Digitale Transformation im Bankwesen: Welche IT-Investitionen erhöhen die Eigenkapitalrentabilität und Kundenzufriedenheit?

Heinrich, Carlo Honoré; Lehrbass, Frank Research Report Digitale Transformation im Bankwesen: Welche ITInvestitionen erhöhen die Eigenkapitalrentabilität und Kundenzufriedenheit? ifes Schriftenreihe, No. 31 Provided in Cooperation with: ifes Institut für Empirie & Statistik, FOM Hochschule für Oekonomie & Management Suggested Citation: Heinrich, Carlo Honoré; Lehrbass, Frank (2024) : Digitale Transformation im Bankwesen: Welche IT-Investitionen erhöhen die Eigenkapitalrentabilität und Kundenzufriedenheit?, ifes Schriftenreihe, No. 31, ISBN 978-3-89275-438-1, MA Akademie Verlagsund Druck-Gesellschaft mbH, Essen This Version is available at: https://hdl.handle.net/10419/302920 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. https://creativecommons.org/licenses/by/4.0/ Bianca Krol (Hrsg.) ifes Schriftenreihe Band 31 iiffeses Institut für Empirie & Statistik an der FOM Hochschule für Oekonomie & Management iiffeses Institut für Empirie & Statistik der FOM Hochschule für Oekonomie & Management Digitale Transformation im Bankwesen: Welche IT-Investitionen erhöhen die Eigenkapitalrentabilität und Kundenzufriedenheit? ~ Carlo Honoré Heinrich, Frank Lehrbass Mit runds 50.000 Studierenden ist die FOM eine der größten Hochschulen Europas und führt seit 1993 Studiengänge für Berufstätige durch, die einen staatlich und international anerkannten Hochschulabschluss (Bachelor/Master) erlangen wollen. Die FOM ist der anwendungsorientierten Forschung verpflichtet und verfolgt das Ziel, adaptionsfähige Lösungen für betriebliche bzw. wirtschaftsnahe oder gesellschaftliche Problemstellungen zu generieren. Dabei spielt die Verzahnung von Forschung und Lehre eine große Rolle: Kongruent zu den Masterprogrammen sind Institute und KompetenzCentren gegründet worden. Sie geben der Hochschule ein fachliches Profil und eröffnen sowohl Wissenschaftlerinnen und Wissenschaftlern als auch engagierten Studierenden die Gelegenheit, sich aktiv in den Forschungsdiskurs einzubringen. Weitere Informationen finden Sie unter fom.de FOM Hochschule KCC KompetenzCentrum für Corporate Social Responsibility der FOM Hochschule für Oekonomie & Management iiffeses Institut für Empirie & Statistik an der FOM Hochschule für Oekonomie & Management iiffeses Institut für Empirie & Statistik der FOM Hochschule für Oekonomie & Management Zunehmende Digitalisierung erfordert und ermöglicht datenbasierten Erkenntnisgewinn und fundiertes unternehmerisches Handeln. Um aus den allgegenwärtigen Daten die richtigen Schlüsse zu ziehen, ist überall eine kritische Methodenkompetenz erforderlich. Der wissenschaftliche Fokus der ifes-Akteure liegt dabei in den Bereichen der empirischen Unternehmens-, Marktund Konsumentenforschung, der angewandten Statistik, des Data Minings und der Finanzstatistik. Das ifes verfolgt das Ziel, empirische Kompetenzen an der FOM zu bündeln und die angewandte Forschung im empirischen Bereich der Hochschule weiter voranzutreiben. Damit nimmt das ifes eine zentrale Stellung im Bereich der Entwicklung und Unterstützung der Methodenausbildung in der Lehre der Bachelorund Masterstudiengänge sowie im Promotionsprogramm der FOM ein. Weitere Informationen finden Sie unter fom-ifes.de ifes ISSN (Print) 2191-3366 ISSN (eBook) 2569-5355ISBN (eBook) 978-3-89275-438-1 ISBN (Print) 978-3-89275-437-4 Der Wissenschaftsblog der FOM Hochschule Der Wissenschaftsblog der FOM Hochschule bietet Einblicke in die vielfältigen Themen, zu denen an der FOM geforscht wird: fom-blog.de Dieses Werk ist lizenziert unter CC BY 4.0: Creative Commons Namensnennung 4.0 International. Diese Lizenz erlaubt unter den Voraussetzungen der Lizenzbedingungen, u. A. der Namensnennung der Urheberin oder des Urhebers, der Angabe der CC-Lizenz (inkl. Link) und der ggf. vorgenommenen Änderungen die Bearbeitung, Vervielfältigung und Verbreitung des Materials in jedem Format oder Medium für beliebige Zwecke. Die Rechte und Pflichten in Zusammenhang mit der Lizenz ergeben sich ausschließlich aus dem Lizenzinhalt: CC BY 4.0 Deed | Namensnennung 4.0 International | Creative Commons | https://creativecommons.org/licenses/ by/4.0/legalcode.de. Die Bedingungen der Creative-Commons-Lizenz gelten nur für Originalmaterial. Die Wiederverwendung von Material aus anderen Quellen (gekennzeichnet mit Quellenangabe) wie z. B. von Schaubildern, Abbildungen, Fotos und Textauszügen erfordert ggf. weitere Nutzungsgenehmigungen durch den jeweiligen Rechteinhaber. Dieses Werk wird herausgegeben vom ifes Institut für Empirie & Statistik der FOM Hochschule für Oekonomie & Management gGmbH Verlag: MA Akademie Verlagsund Druck-Gesellschaft mbH, Leimkugelstraße 6, 45141 Essen [email protected] Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliographie; detaillierte bibliographische Daten sind im Internet über http://dnb.d-nb.de abrufbar. Carlo Honoré Heinrich, Frank Lehrbass Digitale Transformation im Bankwesen: Welche IT-Investitionen erhöhen die Eigenkapitalrentabilität und Kundenzufriedenheit? ifes Institut für Empirie & Statistik der FOM Hochschule für Oekonomie & Management ifes Schriftenreihe Band 31, 2024 ISBN (Print) 978-3-89275-437-4 ISSN (Print) 2191-3366 ISBN (eBook) 978-3-89275-438-1 ISSN (eBook) 2569-535 ifes Schriftenreihe, Band 31 Abstract ifes Institut für Empirie & Statistik | www.fom-ifes.de II Abstract In einer panel-ökonometrischen Studie von 6 international operierenden Banken über 37 Quartale untersuchen wir vier verschiedene Digitalisierungsmaßnahmen hinsichtlich ihres Effekts auf den Return on Equity. Ein Fixed-Effects-Modell mit einem R² von 36% zeigt auf, dass der RoE bei Vorliegen einer Kreditabwicklung, die komplett online möglich ist, signifikant höher ist. Die übrigen Maßnahmen sind ohne Effekt. Mit Blick auf die Kundenzufriedenheit sind Systemund Performance-Updates von zentraler Bedeutung. ifes Schriftenreihe, Band 31 Inhaltsverzeichnis ifes Institut für Empirie & Statistik | www.fom-ifes.de III Inhaltsverzeichnis Abstract……………. .......................................................................................... II Inhaltsverzeichnis .............................................................................................. III Abbildungsverzeichnis....................................................................................... IV Formelverzeichnis .............................................................................................. V Abkürzungsverzeichnis...................................................................................... VI 1 Einleitung…… .............................................................................................. 7 1.1 Zielsetzung und Motivation ................................................................... 8 1.2 Aufbau der Studie ................................................................................. 