De la interacción a la intención: modelización del
impacto de la participación en las redes sociales en la
decisión de compra de servicios personalizados
From interaction to intention: modeling the impact of social media
engagement on the decision to purchase personalized services
Recibido: 16/05/2025 - Aceptado: 14/08/2025
Alexis Manuel Rojas-Robertson
https://orcid.org/0009-0007-6419-4253
alexis.rojas@usil.pe
Universidad San Ignacio de Loyola. Lima, Perú
Godofredo Pastor Illa-Sihuincha
https://orcid.org/0000-0002-2532-3194
gilla@usil.edu.pe
Universidad San Ignacio de Loyola. Lima, Perú
Shelby Hubert Ramos Serrano
https://orcid.org/0000-0001-6377-0203
sramoss@usil.edu.pe
Universidad San Ignacio de Loyola. Lima, Perú
Resumen
El objetivo de esta investigación fue analizar el impacto de los medios sociales en el comportamiento de compra
del consumidor en servicios personalizados, considerando la moderación de factores sociodemográficos. La
metodología adoptó un enfoque cuantitativo con modelización causal predictiva, basada en una muestra de 520
usuarios, de los cuales se obtuvieron 482 respuestas válidas. Para la recolección de datos se aplicó una encuesta
con un cuestionario de 22 preguntas, analizado mediante modelización de ecuaciones estructurales (PLS-SEM).
Los resultados evidencian que las estrategias centradas en la interacción personalizada y en el boca a boca digital
influyen de manera significativa en el comportamiento de compra. Asimismo, se identificó que la interacción en
plataformas digitales favorece la tendencia de consumo, moderada por los factores sociodemográficos. En
conclusión, las redes sociales, cuando se diseñan bajo un enfoque estratégico de marketing y centrado en el
usuario, se consolidan como un pilar esencial para el crecimiento sostenible de los servicios personalizados.
Palabras clave: medios sociales, comportamiento de compra, servicios personalizados.
Abstract
The objective of this research was to analyze the impact of social media on consumer purchasing behavior in
personalized services, considering the moderation of sociodemographic factors. The methodology adopted a
quantitative approach with predictive causal modeling, based on a sample of 520 users, from which 482 valid
responses were obtained. Data was collected using a 22-question survey, analyzed using structural equation
modeling (PLS-SEM). The results show that strategies focused on personalized interaction and digital word of
mouth significantly influence purchasing behavior. Likewise, it was identified that interaction on digital platforms
favors consumption trends, moderated by sociodemographic factors. In conclusion, social media, when designed
with a strategic marketing approach and a user-centered focus, are consolidated as an essential pillar for the
sustainable growth of personalized services.
Keywords: social media, purchasing behavior, personalized services.
Introducción
El marketing en redes sociales se ha consolidado como un recurso esencial para potenciar el rendimiento
de las empresas que buscan establecer una conexión positiva con sus consumidores, en especial con la
generación digital (Zahoor & Shah, 2024). Gracias al fácil acceso a internet, las plataformas digitales han
2
experimentado una expansión significativa, lo que permitió reconocer su importancia no solo como canales de
difusión, sino también como espacios de interacción directa con los usuarios (Chakravarthy et al., 2024).
Comprender en mayor medida los medios sociales generó un cambio considerable en el comportamiento de
compra, particularmente en el ámbito de los servicios personalizados, donde la demanda de experiencias
adaptadas y pertinentes se incrementó de manera notable (Anton, 2024; Yildiz & Altin, 2023; Jain & Sundström,
2021).
En el contexto del marketing digital, los consumidores enfrentan incertidumbre en su proceso de toma de
decisiones, debido a la compleja relación entre sus patrones de comportamiento y los múltiples factores que
influyen en la compra (Smith et al., 2023). Si bien este sector ha mostrado un crecimiento sostenido en los últimos
años, impulsado por la capacidad de las empresas para ofrecer productos y servicios personalizados, aún persiste
el desafío de comprender cómo los esfuerzos en redes sociales pueden optimizarse para mejorar la eficiencia de
las campañas digitales y, al mismo tiempo, reducir la probabilidad de ineficiencia (Anton, 2024). Esta falta de
dirección limita la efectividad de las estrategias y restringe el aprovechamiento del potencial de las redes sociales
para influir en el comportamiento del consumidor (Camoiras & Varela, 2024).
