Inhaltsverzeichnis

Inhaltsverzeichnis   II

Abbildungsverzeichnis   IV

Tabellenverzeichnis V   

Abk  ürzungsverzeichnis  VI

1.  Einleitung  1

1.1.  Problemstellung  1

1.2.  Gang der Untersuchung  2

2.  Begriffsbestimmungen  2

2.1.  Online Banking: Definition, Leistungsangebot und Kunden  2

2.2.  Definition des Kundenwertes  4

3.  Herausforderungen bei der Bestimmung des Kundenwertes  5

von  Online Banking Kunden  

3.1.  Der Customer Lifetime Value  6

3.1.1.  Basismethode  6

3.1.2.  Vereinfachte Methode nach Gupta/Lehman  7

II

3.2. Besonderheiten bei der Berechnung des CLV von Online

Banking Kunden 8

3.2.1. Berücksichtigung der Selbstselektion 8

3.2.2. Der Matching Ansatz 9

4. Erkentnisse zum Einfluss des Online Bankings auf den

Kundenwert 11

4.1. Hitt/Frei (2002) 11

4.2. Simon (2004) 11

4.3. Lambrecht (2005) 13

4.4. Gensler/Sikera/Böhm (2007) 14

5. Fazit 15

Literaturverzeichnis VII

Anhang X

III

Abbildungsverzeichnis   

Abbildung  1: Übersicht von Verfahren zur Messung der Selbstselektion  

Abbildung  2: Übersicht von Matching-Methoden  

Abbildung  3: Übersicht der empirischen Untersuchungen von Lambrecht  

Abbildung  4: Zusammenhang zwischen Mengenkomponenten und Profitabilität  

eines  Kunden  

IV

Tabellenverzeichnis

Tabelle 1: Übersicht von Kundenwertmodellen XII

Tabelle 2: Vor- und Nachteile des Online Bankings aus Bankensicht XII

Tabelle 3: Vergleich von Online und Offline Kunden in 4 Banken XIII

Tabelle 4: Prozentualer Anteil des Kanal- und Selbstselektionseffektes XIII

Tabelle 5: Exemplarische Berechnung des absoluten Kanal- und Selbstselektionseffekt XIV

Tabelle 6: Übersicht der Kundengruppen XIV

Tabelle 7: Einfluss der Online Banking Anmeldung XIV

Tabelle 8: Einfluss der aktiven Online Banking Nutzung XIV

Tabelle 9: Gesamteffekt, Kanal- und Selbstselektionseffekt für die Mengenkomponenten pro Monat XV

Tabelle 10: Gesamteffekt, Kanal- und Selbstselektionseffekt für die Wertkomponenten und Profitabilität pro Monat XV

Tabelle 11: Übersicht der empirischen Untersuchungen XVI

V

Abkürzungsverzeichnis

CLV = Customer Lifetime Value S. = Seite u.a. = unter anderem Vgl. = vergleiche z.B. = zum Beispiel

