (el chatbot fue efectivo
para atender mi requerimiento)
β0: el intercepto
β0… β19: coecientes de regresión para las va-
riables independientes
x2… x20: variables independientes
ε: término de error o residuos del modelo
En este proceso, se seleccionaron cuidado-
samente los predictores estadísticamente más
signicativos, que estructuraron el modelo nal
ajustado. Todas las pruebas necesarias para de-
mostrar la validez del modelo se llevaron a cabo,
estableciendo un nivel de signicancia de 0.05
(p-valor) para todas las pruebas estadísticas. Este
enfoque metodológico riguroso permite obtener
una comprensión profunda de las relaciones entre
las variables y proporciona resultados ables y ro-
bustos para respaldar las conclusiones del estudio.
Resultados y discusión
Análisis descriptivo de la
información
En cuanto a la variable género, existe un li-
gero predominio del género masculino con una
presencia del 50.8 %, y un 3.04 % de los encues-
tados respondieron como “otro”. En relación con
la variable edad, los grupos son relativamente
proporcionales, destacándose el grupo de 31 a
40 años (29.28 %), siendo el de 51 a 60 años el
menos representativo (22 %). Respecto a la va-
riable educación, predomina la participación de
personas con educación universitaria (46.16 %),
sobre aquellos con educación de nivel de maestría
(32.96 %), siendo el grupo con educación secun-
daria el menos representativo (20.88 %).
La relación entre la edad del cliente y el uso
de chatbots puede proporcionar información va-
liosa para adaptar y mejorar la implementación
de estas tecnologías, asegurando su eciencia y
satisfacción en una amplia gama de usuarios. Las
generaciones varían en familiaridad y comodidad
con la tecnología. Investigar cómo diferentes gru-
pos de edad adoptan y utilizan los chatbots puede
proporcionar información valiosa sobre la acep-
tación general de esta tecnología en la sociedad.
En nuestro caso, la edad mínima del cliente es
21 años, la máxima 60 años y el promedio 40.15
años, y resulta que, si se consideran tres grupos
por edad (21 a 33 años con 390 clientes, 24 a 47
años con 491 clientes y de 48 a 60 años con 369
Satisfacción del cliente en la logística: un análisis de chatbots en las empresas líderes de Colombia, Perú y Ecuador
Retos, 14(27),115-130
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
121
clientes), se revela que el grupo demográco más
dispuesto a usar chatbots es el comprendido en-
tre los 24 y 47 años. Sorpresivamente, también
se detectó que el grupo de mayor edad tiene
un porcentaje de uso muy similar al de los más
jóvenes, desaando en este caso, el paradigma
de que las personas mayores rechazan el uso de
herramientas tecnológicas.
La tabla 2 presenta los principales descriptores
estadísticos de las variables sociodemográcas.
La variabilidad más signicativa corresponde a
la variable edad, con una dispersión menor en la
variable género. Todas las variables consideradas
tienen un coeciente de curtosis negativo, indi-
cando distribuciones son platicúrticas, es decir,
con poca concentración de datos alrededor de la
media. La distribución de los datos de la variable
edad está ligeramente sesgada hacia la derecha, y
las variables género y educación tienen pequeños
coecientes de asimetría negativa, indicando una
asimetría no muy pronunciada hacia la izquierda.
Tabla 2
Estadística de los datos sociodemográcos
Variable Media Mediana Desviación
estándar Varianza Moda Curtosis Asimetría
Edad 40.153 40.00 11.119 126.632 37.00 -1.054 0.067
Educación 2.121 2.00 0.724 0.73 2.00 -1.081 -0.187
Género 0.509 1.00 0.500 0.73 1.00 -1.999 -0.035
En cuanto a las correlaciones entre las varia-
bles sociodemográcas, se observa una moderada
relación positiva entre la edad y la educación.
En contraste, la relación entre la educación y el
género, así como las variables edad y género, es
frágil y prácticamente nula.
Ningún encuestado seleccionó la opción 1
(totalmente en desacuerdo) para ninguna de
las preguntas de la encuesta. La variable de la
pregunta Q9 obtuvo el porcentaje más alto en la
opción 4 (de acuerdo) con un 66.0 %. Le siguieron
las variables Q
17
y Q
18
, con un 62.0 % y un 56.0 %,
respectivamente. La variable Q6 registró el por-
centaje más alto en la opción 2 (en desacuerdo)
con un 22 %. La variable Q2 recibió la tasa más
alta en la opción 5 (totalmente de acuerdo) con
un 32 %, seguida de la variable Q13 con un 30.0 %.
