Mejorar el comercio electrónico en
la moda: modelos para predecir y algoritmos para aumentar las ventas
Improve electronic trade in the fashion:
models for predict and algorithms to increase sales
Dalia
Esther Quique Cobos 1, Carlos Eduardo Cobos Gutiérrez 2
1 Estudiante de Marketing.
Universidad Nacional Federico Villarreal, Lima, Perú.
https://orcid.org/0009-0001-4746-0130
daliaestherquiquecobos@gmail.com
2 Magíster en Ciencias Empresariales.
Escuela de Educación Superior CERTUS, Lima, Perú.
https://orcid.org/0009-0009-3178-9351
ccobosg@certus.edu.pe
Recibido: 12/11/2024
Aceptado para ser publicado: 10/01/2025
Citar como: Quique Cobos, D. E., y Cobos Gutierrez, C. E. (2025). Mejorar el comercio electrónico en la moda: modelos para predecir y algoritmos para aumentar las ventas. Gaceta Científica, 11(1),0109. https://doi.org/10.46794/gacien.11.1.2357
Objetivo: Este estudio analiza cómo los modelos predictivos y los
algoritmos de IA influyen en la optimización del comercio electrónico de moda,
evaluando su impacto en la personalización de la experiencia del usuario y el
aumento de las ventas. Materiales y métodos: Se utilizó un enfoque
cuantitativo con un diseño no experimental, transversal y correlacional,
aplicando encuestas a 50 empresas de retail de
moda con presencia en línea y a 500 consumidores activos en plataformas de
comercio electrónico. Se recopilaron datos mediante encuestas y bases de datos,
analizando factores como la implementación de inteligencia artificial, la tasa
de conversión y la lealtad del cliente. Para el análisis se emplearon pruebas
estadísticas descriptivas e inferenciales, incluyendo análisis de correlación y
regresión. Resultados: Los resultados evidencian que la IA tiene un
impacto significativo en las ventas y la fidelidad de los clientes, con una
correlación positiva (r = 0,87; p < 0,001) entre la
personalización basada en IA y la lealtad del usuario. Además, se encontró que
las empresas con mayor uso de IA lograron una tasa de conversión del 9,8 %,
mientras que aquellas con menor implementación alcanzaron solo un 3,2 %. El
análisis de regresión inidica que los modelos predictivos utilizados en estrategias de
recomendación de productos mejoraron notablemente las ventas, destacando la
importancia de la automatización en la toma de decisiones del consumidor. Conclusiones:
Se concluye que la IA es una ventaja clave en el comercio electrónico de moda,
ya que permite una experiencia más personalizada y efectiva. La implementación
de modelos predictivos y algoritmos de aprendizaje automático no solo optimiza
las ventas, sino que también fortalece la relación entre las marcas y sus
clientes.
Palabras clave: e-commerce; inteligencia
artificial; modelos predictivos; personalización de experiencia.
Objective: This study
analyzes how predictive models and AI algorithms influence fashion electronic
trade optimization, assessing their impact on personalizing the user experience
and increasing sales. Materials and methods: A quantitative
approach with a non-experimental, cross-sectional, and correlational design was
used, applying surveys to 50 fashion retail companies with an online presence,
and to 500 consumers active on electronic trade platforms. Data were collected
through surveys and databases, analyzing factors such as the implementation of
artificial intelligence, the conversion rate, and the customer loyalty. For the
analysis, descriptive and inferential statistics tests, including correlation
and regression analysis, were used for the analysis. Results: The results
evidence that AI has a significant impact on sales and customer loyalty, with a
positive correlation (r = 0.87; p < 0.001) between AI-based personalization
and loyalty of the user. Furthermore, companies with the highest use of AI were
found to achieve a conversion rate of 9.8%, while those with the lowest use
achieved only 3.2%. Regression analysis indicates that predictive models used
in product recommendation strategies significantly improved sales, highlighting
the importance of automation in consumer decision-making. Conclusions: It is concluded
that AI is a key advantage in fashion electronic trade, enabling a more
personalized and effective experience. The implementation of predictive models
and machine learning algorithms not only optimizes sales but also strengthens
the relationship between brands and their customers.
Keywords: e-commerce;
artificial intelligence; predictive models; experience personalization.
