The adoption of cloud computing technology (SaaS): Effects of technological complexity vs training and support

89 RISTI, N.º 22, 06/2017 Revista lbérica de Sistemas e Tecnologias de Informação Revista lbérica de Sistemas y Tecnologías de Información 89 Recebido/Submission: 17/03/2017 Aceitação/Acceptance: 01/05/2017 La adopción de la tecnología cloud computing (SaaS): efectos de la complejidad tecnológica vs formación y soporte Pedro Ramiro Palos-Sánchez 1, Francisco J. Arenas-Márquez 2, Mariano Aguayo- Camacho 2 [email protected], [email protected], [email protected] 1 Departamento de Dirección de Empresas y Sociología, Universidad de Extremadura - España 2 Departamento de Economía Financiera y Dirección de Operaciones, Universidad de Sevilla - España DOI: DOI: 10.17013/risti.22.89–105 Resumen: El propósito de este trabajo es analizar empíricamente, la influencia de las variables Complejidad Tecnológica, Formación y Soporte y Apoyo Técnico en el seno de una organización y como pueden afectar a la intención de uso final de la tecnología cloud. Se evaluaron, a través de una encuesta, 150 empresas de Andalucía. Los aspectos claves que se han identificado con dicha intención han sido la disponibilidad en el soporte técnico, dudas o problemas de uso relacionados con la complejidad y la adecuación de la formación recibida por parte de la organización. Los resultados indican que la complejidad ejerce un efecto negativo, mientras que la formación y el soporte son claves, con un peso muy similar, en la intención de uso, descubriéndose que el conocimiento compartido o cooperativo es clave en la adopción de la tecnología cloud computing. Palabras-clave: Cloud Computing; SaaS; Complejidad Tecnológica; Formación Profesional; Soporte y Apoyo Técnico. The adoption of cloud computing technology (SaaS): effects of technological complexity vs training and support Abstract: The purpose of this paper is to analyze empirically the influence of the variables Technological Complexity, Training and Support and Technical Support within an organization and how they can affect the end use intention of cloud technology. 150 companies from Andalusia were evaluated through a survey. The key aspects that have been identified with this intention have been the availability in the technical support, doubts or problems of use related to the complexity and the adequacy of the training received by the organization. The results indicate that complexity has a negative effect, while training and support are key, with a very similar weight, in the intention to use, finding that shared or cooperative knowledge is key in the adoption of cloud computing technology. Keywords: Cloud Computing; SaaS; Technological Complexity; Training; Cooperation and Technical Support. 90 RISTI, N.º 22, 06/2017 La adopción de la tecnología cloud computing (SaaS): efectos de la complejidad tecnológica vs formación y soporte 1. Introducción El cloud computing o computación en la nube, nace de los términos: cloud y computing (Torres, 2011). Cloud, o nube, es el símbolo que se usa generalmente para representar Internet. Se establece un concepto de abstracción (sistemas físicos que no se especifican, almacenamiento de datos en ubicaciones desconocidas, acceso ubicuo de los usuarios y administraciones subcontratadas). Y Computing o computación, reúne los conceptos de informática, lógica de coordinación y almacenamiento. El uso del término “nube” es metafórico y por lo general apunta a un gran conjunto de recursos disponibles, hardware y software, que son de fácil acceso a través de Internet (Sá & Rocha, 2012; Vaquero et al., 2009; Vouk, 2008). Para el Instituto Nacional de Estándares y Tecnología de los Estados Unidos de América (Mell & Grance, 2011) el cloud computing es un modelo para habilitar el acceso a un conjunto de servicios computacionales (redes, servidores, almacenamiento, aplicaciones y servicios) de manera conveniente y por demanda, que pueden ser rápidamente aprovisionados y liberados con un esfuerzo administrativo y una interacción con el proveedor de servicio mínima (Forrester Research, 2009; Gartner, 2008; Buyya et al., 2009). La tecnología cloud supone un avance, pero su adopción debe hacerse bajo un esquema modular y que ofrezca grandes