La tabla 3 presenta los principales descrip-
tores estadísticos de los datos de la encuesta. La
variable Q13 es la que tiene la media más alta
(4.08), mientras que la variable Q
6
es la que tiene
la media más baja (3.22). La mayor variabilidad
de datos corresponde a la pregunta Q
2
, y la menor
dispersión de datos se observa en la pregunta Q9.
Además, todas las variables consideradas tienen
un coeciente de curtosis positivo, indicando
distribuciones leptocúrticas con una fuerte con-
centración de datos alrededor de la media. Las
variables asociadas a las preguntas Q3, Q4, Q5,
Q6, Q12, Q16 y Q19 tienen un coeciente de asi-
metríapositivo; la mayoría de las observaciones
están agrupadas a la izquierda del valor prome-
dio (valores inferiores a la media). En contraste,
las otras variables presentan un coeciente de
asimetría negativo, indicando que la mayoría de
las observaciones se concentran a la derecha del
valor promedio (valores superiores a la media).
Tabla 3
Estadísticos de las variables tipo Likert
Código Mediana Varianza Moda Curtosis Asimetría
Q14.00 0.619 4.0 2.604 -0.071
Q24.00 0.973 4.0 2.398 -0.594
Q34.00 0.571 3.0 2.520 0.022
© 2024, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
Pedro Ramos De Santis
122
Código Mediana Varianza Moda Curtosis Asimetría
Q43.50 0.493 3.0 2.577 0.414
Q54.00 0.526 3.0 2.442 0.374
Q63.00 0.828 3.0 2.400 0.363
Q74.00 0.545 4.0 2.468 -0.048
Q84.00 0.547 4.0 2.601 -0.206
Q94.00 0.402 4.0 3.816 -0.413
Q10 4.00 0.547 4.0 2.601 -0.206
Q11 4.00 0.844 4.0 2.427 -0.422
Q12 4.00 0.555 3.0 2.335 0.325
Q13 4.00 0.606 4.0 2.331 -0.643
Q14 4.00 0.529 4.0 2.751 -0.254
Q15 4.00 0.890 4.0 2.120 -0.193
Q16 3.00 0.827 3.0 3.630 0.514
Q17 4.00 0.665 4.0 2.048 -0.324
Q18 4.00 0.751 4.0 3.057 -0.405
Q19 4.00 0.771 4.0 2.198 0.160
Q20 4.00 0.822 4.0 2.514 -0.197
Análisis de regresión lineal múltiple
El coeciente de Cronbach, que evalúa la co-
herencia interna de los elementos de una escala,
revela la homogeneidad de dichos elementos,
indicando que todos se orientan en la misma
dirección (Taber, 2018). Este coeciente, con un
valor de 0.92, se considera elevado, asegurando
así la conabilidad de la escala utilizada (Do-
val et al., 2023). Además, el KMO (coeciente de
Kaiser-Meyer-Olkin), con un resultado de 0.82,
señala que el tamaño de la muestra fue adecuado
para el análisis.
El análisis de la relación entre variables es
crucial para desarrollar un modelo de regresión
múltiple, revelando la intensidad y orientación
de las conexiones entre variables independien-
tes y dependientes. Este proceso proporciona
perspectivas sobre la estructura de los datos y la
interconexión de variables, además de prevenir
problemas como la multicolinealidad, originada
por altas correlaciones entre variables indepen
-
dientes. La comprensión de estas relaciones guía
decisiones sobre qué variables incluir en el mo-
delo, mejorando su precisión y efectividad. Este
enfoque informado facilita la construcción de
modelos de regresión para predicciones y apoyo
en la toma de decisiones.
En nuestro caso, después de aplicar el mé-
todo de Pearson para obtener las correlaciones
respectivas, es relevante mencionar lo siguiente:
•
Todas las correlaciones obtenidas son
positivas.
• El valor de correlación más alto (0.75) se
produce entre las variables Q1 y Q20
• El valor de correlación más bajo (0.04) se
produce entre las variables Q8 y Q20.
Utilizando el modelo general, que contiene
todas las variables como predictores, obtenemos
un valor de coeciente de determinación R
2
de
0.7877, lo que explica el 78.77 % de la varianza,
y un p-valor de 9.9 x 10-6 La elección de los pre-
dictores más signicativos se realizó mediante la
medida de Akaike (AIC), un proceso que, después
de 13 pasos, conrmó que las variables Q5, Q7,
Q
14
, Q
16
y Q
20
son los mejores predictores, obte-
niendo un de 0.7512, lo que explica el 75.12 % de
la varianza, y un p-valor de 2.9 x 10
-12
. La tabla 4
resume la información sobre los coecientes del
modelo ajustado.