Introducción
El comercio electrónico (e-commerce)
en la moda ha crecido rápidamente en los últimos años, impulsado por la
digitalización de las compras y el avance de las tecnologías de la información.
Sin embargo, este crecimiento también ha traído grandes desafíos para las
empresas del sector, especialmente en la personalización de la experiencia del
usuario, la gestión de inventarios y la conversión de ventas. En un mercado
altamente competitivo, los minoristas deben adaptarse rápidamente a las
expectativas de los consumidores digitales, quienes buscan experiencias de
compra más intuitivas y personalizadas. Para lograrlo, es fundamental
implementar estrategias basadas en datos y modelos predictivos avanzados.
Uno de los mayores retos del comercio electrónico en
moda es la alta tasa de abandono del carrito de compras y la dificultad para
fidelizar clientes en un mercado saturado de opciones. Además, mejorar la
precisión en las recomendaciones de productos se ha convertido en un factor
clave, ya que influye directamente en la decisión de compra. Las empresas que
no incorporen herramientas de análisis de datos e IA podrían perder
competitividad frente a aquellas que ya han optimizado la personalización de la
experiencia del usuario mediante algoritmos predictivos y aprendizaje
automático, lo que les permite anticipar las necesidades del cliente y ofrecer
productos alineados con sus preferencias, mejorando la conversión y la lealtad
del consumidor (Bilińska-Reformat & Dewalska-Opitek, 2021).
El impacto de la IA en el comercio electrónico ha sido
ampliamente estudiado tanto en la academia como en el análisis de mercado,
evidenciando su capacidad para optimizar la segmentación de clientes y
personalizar las ofertas, lo que se traduce en un aumento de las tasas de
conversión y una reducción en los costos operativos (Arora
& Chaudhary, 2024). Además, se ha demostrado que
la automatización juega un papel clave en la gestión de inventarios y
logística, aspectos fundamentales en la industria de la moda (Witek-Hajduk et al., 2021). Sin embargo, más allá de la
eficiencia operativa, estudios recientes destacan la importancia de mejorar la
interfaz de usuario y la experiencia de navegación en las plataformas de e-commerce, ya
que una mala usabilidad puede generar frustración y hacer que los clientes
abandonen sus compras antes de completarlas (Navarro-Martínez et al., 2023). En
este contexto, la implementación de modelos de recomendación basados en ÍDEM ha
permitido a las empresas fortalecer su relación con los consumidores, al
ofrecer sugerencias de productos más alineadas con sus preferencias y hábitos
de compra, mejorando así la fidelización y la satisfacción del cliente (Thwe et al., 2022).
La optimización del e-commerce en la moda no solo es
fundamental para operar, sino que también representa una ventaja estratégica en
un mercado en constante cambio. A medida que evolucionan los gustos y
expectativas de los consumidores, las empresas deben adoptar nuevas estrategias
para aumentar las ventas y fortalecer la lealtad de los clientes. Este estudio
buscó analizar cómo los modelos predictivos y los algoritmos de IA pueden
mejorar el rendimiento del comercio electrónico, proporcionando un análisis
aplicable a empresas del sector (Kaur et al., 2021).
Además, la investigación complementa la información existente mediante un
análisis estadístico descriptivo e inferencial, permitiendo identificar
patrones de consumo y evaluar cómo la personalización impacta en el
comportamiento de compra. La implementación de herramientas de análisis de
datos facilita la toma de decisiones basadas en evidencia, al optimizar
estrategias de marketing digital y mejorar así la gestión de inventarios
para una mayor competitividad en el sector (Landim et
al., 2021).
El objetivo general de este estudio fue examinar cómo
el uso de modelos predictivos y algoritmos de IA en el comercio electrónico de
moda ha afectado la mejora de la experiencia del usuario y el aumento de ventas;
adicionalmente, se procede a nombrar los objetivos más específicos:
1.
Examinar
cómo la personalización con IA afecta la tasa de conversión de ventas.
2.
Estudiar
cómo el uso de algoritmos predictivos afecta la lealtad del cliente en
plataformas de e-commerce.
3.
Identificar
hábitos de compra usando herramientas de análisis estadístico descriptivo e
inferencial.
4.
Examinar
cómo la optimización de inventarios con modelos de aprendizaje automático ayuda
a reducir los costos operativos.