VI

1 Einleitung

1.1 Problemstellung

Seit Mitte der neunziger Jahre haben Banken begonnen Online Banking anzubieten, um das Internet als neuen Vertriebskanal zu erschließen. (Vgl. Eikbusch (2002), S.1) Bedingt durch den Paradigmenwechsel von einer reinen Produktionsorientierung zur stärkeren Orientierung am Kunden begannen Banken ihren Kunden neben dem Filialgeschäft auch andere Vertriebskanäle anzubieten. (Vgl. Sexauer (2002), S.219) Zuerst wurden Geldautomaten und Telefon Banking als zusätzliche Vertriebskanäle neben dem Filialgeschäft angeboten. Allerdings waren nur Basisfunktionen wie Überweisungen und Auszahlungen möglich. (Vgl. Mols (1999), S.297-299) Später begannen Banken das Online Banking anzubieten, welches u.a. durch Vorteile wie schnelle Informationsbeschaffung und Handlungsmöglichkeit im Wertpapergeschäft oder die Möglichkeit der interaktiven Kontostandabfrage überzeugte. (Vgl. Bradley/Stewart (2003) S.1088 f.) Mittlerweile hat sich das Online Banking für Filialbanken als wichtigster Vertriebskanal nach der Filiale entwickelt. Für Direktbanken, die nicht über ein Filialnetz verfügen, ist das Online Banking der wichtigste Vetriebskanal. ( Vgl. Lambrecht (2005), S.1) Allerdings entstehen durch das Online Banking nicht nur Vorteile für die Bank. Auf der einen Seite erwarten Banken durch den Einsatz des Online Bankings zwar höhere Cross-Selling Potentiale. (Vgl. Campbell (2003), S.7) Andererseits ist es für Kunden durch den Einsatz des Internets einfacher, Angebote anderer Institute zu vergleichen, was zu erhöhtem Wettbewerbsdruck und Mittelabflüssen führen kann. (Vgl. Laker/Wübker/Baumgarten (2001), S.431) Um bezüglich des Vertriebskanals Online Banking Entscheidungen treffen zu können, ist es für Banken von großer Bedeutung, dessen langfristiges Ertragspotential zu kennen. Der CLV bietet sich daher als geeignete Messgröße an, da er sowohl die bisherige als auch, durch die Berücksichtigung der Kundenbindungsdauer, die zukünftige Kundenprofitabilität berücksichtigt. (Vgl. Jain/Singh (2002), S.37)

Der Wert eines Kunden wird maßgeblich von seiner Profitabilität beeinflusst, welche wiederum von seinem Produktnutzungverhalten abhängt. Unterscheidet sich das Produktnutzungsverhalten von Kunden unterschiedlicher Vertriebskanäle, kann sowohl der Kanaleffekt als auch der

1

Selbstselektionseffekt dafür verantwortlich sein. Der Kanaleffekt tritt auf, wenn ein kausaler Effekt zwischen der Nutzung des Vetriebskanals und des Produktionsverhalten des Kunden besteht. Der Selbsselektionseffekt tritt auf, wenn sich Kunden verschiedener Vertriebskanäle hinsichtlich ihrer Charakteristika unterscheiden. Das Auftreten dieses Effektes ist wahrscheinlich, da Kunden selbst entscheiden können, ob sie Online Banking nutzen möchten. (Vgl. Gensler/Sikera/Böhm (2007), S.676) Da Kunden, die Online Banking nutzen, hinsichtlich ihrer Charakteristika Besonderheiten aufweisen, (siehe Kapitel 2.1) muss der Selbsselektionseffekt berücksichtigt werden, um die Kundenprofitabilität verlässlich zu messen. Ziel der Arbeit ist es zu beschreiben, wie der Kundenwert von Online Banking Kunden unter Berücksichtigung der auftretenden Besonderheiten ermittelt werden kann, um dann anhand von veröffentlichen Studien in der Literatur zu erörtern, welchen Einfluss der Einsatz des Vertriebskanals Online Banking auf den Kundenwert hat.

1.2 Gang der Untersuchung

In Kapitel 2 werden zunächst die Begriffe Online Banking und Kundenwert eingeführt und definiert. In Kapitel 3 wird erklärt, wie der Kundenwert berechnet wird. Anschließend wird auf die Besonderheiten der Berechnung im Falle von Online Banking Kunden eingegangen. Zum Schluss des Kapitels werden die Potentiale und Probleme von Online Banking erörtert. Kapitel 4 beschäftigt sich mit den bisherigen Erkenntnissen zum Einfluss des Online Bankings auf den Kundenwert. Und in Kapitel 5 wird ein Fazit gezogen.