Para estructurar el modelo conceptual del estudio se recurrió a la Teoría de la Elección de Glasser (1999),
la cual proporciona pautas para comprender los patrones de comportamiento humano y su influencia en las
decisiones de compra. Esta teoría se centra en cómo los individuos toman decisiones para satisfacer necesidades
básicas, enraizadas en su estructura genética y evolucionadas a lo largo del tiempo (Franck & Damperat, 2023).
Asimismo, los condicionantes asociados permiten analizar cómo los consumidores deciden la adquisición de
productos o servicios en función de sus deseos, necesidades y el grado de satisfacción que esperan obtener,
alineados con las opciones disponibles en el mercado (Chakravarthy et al., 2024).
De acuerdo con esta premisa, la interacción entre la naturaleza dinámica de las plataformas digitales y
las expectativas cambiantes de los consumidores genera un proceso continuo de ensayo y error, en el que tanto
los aciertos como los fracasos contribuyen al entendimiento del fenómeno (Tumasjan, 2024). En este proceso,
las empresas han aprendido a ajustar sus enfoques, fortaleciendo prácticas de personalización y adaptabilidad
en su propuesta de valor, al mismo tiempo que enfrentan las consecuencias de campañas mal diseñadas (Smith
et al., 2023; Illa-Sihuincha et al., 2025). Dicho aprendizaje resulta fundamental para mejorar la eficiencia en la
captación de consumidores digitales (Yildiz & Altin, 2023). En este sentido, la capacidad de las organizaciones
para analizar sus esfuerzos en redes sociales —considerando factores como la segmentación de la audiencia, el
contenido generado y la interactividad— resulta esencial para optimizar las estrategias y evitar errores recurrentes
(Camoiras & Varela, 2024).
El análisis de los factores que influyen en el marketing en redes sociales constituye un reto constante
para los gerentes y profesionales del sector (Anton, 2024). Comprender estos factores es crucial, ya que la
interacción con los consumidores en entornos digitales puede determinar el éxito o fracaso de una campaña
(Zahoor & Shah, 2024). No obstante, el conocimiento acerca de las condiciones específicas en las que estas
dinámicas se producen sigue siendo limitado (Johnson et al., 2022).
La interacción en redes sociales, en el marco del marketing digital, permite ofrecer servicios
personalizados que enfrentan desafíos vinculados a la necesidad de adaptarse a las cambiantes expectativas de
los consumidores (Franck & Damperat, 2023; Singh, 2024). Diversos estudios han demostrado que los fracasos
en el marketing digital pueden convertirse en oportunidades para mejorar las tácticas empresariales,
contribuyendo al desempeño de futuras campañas (Papa et al., 2022; Jung et al., 2023). En consecuencia, la
información derivada de estas experiencias no solo ayuda a evitar errores similares, sino que también influye en
la forma en que los usuarios interactúan con las marcas, incidiendo directamente en su comportamiento de
compra y en la utilidad comercial a largo plazo (Anton, 2024).
Dentro de este contexto, el boca a boca digital ha adquirido protagonismo, especialmente en redes
sociales. Los usuarios actúan como multiplicadores de información al compartir experiencias sobre productos o
servicios, lo que influye en la percepción de la marca y en las decisiones de compra de otros consumidores (Lee
et al., 2022). Una interacción frecuente y personalizada fomenta un entorno donde las opiniones espontáneas se
transforman en una herramienta poderosa de marketing (Banerjee et al., 2021).
Asimismo, la tendencia en plataformas digitales constituye un factor determinante, debido a la velocidad
y dinámica con que surge y evoluciona la información. Este fenómeno ofrece a las marcas oportunidades únicas
para conectar con los consumidores en momentos clave, alineando sus propuestas con sus intereses y
comportamientos (Camoiras & Varela, 2024). En este sentido, la interacción entre empresas y usuarios debe ser
ágil y sincronizada con las tendencias emergentes para maximizar su impacto (Al-Dwairi et al., 2024). Estrategias
como la participación en retos virales, el uso de hashtags populares o la adaptación de memes se han convertido
en mecanismos efectivos para influir en la percepción de marca y las decisiones de compra (Joshi et al., 2023).