9 2 Theoretische Grundlagen ............................................................................10 2.1 Vorstellung der Banken .......................................................................10 2.2 Begriffserklärung.................................................................................13 2.2.1 Digitale Technologien im Bankensektor ....................................13 2.2.2 Performance Messung von Banken ...........................................14 2.2.3 Resilienz von Banken ................................................................16 2.2.4 Kundeninteraktion und -bindung ..............................................16 3 Methodik……. ...........................................................................................18 3.1 Hypothesenbildung .............................................................................18 3.2 Datenquellen und Datenerhebung ......................................................18 3.3 Modell zur Messung und Analyse der Hypothesen ..............................19 4 Auswirkung der Digitalisierung auf die finanzielle Performance und Resilienz von Banken ..................................................................................21 4.1 Auswahl der Variablen und Datensatzbeschreibung ............................21 4.2 Einsatz der Panelregression zur Analyse der Determinanten des Return on Equity .................................................................................26 4.3 Implementierung der Digitalisierungsdummies ....................................28 4.4 Ergebnisse und Diagnostik ..................................................................28 5 Auswirkung der Digitalisierung auf Kundenbindung und -zufriedenheit .....33 5.1 Auswahl der Variablen und Datensatzbeschreibung ............................33 5.2 Einsatz der Panelregression zur Analyse der Determinanten von Kundenbewertungen ..........................................................................34 5.3 Ergebnisse und Diagnostik ..................................................................36 6 Fazit………. ................................................................................................39 6.1 Diskussion ...........................................................................................40 6.2 Ausblick ..............................................................................................41 Anhang………. ................................................................................................42 Literaturverzeichnis ..........................................................................................43 ifes Schriftenreihe, Band 31 Abbildungsverzeichnis ifes Institut für Empirie & Statistik | www.fom-ifes.de IV Abbildungsverzeichnis Abbildung 1: Pooled Regression ..................................................................26 Abbildung 2: FEM .......................................................................................27 Abbildung 3: F-Test .....................................................................................27 Abbildung 4: REM .......................................................................................27 Abbildung 5: Hausmann Test ......................................................................27 Abbildung 6: FEM inkl. Dummies ................................................................28 Abbildung 7: Fixed Effects ...........................................................................28 Abbildung 8: Output Pooled Regression ......................................................29 Abbildung 9: Output FEM ...........................................................................30 Abbildung 10: Output F-Test .........................................................................30 Abbildung 11: Output REM ...........................................................................31 Abbildung 12: Output Hausmann Test ..........................................................31 Abbildung 13: Output FEM inkl. Dummies ....................................................32 Abbildung 14: Output Fixed Effects ...............................................................32 Abbildung 15: FEM H2 ..................................................................................35 Abbildung 16: Fixed Effects H2 .....................................................................35 Abbildung 17: Output FEM H2 ......................................................................35 Abbildung 18: Output FEM 5 Sterne .............................................................36 Abbildung 19: Fixe Effekte je Bank 5 Sterne ..................................................37 Abbildung 20: Output FEM 1 Stern ...............................................................37 Abbildung 21: Fixe Effekte je Bank 1 Stern ....................................................38 ifes Schriftenreihe, Band 31 Formelverzeichnis ifes Institut für Empirie & Statistik | www.fom-ifes.de V Formelverzeichnis Formel 1: Klassischer ROE ..............................................................................15 Formel 2: Regressionsgleichung FEM .............................................................21 Formel 3: Regressionsgleichung REM .............................................................22 Formel 4: ROE ...............................................................................................22 Formel 5: CIR.................................................................................................23 Formel 6: CAR ...............................................................................................23 ifes Schriftenreihe, Band 31 Abkürzungsverzeichnis ifes Institut für Empirie & Statistik | www.fom-ifes.de VI Abkürzungsverzeichnis AG Aktiengesellschaft BAC Bank of America CAR Kapitaladequänz CBK Commerzbank AG CIR Cost-Income-Ratio CTO Chief Technology Officer DBK Deutsche Bank AG FEM Fixed-Effects-Modell H1 Hypothese 1 H2 Hypothese 2 HSBC Hongkong and Shanghai Banking Corporation Holdings plc JPM JPMorgan Chase & Co KI Künstliche Intelligenz REM Random-Effects-Modell ROE Return on Equity WFC Wells Fargo & Company In dieser Arbeit wird aus Gründen der besseren Lesbarkeit das generische Maskulinum verwendet. Die gewählte männliche Form bezieht sich immer zugleich auf weibliche, männliche und diverse Personen. ifes Schriftenreihe, Band 31 Theoretische Grundlagen ifes Institut für Empirie & Statistik | www.fom-ifes.de 13 Im Jahr 2023 betrug die Bilanzsumme von BAC 3.180 Milliarden US-Dollar19 und es waren etwa 213.000 Vollzeit-Mitarbeiter angestellt.20 2.2 Begriffserklärung Nachstehend werden digitale Technologien und das Konzept der Perfomance bis hin zur Kundenbindung erläutert. 2.2.1 Digitale Technologien im Bankensektor Digitale Technologien im Bankensektor umfassen die Anwendung moderner und zum Teil auch innovativer Informationsund Kommunikationstechnologien zur Verbesserung der Bankdienstleistungen, Bankoperationen und Kundenfreundlichkeit. Relevante digitale Technologien im Banksektor sind unter anderem: Mobile Banking, also das Anbieten von Bankdienstleistungen am mobilen Endgerät des Kunden, Künstliche Intelligenz (KI) zum Beispiel der Einsatz von maschinellem Lernen zur Verbesserung der Effizienz und Personalisierung von Bankdienstleistungen in Bereichen wie Kreditbewertung, Betrugserkennung und Kundenservice. Künstliche Intelligenz bezieht sich auf die Fähigkeit von Computern und Maschinen, Aufgaben auszuführen, die typischerweise menschliche Intelligenz erfordern. Diese Aufgaben umfassen unter anderem das Erkennen von Sprache, das Lernen aus Erfahrungen, das Problemlösen und das Treffen von Entscheidungen.21 Oder auch Blockchain und Distributed Ledger Technology (DLT) zum Beispiel zur sicheren und transparenten Durchführung von Transaktionen. Digitalisierungsmaßnahmen umfassen aber auch Banking-as-a-Service (BaaS), ein Geschäftsmodell bei dem Banken ihre Infrastrukturen und Dienste über APIs (Application Programming Interfaces) anderen Unternehmen zur Verfügung stellen. Dies ermöglicht es Nichtbanken, Finanzdienstleistungen in ihre eigenen Produkte zu integrieren.22 19 Vgl. Bank of America. Annual Report 2023. Charlotte: Bank of America, 2024. 