2 Begriffsbestimmungen

2.1 Online Banking: Definition, Leistungsangebot und Kunden

Das Online Banking ist ein direkter Vertriebskanal von Banken, der es Kunden erlaubt, das Leistungsangebot der Bank über das Internet wahrzunehmen. (Vgl. Veil (1997), S.138)

Unter direkten Vertriebskanälen versteht man Teile des Unternehmens wie z.B. Filialen oder Online Banking. Indirekte Vertriebskanäle sind nicht Teile des Unternehmens wie z.B. eigenständige Einzelhändler. (Vgl. Schramm-Klein (2003), S.3)

2

Homebanking, Internetbankig und PC-Banking sind weitere Begriffe, die synonym mit dem Begriff Online Banking verwendet werden. (Vgl. Hitt/Frei (2002), S. 734) Die dem Kunden angebotenen Leistungen im Online Banking setzten sich aus den online abrufbaren Informationen, dem Angebot an online durchführbaren Transaktionen und der graphischen Gestaltung der Benutzeroberfläche zusammen. (Vgl. Lambrecht (2005), S.10) Im Folgenden werden diese Leistungen näher beschrieben. Zu den wichtigsten Aufgaben eines Vertriebskanals gehört die Bereitstellung von Informationen für den Kunden. (Vgl. Coughlan/Anderson/Stern/El-Ansary (2001),S.4) Deshalb ist es für den Kunden möglich, im Online Banking fast alle Informationen abzurufen, die er in der Filiale bekommen würde. Ausnahmen bilden Informationen über Produkte, die einer individuellen Beratung bzw. Bonitätsprüfung bedürfen wie z.B. Immobilienkredite. Eine Anlageberatung ist auch nicht möglich, da diese einen persönlichen Kontakt zum Berater voraussetzt. (Vgl. Lambrecht (2005), S.11) Die Entgegennahme von Transaktionsaufträgen ist auch eine wichtige Funktion eines Vertriebskanals. (Vgl. Coughlan/Anderson/Stern/El-Ansary (2001),S.5) Mit Ausnahme von Kontoeröffnung und Schließung sowie das Durchführen von Bar-Transaktionen sind fast alle in der Filiale durchführbare Transaktionen auch online möglich. Lediglich das Abschließen von Krediten mit nicht standardisierten Konditionen bildet eine weitere Ausnahme, da dieses wie oben genannt eine individuelle Beratung und Bonitätsprüfung voraussetzt. (Vgl. Lambrecht (2005), S.12)

Da das Internet ein relativ neues Medium ist, welches Kunden bei der Bedienung überfordern kann, spielen eine gute graphische Gestaltung, ein klar strukturierter Aufbau sowie eine einfache Navigation und Suchmöglichkeiten eine wichtige Rolle im Aufbau eines Online Banking Portals. Diese Eigenschaften können darüber entscheiden, ob ein Kunde den Vertriebskanal nutzt. (Vgl. Jazbec (2005), S.107) Nachdem die Besonderheiten des Online Banking beschrieben wurden, wird im Folgenden erörtert welche Besonderheiten Online Banking Kunden aufweisen. Nach einer Studie von Hitt/Frei unterscheiden sich Online Banking Kunden hinsichtlich ihrer Charakteristika von Kunden, die das Online Banking nicht nutzen. (Vgl. Hitt/Frei (2002), S.734) Im Vergleich zu „Offline Kunden“ sind Online Banking Kunden im Durchschnitt jünger, haben ein höheres Einkommen, besitzen öfter eine eigene Immobilie, und sind wahrscheinlicher verheiratet. (Vgl. Hitt/Frei (2002), S.738)

3

Des Weiteren kommt (Simon (2004), S.120) zu dem Ergebnis, dass mehr Männer als Frauen das Online Banking nutzen und Online Banking Kunden mehr Produktkategorien besitzen. (Vgl. Simon (2004), S. 177)

2.2 Definition des Kundenwertes

Der Kundenwert wird in der wissenschaftlichen Literatur aus zwei Perspektiven betrachtet. Aus Kundensicht stellt er die Wertschätzung der Geschäftsbeziehung, die der Kunde mit dem Unternehmen führt, dar. (Vgl.Franz (2001), S.374)