Para orientar la investigación, se formuló la
siguiente pregunta principal: ¿cómo han afectado los modelos predictivos y
algoritmos de IA en las ventas y el comportamiento del consumidor en el
comercio electrónico de moda? Responder a esta pregunta podrá crear conocimiento
útil para mejorar las estrategias digitales en la industria de la moda.
Este estudio busca, por tanto, proporcionar
información útil para empresas, investigadores y profesionales del e-commerce,
realizando un análisis detallado sobre la efectividad de los modelos
predictivos en la optimización del retail de
moda. Entre sus principales contribuciones se encuentra la verificación
práctica del impacto de la IA en la mejora del comercio electrónico, así como
ideas innovadoras para incrementar las ventas mediante estrategias de
personalización y automatización. Además, se ofrecen sugerencias basadas en el
análisis de datos para una gestión eficiente de inventarios y la fidelización
de clientes, proporcionando también una guía para futuras investigaciones sobre
la aplicación de modelos predictivos en otras áreas del comercio digital.
En un entorno donde el consumo digital sigue en
expansión, este artículo busca brindar evidencia a las empresas del sector moda
para que estas se adapten a las nuevas dinámicas del mercado, maximizando así
sus oportunidades de crecimiento y rentabilidad.
Materiales y métodos
Este estudio se llevó a cabo con un enfoque
cuantitativo, con el objetivo de analizar y medir cómo los modelos predictivos
y los algoritmos de IA impactan en la mejora del comercio electrónico en la
industria de la moda. Para ello, se examinaron patrones de consumo y
estrategias de personalización mediante herramientas estadísticas, evaluando su
influencia en las ventas (Guercini & Runfola, 2015). La
aplicación de este enfoque permitió obtener resultados basados en datos
concretos, reduciendo la subjetividad en la interpretación de los hallazgos. Así
mismo, se realizaron análisis para identificar relaciones clave entre
variables, lo que facilitó la detección de tendencias en la industria del
comercio electrónico de moda y proporcionó información valiosa para la toma de
decisiones estratégicas (Sanny et al., 2021).
El estudio fue no experimental, lo que significa que
no se manipularon variables, sino que se analizaron datos existentes para
evaluar cómo diferentes estrategias de optimización impactaron las plataformas
de moda (Kim et al., 2022). Además, se aplicó un diseño transversal, ya que los
datos se recolectaron en un solo momento, permitiendo capturar una imagen
precisa del comportamiento del consumidor en el entorno digital (SanMiguel et al., 2021). Este
enfoque resultó ideal para examinar la relación entre el uso de algoritmos de IA
y la mejora en las ventas, alterar el entorno natural de las empresas
analizadas, asegurando así un análisis fiel a la realidad del sector (Svobodová, 2021).
El estudio fue categorizado como descriptivo y
correlacional. La fase descriptiva permitió analizar las características del e-commerce en
el retail de moda, incluyendo las estrategias
utilizadas para mejorar la experiencia del usuario y fomentar la lealtad del
cliente (Chen et al., 2021). Por su parte, la fase
correlacional buscó identificar conexiones entre la personalización basada en IA
y factores clave, como el aumento en ventas, la reducción del abandono del
carrito de compras y la optimización en la gestión de inventarios,
proporcionando así un análisis integral de cómo estas tecnologías impactan en
la eficiencia y rentabilidad del sector (Wang et al., 2014).
El estudio se centró en empresas de moda del sector retail que han utilizado IA y modelos predictivos
para optimizar sus estrategias. Se analizaron compañías con presencia en el
mercado digital, tanto a nivel local como internacional, abarcando distintos
modelos de negocio (Phau et al., 2022). Además, se
incluyó en la muestra a personas que utilizan plataformas de e-commerce,
seleccionadas bajo criterios específicos, como haber realizado compras en línea
en los últimos seis meses, interactuar con recomendaciones automáticas en
plataformas digitales y contar con un historial de compras en tiendas de ropa
por Internet. Estos criterios garantizaron que la muestra estuviera compuesta
por usuarios con experiencia en la compra de moda en línea, asegurando así la
relevancia y precisión del análisis (Gabriel et al., 2023).