facilidades de reconfiguración, en el que se puede flexiblemente acumular recursos o servicios que satisfagan las cambiantes exigencias del mercado. No obstante, el concepto aún se encuentra en España en particular y globalmente en general en su etapa más incipiente de adopción afectando de forma dispar a los dos sectores clave del tejido empresarial: la gran empresa y la pequeña y mediana empresa (Pyme). Para que la computación en la nube pueda crecer, es importante comprender los factores que pueden influir en su tasa de adopción por parte de las organizaciones, especialmente empresas. Conocer la influencia que la complejidad, la formación en sistemas cloud al personal de la organización y recibir soporte y apoyo de la organización en el proceso de adopción, es el objetivo de este trabajo, el cual está estructurado en un primer apartado llamado marco teórico, que justifica la elección de estas tres variables. Le sigue un apartado de análisis, a través de ecuaciones estructurales, del modelo estructural. Este artículo finaliza contrastando las hipótesis y presentando las conclusiones alcanzadas. 2. Marco teórico Se identificaron las investigaciones más relevantes sobre los sistemas cloud y sus modelos de adopción en función de los objetivos de este artículo. Así, Burda & Teuteberg et al. (2014) afirman que, con frecuencia, la literatura tecnológica se centra en abordar cuestiones como la seguridad de la infraestructura cloud mediante la propuesta de nuevas arquitecturas y métodos (véase, por ejemplo, Spillner et al., 2011; Brandt et al., 2012; Wang et al., 2013). En otros casos, el eje principal de investigaciones son cuestiones relacionadas con oportunidades, costes y riesgos asociados al cloud computing (Ackermann et al, 2013; Benlian & Hess, 2011; Martens & Teuteberg, 2012; Palos-Sanchez et al., 2017a; Palos & Correia, 2016), criterios de medición de la calidad del servicio (Benlian et al., 2011) o factores relacionados con la adopción SaaS (Palos- Sanchez et al., 2017b), como la disponibilidad del servicio, la accesibilidad (Palos & 91 RISTI, N.º 22, 06/2017 RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação Correia, 2017), su rendimiento, la falta de estándares de interoperabilidad y su dificultad de integración y personalización (Feuerlicht & Govardhan, 2010; Feuerlicht et al, 2011; Géczy et al., 2012) o la influencia de los esfuerzos de marketing (Lin et al., 2010;Fortes et al., 2016). También es posible encontrar varios trabajos que inciden en la importancia de la confianza, tanto en la adopción de la tecnología cloud (Pearson, 2011; Walterbusch et al., 2013), como en las condiciones de privacidad en el almacenamiento de datos (Ion et al., 2011). Otras investigaciones concluyen con la relevancia de aspectos tales como la incertidumbre, la compatibilidad, el apoyo de la alta dirección, la utilidad percibida, la facilidad de uso de la tecnología, la experiencia previa, las restricciones geográficas, el tamaño de la empresa, el mercado, los esfuerzos de los proveedores, la seguridad, la confianza, la influencia social y la presión de socios comerciales en la adopción de cloud computing (Alshamaila et al, 2013; Gangwar et al., 2015; Lin & Chen, 2012; Low et al, 2011; Wu, 2011). La introducción de intención de uso (IU) como variable final es frecuente, ya que anteriores estudios piensan que una intención siempre precede a un comportamiento y se aumenta así el valor predictivo del modelo (Fishbein & Ajzen, 1975). Así, IU es el grado de comportamiento previo que se tiene a la hora de usar dicha tecnología (Taylor & Todd, 1995). Nuestro trabajo se basa también en investigaciones anteriores sobre sistemas de información ERP que destacan la importancia de la complejidad tecnológica o la formación (Bueno y Salmerón, 2008) y en estudios recientes sobre cloud de especial interés para la presente investigación (Gangwar et al., 2015), que entre otras variables destaca la formación, la complejidad y el apoyo externo como claves en la adopción y uso de la tecnología. Por complejidad tecnológica (CT) entenderemos el grado a través del cual una tecnología es percibida como relativamente difícil para comprender y usar (Rogers & Shoemaker, 1971). Algunos trabajos de investigación localizados