64. 20 Vgl. Bank of America. Annual Report 2023. Charlotte: Bank of America, 2024. 9. 21 Vgl. Hechler, Eberhard, Martin Oberhofer, und Thomas Schaeck. "Artificial intelligence (AI) refers to the capability of computers and machines to perform tasks that typically require human intelligence." In Einsatz von KI im Unternehmen: IT-Ansätze für Design, DevOps, Governance, Change Management, Blockchain und Quantencomputing, 4. Springer, 2023. https://doi.org/10.1007/978-1-4842-9566-3. 22 Vgl. Daniel Broby. "Financial technology and the future of banking." Financial Innovation, 7 (2021): 1-19. https://doi.org/10.1186/s40854-021-00264-y. ifes Schriftenreihe, Band 31 Theoretische Grundlagen ifes Institut für Empirie & Statistik | www.fom-ifes.de 14 Diese digitalen Technologien haben das Potenzial, das Bankwesen grundlegend zu verändern, indem sie die Effizienz steigern, Kosten senken und neue Dienstleistungen und Geschäftsmodelle ermöglichen.23 Gleichzeitig ist die Digitalisierung im Bankensektor auch eine Reaktion des Bankensektors auf die zunehmende Verbreitung digitaler Technologien und die damit einhergehenden sich ändernden Kundenbedürfnisse. So werden immer mehr flexible, effiziente und personalisierte Bankdienstleistungen verlangt.24 Zusammenfassend lässt sich sagen: Die Digitalisierung im Bankwesen ist von zentraler Bedeutung. Der Einsatz digitaler Technologien ermöglicht eine effizientere, sicherere und kundenorientiertere Bereitstellung von Finanzdienstleistungen und erweist Innovationspotential. Dabei stehen Banken vermehrt im Wettbewerb mit FinTech-Unternehmen, die ebenfalls digitale Finanzdienstleistungen anbieten. Fintechs ermöglichen durch den geschickten Einsatz digitaler Technologien oft kostengünstigere und benutzerfreundlichere Lösungen an, wodurch der Wettbewerbsdruck auf traditionelle Banken wächst. 25 2.2.2 Performance Messung von Banken Neely, Gregory, und Platts beschrieben im Jahr 1995 die traditionelle Ansicht von Performance als den Prozess der Quantifizierung der Effizienz und Effektivität von Handlungen.26 Bereits im Jahr 1992 erweiterten Kaplan und Norton den traditionellen Fokus durch die Einführung einer Balanced Scorecard, die neben finanziellen auch 23 Vgl. Feyen, Erik, Jon Frost, Leonardo Gambacorta, Harish Natarajan, und Matthew Saal. Fintech and the Digital Transformation of Financial Services: Implications for Market Structure and Public Policy. Bank for International Settlements, Juli 2021. 11. 24 Vgl. Zouari, Ghazi, und Marwa Abdelhedi. "Customer satisfaction in the digital era: evidence from Islamic banking." Journal of Innovation and Entrepreneurship 10, no. 9 (2021): 1-18. Zugriff am 18. Mai 2024. https://innovation-entrepreneurship.springeropen.com/articles/10.1186/s13731-021-00151-x. 25 Vgl. Tayazime, Jihane, und Aziz Moutahaddib. "Banks and FinTech Relationship in a Digital Transformation Context." European Scientific Journal 18, no. 12 (2022): 106. https://doi.org/10.19044/esj.2022.v18n12p106. 26 Vgl. Neely, Andy, Mike Gregory, und Ken Platts. "Performance Measurement System Design: A Literature Review and Research Agenda." International Journal of Operations & Production Management 15, no. 4 (1995): 80-116. ifes Schriftenreihe, Band 31 Theoretische Grundlagen ifes Institut für Empirie & Statistik | www.fom-ifes.de 15 nicht-finanzielle Leistungsindikatoren umfasst und die vier Perspektiven finanzielle Perspektive, Kundenperspektive, interne Geschäftsprozesse sowie Lernen und Wachstum , berücksichtigt. 27 Richard et al. ergänzten diese Definition 2009, indem sie Unternehmensperformance in drei spezifische Bereiche unterteilen: finanzielle Performance (Gewinne, Kapitalrendite), Marktperformance (Verkäufe, Marktanteil) und Aktionärsrendite (Gesamtrendite, wirtschaftlicher Mehrwert). Diese umfassende Betrachtung ermöglicht eine ganzheitliche Bewertung der organisatorischen Leistung.28 In der Finanzwissenschaft allgemein und auch spezifisch zur Betrachtung von Banken, wird die Finanzielle Performance klassischerweise über den Return on Equity (ROE) gemessen. Der ROE repräsentiert die Rentabilität eines Unternehmens in Bezug auf das Eigenkapital der Anteilseigner und wird als wichtiger Indikator für die finanzielle Effizienz einer Bank betrachtet.29 Die klassische Formel zur Ermittlung des ROE lautet: Formel 1: Klassischer ROE Der errechnete Wert zeigt, wie effektiv eine Bank ihr Kapital einsetzt, um Gewinne zu generieren, und wird als Prozentzahl ausgedrückt, die den Jahresgewinn im Verhältnis zum Eigenkapital darstellt. Ein höherer ROE weist auf eine effizientere Nutzung des Kapitals hin und wird in der Regel als Zeichen für eine starke finanzielle Leistung angesehen. 27 Vgl. Kaplan, Robert S., und David P. Norton. "The Balanced Scorecard: Measures that Drive Performance." Harvard Business Review 70, no. 1 (1992): 71-79. 28 Vgl. Richard, Pierre J., Timothy M. Devinney, George S. Yip, und Gerry Johnson. "Measuring Organizational Performance: Towards Methodological Best Practice." Journal of Management 35, no. 3 (2009): 718-804. 29 Vgl. Klaassen, Pieter, und Idzard van Eeghen. "Analyzing Bank Performance: Linking ROE, ROA and RAROC." SSRN, 2016. Seite 2. Zugriff am 18. Mai 2024. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2389443. ifes Schriftenreihe, Band 31 Theoretische Grundlagen ifes Institut für Empirie & Statistik | www.fom-ifes.de 16 2.2.3 Resilienz von Banken Unter Resilienz versteht man die Fähigkeit eines Systems oder einer Organisation, Schocks und Stresssituationen zu bewältigen und sich davon zu erholen. Im Bankensektor bedeutet Resilienz die Fähigkeit einer Bank, auf makroökonomische Schocks und Finanzkrisen zu reagieren und dabei ihre grundlegenden Funktionen aufrechtzuerhalten.30 In der Finanzwissenschaft wird die Resilienz von Banken durch verschiedene Kennzahlen und Faktoren gemessen, die sich auf die Kapitalausstattung, die Liquiditätsposition und das Risikomanagement konzentrieren. Die Messung der Resilienz einer Bank ist beispielsweise über die Kennzahl der Kapitaladäquanz, die aus dem Kapitaldeckungsgrad ermittelt wird, möglich. Diese Kennzahl zeigt, wie gut eine Bank in der Lage ist, Verluste zu absorbieren ohne ihre Zahlungsfähigkeit zu gefährden. Die Basel-III-Regulierungen betonen die Bedeutung einer starken Kapitalbasis, um die Widerstandsfähigkeit der Banken zu erhöhen.31 Auch effektives Risikomanagement ist entscheidend für die Resilienz von Banken. Dazu gehören Strategien zur Risikodiversifizierung, Stresstests und die Überwachung von Kreditrisiken. Diese Maßnahmen helfen Banken, potenzielle Risiken frühzeitig zu erkennen und geeignete Gegenmaßnahmen zu ergreifen. 