3
Por otra parte, la personalización en redes sociales promueve interacciones significativas y mejora la
experiencia del usuario, impactando directamente en su comportamiento de compra (Huang et al., 2023). Esta
estrategia fomenta un diálogo bidireccional, permitiendo a las empresas comunicarse de manera precisa con sus
audiencias (Kim & Kim, 2022). Además, alinear los mensajes con los valores y metas de los consumidores puede
fortalecer los lazos emocionales, incrementando tanto la satisfacción como la lealtad hacia la marca (Thompson
& Wilson, 2024; Lee et al., 2022).
En relación con los factores sociodemográficos, la edad desempeña un papel moderador en el
comportamiento de compra, condicionando la manera en que los usuarios interactúan con plataformas digitales.
Los consumidores jóvenes tienden a valorar la fluidez tecnológica, la rapidez y la experiencia, mientras que los
adultos mayores priorizan la sencillez, la seguridad y el respaldo humano (Nesterenko, 2023). Asimismo, se
observa que las mujeres asignan mayor relevancia a la dimensión emocional del servicio, en contraste con los
hombres, quienes otorgan mayor importancia al control y la funcionalidad (Defta et al., 2025). De igual manera,
el nivel de ingresos incide en la disposición a pagar por servicios personalizados, ya que los grupos de mayores
ingresos suelen demandar exclusividad y un mayor grado de personalización (Tovanich et al., 2021). Estos
hallazgos subrayan la necesidad de diseñar estrategias de marketing digital inclusivas, segmentadas y
culturalmente pertinentes.
Finalmente, el presente estudio busca aportar evidencia empírica que permita reducir las lagunas en la
literatura sobre el marketing en redes sociales y su influencia en el comportamiento de compra del consumidor
digital en el contexto de los servicios personalizados. Con este propósito, se plantean las siguientes hipótesis de
investigación:
H1: La interacción en redes sociales tiene efectos en la personalización de servicios.
H2: La interacción en redes sociales tiene efectos en el boca a boca digital.
H3: La interacción en redes sociales tiene efectos en la tendencia en plataformas.
H4: La personalización en redes sociales influye en el comportamiento de compra.
H5: El boca a boca digital influye en el comportamiento de compra.
H6: La tendencia en plataformas influye en el comportamiento de compra.
H7: Los factores sociodemográficos moderan el comportamiento de compra.
Metodología
El estudio se desarrolló en el contexto peruano y se enfocó en personas que adquieren servicios
personalizados mediante redes sociales. Para la recolección de datos se utilizó un cuestionario estructurado de
22 ítems, diseñado en torno a indicadores de los constructos analizados. La aplicación del instrumento se realizó
en línea bajo un procedimiento estándar, alcanzando a 520 encuestados. De este total, 505 participantes
completaron la encuesta, lo que representó una tasa de respuesta del 93 %. Tras el proceso de depuración y
exclusión de respuestas incompletas o irrelevantes, se obtuvo una muestra final de 482 casos válidos.
El análisis de los datos se efectuó mediante el Modelado de Ecuaciones Estructurales (SEM) de segunda
generación, bajo el enfoque PLS-SEM, reconocido por su capacidad para examinar modelos complejos que
integran variables latentes y observadas (Hair et al., 2021).
Tabla 1
Muestra estratificada
Variable
Criterio
Cantidad
Porcentaje
Género
Masculino
214
44.4%
Femenino
268
55.6%
Edad
18 - 25 años
125
54.59%
26 - 35 años
810
34.93%
36 - 45 años
13
5.68%
> 45 años
11
4.80%
Ingresos
< S/ 1,500
106
21.99%
Entre S/ 1,500 - 5,000
233
48.34%
> S/ 5,000
143
29.67%
Fuente. Elaboración propia.