Se utilizó un muestreo no probabilístico por
conveniencia, seleccionando empresas y consumidores que cumplían con los
criterios establecidos. La muestra empresarial estuvo compuesta por tiendas de
moda en línea, mientras que la de consumidores incluyó usuarios activos en
plataformas de comercio electrónico (Chakraborty et
al., 2021). Este tipo de muestreo permitió obtener datos relevantes de manera
eficiente, facilitando el acceso a información clave sobre las estrategias de
optimización en e-commerce
y brindando un panorama más claro sobre las tendencias del sector digital (SanMiguel et al., 2021).
Para la recolección de datos se utilizaron diversas
herramientas que permitieron obtener información tanto sobre las transacciones
como sobre la percepción del usuario. Se revisaron bases de datos que registran
compras, tasas de conversión y métricas de interacción en sitios de e-commerce,
para analizar el comportamiento del consumidor en entornos digitales (Svobodová, 2021). Además, se
realizaron encuestas estructuradas dirigidas a consumidores, con el objetivo de
evaluar su experiencia en plataformas que integran IA (Chen
et al., 2021). Para comprender mejor la interacción del usuario con los sitios web
se implementaron herramientas de análisis que permitieron rastrear la
navegación, el tiempo de permanencia en la página y la respuesta a
recomendaciones personalizadas (Wang et al., 2014). Estas metodologías
facilitaron la recopilación de datos medibles y verificables, asegurando una
evaluación objetiva del impacto de la optimización digital en el comercio
minorista de moda (Phau et al., 2022).
La recolección de datos se llevó a cabo en tres fases.
Primero, se realizó la identificación de empresas y plataformas, seleccionando
tiendas en línea con distintos niveles de implementación de IA para analizar
cómo influye en su rendimiento (Gabriel et al., 2023). Luego se recopilaron
datos sobre transacciones y comportamiento del usuario, midiendo indicadores clave,
como la tasa de conversión, el abandono del carrito de compras y la efectividad
de los modelos de recomendación (Chakraborty et al.,
2021). Finalmente, se aplicaron encuestas a consumidores para evaluar su
percepción sobre la personalización en la experiencia de compra y su impacto en
la fidelización del cliente (SanMiguel et al., 2021).
Para procesar los datos se utilizaron herramientas de
estadística descriptiva e inferencial, las cuales permitieron analizar
tendencias y relaciones entre variables clave. Para
comprender el comportamiento de los consumidores en plataformas digitales
fueron examinadas medidas de frecuencia, porcentajes y promedios, (Svobodová, 2021). Además, se estudió cómo la personalización
basada en IA influye en la tasa de conversión de ventas (Chen
et al., 2021). Para evaluar el impacto de la optimización digital en la lealtad
del cliente se aplicaron modelos de regresión, que proporcionaron un análisis
más profundo sobre la relación entre tecnología y fidelización (Wang et al.,
2014). Finalmente, el uso de programas como SPSS y Python permitió realizar
análisis sólidos, que garantizan la confiabilidad de los resultados obtenidos (Phau et al., 2022).
El estudio siguió principios éticos básicos, lo que
permite garantizar la confidencialidad y el anonimato de la información
recopilada. Tanto las empresas como los consumidores fueron informados sobre
los objetivos de la investigación y aceptaron que sus datos fueran utilizados
de manera agregada, asegurando el cumplimiento de los estándares de privacidad
(Gabriel et al., 2023). Además, se implementaron estrictas medidas de seguridad
en el manejo de las transacciones, lo que evitó cualquier posibilidad de identificar
a los participantes. La investigación se llevó a cabo respetando las normas
internacionales sobre privacidad y ética en la gestión de datos digitales,
reforzando así la integridad del proceso y la protección de la información
sensible (Chakraborty et al., 2021).
Resultados
Según los datos presentados en la Tabla 1, la muestra del estudio estuvo conformada por 50 empresas y 500 consumidores. Los participantes tienen una edad promedio de 32 años y reportan una frecuencia de compra de 4,2 veces al mes en plataformas de moda. Estos datos reflejan una alta actividad en el comercio electrónico y una tendencia hacia la compra recurrente en el sector minorista.
Según los datos presentados en la Tabla 2, el 80 % de las empresas encuestadas han implementado IA en niveles medios y altos, lo que refleja una creciente adopción de herramientas digitales en el comercio minorista de moda. Esta tendencia resalta la importancia de la IA en la optimización de procesos y la mejora de la experiencia del consumidor.