2.2.4 Kundeninteraktion und -bindung Kundeninteraktion in digitalisierten Banken umfasst die Methoden und Strategien, die Banken verwenden, um mit ihren Kunden durch digitale Kanäle zu kommunizieren. Dies kann etwa via Online-Banking, mobile Apps, Chatbots oder soziale Medien erfolgen. Ziel ist es, den Kunden ein nahtloses, effizientes und personalisiertes Erlebnis zu bieten, wobei digitale Technologien genutzt werden, um auf die Bedürfnisse 30 Vgl. Chen, Ruijun, Yaping Xie, und Yingqi Liu. "Defining, Conceptualizing, and Measuring Organizational Resilience: A Multiple Case Study." Sustainability 13, no. 5 (2021): 2517. 4. Zugriff am 18. Mai 2024. https://doi.org/10.3390/su13052517. 31 Vgl. Habib, Shahana, und Kamrul Hasan. "Resilience of commercial banks of Bangladesh to the shocks caused by COVID-19 pandemic: an application of MCDM-based approaches." Emerald Insight, 2022. Zugriff am 18. Mai 2024. https://www.emerald.com/insight/content/doi/10.1108/IJOEM-03-2022-0463/full/html. ifes Schriftenreihe, Band 31 Theoretische Grundlagen ifes Institut für Empirie & Statistik | www.fom-ifes.de 17 und Wünsche der Kunden einzugehen und jederzeit Funktionalität zu gewährleisten.32 Kundenbindung wird sowohl als die Loyalität und das Engagement, das Kunden gegenüber der Brand zeigen33, als auch als die Bereitschaft des Kunden positive Mundpropaganda für den Service beziehungsweise die Marke zu verbreiten34, definiert. 32 Vgl.Chauhan, Shilpa, Asif Akhtar, und Ashish Gupta. "Customer experience in digital banking: a review and future research directions." International Journal of Quality and Service Sciences 14, no. 2 (2022): 311-348. Zugriff am 18. Mai 2024. https://doi.org/10.1108/IJQSS-02-2021-0027. 33 Vgl. Oliver, Richard L. "Whence consumer loyalty?" Journal of Marketing 63, no. 4 (1999): 3344. 34 Vgl. Reichheld, Frederick F. "The one number you need to grow." Harvard Business Review 81, no. 12 (2003): 46-54. ifes Schriftenreihe, Band 31 Methodik ifes Institut für Empirie & Statistik | www.fom-ifes.de 18 3 Methodik Der Bildung der Hypothesen folgt eine Benennung der Datenquellen und Panelmethoden. 3.1 Hypothesenbildung Basierend auf der bisherigen Literatur und den theoretischen Grundlagen dieser Arbeit, wird die folgende Haupt-Hypothese formuliert: Hypothese 1 (H1): Die Implementierung digitaler Technologien im Bankensektor hat einen positiven Einfluss auf die finanzielle Performance und Resilienz gegenüber externen Schocks. Diese Hypothese basiert auf der Annahme, dass digitale Technologien die Effizienz steigern, Kosten senken und neue Einnahmequellen schaffen, was zu einer besseren finanziellen Performance führt. Außerdem wird angenommen, dass Banken durch den Einsatz digitaler Technologien flexibler und anpassungsfähiger werden, was ihre Fähigkeit verbessert, auf unerwartete Krisen zu reagieren. Zusätzlich wird die folgende Annahme geprüft: Hypothese 2 (H2): Die Nutzung digitaler Kanäle verbessert die Kundenbindung und -zufriedenheit im Bankensektor. Diese Hypothese basiert auf der Annahme, dass digitale Interaktionen ein nahtloses, effizientes und personalisiertes Kundenerlebnis bieten, was die Kundenloyalität stärkt. Das Hauptaugenmerk dieser Studie liegt auf der Untersuchung der Hypothese H1, während Hypothese H2 eine unterstützende Rolle spielt. 3.2 Datenquellen und Datenerhebung Für beide der zu untersuchenden Hypothesen wurde ein eigener Datensatz angelegt. Dabei wurden sowohl primär als auch sekundär Daten verwendet. Bei der Hypothese H1 wurden die finanziellen Kennzahlen der Refinitiv Datenbank und den Geschäftsberichten der Banken entnommen. Die Daten zu den einzelnen Dummies wurden manuell aus den Customer-Relations Bereichen der Banken und Webrecherchen zusammengetragen. ifes Schriftenreihe, Band 31 Methodik ifes Institut für Empirie & Statistik | www.fom-ifes.de 19 Die Daten der Hypothese H2 stammen hauptsächlich aus dem Onlinetool „APPFollow“35. Die einzelnen Dummies wurden erneut manuell aus den Customer-Relations Bereichen der Banken und Webrecherchen zusammengetragen. 3.3 Modell zur Messung und Analyse der Hypothesen Zur ökonometrischen Analyse der Hypothesen wird ein Regressionsmodell verwendet. Regressionsmodelle modellieren die Einflüsse und Beziehung zwischen einer abhängigen Variable und beliebig vielen unabhängigen Variablen.36 Für diese Studie wurde aus den Daten der sechs in „Kapitel 2“ vorgestellten Banken ein Paneldatensatz erstellt. Bei der Panelregression werden Daten von denselben Subjekten zu verschiedenen Zeitpunkten mehrfach erhoben. Die dazugehörigen Daten werden als Paneldaten bezeichnet.37 Paneldatenbieten bieten den Vorteil, dass Variationen über die Zeit erfasst und analysiert werden können. Außerdem wird die Heterogenität der Untersuchungssubjekte berücksichtigt und die Kombination von Zeitreihen mit Querschnittsdaten beinhaltet mehr Informationen als reine Querschnittsdaten.38 Zur Analyse von Paneldaten eignen sich grundsätzlich Fixed-Effectsund Random-Effects-Modelle. Beim FEM wird angenommen, dass keine Autokorrelation zwischen verschiedenen Subjekten und Zeitpunkten herrscht, und dass es keine Korrelation zwischen dem allgemeinen Fehlerterm und den erklärenden Variablen gibt.39 Im Fixed-Effects-Modell (FEM) wird das Beta (β), also die Stärke und Richtung des Einflusses einer unabhängigen Variable auf die abhängige Variable, als fest 35 Vgl. AppFollow: My First Workspace." Zuletzt zugegriffen am 18. Mai 2024, 12:10. https://watch.appfollow.io/apps/my-first-workspace?appType=apps&appStore=all&sortType=default. 36 Vgl. Kahane, Leo H. Regression Basics. 2. Aufl. Los Angeles: SAGE Publications, 2008. 37 Vgl. Gehrke, Matthias. Angewandte empirische Methoden in Finance & Accounting: Umsetzung mit R. Berlin: De Gruyter Oldenbourg, 2022, 102. https://doi.org/10.1515/9783110767261-003. 38 Vgl. Gehrke, Matthias. Angewandte empirische Methoden in Finance & Accounting: Umsetzung mit R. Berlin: De Gruyter Oldenbourg, 2022, 104. https://doi.org/10.1515/9783110767261-003. 39 Vgl. Gehrke, Matthias. Angewandte empirische Methoden in Finance & Accounting: Umsetzung mit R. Berlin: De Gruyter Oldenbourg, 2022, 111-112. https://doi.org/10.1515/9783110767261-003. ifes Schriftenreihe, Band 31 Methodik ifes Institut für Empirie & Statistik | www.fom-ifes.de 20 angenommen, was bedeutet, dass es für alle Subjekte über die Zeit hinweg konstant bleibt.40 Im Unterschied dazu sind im Random-Effects-Modell die individuellen Effekte – weiterhin verkörpert durch die Achsenabschnitte - Zufallsvariablen.41 In dem Skript werden beide Verfahren angewendet. Anschließend wird mithilfe von Spezifikations-Tests, wie dem Hausman-Test, entschieden, welches Modell besser geeignet ist. Dieses methodische Vorgehen ermöglicht eine umfassende Analyse der Auswirkungen der Digitalisierung auf die finanzielle Performance, Resilienz sowie Kundenbindung und -zufriedenheit im Bankensektor. 40 Vgl. Borenstein, M., et al., Panel Data, 2010, S. 103. 