Satisfacción del cliente en la logística: un análisis de chatbots en las empresas líderes de Colombia, Perú y Ecuador
Retos, 14(27),115-130
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
123
Tabla 4
Coecientes del modelo ajustado
Intercepto Q5Q7Q14 Q16 Q20
0.2747 -0.2381 0.4923 -0.2119 0.2908 0.5419
Para validar la asociación lineal entre los pre-
dictores y la variable dependiente, se generó el
diagrama de dispersión entre cada predictor y
los residuos del modelo ajustado (ver gura 1).
Además, se realizó a prueba de normalidad de
Shapiro-Wilks, la cual arrojó una estadística W
de 0.94329 y un p-valor de 0.01822.
Figura 1
Gráco de dispersión- modelo ajustado
© 2024, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
Pedro Ramos De Santis
124
La gura 2 exhibe la distribución Gaussiana de los residuos para el modelo ajustado.
Figura 2
Normalidad en la distribución de los residuos-modelo ajustado
Posteriormente, se aplicó la prueba de Breu-
sch-Pagan estandarizada, obteniendo una esta-
dística BP de 4.7853 con cinco grados de libertad
y un p-valor de 0.4426.
Luego de obtener la matriz de correlación en-
tre los predictores para el modelo ajustado (con-
sultar gura 3), es esencial observar lo siguiente:
•
Todas las correlaciones obtenidas son
positivas.
• El valor de correlación más alto (0.64) se
produce entre las variables Q7 y Q20.
• El valor de correlación más bajo (0.15) se
produce entre las variables Q14 y Q16.
Figura 3
Matriz de correlación-modelo ajustado
Satisfacción del cliente en la logística: un análisis de chatbots en las empresas líderes de Colombia, Perú y Ecuador
Retos, 14(27),115-130
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
125
Se llevó a cabo el análisis de inación de va-
rianza (VIF), y las pruebas de autocorrelación
de Durbin-Watson para identicar posibles evi-
dencias de inación o correlación lineal entre los
predictores (ver tablas 5 y 6).
Tabla 5
Análisis de inación de la varianza
Q5Q7Q14 Q16 Q20
2.19167 1.83323 1.28585 1.52427 2.21194
Tabla 6
Resultados de la Prueba Durbin-Watson
Retraso Autocorrelación Estadístico DW p-valor
1 0.09125 1.76743 0.41
En conclusión, el modelo lineal múltiple ajustado tiene la siguiente estructura:
Q1 = 0.2747 - (0.2381)Q5 + (0.4923)Q7 - (0.2119)Q14 + (0.2908)Q16 + (0.5419)Q20
El modelo general, que incluyó las 19 varia-
bles como predictores, tiene un alto valor de de
0.7877; puede explicar el 78.77 % de la variabi-
lidad observada en la ecacia de los chatbots.
El p-valor de este modelo es signicativo (9.9 x
10
-6
), lo que sugiere que el modelo no es aleatorio;
por lo menos uno de los coecientes parciales
de regresión muestra disparidad con el valor de
0. Estos resultados indican que el modelo en su
totalidad posee relevancia estadística.
El modelo ajustado, que incluyó solo las va
-
riables Q5, Q7, Q14, Q16 y Q20, tiene un valor de R2
mayor de 0.7229; puede explicar el 72.29% de la
variabilidad observada en la ecacia de los chat-
bots (solo un 6.58 % menos que el modelo gene-
ral). El p-valor de este modelo es signicativo (2.9
x 10
-12
). Desde la óptica logística, el modelo ajus-
tado sugiere que las cinco variables seleccionadas
tienen una relación más fuerte con la ecacia de
los chatbots en comparación con las otras varia-
bles. Es decir, los resultados indican que factores
como la capacidad para resolver problemas de
los clientes, conocimiento de productos/servicios,
manejo de problemas sin transferir a un agente
humano, respuestas gramaticalmente correctas
y recomendaciones generales son especialmente
relevantes en el contexto logístico.
La prueba de normalidad de Shapiro-Wilks se
utiliza para evaluar si una muestra de datos pro-
viene probablemente de una población distribuida
normalmente (King y Eckersly, 2019). La prueba
produce un estadístico y un p-valor; en nuestro
caso, el estadístico SW es 0.94329; este valor varía
entre 0 y 1, siendo los valores más cercanos a 1 in-
dicativos de una mejor adherencia a la normalidad.
El p-valor de la prueba es 0.018, lo que sugiere que
los datos no están perfectamente distribuidos de
manera normal, ya que el p-valor es menor que
0.05. Sin embargo, esto no necesariamente signi-
ca que los datos sean altamente no normales, ya
que el estadístico de prueba de 0.94329 indica que
la desviación de la normalidad es relativamente
pequeña. La interpretación de los resultados tam-
bién puede depender del contexto especíco y las
suposiciones del análisis estadístico.