Diese Arbeit beschäftigt sich allerdings mit dem Kundenwert aus Sicht des Unternehmens. Hier ist der Kundenwert der bewertbare Beitrag, den ein Kunde zur Erreichung von sowohl monetären als auch nicht monetären Zielen eines Unternehmens beiträgt. (Vgl. Kraft (2002), S. 33) In der Praxis gibt es verschiedene Modelle zur Messung des Kundenwertes. (siehe Tabelle 1) Es gibt gegenwartsbezogene Verfahren, welche die aktuelle Periode zur Berechnung des Kundenwertes verwenden. Retrospektive Verfahren beziehen auch Daten aus der Vergangenheit in die Rechnung mit ein. Schließlich gibt es noch prospektive Verfahren, die auch Schätzungen für die Zukunft mit einbeziehen. Des Weiteren lassen sich die Betrachtungen in eindimensionalen Kundenwertmodellen mit nur einem Betrachtungskriterium und mehrdimensionalen Kundenwertmodellen mit mehreren Betrachtungskriterien unterteilen. (Vgl. Simon (2004), S.34-35)

Das Modell, welches in dieser Arbeit schwerpunktmäßig behandelt wird ist der Customer Lifetime Value, weil er als einziger durch seine prospektive Ausrichtung und durch die zusätzliche Betrachtung nicht monetären Bewertungskriterien am Besten geeignet ist den Wert von Kunden eines bestimmten Vertriebskanals zu ermitteln. (Vgl. Simon (2004), S.36) Der CLV ist definiert als Barwert der zukünftigen Einzahlungen minus Auszahlungen, die das Unternehmen während der gesamten Kundenbeziehung erzielt. (Vgl. Berger/Nasr (1998), S.20-21) Dadurch vereinigt der Kundenwert sowohl die Höhe der Zahlungsströme als auch den Zeitraum, indem sie anfallen. Damit ist die Berechnung des CLV vergleichbar mit der Kapitalwertmethode, da bei beiden Methoden die Zahlungsströme diskontiert werden, um sie vergleichbar zu machen. Neben der oben genanten Definition, die auf Ein- und Auszahlungen basiert, gibt es in der Literatur auch Definitionen, die für Ein- und Auszahlungen die periodenbezogenen Erfolgsmaße Ertrag und Kosten verwenden. Über die gesamte Länge der

4

Kundenbeziehung entsprechen Ein- und Auszahlungen den Erträgen und Kosten. Da aber der Fall eintreten kann, dass Ein- und Auszahlungen zu unterschiedlichen Perioden eintreten als Kosten und Erträge, kann dies durch die Diskontierung zu unterschiedlichen Ergebnissen im CLV führen. (Vgl. Lambrecht (2005), S.20-21.)

3 Herausforderungen bei der Bestimmung des

Kundenwertes von Online Banking Kunden

Der Einsatz von Online Banking bietet ein enormes Kostensenkungspotential für die Bank. (Vgl. Campbell (2003), S.2) Nach (Wübker/Hardock (2002), S. 376) betragen die Transaktionskosten für eine Überweisung beim Online Banking lediglich 1 Cent und liegen damit deutlich unter den Kosten in der Filiale, die sie mit 1 Euro bemessen. Grund dafür u.a. die in den Filialen anfallenden Personalkosten . Ein weiterer Vorteil aus Bankensicht ist das erhöhte Cross-Selling Potential. (Vgl. Campbell (2003), S.7) Im Online Banking ist es möglich, den Kunden günstiger und zielgerichteter mit persönlichen Produktempfehlungen zu bewerben. (Vgl. Kamakura/Wedel/Rosa/Mazzon (2003), S.52)

Durch die Gewöhnung des Kunden an die Benutzeroberfläche kann Online Banking auch zu einer höheren Kundenbindung führen, da es die Möglichkeit bietet z.B. Stammdaten und Daueraufträge zu verwalten, was den Migrationsaufwand beim Wechsel für den Kunden erhöht. Online Banking Kunden neigen dazu ihre Konten bei einer Bank zusammenzufassen, um Online einen Überblick über ihren gesamten Zahlungsverkehr zu haben, was zu erhöhten Einlagen für die Bank führt. (Vgl. Lambrecht (2005), S.15)