41 Vgl. Gehrke, Matthias. Angewandte empirische Methoden in Finance & Accounting: Umsetzung mit R. Berlin: De Gruyter Oldenbourg, 2022, 111-112. https://doi.org/10.1515/9783110767261-003. ifes Schriftenreihe, Band 31 Auswirkung der Digitalisierung auf die finanzielle Performance und Resilienz von Banken ifes Institut für Empirie & Statistik | www.fom-ifes.de 21 4 Auswirkung der Digitalisierung auf die finanzielle Performance und Resilienz von Banken Aus den vorherigen Kapiteln wird ersichtlich, dass es nahe liegt, dass die Digitalisierung einen signifikant positiven Einfluss auf die Performance und Schockresilienz von Banken hat. Die fortschreitende Implementierung digitaler Technologien bietet nicht nur Möglichkeiten zur Effizienzsteigerung und Kostensenkung, sondern auch zur Stärkung der Widerstandsfähigkeit gegenüber externen Schocks. Zur Analyse der Hypothese H1 "Die Implementierung digitaler Technologien im Bankensektor hat einen positiven Einfluss auf die finanzielle Performance und Resilienz gegenüber externen Schocks" wird ein Panelregressionsmodell verwendet. Dieses Modell ermöglicht es, die Auswirkungen verschiedener Digitalisierungsmaßnahmen auf den Return on Equity (ROE) und die Resilienz von Banken zu quantifizieren. Dabei werden sowohl das Fixed-Effects-Modell (FEM) als auch das Random-Effects-Modell (REM) angewendet, um die Robustheit der Ergebnisse zu gewährleisten. Ziel dieses Kapitels ist es, ein erklärendes Modell für die Performance von Banken zu entwickeln und den spezifischen Einfluss von Digitalisierungsmaßnahmen auf die finanzielle Performance und Resilienz zu überprüfen. Durch die Identifizierung der wesentlichen Determinanten sollen nicht nur wissenschaftliche Erkenntnisse gewonnen, sondern auch praktische Implikationen für die strategische Ausrichtung von Banken abgeleitet werden. 4.1 Auswahl der Variablen und Datensatzbeschreibung Die Regressionsgleichung für das Fixed-Effects-Modell (FEM) lautet: Formel 2: Regressionsgleichung FEM, Quelle: In Anlehnung an . Gehrke, Matthias. Angewandte empirische Methoden in Finance & Accounting: Umsetzung mit R. Berlin: De Gruyter Oldenbourg, 2022, 111 Im FEM ist „Yit“ die abhängige Variable (Return on Equity) für Bank i zum Zeitpunkt t. Die festen Effekte „αi“ erfassen die unbeobachtete Heterogenität zwischen den Banken, während „β“ der Vektor der Regressionskoeffizienten ist, ifes Schriftenreihe, Band 31 Auswirkung der Digitalisierung auf die finanzielle Performance und Resilienz von Banken ifes Institut für Empirie & Statistik | www.fom-ifes.de 22 der den Einfluss der unabhängigen Variablen „Xit“ auf die abhängige Variable angibt. Der Fehlerterm wird durch „ϵit“ dargestellt. Für das Random-Effects-Modell (REM) wird die Regressionsgleichung wie folgt formuliert: Formel 3: Regressionsgleichung REM, Quelle: In Anlehnung an . Gehrke, Matthias. Angewandte empirische Methoden in Finance & Accounting: Umsetzung mit R. Berlin: De Gruyter Oldenbourg, 2022, 111 Das REM ist grundsätzlich gleich aufgebaut im Unterschied zum FEM werden die zufälligen Effekte „ui“ berücksichtigt. Diese erfassen die unbeobachtete Heterogenität und werden als Zufallsvariable modelliert. Diese Modellannahme ermöglicht es, Variationen sowohl innerhalb der Banken als auch zwischen den Banken zu nutzen. Für beide Modelle können dieselben Variablen verwendet werden. In der Finanzwissenschaft wird die Bankperformance über den ROE dargestellt.42 Demnach ist die abhängige Variable bzw. „Y“ der ROE der beobachteten Banken. Der klassische ROE errechnet sich aus dem Jahresüberschuss geteilt durch das durchschnittliche Eigenkapital. Für diese Arbeit wurde stattdessen der Return on Average Common Equity (ROE) gewählt. Dieser bietet eine bessere Vergleichbarkeit, da er den Nettoertrag berücksichtigt, der den gewöhnlichen Aktionären zur Verfügung steht, und außerordentliche Posten ausschließt. Die Formel für den Return on Average Common Equity (ROE) lautet: Formel 4: ROE, Quelle: Eigene Darstellung mit ChatGPT in Anlehnung an Refinitiv 42 Vgl. Damodaran, Aswath. Valuation: Measuring and Managing the Value of Companies. 6th ed. New York: Wiley Finance, 2015, 223-224. ifes Schriftenreihe, Band 31 Auswirkung der Digitalisierung auf die finanzielle Performance und Resilienz von Banken ifes Institut für Empirie & Statistik | www.fom-ifes.de 29 Hier sind die Ergebnisse der Pooled Regression: Abbildung 8:Output Pooled Regression Die Pooled Regression impliziert, dass die Variablen „CIR“, „CAR“ und „Assets“ signifikante Prädiktoren für den ROE sind, während „Loan_Loss“ nicht signifikant ist. Das gute R² 0.6052, bei einem Adjusted R² von 0.59793 zeigt, dass das Modell eine gute Erklärungskraft hat. Somit tragen die gewählten unabhängigen Variablen gut zur Vorhersage des ROE bei. ifes Schriftenreihe, Band 31 Auswirkung der Digitalisierung auf die finanzielle Performance und Resilienz von Banken ifes Institut für Empirie & Statistik | www.fom-ifes.de 30 Das Fixed-Effects-Modell wurde verwendet, um subjektspezifische Effekte zu berücksichtigen. Hier sind die Ergebnisse: Abbildung 9: Output FEM Die Ergebnisse des Fixed-Effects-Modells zeigen, dass „CIR“, „Assets“ und „Loan_Loss“ signifikante Prädiktoren für den ROE sind. „CIR“ und „Assets“ sind mit p-Werten p < 0.001 stark signifikant, während die Variable „Loan_Loss“ mit einem P-Wert von 0,02 nur leicht signifikant ist. Allerdings ist der Datensatz auch relativ klein Dimensioniert, weshalb eine Anhebung der Schwellenwerte des Signifikanzniveaus vertretbar wäre. Das negative Vorzeichen der Variable „CIR“ war zu erwarten, da eine niedrige Cost-Income Ratio eine höhere Effizienz also im Endeffekt mehr Gewinn bedeutet. Die Variable „Assets“ also die Bilanzsumme ist positiv signifikant. Die Variable „Loan_Loss“ hat ebenfalls einen negativen Einfluss. Der F-Test wurde durchgeführt, um zu prüfen, ob subjektspezifische Effekte signifikant sind: Abbildung 10: Output F-Test ifes Schriftenreihe, Band 31 Auswirkung der Digitalisierung auf die finanzielle Performance und Resilienz von Banken ifes Institut für Empirie & Statistik | www.fom-ifes.de 31 Der F-Test zeigt an, dass subjektspezifische Effekte signifikant sind, was die Verwendung des Fixed-Effects-Modells gegenüber der Pooled Regression rechtfertigt. Das Random-Effects-Modell wurde ebenfalls geschätzt: Abbildung 11: Output REM Die Ergebnisse des Random-Effects-Modells ähneln denen der Pooled Regression, Unterschiede liegen darin, dass die Kapitaladäquanz diesmal stark signifikant ist während die Kreditverlustvorsorge nicht signifikant ist. Der Hausman-Test wurde durchgeführt, um zu entscheiden, welches Modell besser geeignet ist: Abbildung 12: Output Hausmann Test ifes Schriftenreihe, Band 31 Auswirkung der Digitalisierung auf die finanzielle Performance und Resilienz von Banken ifes Institut für Empirie & Statistik | www.fom-ifes.de 32 Der Hausman-Test zeigt, dass das Fixed-Effects-Modell vorzuziehen ist, da die subjektspezifischen Effekte und die unabhängigen Variablen korreliert sind. Dementsprechend wurde das Fixed-Effects-Modell mit den Digitalisierungsdummies erweitert: Abbildung 13: Output FEM inkl. Dummies Die Ergebnisse der erweiterten Regression zeigen, dass der Dummy „Digi_II“, also vollständiges Onlinebanking, signifikant und positiv mit dem ROE korreliert ist, während die anderen Digitalisierungsdummies keine signifikanten Effekte zeigen. Insgesamt wird aufgezeigt, dass von den angewendeten Verfahren das FixedEffects-Modell am besten geeignet ist, die Determinanten des ROE zu erklären. Abschließend wurden die Effekte der einzelnen Banken untersucht, um die subjektspezifischen Unterschiede zu identifizieren: Abbildung 14: Output Fixed Effects Diese Ergebnisse zeigen die bankenspezifischen Effekte, die den ROE beeinflussen. Die Bank Wells Fargo & Company besitzt den höchsten fixen Effect, was auf eine überdurchschnittliche Performance hinweist. Die Deutsche Bank bildet wie erwartet das Schlusslicht. ifes Schriftenreihe, Band 31 Auswirkung der Digitalisierung auf Kundenbindung und -zufriedenheit ifes Institut für Empirie & Statistik | www.fom-ifes.de 33 5 Auswirkung der Digitalisierung auf Kundenbindung und -zufriedenheit Auch zur Analyse der Hypothese H2 "Die Nutzung digitaler Kanäle verbessert die Kundenbindung und -zufriedenheit im Bankensektor.