4
Resultados
La Tabla 1 presenta los indicadores clave de fiabilidad y validez de los constructos (BOC, COM, FSD,
PER, INT, TEND). Según la literatura, el valor del Alfa de Cronbach debe ser superior a 0.70, reflejando
consistencia interna en cada constructo (Nunnally & Bernstein, 1994). Asimismo, la fiabilidad compuesta (CR)
evalúa la consistencia de los ítems asociados a cada constructo, y la varianza extraída media (AVE) mide la
cantidad de varianza capturada en relación con el error, siendo adecuado un valor superior a 0.50. En conjunto,
los resultados indican que el modelo presenta robustez y que los constructos cumplen con los criterios de fiabilidad
y validez, fundamentales para garantizar la precisión de las conclusiones del estudio.
Tabla 1
Validez y fiabilidad del modelo de medida
Fuente. Smart PLS SEM
La Tabla 2 muestra la validez discriminante entre los constructos (BOC, COM, FSD, PER, INT, TEND),
evaluada mediante el criterio HTMT (≤ 0.90). Este análisis confirma que cada constructo mide un concepto distinto
y no presenta interferencia con los demás, cumpliendo con los parámetros establecidos para la validez
discriminante.
Tabla 2
Heterotrait-monotrait ratio (HTMT)
BOC
COM
FSD
PER
INT
TEN
COM
0,798
FSD
0,869
0,865
PER
0,820
0,864
0,850
INT
0,831
0,704
0,838
0,880
TEN
0,854
0,758
0,802
0,767
0,696
Fuente. Smart PLS SEM
La Figura 1 expone la capacidad predictiva del modelo a través del coeficiente de determinación (R²),
cuyo valor mínimo aceptable es 0.10 (Falk & Miller, 1992). En este caso, se alcanzaron niveles sustanciales (0.67),
moderados (0.33) y débiles (0.10), conforme al criterio de Chin (1995). Los resultados muestran que la interacción
en redes sociales explica la personalización en un 62.3 %, el boca a boca digital en un 55.8 % y la tendencia en
plataformas en un 40.1 %. Por su parte, el comportamiento de compra es explicado por la personalización, el
boca a boca digital, la tendencia y los factores sociodemográficos en un 68.5 %. Estos hallazgos confirman que
el modelo presenta un buen ajuste y capacidad predictiva adecuada (Hair et al., 2021).
Variable
Código
Fiabilidad de
Indicador
AVE
Fiabilidad
Compuesta
Alpha
Cronbach
Boca a boca
BOC
0,871
0,783
0,915
0,860
Comportamiento de compra
COM
0,899
0,768
0,930
0,899
Factores sociodemográficos
FSD
0,806
0,716
0,883
0,803
Personalización
PER
0,928
0,717
0,910
0,868
Interacción
INT
0,868
0,819
0,948
0,926
Tendencia
TEN
0,890
0,752
0,924
0,890
5
Figura 1
Valoración del modelo estructural
Fuente. Smart PLS SEM
La Tabla 4 resume el análisis de hipótesis del modelo predictivo, evidenciando relaciones significativas
entre los constructos. Los resultados muestran:
H1: Efecto significativo y sustancial entre la interacción en redes sociales y la personalización (β = 0.789;
p = 0.000).
H2: Efecto significativo y sustancial entre la interacción en redes sociales y el boca a boca digital (β =
0.747; p = 0.000).
H3: Efecto significativo entre la interacción en redes sociales y la tendencia en plataformas (β = 0.633; p
= 0.000).
H4: Efecto significativo entre la personalización en redes sociales y el comportamiento de compra (β =
0.380; p = 0.000).
H5: Efecto significativo del boca a boca digital en el comportamiento de compra (β = 0.120; p = 0.036).
H6: Efecto significativo de la tendencia en redes sociales sobre el comportamiento de compra (β = 0.131;
p = 0.017).
H7: Efecto significativo de los factores sociodemográficos (edad e ingresos) sobre el comportamiento de
compra (β = 0.298; p = 0.000).