en la literatura y relacionados con la complejidad, son el grado de dificultad de uso de las habilidades necesarias para utilizar las tecnologías entre los empleados o sobre la dificultad de integración de estas tecnologías en el trabajo (Premkumar & Roberts, 1999). Tomando como base dichos conceptos, podemos afirmar que existe una relación negativa entre la complejidad percibida y la utilización del cloud, para la cual intentaremos hallar evidencias que ratifiquen esta relación. Se asocia negativamente con la intención de uso (Cooper & Zmud, 1990; Grover, 1993), ya que se percibe complejidad tecnológica en la proliferación de normas y protocolos para la correcta implementación de hardware y software en Sistemas de Información. Por lo tanto, la complejidad tecnológica puede actuar como una barrera para la intención de uso del cloud computing, confirmando la significación de dicha relación (Oliveira & Martins, 2010; Wang et al., 2013). Así cuanto menor sea la influencia de la complejidad más probable será la intención de uso (Premkumar & Roberts, 1999). En base a todo esto podemos proponer que: H1: La complejidad tecnológica en sistemas cloud ejerce un efecto negativo sobre la intención de uso. 92 RISTI, N.º 22, 06/2017 La adopción de la tecnología cloud computing (SaaS): efectos de la complejidad tecnológica vs formación y soporte La formación profesional (FP) se describe como el grado en el que una empresa instruye a sus empleados en el uso de una herramienta en términos de calidad y cantidad (Schillewaert et al., 2005). Dado que el cloud computing es un sistema de información complejo, una organización necesita entrenar y enseñar la aplicación de gestión cloud a sus empleados antes de su uso. Esto reduce la ansiedad y el estrés de los empleados en el uso del cloud, y proporciona la motivación y un mejor entendimiento acerca de sus beneficios para sus tareas. Además reduce la ambigüedad y ayuda a los empleados en el desarrollo de conocimientos para su uso eficaz en el futuro (Gangwar el al., 2015). La formación en sistemas de información ayuda a los usuarios a familiarizarse con la herramienta, reduciendo los posibles obstáculos que se pudiesen derivar de la complejidad tecnológica (Amoako-Gyampah & Salam, 2004; Cheung & Vogel, 2013; Lee & Lehto, 2013). Igualmente, la formación permite compartir problemas comunes entre los usuarios, circunstancia que pudiera tener el efecto de incrementar la comunicación vinculada al cloud. Este hecho se ha observado en otras investigaciones con sistemas de información, como en el caso de software ERP (Bueno y Salmerón, 2008). Por tanto se propone que: H2: La formación ejerce un efecto positivo sobre la intención de uso de los sistemas cloud. El soporte y apoyo en la organización (SA) se identifica un factor relevante en la adopción de sistemas de información. El Soporte y Apoyo es crucial, ya sea en su vertiente interna o externa, proporciona sinergia, da seguridad a los usuarios y ayuda al alcance de las expectativas (Joo & Sang, 2013; Lee & Lehto, 2013; Somers, 2003). El soporte y ayuda interna hace referencia a aquella que es ejercida entre las distintas áreas funcionales Complejidad de la tecnonogía Formación del personal Soporte y apoyo de la Organización Intención de Uso del cloud computing H1 H2 H3 Figura 1 – Modelo teórico propuesto 93 RISTI, N.º 22, 06/2017 RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação de una empresa. Por otra parte, el soporte y ayuda externa alude a los vínculos que mantiene la organización con el proveedor del cloud. En base a los razonamientos expuestos, queremos hallar evidencias para poner de manifiesto que la cooperación se encuentra relacionada positivamente con la percepción de utilidad del cloud (Cheung & Vogel, 2013; Son et al., 2012). En este sentido, suponemos que el soporte y apoyo y el tratamiento conjunto de los problemas derivados del cloud faciliten la intención de uso por parte de los usuarios. Esta proposición nos permite formular la siguiente hipótesis: H3: El soporte y apoyo ejerce un efecto positivo sobre la intención de uso de los sistemas cloud. La siguiente figura 1, representa el modelo planteado con las diferentes hipótesis: 3. Metodología La población objeto de estudio en esta