“ wird ein Panelregressionsmodell verwendet. Diese Analyse soll Aufschluss darüber geben, wie verschiedene Digitalisierungsmaßnahmen, in Form von App-Updates, die Kundenzufriedenheit und -bindung beeinflussen. 5.1 Auswahl der Variablen und Datensatzbeschreibung Basierend auf den Ausführungen in Kapitel 2.2.4 soll der Einfluss von Digitalisierungsmaßnahmen auf die Kundenzufriedenheit und Bindung analysiert werden. Eine Studie aus dem Jahr 2010 zeigt, dass Kundenbewertungen ein wesentlicher Indikator für die Kundenzufriedenheit sind und einen starken Einfluss auf die Kundenbindung haben.59 Für die Untersuchung der Auswirkungen von Digitalisierungsmaßnahmen auf die Kundenbindung und -zufriedenheit wurden die 1-Stern und 5-Sterne Bewertungen der Banking-Apps als abhängige Variable gewählt. Diese Bewertungen wurden sowohl einzeln als auch kumuliert erfasst, damit geprüft werden kann welche Kennzahl die Entwicklungen besser abbilden kann. Die Daten stammen von dem Online-Tool APPFollow60 und umfassen Bewertungen aus dem Appstore, da hier eine deutlich höhere Anzahl an Bewertungen vorliegt im Vergleich zum Google Playstore. Die 5-Sterne Bewertung ist die bestmöglich, dementsprechend ist die 1-Stern Bewertung die schlechteste. Die unabhängigen Variablen (X) in dieser Analyse sind Dummyvariablen, die verschiedene Kategorien von App-Updates repräsentieren. Diese Dummyvariablen erfassen, ob in einer bestimmten Woche ein Update in der entsprechenden Kategorie erschienen ist (Dummy = 1) oder nicht (Dummy = 0). 59 Vgl. Homburg, Christian, and Marcus Fuerst. "How Organizational Complaint Handling Drives Customer Loyalty: An Analysis of the Mechanistic and the Organic Approach." Journal of Marketing 74, no. 5 (2010): 42-54. 60 Vgl. AppFollow. "App Review Management and App Analytics Platform." Accessed May 15, 2024, at 10:30 AM. https://watch.appfollow.io/. ifes Schriftenreihe, Band 31 Auswirkung der Digitalisierung auf Kundenbindung und -zufriedenheit ifes Institut für Empirie & Statistik | www.fom-ifes.de 34 Die Kategorisierung der Updates lautet wie folgt: U1_System: Systemund Performance-Updates U2_Analyse: Ausgabenanalyse-Updates U3_Investment: Updates für Wertpapierhandel, Depot und Investment U4_Datenschutz: Datenschutz-Updates U6_New: Updates, die neue Funktionen implementieren U7_AI: KIoder Chatbot-bezogene Updates U8_Pay: Updates zur Zahlungsabwicklung und zum klassischen Bankgeschäft U9_Design: Design-Updates Die Daten wurden wöchentlich über einen Zeitraum von zwei Jahren, von April 2022 bis April 2024, erhoben . Der Zeitraum wurde aufgrund der Verfügbarkeit der Daten in „APPFollow“ gewählt. Die Banken, die in dieser Analyse betrachtet werden, sind dieselben wie bei der Untersuchung der Hypothese 1. Durch die Verwendung dieser Daten und Variablen wird eine umfassende Analyse der Effekte von App-Updates auf die Kundenbewertungen ermöglicht, wodurch wertvolle Einblicke in die Determinanten der Kundenbindung und -zufriedenheit im digitalen Zeitalter gewonnen werden können. 5.2 Einsatz der Panelregression zur Analyse der Determinanten von Kundenbewertungen Zu Beginn des Skripts werden, wie in Kapitel 4.2, alle vorhandenen Objekte aus dem Environment gelöscht, um sicherzustellen, dass keine vorherigen Daten oder Objekte die Analyse beeinflussen. Anschließend wird wieder das benötigte Paket plm geladen und eingeführt. Die Daten werden eingelesen und in ein pdata.frame umgewandelt, das für die Paneldatenanalyse geeignet ist. Hierbei werden erneut die Indizes für Bank und Datum gesetzt. ifes Schriftenreihe, Band 31 Auswirkung der Digitalisierung auf Kundenbindung und -zufriedenheit ifes Institut für Empirie & Statistik | www.fom-ifes.de 35 Als erstes wird eine Fixed-Effects-Modell Regression durchgeführt, um die Einflüsse der verschiedenen App-Updates auf die kumulierten 5-Sterne Bewertungen zu untersuchen: Abbildung 15: FEM H2 Im Anschluss wird dasselbe Modell verwendet, um die Einflüsse auf die kumulierten 1-Sterne Bewertungen zu analysieren: Abbildung 16: Fixed Effects H2 Die Ergebnisse der Panelregressionsmodelle zeigen, welche App-Updates signifikante Auswirkungen auf die Kundenbewertungen haben. Durch die Anwendung des Fixed-Effects-Modells wird sichergestellt, dass bankenspezifische Effekte kontrolliert werden, wodurch eine präzisere Schätzung der Einflüsse der verschiedenen Update-Kategorien auf die Kundenbewertungen ermöglicht wird. Die Signifikanz der Koeffizienten der unabhängigen Variablen (App-Update-Kategorien) wird anhand der p-Werte beurteilt. Ein niedriger p-Wert (typischerweise p < 0.05) deutet darauf hin, dass das entsprechende App-Update einen signifikanten Einfluss auf die Kundenbewertungen hat. Die detaillierte Analyse der Ergebnisse ermöglicht es, konkrete Handlungsempfehlungen für Banken abzuleiten, um durch gezielte App-Updates die Kundenzufriedenheit und -bindung zu verbessern. Außerdem wird jeweils geprüft welche alphas die Banken haben: Abbildung 17: Output FEM H2 ifes Schriftenreihe, Band 31 Auswirkung der Digitalisierung auf Kundenbindung und -zufriedenheit ifes Institut für Empirie & Statistik | www.fom-ifes.de 36 5.3 Ergebnisse und Diagnostik In diesem Kapitel werden die Ergebnisse der Panelregressionsanalyse und die daraus gewonnenen Erkenntnisse präsentiert. Ziel der Analyse ist es, den Einfluss verschiedener Arten von App-Updates auf die Kundenzufriedenheit und - bindung, gemessen durch die 1-Sternund 5-Sterne-Bewertungen, zu untersuchen. Die Fixed-Effects-Regression zur Untersuchung der Determinanten der kumulierten 5-Sterne-Bewertungen ergab folgende Ergebnisse: Abbildung 18: Output FEM 5 Sterne Es fällt auf, dass nur der Faktor Systemund Performance-Updates einen signifikant positiven Einfluss auf die 5-Sterne-Bewertungen hat. Ein Anstieg von 279484 bei einer Standardabweichung von 32485 zeigt, dass Systemund Performance-Updates stark zur Kundenzufriedenheit beitragen (p < 2e-16). Währenddessen sind alle anderen Dummies nicht signifikant. Es ist anzumerken, dass der R²-Wert von 0.11286 und das angepasste R² von 0.094836 zeigen, dass das Modell nur einen kleinen Teil der Varianz in den 5Sterne-Bewertungen erklärt. ifes Schriftenreihe, Band 31 Auswirkung der Digitalisierung auf Kundenbindung und -zufriedenheit ifes Institut für Empirie & Statistik | www.fom-ifes.de 37 Die geschätzten Alphas für die 5-Sterne-Bewertungen sind: Abbildung 19: Fixe Effekte je Bank 5 Sterne Das höchste Alpha besitzt Wells Fargo (963346,63), was darauf hindeutet, dass sie im Vergleich zu den anderen Banken eine deutlich höhere Grundzufriedenheit der Kunden aufweist. Die Fixed-Effects-Regression zur Untersuchung der Determinanten der kumulierten 1-Stern-Bewertungen ergab diese Ergebnisse: Abbildung 20: Output FEM 1 Stern Auch hier zeigt sich ein starker, signifikanter Einfluss auf die 1-Stern-Bewertungen. Ein Anstieg von 4312.88 bei einer