Nachteilig für Banken ist der höhere Investitionsbedarf für Aufbau und Pflege der technischen Systeme des Online Banking. (Vgl. Lambrecht (2005), S. 16) Des Weiteren tendieren Online Banking Kunden dazu, ihren Kontostand genauer zu überwachen. (Campbell (2003), S.33). Dadurch vermeiden sie negative Salden und transferieren temporär nicht benötigte Gelder auf Konten, die höhere Zinsen bieten, da das Vergleichen von Konkurrenzangeboten durch den Online Vertriebskanal einfacher möglich ist. (Vgl. Lambrecht (2005), S. 16) Nach (Laker/Wübker/Baugarten (2001), S.431) führt Online Banking Nutzung zu einer geringeren Kundenbindung, da durch die nachlassende Bindung an der Berater das Abwanderungsrisiko erhöht wird. Für die Zusammenfassung der Vor- und Nachteile siehe Tabelle 2. Nachdem die

5

Vor- und Nachteile von Online Banking aus Bankensicht erörtert wurden, wird im Folgenden darauf eingegangen, wie eine Bank die Profitabilität dieses Vertriebskanals messen kann und was sie dabei beachten muss. 3.1 Der Customer Lifetime Value

Im Folgenden werden die Methoden zur Berechnung des CLV beschrieben. Es wird auf die Basismethode sowie auf die von Gupta/Lehmann (2003) vereifachte Methode eingegangen.

3.1.1 Basismethode

Wie in Kapitel 2.2 definiert, bildet der CLV den Barwert der dem Kunden zurechenbaren Erlöse bzw. Einzahlungen minus den Kosten bzw. Auszahlungen während der gesamten Kundenbeziehung. Die folgende Formel stellt die Berechnung des CLV mit den Größen Kosten und Erlöse dar.

wobei:

Ein wesentliches Element bei der Berechnung des CLV ist die Profitabilität des Kunden, die im Teil (Ei,t-Ki,t) berechnet wird. Dieser Teil ergibt die Differenz zwischen den dem Kunden zurechenbaren Erlösen und Kosten. (Vgl. Simon (2004), S.41)

Wie in Kapitel 2.2 genannt, können statt Kosten und Erlöse auch die dem Kunden zurechenbaren Ein- und Auszahlungen zur Berechnung des CLV berücksichtigt werden. Das Berücksichtigen von Zahlungsströmen zur Berechnung der bisherigen Kundenprofitabilität vereinfacht die Berechnung des CLV, da Informationen über die dem Kunden zurechenbaren Ein- und Auszahlungen mit weniger Aufwand erfasst werden können als Informationen über die Höhe der dem Kunden zurechenbaren Erträge und Kosten (Vgl. Simon (2004), S.48)

6

Im Rahmen dieser Arbeit wird auf die Berechnungsmethode des CLV eingegangen, die Erträge und Kosten zur Berechnung der Kundenprofitabilität verwendet, da diese Form zwar aufwendiger aber dafür genauer ist.

Beide oben genannten Formeln setzen voraus, dass die Dauer der Kundenbindung bekannt ist, was für beendete Kundenbeziehungen problemlos ist. Für bestehende Kundenbeziehungen muss die Dauer der Kundenbeziehung prognostiziert werden. (Vgl. Lambrecht (2005) S.22)

3.1.2 Vereinfachte Methode nach Gupta/Lehmann

Um den Kundenwert für bestehende Kundenbeziehungen deren Kündigungsdatum nicht bekannt ist zu berechnen, muss das Basismodell des CLV modifiziert werden. Die Wahrscheinlichkeit, dass ein Kunde zu einer bestimmten Periode die Kundenbeziehung fortführt, ri,t ergibt sich aus der Formel r i , t = 1 - ki,t wobei ki,t die Kündigungswahrscheinlichkeit darstellt. Die Wahrscheinlichkeit, dass ein Kunde zur Periode t´ die Kundenbeziehung fortsetzt ergibt sich aus

dem Produkt

(Vgl. Lambrecht (2005) S. 22)