investigación, son todas aquellas empresas e instituciones que en Andalucía usan o se ven beneficiadas de la tecnología cloud computing en sus diferentes vertientes de forma regular, constituyendo ésta una tecnología estratégica en sus servicios. Por tanto, para poder ser parte de la población objeto de estudio se deben cumplir estas condiciones. El tamaño del universo poblacional de esta investigación es conocido, ya que hemos elaborado, en colaboración con diferentes organizaciones del sector, un censo de las empresas y organizaciones que ya trabajan con tecnologías cloud. La técnica cuantitativa de investigación que se ha llevado a cabo ha sido la encuesta, materializada en un cuestionario online basado en preguntas de adopción aplicadas a otros sistemas de información y en particular a la tecnología cloud. Las preguntas se presentaron en un sitio web cuyo enlace fue enviado a la población objeto de estudio, donde respondió el representante legal o en quién éste delegara, con independencia del cargo desempeñado. La supervisión telefónica permitió que el cuestionario fueran respondido por la persona con mayor conocimiento del proceso de adopción del cloud dentro de la organización o directamente por la dirección, bajo la tipología de muestreo no probabilístico por conveniencia. Se obtuvieron un total de 161 cuestionarios, de los que fueron finalmente válidos para esta investigación 150. Participaron 13 sectores profesionales distintos dentro de los cuales hay que distinguir 2 que no son empresariales. Estos son Administración Pública y Organizaciones sin ánimo de lucro, como Organizaciones Empresariales o Colegios Profesionales. En este apartado hay que decir que destaca con fuerza el sector servicios con un 48,7%, , seguido del sector TIC con un 22% y el resto está muy atomizado, destacando Educación con un 7,3% o Construcción con un 4% al igual que Consultoría. 4. Análisis de los resultados Para llevar a cabo este apartado de la tarea de investigación se ha seguido la metodología recogida en diferentes trabajos de Cepeda y Roldán (2004). Se ha elegido el método de análisis PLS (Partial Least Squares), ya que está especialmente recomendado para la 94 RISTI, N.º 22, 06/2017 La adopción de la tecnología cloud computing (SaaS): efectos de la complejidad tecnológica vs formación y soporte investigación exploratoria y permite modelar constructos latentes tanto con indicadores formativos como reflectivos (Son y Benbasat, 2007). También, se ha elegido porque se han encontrado un significativo número de trabajos relacionados con la adopción del cloud computing, utilizando PLS e indicadores reflectivos en su mayoría, dentro de la escasez de trabajos existente hoy sobre cloud (Messerschmidt, 2013; Gupta et al, 2013; Senk, 2013). La evaluación del modelo implica, analizar la fiabilidad y validez de las medidas utilizadas para representar cada constructo (Chin W., 2010). El objetivo de la fiabilidad individual es medir las cargas (λ) del indicador, situando el nivel mínimo para aceptar el indicador como parte del constructo en λ >= 0,707 (Carmines & Zeller, 1979). Como Constructos/ Indicadores Carga Intención de Uso (Wu, 2011; Gangwar et al., 2015) Hartono et al. (2014) Kim et al. (2009) Moqbel et al. (2014) Parveen y Sulaiman (2008) Shih y Huang (2009) Wu (2011) (IU1) Espero usar el sistema cloud computing. 0,893 (IU2) Espero que la información del nuevo sistema de cloud computing sea útil. 0,93 Complejidad tecnológica (Bueno & Salmerón, 2008; Gangwar et al., 2015) (CT1) Es difícil comprender lo que hace el sistema de cloud computing. 0,724 (CT2) Usar el sistema de cloud computing me ocupa demasiado tiempo. 0,932 (CT3) Necesito mucho esfuerzo para aprender a usar el sistema cloud computing. 0,922 (CT4) En general, el sistema de cloud computing es muy complejo de usar. 0,914 Formación del Personal (Amoako-Gyampah & Salam, 2004) (FP1) La formación recibida fue completa. 0,936 (FP3) La formación recibida me proporciona confianza en el sistema de cloud computing. 0,949 (FP4) La formación fue adecuadamente extensa y detallada. 0,974 (FP5) Los formadores eran conocedores del sistema de cloud computing y me permitían conocerlo. 