La prueba de Breusch-Pagan busca una co-
rrelación entre las varianzas de los residuos y un
conjunto especíco de variables predictoras (Raza
et al., 2023). La prueba compara la hipótesis nula,
la cual postula que no existe tal relación, con la
hipótesis alternativa de que las variables predic-
toras inuyen en las varianzas de los residuos de
manera paramétrica. Esta prueba se puede llevar
a cabo mediante una regresión auxiliar, en la que
se utilizan las variables explicativas sospechosas
de causar heteroscedasticidad para regresar los
residuos al cuadrado del modelo propuesto (Klein
et al., 2016). La prueba arrojó un estadístico BP
de 4.7853 y un p-valor de 0.4426, lo cual sugiere
que la variabilidad de los residuos permanece
© 2024, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
Pedro Ramos De Santis
126
constante, siendo esto una propiedad deseable
para un modelo de este tipo. Esto signica que
la variabilidad de los residuos es consistente en
todo el rango de valores de las variables inde-
pendientes, y las predicciones del modelo son
igualmente precisas independientemente del
nivel de las variables predictoras. Por lo tanto,
no hay evidencia de falta de homocedasticidad.
El índice de inación de la varianza (VIF) iden-
tica y cuantica la multicolinealidad en un mo-
delo de regresión múltiple. La multicolinealidad
ocurre cuando dos o más variables predictoras en
un modelo de regresión están altamente correla-
cionadas. Esto puede llevar a problemas con la
interpretación del modelo y afectar la precisión de
las estimaciones de los coecientes de regresión.
Un valor de VIF de 1 indica que no hay multico-
linealidad, mientras que los valores mayores que
1 indican niveles crecientes de multicolinealidad
(Senaviratna y Cooray, 2019). Nuestro análisis
del VIF revela que no hay evidencia de multico-
linealidad en el modelo ajustado, dado que todos
los índices de variabilidad de la inación están
por debajo del límite de 3, asegurando que las
variables predictoras no presenten correlaciones
elevadas, preservando así la estabilidad e inter-
pretabilidad del modelo.
La prueba de Durbin-Watson indica que no
se observa ninguna prueba de autocorrelación
en los residuos del modelo ajustado (estadístico
DW = 1.76743, p-valor = 0.41). La autocorrela-
ción ocurre cuando los residuos de un modelo
de regresión están correlacionados, lo cual viola
la suposición de independencia de los errores. La
autocorrelación puede llevar a estimaciones ses-
gadas e inecientes de los coecientes y reducir
la conabilidad de las predicciones del modelo
(Dubin, 1988).
En el análisis de regresión, la distancia de
Cook se utiliza para detectar observaciones que
ejercen una inuencia signicativa que pueden
afectar desproporcionadamente los coecientes
de regresión estimados. No encontramos obser-
vaciones con una distancia de Cook mayor que
1. Por lo tanto, ningún valor signicativo afecta
las estimaciones del modelo (Espinheira y de
Oliveira Silva, 2020).
La industria logística, altamente competiti-
va, ha visto en los chatbots una solución para
diferenciarse en la satisfacción del cliente. Es-
tos programas, basados en procesamiento de
lenguaje natural (NLP) e inteligencia articial
(IA), mejoran la relación con los consumidores
y reducen la carga de trabajo del empleado. Este
estudio ha proporcionado una visión profunda
y respaldada por evidencia sobre la relación
entre la adopción de chatbots en el servicio al
cliente de empresas logísticas en la zona CPE y
su efectividad relacionada con la satisfacción
del cliente. Los resultados obtenidos apoyan la
hipótesis planteada en esta investigación.
Los resultados del riguroso análisis estadístico
refuerzan la noción de que los chatbots desem-
peñan un papel crucial en el perfeccionamiento
de la atención al cliente en el sector logístico. La
correlación signicativa y positiva entre el uso
de chatbots y la satisfacción del cliente desta-
ca la capacidad de estos sistemas para ser una
herramienta valiosa en la optimización de la
experiencia del cliente. Aspectos clave, como la
solución efectiva de desafíos, el conocimiento de
los insumos y servicios, la capacidad de respuesta
sin intervención humana, el uso de gramática
precisa en respuestas y una sólida reputación de
satisfacción del cliente, se revelaron como factores
determinantes en la efectividad de los chatbots.
Al centrarse en estos factores, las empresas de
logística pueden diseñar chatbots más efectivos
que atiendan de forma más exacta las exigencias
y expectativas de sus clientes.