6
Tabla 4
Análisis del modelo estructural (Prueba de hipótesis)
N°
Hipótesis
Correlación
t
p
IC
Resultado
f
2
IC
H1
INT -> PER
0.789
31.268
0.000
[0.737, 0.836]
Aceptado
1.649
[1.186-2.329]
H2
INT -> BOC
0.747
27.009
0.000
[0.691, 0.799]
Aceptado
1.260
[0.916-0.767]
H3
INT -> TEN
0.633
17.790
0.000
[0.562, 0.704]
Aceptado
0.670
[0.462-0.982]
H4
PER -> COM
0.380
6.289
0.000
[0.259, 0.495]
Aceptado
0.179
[0.081-0.321]
H5
BOC -> COM
0.120
2.103
0.036
[0.006, 0.231]
Aceptado
0.015
[0.000-0.059]
H6
TEN -> COM
0.131
2.392
0.017
[0.028, 0.250]
Aceptado
0.021
[0.001-0.069]
H7
FSD -> COM
0.298
4.924
0.000
[0.182, 0.419]
Aceptado
0.107
[0.041-0.213]
Fuente. Smart PLS SEM
La Tabla 5 muestra la valoración global del modelo mediante el enfoque PLS-SEM. El índice SRMR del
modelo saturado se ubicó por debajo del umbral de 0.08, lo que indica un ajuste positivo (Henseler & Schuberth,
2023). Los valores de d_ULS y d_G en el modelo saturado fueron superiores a los del modelo estimado, lo que
refuerza la validez del ajuste. Asimismo, el índice NFI en el modelo saturado superó al estimado, lo que respalda
la adecuación del modelo. Respecto a la capacidad predictiva, todos los constructos exógenos y endógenos
arrojaron valores positivos en Q² predict, corroborando la relevancia del modelo para predecir el comportamiento
de los constructos evaluados (Hair et al., 2021).
Tabla 5
Índices de ajuste del modelo
Fuente. Smart PLS SEM
Discusión
Los resultados obtenidos confirman que las hipótesis planteadas resultaron ser significativas, lo cual
permite discutir la influencia de los distintos constructos sobre el comportamiento de compra en servicios
personalizados mediados por redes sociales.
En primer lugar, la hipótesis H1 respalda que la interacción en redes sociales y la personalización
constituyen factores esenciales en el desempeño de los servicios personalizados. Dichos elementos promueven
un diálogo bidireccional sustantivo, facilitando una comunicación más cercana y efectiva entre empresas y
usuarios, lo que refuerza la calidad de la experiencia digital (Kim & Kim, 2022).
En cuanto a la H2, la interacción en redes sociales y el boca a boca digital se presentan como fenómenos
predictivos claves en el marketing estratégico digital. Investigaciones previas confirman que estos factores están
estrechamente relacionados con el comportamiento de compra del consumidor, pues generan un flujo dinámico
de ideas, aumentan la confianza y agilizan los procesos de decisión (Lee et al., 2022). La interacción fomenta así
entornos participativos donde los usuarios expresan sus inquietudes y experiencias, reforzando la credibilidad de
la marca.
La H3 evidencia que la interacción y la tendencia en redes sociales orientan de manera directa el
comportamiento de compra. Una comunicación ágil y alineada con tendencias emergentes potencia el impacto
de las estrategias de marketing digital (Tumasjan, 2024). Además, la integración de las marcas en dinámicas
sociales emergentes fortalece la conexión emocional con los consumidores, incrementando la probabilidad de
conversión y lealtad (Camoiras & Varela, 2024).
Por su parte, la H4 resalta el papel decisivo de la personalización en el comportamiento de compra. La
literatura señala que este enfoque no solo mejora la experiencia del usuario, sino que también incrementa la
relevancia percibida de los servicios ofrecidos al alinear los contenidos con intereses y necesidades específicas
(Huang et al., 2023). En este sentido, la personalización se convierte en un motor fundamental de diferenciación
y competitividad.
Modelo
saturado
Modelo
estimado
PLSpredict
Q
2
predict
RMSE
MAE
SRMR
0,057
0,105
Boca a boca digital
0,555
0,672
0,478
d_ULS
1,813
2,775
Comportamiento de compra
0,528
0,692
0,452
d_G
0,644
0,794
Personalización
0,619
0,622
0,427
NFI
0,817
0,793
Tendencia
0,397
0,783
0,564
7
En relación con la H5, el boca a boca digital demuestra un impacto significativo en la decisión de compra.
Su gestión adecuada permite generar confianza, aumentar la credibilidad y potenciar la lealtad del consumidor
(Singh, 2024). Además, los errores o fallos en la interacción digital pueden transformarse en oportunidades de
aprendizaje estratégico, mejorando la adaptación y personalización de futuras campañas (Papa et al., 2022;
Anton, 2024).