0,953 Soporte y Apoyo de la Organización (Bueno & Salmerón, 2008) (SA1) Una persona (o dpto) está disponible para asistir en las dificultades ante el sistema. 0,923 (SA2) Una persona (o dpto) de proveedor cloud está disponible para asistir al sistema. 0,898 Tabla 1 – Items y medición de la fiabilidad antes de eliminación 95 RISTI, N.º 22, 06/2017 RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação se puede ver en la tabla 1, todas las cargas superan ese umbral. Para realizar un examen de la consistencia de un constructo, lo primero que debemos hacer es observar sus indicadores (ver tabla 2), concretamente el alfa Cronbach y su fiabilidad compuesta Esta evaluación mide la consistencia de un constructo en base a sus indicadores (Götz et al., 2010). El alfa de Cronbach determina un índice de consistencia para cada constructo y presenta valores comprendidos entre 0 y 1. El límite inferior para aceptar la fiabilidad del constructo se suele establecer entre 0,6 y 0,7 (Hair et al., 2005). La mayor validez estará en valores próximos a 1. Respecto al otro estadístico medible para evaluar la consistencia interna: la fiabilidad compuesta o en inglés composite reliability, decir que fue propuesta por Werts et al. (1974) y que utiliza la carga de los indicadores para analizar la causalidad. Por otra parte, en cuanto a las fiabilidades compuestas, podemos afirmar que todos los constructos gozan de consistencia interna al presentar valores superiores a 0,7 (Bagozzi & Yi, 1988; Hair et al., 2011; Nunnally, 1978). Para evaluar la validez convergente, Fornell & Larker (1981) sugieren el uso de la varianza media extraída (AVE). La recomendación de Fornell & Larker es que la varianza extraída media o AVE >= 0.50, lo que podemos interpretar como que más del 50% de la varianza del constructo es debida a sus indicadores. En la tabla 2, se pueden observar los ítems utilizados y que todos los valores superan 0,5. Constructos Alfa de Cronbach Fiabilidad compuesta AVE Complejidad tecnológica 0,899 0,923 0,754 Formación 0,958 0,968 0,857 Soporte y Apoyo 0,794 0,906 0,829 Intención de uso 0,800 0,909 0,833 Tabla 2 – Alfa de Cronbach y fiabilidad compuesta En cuanto a la validez discriminante podemos decir que marca en qué medida un constructo es diferente de otros. Además, señala correlaciones de carácter débil entre constructos. Para dicho examen, se utilizan dos tipos de análisis. Por un lado, el primer análisis (ver tabla 3) consiste en chequear que la raíz cuadrada de la varianza extraída media (AVE) es mayor que la relación entre el constructo y el resto de constructos del modelo (Fornell & Larcker, 1981). El segundo análisis, consiste en validar la matriz de cargas cruzadas (cross loadings), donde las cargas indican las correlaciones entre los resultados de un constructo y sus indicadores. Además, debemos observar que las cargas cruzadas vienen reflejadas por las correlaciones entre las puntuaciones de un constructo y la de los indicadores de otros constructos (Henseler et al., 2009). En cuanto a la matriz de cargas cruzadas o cross loading, decir que ahora todos los valores respectivos superan a los del mismo constructo. Se adjunta un resumen de los constructos afectados (ver tabla 4). Hasta ahora hemos visto si el modelo cuenta con pruebas de fiabilidad y validez contrastadas. La siguiente etapa, se caracterizará por el minucioso análisis del modelo 96 RISTI, N.º 22, 06/2017 La adopción de la tecnología cloud computing (SaaS): efectos de la complejidad tecnológica vs formación y soporte estructural que se llevará a cabo. En él, se contratarán las hipótesis y las relaciones entre los distintos constructos para ver si obedecen o no las relaciones establecidas en el modelo original (Ching & Newsted, 1999, Henseler et al., 2009, 2012; Hair et al., 2012). La explicación de la varianza se hace a partir de la cantidad de varianza de los indicadores reflectivos que es explicada por los constructos (Chin, 2010; Barclay et al., 1995). Su identificación se hace con el cálculo de los valores de R2 o medida básica de cantidad de varianza del constructo que es explicada por el modelo. La significación de los caminos se obtiene básicamente por la técnica bootstrap, que permite la obtención de valores t, intervalos de confianza (prueba no paramétrica) y también se pueden incluir discusiones