Los índices de Cronbach y de Kaiser-Meyer-Ol-
kin destacan la coherencia interna de la escala del
cuestionario y la robustez de la muestra, respal-
dando la solidez de los resultados alcanzados en
la evaluación de los datos de los chatbots.
El enfoque de regresión lineal con múltiples
variables es efectivo, explicando la variabili-
dad en la ecacia de los chatbots y mostrando
relaciones lineales respaldadas por grácos de
dispersión. Esta herramienta optimiza la imple-
mentación estratégica de chatbots para mejorar
el servicio al cliente.
Aunque las observaciones no se ajustaron per-
fectamente a una distribución de tipo normal o
gaussiana, las desviaciones observadas son me-
Satisfacción del cliente en la logística: un análisis de chatbots en las empresas líderes de Colombia, Perú y Ecuador
Retos, 14(27),115-130
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
127
nores y no afectan signicativamente la interpre-
tación de los resultados. La constante variabilidad
de los residuos sugiere un ajuste apropiado del
modelo, pero futuras investigaciones podrían ex-
plorar el impacto de la dimensión de la muestra y
la distribución en la precisión del modelo.
El modelo de regresión lineal múltiple su-
giere que la ecacia de los asistentes virtuales
en atención al cliente de empresas de logística
en la zona CPE está positivamente relacionada
con la capacidad del chatbot para resolver pro-
blemas de los clientes, su conocimiento sobre los
productos/servicios de la empresa, su capacidad
para manejar problemas sin transferirlos a un
agente humano, sus respuestas gramaticalmen-
te correctas y sus recomendaciones generales a
otros. Curiosamente, algunas de las variables que
no se incluyeron en el modelo ajustado, como Q
3
(respuestas oportunas) y Q9 (ahorro de tiempo),
tuvieron un menor impacto en la ecacia de los
chatbots. Esto sugiere que los clientes pueden
priorizar otros aspectos del rendimiento de los
chatbots sobre el tiempo de respuesta o el ahorro
de tiempo.
Estos hallazgos son consistentes con investi-
gaciones anteriores sobre la inuencia de la satis
-
facción del cliente con los chatbots (Nicolescu y
Turodache, 2022; Jenneboer et al., 2022, Um et al.,
2020; Wetzel y Hofmann, 2020; Yun y Park, 2022;
Haseeb et al., 2019; Tran et al., 2021; Tan y Liew,
2022, Fan et al., 2023) y sugieren que los clientes
pueden priorizar otros aspectos del rendimiento
de los chatbots sobre el tiempo de respuesta o el
ahorro de tiempo.
Conclusión
Aunque los hallazgos de esta investigación
señalan que la implementación de chatbots en
el servicio al cliente puede lograr un impacto
favorable en la satisfacción del consumidor, es im-
portante reconocer las limitaciones de este estudio
como la limitación geográca y la concentración
en empresas de logística. Las investigaciones fu-
turas podrían explorar la delidad y retención
de clientes, la calidad de las respuestas de los
chatbots, la personalización de las interacciones
y el equilibrio óptimo entre el soporte de chatbot
y humano. Además, estudios futuros podrían in-
crementar la dimensión de la muestra y la diver-
sidad de empresas para una generalización más
amplia de los resultados y se podrían explorar
aspectos adicionales desde la perspectiva logís-
tica, como la personalización de las interacciones
y el equilibrio óptimo entre el soporte de chatbot
y humano, para una comprensión más completa
y generalizable en el ámbito logístico.
Las implicaciones de este estudio se extienden
más allá de la mera conrmación de la hipótesis,
ofreciendo perspectivas valiosas para la aplica-
ción práctica de chatbots en el servicio al cliente
logístico. Las investigaciones futuras podrían
explorar aspectos adicionales, la calidad de las
respuestas de los chatbots en situaciones emocio-
nales o altamente especializadas, y el equilibrio
óptimo entre el soporte de chatbot y humano.
En conclusión, este estudio refuerza la idea
de que la adopción de chatbots en el servicio al
cliente de empresas logísticas en la zona CPE está
positivamente relacionada con la satisfacción del
cliente. Proporciona un marco sólido para la toma
de decisiones estratégicas en la implementación
de chatbots, destacando áreas clave que las em-
presas logísticas pueden enfocar para mejorar la
ecacia de sus chatbots y, en última instancia, la
satisfacción de sus clientes.
Apoyo y soporte financiero
de la investigación
Entidad: Vicerrectoría de Investigación y Desa-
rrollo, Escuela Superior Politécnica del Litoral.
País: Ecuador
Ciudad: Guayaquil
Proyecto: Aplicación de técnicas multivariantes
para la identicación de oportunidades de mejora
en la gestión de operaciones y logística.