Según los datos presentados en la Tabla 3, los resultados evidencian una relación clara entre el nivel de implementación de IA y el aumento en la tasa de conversión. A medida que la IA se integra más en la estrategia digital, se observa un incremento en las compras realizadas por los clientes. Las empresas con un bajo nivel de IA tienen una tasa de conversión del 3,2 %, mientras que aquellas con un nivel medio alcanzan el 6,5 %. Por otro lado, las empresas que han desarrollado una estrategia avanzada de IA registran un 9,8 %, lo que demuestra su impacto positivo en la optimización de ventas.
Según los datos presentados en la Tabla 4, los resultados muestran una fuerte relación positiva (r = 0,87; p = 0,0001) entre el uso de IA y la lealtad del cliente. Esto indica que la IA contribuye significativamente a fortalecer la conexión entre consumidores y marcas en el comercio electrónico de moda, mejorando la fidelización y la experiencia del usuario.
Según los datos presentados en la Tabla 5, los resultados evidencian que la personalización mediante IA tiene un impacto positivo en la optimización de ventas, con un coeficiente de regresión de 0,75 (p = 0,0001). Esto sugiere que las estrategias basadas en IA mejoran la conversión de clientes, impulsando el rendimiento comercial en plataformas digitales.
Según los datos presentados en la Tabla 6, el instrumento utilizado en la investigación obtuvo un alfa de Cronbach de 0,91, lo que indica una alta confiabilidad y asegura la consistencia de las respuestas en el estudio.
Discusión
Los resultados de este estudio refuerzan el papel
clave de la IA en la evolución del comercio electrónico de moda, lo que
coincide con investigaciones previas que destacan su impacto en la
personalización de la experiencia de compra, el aumento de la conversión de
clientes y la fidelización (Arora & Chaudhary, 2024; Wang et al., 2014).
Uno de los hallazgos más importantes es la relación
entre la personalización con IA y el incremento en ventas, reflejada en un
coeficiente de regresión de 0,75. Esto confirma lo señalado por Thwe et al. (2022), quienes encontraron que los algoritmos
de recomendación basados en el aprendizaje automático mejoran la precisión en
las sugerencias de productos, lo que se traduce en más compras efectivas. Además, la fuerte correlación entre el uso de IA y la
fidelización del cliente (r = 0,87) respalda estudios como el de Bilińska-Reformat & Dewalska-Opitek
(2021), quienes indican que los consumidores se sienten más comprometidos con
plataformas que ofrecen experiencias personalizadas.
Por otro lado, el hecho de que el 80 % de las
empresas encuestadas haya adoptado IA en niveles medios y altos refleja una
clara tendencia hacia la digitalización, similar a lo documentado por Kaur et al. (2021). Esta adopción tecnológica es clave para
mantenerse competitivos en un mercado cada vez más digitalizado. Además, la IA
ha demostrado ser un factor determinante en la tasa de conversión, donde las
empresas con mayor implementación de IA alcanzaron un 9,8 %, mientras que
aquellas con menor integración solo lograron un 3,2 %. Esto es coherente con
estudios como los de Kim et al. (2022) y Navarro-Martínez et al. (2023), que destacan
el impacto de los chatbots y motores de recomendación
en la reducción del abandono del carrito de compras.
Finalmente, la fiabilidad del instrumento de
medición, con un alfa de Cronbach de 0,91, respalda
la consistencia de los datos y fortalece la validez de los hallazgos (Svobodová, 2021). En conjunto, estos resultados refuerzan
la idea de que la IA no solo es una herramienta tecnológica, sino un recurso
estratégico esencial para mejorar la experiencia del cliente, optimizar las
ventas y consolidar la relación entre consumidores y marcas en el comercio
digital de moda.
Conclusiones
Este estudio ha mostrado que usar IA en el comercio
electrónico (e-commerce) de
la moda ha tenido efectos muy positivos, tanto en las ventas como en la
experiencia del cliente. El análisis estadístico mostró que la IA ha mejorado
la personalización de las ofertas, ha aumentado la tasa de conversión y ha
fortalecido la relación entre las marcas y sus clientes. Los hallazgos más
importantes son:
- La IA como herramienta para mantener a los clientes:
se ha confirmado que la IA afecta directamente la retención de clientes,
porque personalizar la experiencia de compra mejora la conexión del
usuario con la plataforma, lo que hace que compren más seguido.