Dieses Modell benötigt für jeden Kunden und für jede Periode Informationen über den zukünftig zu erwartenden Deckungsbeitrag und die zukünftig erwartete Kündigungswahrscheinlichkeit. (Gupta/Lehmann (2003), S.12) haben dieses Modell vereinfacht, indem sie es auf Basis der drei folgenden Annahmen berechnen. Der Kundendeckungsbeitrag sowie die

Kündigungswahrscheinlichkeit sind im Zeitverlauf konstant. Des Weiteren ist auch die Länge des Analysezeitraums unbegrenzt. Daraus ergibt sich folgende Formel:

Durch dieses Modell kann der CLV anhand von nur drei Variablen berechnet werden. Der durchschnittliche Deckungsbeitrag m und die durchschnittliche Kundenbindungsrate r lassen sich

7

anhand von statistischen Daten approximativ ermitteln. Für den Diskontfierungszins d werden in der Regel Werte von 10% - 16% verwendet. Es kann aber auch die geforderte Eigenkapitalrendite des Unternehmens verwendet werden. (Vgl. Lambrecht (2005) S.24)

3.2 Besonderheiten bei der Berechnung des CLV von Online

Banking Kunden

Im Folgenden wird auf die Besonderheit bei der Berechnung des Kundenwertes von Online Banking Kunden eingegangen. Es wird das Problem der Selbstselektion dargestellt und wie diese durch den Matching Ansatz minimiert werden kann.

3.2.1 Berücksichtigung der Selbsselektion

Einige Untersuchungen wie z.B. (Wehrlin (2002)) und (Bieger/Haas (2002)), die sich mit dem Einfluss des Internets als Vertriebskanal beschäftigt haben, kommen zu dem Ergebnis, dass Kunden, die den Online Vertriebskanal nutzen, durchschnittlich profitabler sind als Kunden, die diesen Kanal nicht benutzen. Diese Untersuchungen basieren meistens auf Mittelwertvergleichen. Deshalb wird nicht ermittelt, ob die Nutzung des Online Vertriebskanals die alleinige Ursache für die höhere Profitabilität ist oder ob auch selbstselektierende Effekte eine Rolle spielen. (Vgl. Simon (2004) S.69)

Selbstselektierende Effekte treten auf, wenn sich die zu vergleichenden Gruppen hinsichtlich ihrer Eigenschaften wie z.B. Einkommen, Bildungsstand, Alter usw. unterscheiden. Beispielsweise könnte der Fall auftreten, dass Online Kunden im Durchschnitt einen höheren Bildungsstand haben, was zu einem höheren Durchschnittseinkommen führen könnte, welches wiederum zu der höheren Profitabilität führen könnte. In diesem Falle würde der Einfluss der Vetriebskanals Internet auf die Profitabilität des Kunden überschätzt. Die zentrale Frage, die sich hierbei stellt ist, wie man von empirischen Zusammenhängen zwischen zwei Variablen A und B auf deren kausale Beziehung schließen kann und diese von den übrigen Korrelationen zwischen Variablen isolieren kann. (Vgl .Lechner (2002) S.5) Verschiedene Methoden eignen sich dazu, den kausalen Effekt zu isolieren, sodass er getrennt vom selbstselektierenden Effekt betrachten werden kann. (Simon (2004), S.75) führt drei Verfahren ein, die sich zur Messung der Selbstselektion eignen: Das Durchführen von Experimenten, das Verfahren der Instrumentalvariablen und das Matching. (siehe Abbildung 1)

8

Die Methode der Instrumentalvariablen erfordert eine große Anzahl erklärender Variablen, welche in Marketingdatensätzen selten vorliegen. (Vgl. Simon (2004) S.80) Experimente verursachen hohe Kosten und sind bei der Beantwortung der Fragestellung dieser Arbeit ungeeignet, da es zu Substitutionsverzerrungen (Mitglieder der Kontrollgruppe nehmen an anderen Maßnahmen teil), oder auch Aussteigeverzerrungen (Teilnehmer brechen das Experiment ab) kommen kann. (Vgl. Simon (2004) S. 77)