La H6 confirma que la tendencia en plataformas digitales influye de manera positiva en el comportamiento
de compra. Detectar e integrar tendencias emergentes aumenta la visibilidad de los servicios y favorece la
validación social, un fenómeno clave en la adopción de productos y servicios personalizados en entornos digitales
(Ryu & Park, 2020; Zhang et al., 2020).
Finalmente, la H7 evidencia que los factores sociodemográficos moderan el comportamiento de compra.
La edad determina la preferencia por plataformas más ágiles en los jóvenes y opciones más simples y seguras
en usuarios mayores (Nesterenko, 2023). El género también influye: las mujeres valoran más los aspectos
emocionales del servicio, mientras que los hombres priorizan la funcionalidad (Defta et al., 2025). Asimismo, los
ingresos condicionan la disposición de pago y la percepción de valor, ya que los consumidores de mayores
recursos buscan exclusividad y un mayor nivel de personalización (Tovanich et al., 2021).
En síntesis, los hallazgos refuerzan la importancia de diseñar estrategias de marketing digital que integren
la interacción, la personalización, el boca a boca digital y la adaptación a tendencias emergentes, considerando
además el papel moderador de los factores sociodemográficos. Todo ello permite consolidar a las redes sociales
como un pilar estratégico en la promoción de servicios personalizados y en el fortalecimiento del comportamiento
de compra del consumidor.
Conclusiones
La investigación ha ofrecido una visión integral de los elementos clave que determinan la eficacia del
marketing en redes sociales dentro del ámbito de los servicios personalizados. Se resalta el papel fundamental
de la interacción, el boca a boca digital, la personalización y las tendencias emergentes como factores que,
además de influir positivamente en el comportamiento de compra del consumidor, constituyen herramientas
estratégicas para que las empresas fortalezcan su competitividad en mercados dinámicos. No obstante, los
resultados deben interpretarse con cautela, considerando que los factores sociodemográficos inciden de manera
significativa en el comportamiento de compra final.
Asimismo, se identificaron limitaciones vinculadas al diseño y alcance del estudio, lo cual abre
oportunidades para futuras investigaciones en este campo. En primer lugar, se emplearon datos transversales
obtenidos de 482 encuestados en el contexto peruano, lo que podría restringir la generalización de los hallazgos
hacia otros entornos culturales o regionales. Investigaciones posteriores podrían ampliar la muestra incluyendo
participantes de distintos sectores y países, a fin de evaluar la aplicabilidad de las relaciones identificadas.
En segundo lugar, el enfoque cuantitativo empleado permitió identificar asociaciones significativas entre
las variables analizadas, pero no exploró las motivaciones profundas ni las dinámicas psicológicas que subyacen
al comportamiento de compra. Por ello, sería recomendable complementar futuros estudios con metodologías
mixtas que integren perspectivas cualitativas, aportando así un entendimiento más completo de las percepciones
y experiencias de los consumidores.
Referencias
Al-Dwairi, R., Shehabat, I., Zahrawi, A., & Hammouri, Q. (2024). Building customer trust, loyalty, and satisfaction:
The power of social media in e-commerce environments. International Journal of Data and Network
Science, 8(3), 1883-1894. https://doi.org/10.5267/j.ijdns.2024.2.001
Anastasiei, B., Dospinescu, N., & Dospinescu, O. (2023). Word-of-mouth engagement in online social networks:
Influence of network centrality and density. Electronics, 12(13), 2857.
https://doi.org/10.3390/electronics12132857
Anton, A. (2024). Other customer perception as strategic insight into Gen Z consumer–brand identification and
purchase behavior: A mixed-methods approach. American Behavioral Scientist, 68(3), 1-22.
https://doi.org/10.1177/00027642241235838
Antonovica, A., de Esteban Curiel, J., & Herráez, B. R. (2023). Factors that determine the degree of fulfilment of
expectations for entrepreneurs from the business incubator programmes. International Entrepreneurship
and Management Journal, 19(1), 261-291. https://doi.org/10.1007/s11365-022-00818-1
Banerjee, S., Singh, J. P., Dwivedi, Y. K., & Rana, N. P. (2021). Social media analytics for end-users' expectation
management in information systems development projects. Information Technology & People, 34(6),
1600-1614. https://doi.org/10.1108/ITP-10-2020-0706
8
Camoiras, Z., & Varela, C. (2024). Social media managers’ performance: The impact of the work environment.