Standardabweichung von 457.21 zeigt, dass diese Updates die Wahrscheinlichkeit von 1-Stern-Bewertungen signifikant reduzieren (p < 2e-16). Die weiteren Variablen bleiben auch bei der Betrachtung der 1-Stern-Bewertungen insignifikant, was darauf hindeutet, dass diese Arten von Updates keine wesentliche Rolle bei der Reduzierung negativer Bewertungen spielen. ifes Schriftenreihe, Band 31 Auswirkung der Digitalisierung auf Kundenbindung und -zufriedenheit ifes Institut für Empirie & Statistik | www.fom-ifes.de 38 Der leicht gesteigerte Gesamt-R² von 0.13034 und das angepasste R² von 0.11267 zeigen, dass auch dieses Modell nur einen kleinen Teil der Varianz in den 1-Stern-Bewertungen erklärt. Für die 1-Stern-Bewertungen sind die geschätzten Alphas: Abbildung 21: Fixe Effekte je Bank 1 Stern Die Commerzbank hat einen positiven Alpha-Wert (586.39), was auf eine geringere Grundunzufriedenheit hinweist. Die Alphas zeigen, dass es signifikante bankenspezifische Unterschiede in den Kundenbewertungen gibt. Diese Unterschiede könnten auf verschiedene Faktoren wie den allgemeinen Ruf der Bank, die Servicequalität, das Marketing oder andere nicht beobachtete Merkmale zurückzuführen sein. Das Vorhandensein signifikanter Alphas betont die Notwendigkeit, diese bankenspezifischen Effekte in der Analyse zu berücksichtigen, um die wahren Effekte der App-Updates auf die Kundenzufriedenheit und -bindung korrekt zu schätzen. Unter Vorbehalt des geringen R² für beide Regressionen lassen sich die folgenden Aussagen treffen: Die Ergebnisse der Panelregressionsanalysen deuten darauf hin, dass Systemund Performance-Updates die stärkste und signifikanteste Wirkung sowohl auf die 5-Sterne als auch auf die1-Stern Bewertungen haben. Das legt nahe, dass Investitionen in die Stabilität und Leistung der Apps entscheidend für die Steigerung der Kundenzufriedenheit und -bindung sind. Andere Arten von Updates, wie Ausgabenanalyse, Investment, Datenschutz, neue Funktionen, KI, Zahlungsabwicklung und Design, zeigen keine signifikanten Effekte auf die Kundenbewertungen. ifes Schriftenreihe, Band 31 Literaturverzeichnis ifes Institut für Empirie & Statistik | www.fom-ifes.de 45 Macht, Jörg A., und Janina Hausdorf. "Digitale Transformation innerhalb von Großbanken als notwendiger nächster Schritt der Digitalisierung und zur Realisierung von Kosteneinsparpotenzialen." In Banking & Innovation 2022/2023, hrsg. Marcel Seidel und Svend Reuse, 132. Wiesbaden: Springer Gabler, 2023. McKinsey & Company. "The Rise of the Digital Bank." Zugriff am 16. Mai 2024. https://www.mckinsey.com/industries/financial-services/our-insights/therise-of-the-digital-bank. Neely, Andy, Mike Gregory, und Ken Platts. "Performance Measurement System Design: A Literature Review and Research Agenda." International Journal of Operations & Production Management 15, no. 4 (1995): 80-116. Oliver, Richard L. "Whence Consumer Loyalty?" Journal of Marketing 63, no. 4 (1999): 33-44. Peter Preuss, Malte Horstmann, und Nils Kaper. "Kombination von Chatbots und Robot Process Automation – Disruption in Kundenservice-Centern?" In Banking & Innovation 2022/2023, hrsg. Marcel Seidel und Svend Reuse, 183. Wiesbaden: Springer Gabler, 2023. Reichheld, Frederick F. "The One Number You Need to Grow." Harvard Business Review 81, no. 12 (2003): 46-54. Richard, Pierre J., Timothy M. Devinney, George S. Yip, und Gerry Johnson. "Measuring Organizational Performance: Towards Methodological Best Practice." Journal of Management 35, no. 3 (2009): 718-804. Saunders, Anthony, und Marcia Cornett. Financial Institutions Management: A Risk Management Approach. 7th ed. New York: McGraw-Hill Education, 2011. Smith, John, und Robert Watson. Digital Transformation in the Financial Sector. New York: Fintech Publishing, 2020. Tayazime, Jihane, und Aziz Moutahaddib. "Banks and FinTech Relationship in a Digital Transformation Context." European Scientific Journal 18, no. 12 (2022): 106. https://doi.org/10.19044/esj.2022.v18n12p106. Wells Fargo. "Who We Are." Zugriff am 16. Mai 2024. https://www.wellsfargo.com/about/. Wells Fargo & Company. Annual Report 2023. San Francisco: Wells Fargo & Company, 2023. Zouari, Ghazi, und Marwa Abdelhedi. "Customer Satisfaction in the Digital Era: Evidence from Islamic Banking." Journal of Innovation and Entrepreneurship 10, no. 9 (2021): 1-18. Zugriff am 18. Mai 2024. https://innovationentrepreneurship.springeropen.com/articles/10.1186/s13731-021-00151x. Überblick Schriftenreihe Bisher erschienene Bände ifes Institut für Empirie & Statistik | www.fom-ifes.de Stecker, R. / Lehrbass, F. (2023): Machine Learning Modelle zur Vorhersage von Zahlungsausfällen im Energiemarkt, in: Krol, B. (Hrsg.): ifes Schriftenreihe, Band 30, 2023, ISSN (eBook) 2569-5355, ISBN (eBook) 978-3-89275436-7 Rojahn, J. / Schweinzger, O. / Zechser, F. (2022): Determinanten der Segmentberichtserstattungstransparenz – Eine Analyse der Variablenwichtigkeit, in: Krol, B. (Hrsg.): ifes Schriftenreihe, Band 29, 2022, ISSN (eBook) 25695355, ISBN (eBook) 978-3-89275-434-3 Lehrbass, F. / Rebeggiani, L. / Schmidt, J.-S. (2022): Auswirkungen von Sponsorship-Verkündungen auf die Aktienkurse von Sportartikelherstellern, in: Krol, B. (Hrsg.): ifes Schriftenreihe, Band 28, 2022, ISSN (eBook) 2569-5355, ISBN (eBook) 978-3-89275-43 Pleines, S. / Lehrbass, F. (2021): Backtesting von volatilitätsgesteuerten Aktienportfolios, in: Krol, B. (Hrsg.): ifes Schriftenreihe, Band 27, 2021, ISSN (eBook) 2569-5355, ISBN (eBook) 978-3-89275-430-5 Maasjosthusmann, R. / Lehrbass, F. (2021): Explainable Artificial Intelligence: Analyse und Visualisierung des Lernprozesses eines Convolutional Neural Network zur Erkennung deutscher Straßenverkehrsschilder, in: Krol, B. (Hrsg.): ifes Schriftenreihe, Band 26, 2021, ISSN (eBook) 2569-5355, ISBN (eBook) 978-3-89275-428-2 kostenloser Download unter fom-ifes.de Überblick Schriftenreihe Bisher erschienene Bände ifes Institut für Empirie & Statistik | www.fom-ifes.de Hernes, D. / Lehrbass, F. / Maucy, K. (2021): Big Data basierte Analyse des Einflusses traditioneller und neuartiger Faktoren auf Mietpreise in Düsseldorf, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 25, 2021, ISSN (eBook) 25695355, ISBN (eBook) 978-3-89275-426-8 Lehrbass, F. (2021): Deep Learning Diagnostics ‒ How to Avoid Being Fooled by TensorFlow, PyTorch, or MXNet with the Help of Modern Econometrics, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 24, 2021, ISSN (eBook) 25695355, ISBN (eBook) 978-3-89275-424-4 Lehrbass, F. / Wörndl, F. (2021): Was treibt die Renditen von Hedgefonds? Eine empirische Untersuchung ausgewählter Hedgefonds Strategien, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 23, 2021, ISSN (eBook) 2569-5355, ISBN (eBook) 978-3-89275-422-0 Kladroba, A. / Friz, K. / Buchmann, T. / Wolf, P. (2020): Netzwerkund Outputmessung – Indikatorik für transformative Technologiefelder (NEO-Indikatorik), in: Krol, B. / Kladroba, A. (Hrsg.), ifes Schriftenreihe, Band 22, 2020, ISSN (eBook) 2569-5355, ISBN (eBook) 978-3-89275-420-6 Bähren, T. / Maasjosthusmann, R. / Walter, A. / Lehrbass, F. (2020): Praktische Umsetzung von Business Analytics im Mediensektor: Predictive Analytics im Filmgeschäft, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 21, 2020, ISSN (eBook) 2569-5355, ISBN (eBook) 978-3-89275-418-3 Kladroba, A. (2019): Der Einfluss mathematischer Methoden auf das Ergebnis von Mannschaftswettkämpfen: Eine Simulationsrechnung, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 20, 2019, ISSN (eBook) 2569-5355, ISBN (eBook) 978-3-89275-416-9 Raasch, A. / Lehrbass, F. (2019): Investmentstrategien im Rahmen von Übernahmen börsennotierter Gesellschaften – Merger Arbitrage und Maschinelles Lernen, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 19, 2019, ISSN 2191-3366, ISBN 978-3-89275-413-8 Hagemann, D. / Lehrbass, F. (2018): Prognosemodelle für Länderrisiken: Logitund Deep Learning-Methoden im Vergleich, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 18, 2018, ISSN 2191-3366, ISBN 978-3-89275-411-4 Überblick Schriftenreihe Bisher erschienene Bände ifes Institut für Empirie & Statistik | www.fom-ifes.de Graalmann, M.