Código de proyecto: FCNM-12-2023
© 2024, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
Pedro Ramos De Santis
128
Referencias bibliográficas
Abd-Alrazaq, A. A., Rababeh, A., Alajlani, M., Bewick,
B. M. y House, M. (2020). Effectiveness and
Safety of Using Chatbots to Improve Mental
Health: Systematic Review and Meta-
Analysis. Journal of Medical Internet Research,
22(7). https://doi.org/10.2196/16021
Adamapolou, E. y Moussiades, L. (2020). Chatbots:
History, technology, and applications. Machine
Learning with Applications, 2(100006).
https://doi.org/101016/j.mlva.2020.100006
Aldoseri, A., Al-Khalifa, K. N. y Hamouda, A. N. (2023).
Re-thinking data strategy and integration for
Artificial Intelligence: concepts, opportunities,
and challenges. Applied Sciences, 13(12), 7082.
https://doi.org/10.3390/app131227082
Brendel, A. B., Mirbabaie, M., Lembcke, T. B. y
Hofeditz, L. (2021). Ethical management of
Artificial Intelligence. Sustainability, 13(1974).
https://doi.org/10.3390/su13041974
Caldarini, G., Jaf, S. y McGarry, K. (2022). A litera-
ture survey of recent advances in chatbots.
Information, 13(41).
https://doi.org/10.3390/info13010041
Calvaresi, D., Calbimonte, J. P., Siboni, E.,
Eggenschwiler, S., Manzo, G., Hilfiker, R.
y Schumacher, M. (2021). EREBOTS: priva-
cy-compliant agent-based platform for multi-
scenario personalized health-assistant chat-
bots. Electronics, 10(666).
https://doi.org/10.3390/electronics10060666
Chen, J., Le T. y Florence, D. (2021). Usability and res-
ponsiveness of artificial intelligence chatbot
on online customer experience in e-retailing.
International Journal of Retailing and Distribution
Management, 49(11), 1512-1531.
https://doi.org/10.1108/IJRDM-08-2020-0312
Collins, C., Dennehy, D., Conboy, K. y Mikalef, P. (2021).
Artificial intelligence in information sys-
tems research: A systematic literature review
and research agenda. International Journal of
Information Management, 60.
https://doi.org/10.1016/j.ijinfomgt.2021.102383
Davenport, T., Guja, A., Grewal, D. y Bressgott, T.
(2020). How artificial intelligence will change
the future or marketing. Journal of the Academic
Marketing Science, 48, 24-42.
https://bit.ly/3GmjqNp
Doval E., Viladrich, C. y Angulo-Brunet, A. (2023).
Coefficient Alpha: the resistance of a classic.
Psicothema, 35(1), 5-20.
https://doi.org/10.7334/psicothema2022.321
Meyer, Y., Weiger, W. y Hammerschmidt, M. (2022).
Trust me, I’m a bot - Repercussions of chat-
bot disclosure in different service frontline
settings. Journal of Service Management, 33(2),
221-245.
https://doi.org/10.1108/JOSM-10-2020-0380
Espinheira, P.L. y de Oliveira Silva, A. (2020). Residual
and influence analysis to a general class of
simplex regression. Test, 29, 523-552.
https://doi.org/10.1007/s11749-019-00665-3
Dubin, R. (1988). Estimation of regression coefficients in
the presence of spatially autocorrelated error
terms. Review of Economic Statistics, 70(3), 466-
474. https://doi.org/10.2307/1926785
Fan, H., Gao, W. y Han, B. (2023). Are AI chatbots a
cure-all? The relative effectiveness of chatbot
ambidexterity in crafting hedonic and cog-
nitive smart experiences. Journal of Business
Research, 156(113526).
https://doi.org/10.1016/j.jbusres.2022.113526
Haseeb, M., Hussain, H., Slusarczyk, B. y
Jermsittiparset, K. (2019). Industry 4.0: A
Solution towards technology challenges of
sustainable business performance. Social
Sciences, 8(154).
https://doi.org/10.3390/socsci8050154
Ho, S. P. S. y Chow, M. Y. C. (2023). The role of artificial
intelligence in consumers’ brand preferen-
ce for retail banks in Hong Kong. Journal of
Financial Services Marketing.
https://doi.org/10.1057/s41264-022-00207-3
Hudiyono, R. F. (2022). Exploring Indonesian compa-
nies’ chatbots to gather customer experience.