Journal of Theoretical and Applied Electronic Commerce Research, 19(1), 671-691.
https://doi.org/10.3390/jtaer19010036
Chakravarthy, B. S., Rani, B. U., & Karunakaran, K. (2024). Data-driven insights into social media's effectiveness
in digital communication. Proceedings on Engineering, 6(2), 637-644.
https://doi.org/10.24874/PES06.02.020
Chin, W. W. (1995). Partial least squares is to LISREL as principal components analysis is to common factor
analysis. Technology Studies, 2(2), 315-319. http://disc-nt.cba.uh.edu/chin/technologystudies.pdf
Defta, N., Barbu, A., Ion, V. A., Pogurschi, E. N., Osman, A., Cune, L. C., & Bădulescu, L. A. (2025). Exploring the
relationship between socio-demographic factors and consumers’ perception of food promotions in
Romania. Foods, 14(4), 599. https://doi.org/10.3390/foods14040599
Falk, R. F., & Miller, N. B. (1992). A primer for soft modeling. University of Akron Press.
https://psycnet.apa.org/record/1992-98610-000
Franck, R., & Damperat, M. (2023). How social media use enhances salesperson performance. Journal of
Business & Industrial Marketing, 38(8), 1720-1737. https://doi.org/10.1108/JBIM-02-2022-0082
Glasser, W. (1999). Choice theory: A new psychology of personal freedom. HarperPerennial.
https://psycnet.apa.org/record/1999-02074-000
Gonzalez-Yaranga, Y., Caceres-Estrada, M., Illa-Sihuincha, G. P., & Ramos Serrano, S. (2025). Rol de la
digitalización en la internacionalización empresarial: Estudio con ecuaciones estructurales. Telos: Revista
de Estudios Interdisciplinarios en Ciencias Sociales, 27(2), 508-525. https://doi.org/10.36390/telos272.07
Hair, J. F., Sarstedt, M., Hamburg, C. M. R., Gudergan, S. P., Apraiz, J. C., Carrión, G. A. C., & Roldán, J. L.
(2021). Manual avanzado de partial least squares structural equation modeling (PLS-SEM). Omnia
Science. https://doi.org/10.3926/oss.407
Hale, B. J. (2024). Examining the effect of identification with a social media community on persuasive message
processing and attitude change. New Media & Society, 26(8), 4589-4610.
https://doi.org/10.1177/14614448221124085
Henseler, J., & Schuberth, F. (2023). Partial least squares as a tool for scientific inquiry: Comments on Cadogan
and Lee. European Journal of Marketing, 57(6), 1737-1757. https://doi.org/10.1108/EJM-06-2021-0416
Huang, Z., Zhu, Y., Hao, A., & Deng, J. (2023). How social presence influences consumer purchase intention in
live video commerce: The mediating role of immersive experience and the moderating role of positive
emotions. Journal of Research in Interactive Marketing, 17(4), 493-509. https://doi.org/10.1108/JRIM-01-
2022-0009
Illa-Sihuincha, G., Cardich Pulgar, J., Javier Vidalón, J., & Ramos Serrano, S. (2025). Downsizing estratégico
basado en el análisis de performance en empresas pequeñas. Revista de Ciencias Sociales, 31(1), 409-
422. https://doi.org/10.31876/rcs.v31i1.43519
Jain, S., & Sundström, M. (2021). Toward a conceptualization of personalized services in apparel e-commerce
fulfillment. Research Journal of Textile and Apparel, 25(4), 414-430. https://doi.org/10.1108/RJTA-06-
2020-0066
Johnson, N., Turnbull, B., & Reisslein, M. (2022). Social media influence, trust, and conflict: An interview-based
study of leadership perceptions. Technology in Society, 68, 101836.
https://doi.org/10.1016/j.techsoc.2021.101836
Joshi, Y., Lim, W. M., Jagani, K., & Kumar, S. (2023). Social media influencer marketing: Foundations, trends, and
ways forward. Electronic Commerce Research, 1–55. https://doi.org/10.1007/s10660-023-09719-z
Jung, J., Wang, S. A., & Wattal, S. (2023). Commercializing social media? How showrooms on social media fan
pages influence customer behavior. MIS Quarterly, (Forthcoming). https://doi.org/10.2139/ssrn.3433206
Kim, D. Y., & Kim, H. Y. (2022). Social media influencers as human brands: An interactive marketing perspective.