Da sich das Matching im Falle von Online Banking Kunden als die am geeigneteste Methode erwiesen hat, die kausalen Effekte von den selbstselektierenden Effekten zu isolieren wird im Folgenden auch nur auf dieses Verfahren eingegangen. (Vgl. Simon (2004), S.92-93)

3.2.2 Der Matching Ansatz

„Matching is a method of sampling from a large resevoir of potential controls to produce a control group of modest size in which the distribution of covariates is similar to the distribution in the treated group.“(Vgl.Rosenbaum (1983), S.48)

Die Matching Methode stellt ein Verfahren dar, indem zwei Gruppen verglichen werden. (z.B Kunden, die das Online Banking nutzen und Kunden, die es nicht nutzen) Die Matching Methode eliminiert die selbstselektierenden Effekte, indem versucht wird, Matching Partner für die Online Banking Kunden in der Gruppe der „Offline Banking“ Kunden zu finden, die sich an relevanten Kontrollvariablen gemessen, möglichst ähnlich sind. (Vgl. Hujer/Caliendo/Radic (2001), S.9) Mögliche Kontrollvariablen wären z.B. Alter, Geschlecht, Einkommen, usw. Es gibt verschiedene Varianten bei der Anwendung des Matching, die sich im Wesentlichen durch die Art der Bestimmung der Matching Partner unterscheiden. Im Folgenden wird auf die in Abbildung 2 gezeigten Matching Verfahren eingegangen.

Bei allen drei Matching-Methoden müssen Kontrollvariablen identifiziert werden, die sowohl Einfluss auf die Teilnahme am Online Banking als auch auf den Kundenwert haben. Beim direkten Matching, welches in der Studie von Hitt/Frei verwendet wurde, werden dann anhand dieser Kontrollvariablen identische Matching Partner gefunden. Allerdings ist dieses Vorgehen nur geeignet, wenn wenige Kontrollvariablen mit wenigen Ausprägungen berücksichtigt werden. Bei vielen Kontrollvariablen mit vielen Ausprägungen kann es zu einem Dimensionalitätsproblem kommen, da es schwierig wird, einen „Offline Kunden“ zu finden, der dem Online Kunden in allen Kontrollvariablen entspricht. Es kommt zu folgendem Trade-Off: Je mehr Kontrollvariablen beim direkten Matching benutzt werden, desto genauer wird der

9

Selbstselektionseffekt eliminiert. Mit einer steigenden Anzahl an Kontrollvariablen wird es aber auch schwieriger, einen passenden „Offline Kunden“ für den Online Kunden zu finden. (Vgl. Gensler/Sikera/Böhm (2007), S.682)

Um dieses Problem zu umgehen, wurde das Propensity Score Matching, welches in den empirischen Studien von Simon und Lambrecht verwendet wurde, entwickelt. Diese Methode erlaubt es mit nur einer skalierbaren Variablen zu arbeiten, wodurch das Dimensionalitätsproblem behoben wird. (Vgl. Busse/Silva-Risso/Zettelmeyer (2004), S.10) Der Propensity Score P(X) stellt eine Funktion der Kontrollvariablen X dar. Ziel dieser Funktion ist es, die bedingte Wahrscheinlichkeit der Online Banking Nutzung zu ermitteln. (Vgl. Gensler/Sikera/Böhm (2007), S.683) Somit sind Online Banking Kunden und „Offline Kunden“ mit übereinstimmenden Propensity Score hinsichtlich der bedingten Wahrscheinlichkeit, dass sie Online Banking nutzen, gleich. Um den Propensity Score zu berechnen, werden verschiedene statistische Verfahren herangezogen wie z.B das LOGIT Verfahren. Ziel des LOGIT Verfahrens ist es, den Propensity Score zu ermitteln, indem die individuelle Wahrscheinlichkeit des Kunden i (Wahrscheinlichkeit, dass er Online Banking nutzt) in Abhängigkeit von den beobachteten Kovariaten Xi (Kontrollvariablen, die die Wahrscheinlichkeit der Online Banking Nutztung beeinflussen) berechnet wird. (Vgl.Dehejia/Wahba (2002), S.161) Zusammenfassend bietet der Propensity Score die Möglichkeit, mit Hilfe von statistischen Verfahren viele Kontrollvariablen in einer Variable zu aggregieren, was dazu führt, dass die Auffindung eines Matching Partners bedeutend vereinfacht wird. Allerdings kann der Propensity Score nur Matching Partner bilden, die hinsichtlich der bedingten Wahrscheinlichkeit, dass sie Online Banking nutzen, übereinstimmen. Es bedeutet allerdings nicht, dass sie sich bezüglich ihrer Kontrollvariablen gleichen. So kann es auch vorkommen, dass durch den Propensity Score mehrere Matching Partner für einen Online Banking Kunden gefunden werden.Vgl. Gensler/Sikera/Böhm (2005), S.45)