Proceedings, 83(1). https://doi.org/10.3390/
proceedings2022083001
Illescas-Manzano, M., López, N., González, N. y
Rodríguez, C. (2021). Implementation of
chatbot in online commerce, and open inno-
vation. Journal of Open Innovation: Technology,
Marketing and Complexity, 7(125).
https://doi.org/10.3390/joitmc7020125
Ivanov, S. (2020). The first chatbot of a tourism/hospi-
tality journal: editor’s impressions. European
Journal of Tourism Research, 24(2401).
https://doi.org/10.54055/ejtr.v24i.403
Jiang, K., Qin, M. y Li, S. (2022). Chatbots in retail: How
do the affect the continued use and purchase
intentions of Chinesse consumers? Journal of
Consumer Behavior, 21(4), 756-772.
https://doi.org/10.1002/cb.2034
Jenneboer, L., Herrando, C. y Constantinides, E. (2022).
The impact of chatbots on customer loyal-
ty: a systematic literature review. Journal of
Theoretical and Applied Electronic Commerce
Research, 17, 212-229.
https://doi.org/10.3390/jtaer17010011
Satisfacción del cliente en la logística: un análisis de chatbots en las empresas líderes de Colombia, Perú y Ecuador
Retos, 14(27),115-130
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
129
Khanum, S. y Mustafa, K. (2022). A systematic lite-
rature review on sensitive data protection
in blockchain applications. Concurrency and
Computation Practice and Experience, 35(1).
https://doi.org/10.1002/cpe.6426
King, A. y Eckersly, R. (2029). Inferencial statistics IV:
choosing a hypotesis test. Academic Press, 144-
171.
https://bit.ly/3YaHXv8
Klein, A., Gerhard, C., Büchner, R., Diestel, S. y
Schermelleh-Engel, K. (2016). The detection
of heteroscedasticity in regression models for
psychological data. Psycho Tests Assess Model,
58(4), 543-568. https://bit.ly/49m5ooz
Kooli, C. (2023). Chatbots in education and research:
a critical examination of ethical implications
and solutions. Sustainability, 15(7), 5614.
https://doi.org/10.3390/su15075614
Lappeman, J., Marlie, S., Johnson, T. y Poggenpoel S.
(2022). Trust and digital privacy: willingness
to disclose personal information to banking
chatbot services. Journal of Financial Services
Marketing, 28, 337-357
https://doi.org/10.1057/s41264-022-00154-z
Lin, C. C., Huang, A. y Yang, S. (2023). A review of
AI-Driven conversational chatbots implemen-
tation methodologies and challenges (1999-
2022). Sustainability, 15(5), 4012.
https://doi.org/10.3390/su15054012
Mageira, K., Pittou, D. Papasalouros, A, Kotis, K.,
Zangogianni, P. y Daradoumis, A. (2020).
Educational AI chatbots for content and lan-
guage integrated learning. Applied Sciences,
12(3239).
https://doi.org/10.3390/app12073239
Marjerison, R.K., Zhang, Y. y Zheng, H. (2022). AI in
E-Commerce: application of the use and gra-
tification model to the acceptance of chatbots.
Sustainability, 14(14270).
https://doi.org/10.3390/su142114270
Mohd Rahim, N. I., Iahad, A., Yusof A. F. y Al-Sharafi,
M. (2022). AI-Based chatbots adoption model
for higher-education institutions: a hybrid
PLS-SEM-Neural Network Modelling
Approach. Sustainability, 14(12726).
https://doi.org/10.3390/su141912726
Nicolescu, L. y Turodache, M. (2022). Human-computer
interaction in customer service: the experien-
ce with AI chatbots. A systematic literature
review. Electronics, 11, 1579.
https://doi.org/10.3390/electronics11101579
OECD. (2021). Artificial Intelligence, machine learning,
and big data in finance: opportunities, cha-
llenges, and implications for policy makers.
The Organisation for Economic Co-operation
and Development. https://bit.ly/3SKejZW
Nguyen, D. M., Chiu, Y. T. H. y Le, H. D. (2021).
Determinants of continuance intention
towards banks’ chatbot services in Vietnam:
A necessity for sustainable development.
Sustainability, 13(7625).
https://doi.org/10.3390/su13147625
Pereira, T., Limberger, P. F., Minasi, S. M. y Buhalis, D.
(2022). New insights into consumers’ inten-
tion to continue using chatbots in the tourism
context. Journal of Quality Assurance Hospitality
Tourism, 1-27.
https://bit.ly/4jl83ns
Perifanis, N. A. y Kitsios, F. (2023). Investigating the
influence of Artificial Intelligence on business
value in the digital era of strategy: a literature
review. Information, 14(2), 85.
https://doi.org/10.3390/info14020085
Puspitasari, I. W., Rinawan, F. R., Purnama, W. G.,
Susiarno, H. y Susanti A. (2022), A.I. develo-
pment of a chatbot for pregnant women on
a posyandu application in Indonesia: from
qualitative approach to decision tree method.