sobre el test de Stone-Geisser (que arroja el indicador Q2). Constructos CT FP IU SA Complejidad Tecnológica 0,568 Formación del Personal -0,141 0,734 Intención de uso -0,37 0,453 0,693 Soporte y Apoyo -0,247 0,705 0,467 0,687 Tabla 3 – Correlaciones de los constructos Items Complejidad Técnica Formación Profesional Intención de uso Soporte y Apoyo CT1 0,647 0,008 -0,037 -0,157 CT2 0,943 -0,055 -0,371 -0,222 CT3 0,922 -0,173 -0,315 -0,219 CT4 0,926 -0,184 -0,363 -0,249 FP1 -0,204 0,928 0,468 0,675 FP2 0,013 0,83 0,309 0,54 FP3 -0,128 0,95 0,425 0,655 FP4 -0,144 0,966 0,436 0,704 FP5 -0,147 0,948 0,431 0,672 IU1 -0,372 0,384 0,913 0,419 IU2 -0,303 0,443 0,913 0,433 SA1 -0,288 0,621 0,452 0,923 SA2 -0,153 0,668 0,395 0,898 Tabla 4 – Matriz de cargas cruzadas 97 RISTI, N.º 22, 06/2017 RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação Fuente: elaboración propia. (CT) Complejidad tecnológica, (FP) Formación del Personal, (IU) Intención de uso y SA (Soporte y Apoyo). Los Niveles de R2 estudiados arrojan las siguientes conclusiones (Chin, 1998): 0,67 “ Sustancial “, 0,33 “ Moderado “ y 0,19 “ Débil “. Como es natural, aquellas variables que no son endógenas no tienen valor R2. Ante estos resultados debemos analizar a los autores Falk & Miller (1992), los cuales proponen un umbral predictivo >= 0,1. Esto explicaría que el modelo cuenta con un alto valor predictivo y su capacidad de explicar constructos endógenos. Los resultados obtenidos reflejan que el constructo Intención de Uso obtiene R2= 0,322 que está en el umbral de moderado. Los valores Q2, utilizados para calcular la relevancia predictiva del modelo (Stone, 1974; Geisser, 1975), son todos mayores que 0, por lo que nuestro modelo muestra un adecuado ajuste, ya que Q2=0,237. La evaluación se lleva a cabo mediante análisis bootstrapping en PLS para al menos 5.000 muestras y 150 casos (Hair et al., 2011). Todos los valores de los coeficientes de regresión o coeficientes β correspondientes a las relaciones entre los constructos del modelo son >= 0,2 (Chin, 1998) y cumplen la segunda condición, ya que cuentan con un t estadístico superior al valor 1,64. Concretamente, la revisión de la tabla 5 nos permite alcanzar la conclusión de que prácticamente todos los caminos son significativos. Siendo los más significativos: Complejidad Tca à Intención de Uso 10,36% y Formación à Intención de Uso 11,95%. Para profundizar en nuestro estudio, en la siguiente Tabla 5 se recuerdan los valores de R2 y de los coeficientes β, además de mostrar las correlaciones y la varianza explicada de todas las relaciones entre constructos del Modelo. Constructo R2βCorrelación Varianza explicada INTENCIÓN DE USO 0,322 32,2% Complejidad Técnica à Intención de Uso -0,280 -0,370 10,36% Formación à Intención de Uso 0,264 0,453 11,95% Soporte y Apoyoà Intención de Uso 0,212 0,467 9,9% Tabla 5 – Efectos sobre las variables endógenas 5. Discusión de los resultados El grado de cumplimiento de las hipótesis es si o no, es decir aceptación o no de la hipótesis plateada. Esto se hará en base a dos variables: path y estadístico t. Hay que recordar que este valor representa los coeficientes path o lo que es lo mismo: los pesos de regresión estandarizados. Ante estos resultados se puede indicar que a excepción de una hipótesis, 104 RISTI, N.º 22, 06/2017 La adopción de la tecnología cloud computing (SaaS): efectos de la complejidad tecnológica vs formación y soporte OLIVEIRA, T., THOMAS, M., & ESPADANAL, M. (2014). Assessing the determinants of cloud computing adoption: An analysis of the manufacturing and services sectors. Information & Management, 51(5), 497–510. PALOS, P.R., & CORREIA, M.B. (2016). La actitud de los recursos humanos de las organizaciones ante la complejidad de las aplicaciones SaaS. Dos Algarves: A Multidisciplinary e-Journal, (28), 87–103. doi:10.18089/DAMeJ.2016.28.6 PALOS P.R., & CORREIA, M. (2017). The Paradigm of the Cloud and Web Accessibility and its Consequences in Europe. In Proceedings of the 7th International Conference on Software Development and Technologies for Enhancing Accessibility and Fighting Info-exclusion (DSAI 2016). ACM. Vila Real, Portugal. doi:10.1145/3019943.3019995 PALOS-SÁNCHEZ, P. R., ARENAS-MÁRQUEZ, F. J., & AGUAYO-CAMACHO, M. (2017a). Determinants