-P. / Lehrbass, F. (2018): Eignung von Varianz-Kovarianz-Ansätzen und Copula-Modellen zur Risikoaggregation in bankaufsichtlichen Risikotragfähigkeitskonzepten, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 17, 2018, ISSN 2191-3366, ISBN 978-3-89275-409-1 Cox, P. / Lehrbass, F. (2018): Determinanten der Replikationsgüte von Exchange Traded Funds, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 16, 2018, ISSN 2191-3366, ISBN 978-3-89275-407-7 Lehrbass, F. / Scheipers, N. (2017): Determinanten der Höhe von Wirtschaftsprüfungshonoraren am Beispiel von gelisteten Unternehmen im Prime Standard, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 15, 2017, ISSN 2191-3366, ISBN 978-3-89275-406-0 Schwarz, J. (2017): Ergebnisse der Analyse von Studienabbrüchen, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 14, 2017, ISSN 2191-3366, ISBN 978-389275-405-3 Lehrbass, F. (2016): Risikomessung für den globalen Kohlehandel: Einfache und fortgeschrittene Verfahren nebst Backtesting sowie ein Vergleich mit IFRS 7, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 13, 2016, ISSN 2191-3366, ISBN 978-3-89275-404-6 Godbersen, H. (2016): Die Means-End Theory of Complex Cognitive Structures – Entwicklung eines Modells zur Repräsentation von verhaltensrelevanten und komplexen Kognitionsstrukturen für die Wirtschaftsund Sozialwissenschaften, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 12, 2016, ISSN 2191-3366, ISBN 978-3-89275-403-9 Seng, A. / Landherr, G. (2015): Vielfalt leben und Vielfalt gestalten – Diversity Management in der Lehre, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 11, 2015, ISSN 2191-3366, ISBN 978-3-89275-402-2 Gansser, O. A. / Schutkin, A. (2014): Studie zur Validierung der Persönlichkeitsmerkmale Abenteuerlust und Routineverhalten, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 10, 2014, ISSN 2191-3366, ISBN 978-3-89275-401-5 Gansser, O. A. (2014): Marketingplanung als Instrument zur Krisenbewältigung, in: Krol, B. (Hrsg.), ifes Schriftenreihe, Band 9, 2014, ISSN 21913366, ISBN 978-3-89275-400-8 Überblick Schriftenreihe Bisher erschienene Bände ifes Institut für Empirie & Statistik | www.fom-ifes.de Runia, P. M. / Wahl, F. / Rüttgers, C. (2013): Das Markenimage von Herstellerund Handelsmarken: Eine empirische Analyse der Imagekomponenten von Körperpflegemarken auf der Grundlage eines Markenidentitätskonzeptes, in: Krol, B. (Hrsg.), KCS Schriftenreihe, Band 8, 2013, ISSN 2191-3366 Naskrent, J. / Rüttgers, C. (2013): Sportmonitor Essen 2013: Eine empirische Analyse über das Image regionaler Sportvereine und ihre Sponsoringund Promotionangebote, in: Krol, B. (Hrsg.), KCS Schriftenreihe, Band 7, 2013, ISSN 2191-3366 Seng, A. / Fiesel, L. / Rüttgers, C. (2013): Akzeptanz der Frauenquote, in: Krol, B. (Hrsg.), KCS Schriftenreihe, Band 6, 2013, ISSN 2191-3366 Naskrent, J. / Rüttgers, C. (2012): Wahrnehmung von Werbung mit Sportereignisbezug: Eine empirische Analyse der Einschätzung von Sponsoring und Ambush-Marketing im Rahmen der Fußball-Europameisterschaft und der Olympischen Spiele im Jahr 2012, in: Krol, B. (Hrsg.), KCS Schriftenreihe, Band 5, 2012, ISSN 2191-3366 Seng, A. / Fiesel, L. / Krol, B. (2012): Erfolgreiche Wege der Rekrutierung in Social Networks, in: Krol, B. (Hrsg.), KCS Schriftenreihe, Band 4, 2012, ISSN 2191-3366 Heinemann, S. / Krol, B. (2011): Nachhaltige Nachhaltigkeit: Zur Herausforderung der ernsthaften Integration einer angemessenen Ethik in die Managementausbildung, in: Krol, B. (Hrsg.), KCS Schriftenreihe, Band 2, 2011, ISSN 2191-3366 Hermeier, B. / Rettig, P. / Krol, B. (2010): Markenund Produktmanagement durch Nutzung von Sportgroßereignissen: Möglichkeiten und Grenzen für Industrie und Handel, in: Krol, B. (Hrsg.), KCS Schriftenreihe, Band 1, 2010, ISSN 2191-3366 Bianca Krol (Hrsg.) ifes Schriftenreihe Band 31 iiffeses Institut für Empirie & Statistik an der FOM Hochschule für Oekonomie & Management iiffeses Institut für Empirie & Statistik der FOM Hochschule für Oekonomie & Management Digitale Transformation im Bankwesen: Welche IT-Investitionen erhöhen die Eigenkapitalrentabilität und Kundenzufriedenheit? ~ Carlo Honoré Heinrich, Frank Lehrbass Mit runds 50.000 Studierenden ist die FOM eine der größten Hochschulen Europas und führt seit 1993 Studiengänge für Berufstätige durch, die einen staatlich und international anerkannten Hochschulabschluss (Bachelor/Master) erlangen wollen. Die FOM ist der anwendungsorientierten Forschung verpflichtet und verfolgt das Ziel, adaptionsfähige Lösungen für betriebliche bzw. wirtschaftsnahe oder gesellschaftliche Problemstellungen zu generieren. Dabei spielt die Verzahnung von Forschung und Lehre eine große Rolle: Kongruent zu den Masterprogrammen sind Institute und KompetenzCentren gegründet worden. Sie geben der Hochschule ein fachliches Profil und eröffnen sowohl Wissenschaftlerinnen und Wissenschaftlern als auch engagierten Studierenden die Gelegenheit, sich aktiv in den Forschungsdiskurs einzubringen. Weitere Informationen finden Sie unter fom.de FOM Hochschule KCC KompetenzCentrum für Corporate Social Responsibility der FOM Hochschule für Oekonomie & Management iiffeses Institut für Empirie & Statistik an der FOM Hochschule für Oekonomie & Management iiffeses Institut für Empirie & Statistik der FOM Hochschule für Oekonomie & Management Zunehmende Digitalisierung erfordert und ermöglicht datenbasierten Erkenntnisgewinn und fundiertes unternehmerisches Handeln. Um aus den allgegenwärtigen Daten die richtigen Schlüsse zu ziehen, ist überall eine kritische Methodenkompetenz erforderlich. Der wissenschaftliche Fokus der ifes-Akteure liegt dabei in den Bereichen der empirischen Unternehmens-, Marktund Konsumentenforschung, der angewandten Statistik, des Data Minings und der Finanzstatistik. Das ifes verfolgt das Ziel, empirische Kompetenzen an der FOM zu bündeln und die angewandte Forschung im empirischen Bereich der Hochschule weiter voranzutreiben. Damit nimmt das ifes eine zentrale Stellung im Bereich der Entwicklung und Unterstützung der Methodenausbildung in der Lehre der Bachelorund Masterstudiengänge sowie im Promotionsprogramm der FOM ein. Weitere Informationen finden Sie unter fom-ifes.de ifes ISSN (Print) 2191-3366 ISSN (eBook) 2569-5355ISBN (eBook) 978-3-89275-438-1 ISBN (Print) 978-3-89275-437-4 Der Wissenschaftsblog der FOM Hochschule Der Wissenschaftsblog der FOM Hochschule bietet Einblicke in die vielfältigen Themen, zu denen an der FOM geforscht wird: fom-blog.de