Informatics, 9(88).
https://doi.org/informatics9040088
Rafiq, F., Dogra, N., Adil, M. y Wu, J.Z. (2022).
Examining consumer’s intention to adopt
AI- chatbots in tourism using partial least
squares structural equation modeling method.
Mathematics, 10(2190).
https://doi.org/10.3390/math10132190
Rathnayaka, P., Mills, N., De Silva, D., Alahakoon, D. y
Gray, R. (2022). A mental health chatbot with
cognitive skills for personalised behaviou-
ral activation and remote health monitoring.
Sensors, 22(3653).
https://doi.org/10.3390/s22103653
Raza, M., Ahmed, M., Razzaque, S. y Hina, H. (2023).
Testing for heteroskedascity in the presence of
outliers. Journal of Education and Social Studies,
4(2), 313-329.
https://doi.org/10.52223/jess.2023.4209
Ridha, M. y Haura-Maharani, K. (2022). Implementation
of Artificial Intelligence chatbot in optimi-
zing customer service in financial technolo-
gy company PT. FinAccel Finance Indonesia.
Proceedings, 83(210). https://doi.org/10.3390/
proceedings2022083021
Sarker, I. H. (2022), Machine learning: algorithms real
world applications and research directions.
SN Computer Sciences, 2(160).
https://doi.org/10.1007/s42979-021-00592-x
Senaviratna, N. A. M. R. y Cooray, T. M. J. (2019).
Diagnosing multicollinearity of logistic regres-
© 2024, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
Pedro Ramos De Santis
130
sion model. Asian Journal of Probability and
Statistics, 5(2), 1-9.
https://bit.ly/4iphOzF
Sung, X., Yu, H. y Solvang, W.D. (octubre, 2022).
Measuring the effectiveness of AI-enabled
chatbots in customer service using anylogic
simulation. Proceedings of the International
Workshop of Advanced Manufacturing and
Automation, IWAMA. Xiamen, China.
https://doi.org/10.1007/978-981-19-9338-1_33
Taber, K. S. (2018). The use of Cronbach’s Alpha when
developing and reporting research instru-
ments in Science Education. Research Science
Education, 48, 1273-1296.
https://doi.org/10.1007/s11165-016-9602-2
Tan, S. y Liew, T. (2022). Multi-chatbot or single-chat-
bot? The effects of M-Commerce chatbot
interface on source credibility, social presence,
trust, and purchase intention. Human Behavior
and Emergency Technologies.
https://doi.org/10.1155/2022/2501538
Tran, A., Pallant, J. y Johnson, L. (2021). Exploring the
impact of chatbots on customer sentiment and
expectations in retail. Journal of Retailing and
Customer Services, 63.
https://bit.ly/4jOnRzc
Trappey, A. J. C., Trappey, C. V., Chao, M. H., Hong,
N. J., Wu, C. T. (2021). A VR-Enabled chatbot
supporting design and manufacturing of large
and complex power transformers. Electronics,
11(87). https://bit.ly/4cIzoNX
Um, T., Kim, T. y Chung, N. (2020). How does an intelli-
gent chatbot affect customers compared with
self-service technology for sustainable servi-
ces. Sustainability, 12(5119).
https://doi.org/10.3390/su12125119
Wetzel, P. y Hofmann, E. (2020). Toward a multi-sided
model of service quality for logistics servi-
ce providers. Administrative Sciences, 12(79).
https://doi.org/10.3390/admsci10040079
Xu, Y., Shieh, C., Van Esch, P. y Ling, I. (2020). AI cus-
tomer service: task complexity, problem-sol-
ving ability, and usage intention. Australasian
Marketing Journal, 28(4), 189-199.
https://doi.10.3389/fpsyg.2022.922503
Yun, J. y Park, J. (2022). The effects of chatbot service
recovery with emotion words on customer
satisfaction, repurchase intention, and positive
word-of-mouth. Frontiers in Psychology, 13.
https://doi/org/10.3389/fpsyg.2022.922503
Zhang, B., Zhu, Y., Deng, J., Zhen, W., Liu, Y., Wang,
C. y Zeng, R. (2022). I am here to assist your
tourism: predicting continuance intention
to use AI-based chatbots for tourism. Does
gender really matter? International Journal of
Human-Computer Interaction, 1-17.
https://bit.ly/3EISNlf
Zhang J., Følstad, A. y Bjørkli C. (2021). Organizational
factors affecting successful implementation
of chatbots for customer service. Journal of
Internet Commerce, 22(1).
https://bit.ly/42EbEpE