of Adoption of Cloud Computing Services by Small, Medium and Large Companies. Journal of Theoretical & Applied Information Technology, 95(6) 1273. PALOS-SANCHEZ, P. R., ARENAS-MARQUEZ, F. J., & AGUAYO-CAMACHO, M. (2017b). Cloud Computing (SaaS) adoption as a strategic technology: Results of an empirical study. Mobile Information Systems, 2017. Retrieved from https://www. hindawi.com/journals/misy/aip/2536040/ PEARSON, S. (2011). Toward accountability in the cloud. IEEE Computer Society, 15(4), 64–69. PREMKUMAR, G., & ROBERTS, M. (1999). Adoption of new information technologies in rural small businesses. Omega, 27(4), 467–484. RAJAN, C.A. & BARAL, R. (2015). Adoption of ERP system: An empirical study of factors influencing the usage of ERP and its impact on end user. IIMB Management Review, 27(2), 105–117. ROGERS, E. M., & SHOEMAKER, F. F. (1971). Communication of Innovations; A Cross- Cultural Approach. New York: Free press. SÁ, F., & ROCHA, Á. (2012). Definição da arquitetura de informação em organismo da administração pública local. RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação, (10), 51–64. SCHILL, A. (2011). Information dispersion over redundant arrays of optimal cloud storage for desktop top users. In Proceedings of the 4th IEEE International Conference on Utility and Cloud Computing (UCC). Melbourne, Australia. SCHILLEWAERTA, N., AHEARNEB, M. J., FRAMBACHC, R. T., & MOE-NAERTD, R. K. (2005). The adoption of information technology in the sales force. Industrial Marketing Management, 34(4), 323–336. SENK, C. (2013). Adoption of security as a service. Journal of Internet Services and Applications, 4, 11. 105 RISTI, N.º 22, 06/2017 RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação SOMERS, T., & NELSON, K. (2003). The impact of strategy and integration mechanisms on enterprise system value: empirical evidence from manufacturing firms. European Journal of Operational Research, 146(2), 315–338. SON, H., PARK, Y., KIM, C., & CHOU, J. (2012). Toward an understanding of construction professionals’ acceptance of mobile computing devices in South Korea: An extension of the technology acceptance model. Automation in Construction 28, 82–90. SON, J. Y., & BENBASAT, I. (2007). Organizational buyers’ adoption and use of B2B electronic marketplaces: efficiency-and legitimacy-oriented perspectives. Journal of management information systems, 24(1), 55–99. SPILLNER, J., BOMBACH, G., MATTHISCHKE, S., MULLER, J., TZSCHICHHOLZ, R., & STONE M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society Series B 36, 1974, 111–133. TAYLOR, S., & TODD, P. A. (1995). Understanding information technology usage: A test of competing models. Information systems research, 6(2), 144–176. TORRES, J. (2011). Empresas en la Nube. Ventajas y retos del Cloud Computing. Barcelona: Libros de Cabecera. TSAI, M., LEE, W. & WU, H. (2010). Determinants of RFID adoption intention: evidence from Taiwanese retail chains. Information Management, 47, 255–261. VAQUERO, L. M., RODERO-MERINO, L., CACERES, J., & LINDNER, M. (2009). A break in the clouds: Towards a cloud definition. Computer Communication Review, 39(1), 50–55. VILE, A., & LIDDLE, J. (2009). The Savvy guide to HPC, grid, data grid, virtualization and cloud computing. The Savvy Guide To Ltd. VOUK, M. (2008). Cloud computing - issues, research and implementations,. Journal Computer Information Technology, 16, 235– 246. WALTERBUSCH, M., MARTENS, B., & TEUTEBERG, F. (2013). Evaluating cloud computing services from a total cost of ownership perspective. Management Research Review, 36(6), 613–638. WANG, C., CHOW, S., WANG, Q., REN, K. & LOU, W., (2013). Privacy-preserving public auditing for secure cloud storage. IEEE Transactions on Computers, 62(2), 362–375. WERTS, C. E., LINN, R. L. & JÖRESKOG, K. G. (1974). Intraclass reliability estimates: Testing structural assumptions. Educational and Psychological measurement, 34(1), 25–33. WU, W. W. (2011). Developing an explorative model for SaaS adoption. Expert systems with applications, 38(12), 15057–15064. WU, W.-W., LAN, L., & LEE, Y.-T. (2011). Exploring decisive factors affecting an organization’s SaaS adoption: a case study. International Journal Information Management, 31, 556–563.