- Aumento en la tasa de conversión. Las empresas
que utilizan más IA obtuvieron tasas de conversión mucho más altas que las
que usan menos estas tecnologías. Esto muestra que la IA ayuda a disminuir
los problemas en el proceso de compra y a facilitar la decisión de los
consumidores.
- Mejora de ventas a través de la
personalización. Se confirmó que los modelos predictivos y los algoritmos
de recomendación ayudan a ofrecer productos que coinciden con los
intereses del consumidor. Esto aumenta la efectividad de las estrategias
de venta y mejora la rentabilidad del negocio.
- Fiabilidad y fuerza de los resultados. El alto
nivel de confiabilidad de los datos recopilados (alfa de Cronbach de 0,91) garantiza que los resultados son
representativos y útiles para la industria, lo que ofrece una base firme
para futuras investigaciones.
Impactos para la industria y sugerencias
Los resultados de este estudio son muy importantes
para las empresas de moda que quieren mejorar sus estrategias digitales. Se
sugiere:
- Acelerar el uso de la IA en la venta y el
servicio al cliente, porque se ha demostrado que aumenta la conversión y
la lealtad.
- Invertir en modelos predictivos y aprendizaje
automático para adaptar la oferta y ajustarse mejor a los hábitos de
consumo de los usuarios.
- Crear estrategias de automatización para el
servicio al cliente, como chatbots avanzados y
asistentes virtuales, que acorten los tiempos de espera y mejoren la
experiencia del usuario.
- Usar herramientas de análisis de datos en
tiempo real para ver tendencias de consumo y cambiar las estrategias de marketing
de forma rápida y efectiva.
Restricciones y posibles direcciones para investigar
en el futuro
Aunque los resultados son fuertes, hay algunas
limitaciones en este estudio:
- El tiempo del análisis: se llevó a cabo un
estudio transversal, así que no se pudo analizar el efecto de la IA a
largo plazo.
- Área geográfica: los datos vienen de empresas
que están en mercados específicos, lo que podría hacer que no se puedan
aplicar los resultados a nivel mundial.
- Otros factores a tener en cuenta: en estudios
futuros, sería importante investigar cómo la percepción del usuario sobre
la privacidad de datos y la automatización afecta sus decisiones de
compra.
En resumen, la inteligencia artificial es clave para
mejorar el e-commerce
en moda, lo que ofrece grandes ventajas a las empresas que la usan de forma
estratégica. A medida que esta tecnología siga avanzando se crearán nuevas
oportunidades para mejorar la eficiencia, la personalización y la rentabilidad
en el sector.
Arora, N., & Chaudhary, K. (2024). Analysing E-Loyalty Dynamics in Fashion E-commerce through Survey-Based
Analysis. Tekstilec, 67(3), 279–288. https://doi.org/10.14502/tekstilec.67.2024048
Bilińska-Reformat, K., & Dewalska-Opitek,
A. (2021). E-commerce as the predominant
business model of fast fashion retailers in the era of global COVID 19
pandemics. Procedia Computer Science, 192, 2479–2490. https://doi.org/10.1016/j.procs.2021.09.017
Chakraborty, S., Hoque, M. S., Jeem, N. R.,
Biswas, M. C., Bardhan, D., & Lobaton, E. (2021). Fashion Recommendation Systems, Models
and Methods: a review. Informatics, 8(3), 49. https://doi.org/10.3390/informatics8030049
Chen, J., Wu, H., Zhou, X.,
Wu, M., Zhao, C., & Xu, S. (2021). Optimization of Internet of Things E‐Commerce Logistics Cloud service platform
based on mobile communication. Complexity, 2021(1). https://doi.org/10.1155/2021/5542914
Gabriel, A., Ajriya, A. D.,
Fahmi, C. Z. N., & Handayani,
P. W. (2023). The
influence of augmented reality on E-commerce:
A case study on fashion and beauty products. Cogent
Business & Management, 10(2). https://doi.org/10.1080/23311975.2023.2208716
Goti, A., Querejeta-Lomas,
L., Almeida, A., De La Puerta, J. G., & López-De-Ipiña,
D. (2023). Artificial
Intelligence in Business-to-Customer Fashion Retail: A Literature Review. Mathematics,