Journal of Research in Interactive Marketing, 17(1), 94–109. https://doi.org/10.1108/JRIM-08-2021-0200
Lee, J. Y., Yang, Y. S., Ghauri, P. N., & Park, B. I. (2022). The impact of social media and digital platforms
experience on SME international orientation: The moderating role of COVID-19 pandemic. Journal of
International Management, 28(4), 100950. https://doi.org/10.1016/j.intman.2022.100950
Nesterenko, V. (2023). Influence of socio-demographic factors on the development of marketing communications.
Scientific Bulletin of Mukachevo State University. Series “Economics”, 2(10), 9–20. https://orcid.org/0000-
0002-1792-9823
Nunnally, J. C., & Bernstein, I. H. (1994). The assessment of reliability. Psychometric theory (3.ª ed.). McGraw-
Hill. https://doi.org/10.12691/education-5-5-2
Papa, A., Mazzucchelli, A., Ballestra, L. V., & Usai, A. (2022). The open innovation journey along heterogeneous
9
modes of knowledge-intensive marketing collaborations: A cross-sectional study of innovative firms in
Europe. International Marketing Review, 39(3), 602–625. https://doi.org/10.1108/IMR-03-2021-0109
Ringle, C. M., Wende, S., & Becker, J. M. (2015). SmartPLS 3 [Software]. SmartPLS GmbH.
http://www.smartpls.com
Ryu, S., & Park, J. (2020). The effects of benefit-driven commitment on usage of social media for shopping and
positive word-of-mouth. Journal of Retailing and Consumer Services, 55, 102094.
https://doi.org/10.1016/j.jretconser.2020.102094
Singh, P. (2024). Beyond the basics: Exploring the impact of social media marketing enablers on business
success. Heliyon, 10(5), e26435. https://doi.org/10.1016/j.heliyon.2024.e26435
Smith, I. H., Soderberg, A. T., Netchaeva, E., & Okhuysen, G. A. (2023). An examination of mind perception and
moral reasoning in ethical decision-making: A mixed-methods approach. Journal of Business Ethics,
183(3), 671–690. https://doi.org/10.1007/s10551-021-05022-9
Thompson, E. G., & Wilson, D. R. (2024). Dynamic pricing promotion strategies on consumer repeat purchase
behavior in the United States. Frontiers in Management Science, 3(3), 19–30.
https://doi.org/10.56397/FMS.2024.06.03
Tovanich, N., Centellegher, S., Seghouani, N. B., Gladstone, J., Matz, S., & Lepri, B. (2021). Inferring
psychological traits from spending categories and dynamic consumption patterns. EPJ Data Science,
10(1), 24. https://doi.org/10.1140/epjds/s13688-021-00281-y
Tumasjan, A. (2024). The many faces of social media in business and economics research: Taking stock of the
literature and looking into the future. Journal of Economic Surveys, 38, 389–426.
https://doi.org/10.1111/joes.12570
Yildiz, S. Y., & Altin, S. (2023). Getting lost in the digital marketplace: Points, benefits, and purchases. Journal of
Administrative Sciences/Yonetim Bilimleri Dergisi, 21(50). https://doi.org/10.35408/comuybd.1336714
Zahoor, S. Z., & Shah, A. M. (2024). Impact of social media on users’ complex buying behaviour: Analysing the
mediating effect of perception and moderating effect of extended social media usage. Management and
Labour Studies, 49(1), 119–148. https://doi.org/10.1177/0258042X231167315
Zhang, H., Gupta, S., Sun, W., & Zou, Y. (2020). How social-media-enabled co-creation between customers and
the firm drives business value? The perspective of organizational learning and social capital. Information
& Management, 57(3), 103200. https://doi.org/10.1016/j.im.2019.103200