11(13), 2943. https://doi.org/10.3390/math11132943
Guercini, S., & Runfola,
A. (2015). Internationalization through E-commerce.
The Case of MultiBrand Luxury Retailers in the
Fashion Industry. Advances in international marketing, 26, 15–31. https://doi.org/10.1108/s1474-797920150000026002
Kaur, N. N., Wahab, N. N. A., & Zulkifli,
N. S. A. (2021). Designing, developing and evaluating a sustainable Shariah-Compliant E-commerce
fashion prototype. International Journal of Business and Society, 22(3),
1211–1225. https://doi.org/10.33736/ijbs.4296.2021
Kim, Y. S., Hwangbo, H., Lee, H. J., & Lee, W. S. (2022). Sequence
aware recommenders for fashion E-commerce.
Electronic Commerce Research. https://doi.org/10.1007/s10660-022-09627-8
Kovács, I., & Keresztes,
É. R. (2024). Digital Innovations in E-commerce:
Augmented Reality Applications in Online Fashion Retail—A Qualitative Study
among Gen Z Consumers. Informatics, 11(3),
56. https://doi.org/10.3390/informatics11030056
Landim, A. R. D. B., Pereira, A. M., Vieira, T., De B
Costa, E., Moura, J. a. B., Wanick, V., & Bazaki, E. (2021). Chatbot design approaches for fashion E-commerce: an interdisciplinary
review. International Journal of Fashion Design Technology and Education,
15(2), 200–210. https://doi.org/10.1080/17543266.2021.1990417
Navarro-Martínez, J., Granda, L, y López-Capra, F. (2023). De la tienda física al mercadillo
digital: el consumo online de moda en España. Revista Española De
Sociología, 32(3), a173. https://doi.org/10.22325/fes/res.2023.173
Phau, I., Akintimehin,
O. O., Shen, B., & Cheah, I. (2022). “Buy, wear,
return, repeat”: Investigating Chinese consumers’ attitude and intentions to
engage in wardrobing. Strategic Change, 31(3),
345–356. https://doi.org/10.1002/jsc.2503
SanMiguel, P., Pérez-Bou, S., Sádaba, T., & Mir-Bernal, P. (2021). How to communicate sustainability: from
the corporate web to E-commerce. The
case of the fashion industry. Sustainability, 13(20), 11363. https://doi.org/10.3390/su132011363
Sanny, L., Julianto,
T. D., Savionus, S., & Kelena,
B. W. B. Y. (2021). Purchase intention in the fashion industry on local and
international E-commerce in
Indonesia. International Journal of Asian Business and Information
Management, 13(2), 1–12. https://doi.org/10.4018/ijabim.20220701.oa4
Sutinen, U., Saarijärvi, H., & Yrjölä, M.
(2021). Shop
at your own risk? Consumer activities in fashion e‐commerce. International Journal of
Consumer Studies, 46(4), 1299–1318. https://doi.org/10.1111/ijcs.12759
Svobodová, Z. (2021). Identification of strategic
behavior of e-commerce businesses in
fashion industry. Deleted Journal, 11, 728–736. https://doi.org/10.36689/uhk/hed/2021-01-072
Thwe, Y., Jongsawat,
N., & Tungkasthan, A. (2022). A Semi-Supervised
Learning Approach for Automatic Detection and Fashion Product Category
Prediction with Small Training Dataset Using FC-YOLOv4. Applied Sciences,
12(16), 8068. https://doi.org/10.3390/app12168068
Wang, X., Wu, Y., &
Liang, L. (2014). A new business mode for FTS chain in an E-commerce environment. Mathematical Problems in Engineering,
2014, 1–12. https://doi.org/10.1155/2014/675414
Witek-Hajduk, M. K., Grudecka,
A. M., & Napiórkowska, A. (2021). E-commerce in the internet-enabled
foreign expansion of Polish fashion brands owned by SMEs. Journal of
Fashion Marketing and Management, 26(1), 51–66. https://doi.org/10.1108/jfmm-10-2020-0225
Contribución de los autores
DEQC: recolección de datos,
análisis de resultados,discusión, CECG: redacción y
revisión final del artículo.
Fuentes de financiamiento
La investigación fue
realizada con recursos propios.
Conflictos de interés
No presenta conflictos de
interés.
Autor de correspondencia
daliaestherquiquecobos@gmail.com