Um die Vorteile des direkten Matching und des Propensity Score Matching zu nutzen, ohne deren Nachteile in Kauf nehmen zu müssen, kann das hybride Matching eingesetzt werden. Einige wenige Kontrollvariablen, die sich als besonders wichtig erweisen, werden neben dem Propensity Score für das Matching herangezogen. Um das Matching durchzuführen, werden dann verschiedene Algorithmen so angewendet, als ob nur ein „Offline Kunde“ oder mehrere als Matching Partner zugelassen werden. Diese Methode setzen Gensler/Sikera/Böhm in ihrer Studie ein (Vgl. Gensler/Sikera/Böhm (2007), S.683)

10

4 Erkenntnisse zum Einfluss des Online Bankings auf den

Kundenwert

Im Folgenden werden die Ergebnisse verschiedener empirischer Untersuchungen, die sich mit dem Einfluss des Online Bankings auf den Kundenwert beschäftigt haben, aufgezeigt.

4.1 Hitt/Frei (2002)

Hitt/Frei benutzen in ihrer amerikanischen Studie einen Datensatz von 684.041 Kunden, die auf sieben US Banken verteilt sind. Sozialdemoreaphika sowie Produkt- und Nutzungsbezogene Daten liegen ab dem 2. Quartal 1998 vor. Ziel der Studie ist es, den Einfluss der Anmeldung für das Online Banking auf den Kundenwert zu ermitteln. Um den Selbstselektionseffekt zu isolieren, führen sie ein Direktes Matching anhand von 5 Variablen durch. Anschließend werden die gemachten Kunden zu Kohorten mit mindestens 100 Online bzw. „Offline“ Kunden zusammengefasst, die in etwa (+/- drei Monate) die gleiche Kundenbindungsdauer aufweisen. Die Länge der Kundenbindung reicht von einem Monat bis 15 Jahre. Die Autoren untersuchen die Größen Anlagebetrag, Kreditbetrag, Anzahl der genutzten Produkte und den Deckungsbeitrag. Hitt/Frei kommen zu dem Ergebnis, dass für die untersuchten Größen Online Kunden stets höhere Werte aufweisen als „Offline“ Kunden. (Siehe Tabelle 3) Die Ergebnisse in Tabelle 3 zeigen, dass Online Kunden über die gesamte Länge der Kundenbindungsdauer stets profitabler sind, woraus die Autoren ableiten, dass Online Kunden einen höheren Kundenwert aufweisen. In dieser Studie wurde nicht explizit auf die Berechnung des CLV eingegangen (Vgl. Hitt/Frei (2002) S.732-748)

4.2 Simon (2004)

Zur Durchführung seiner empirischen Studie benutzt Simon einen Datensatz von 10.794 Privatkunden einer deutschen Großbank. Der Datensatz umfasst insgesamt fünf Quartale. Er beginnt im dritten Quartal des Jahres 2001 und endet im dritten Quartal des Jahres 2002. Im Datensatz liegen kundenbezogene, Produkt- und Nutzungsbezogene, Erlös- und Kostenbezogene sowie Vetriebsbezogene Variablen vor. Ziel seiner Studie ist, es den Einfluss der Anmeldung für das Online Banking auf den Kundenwert zu ermitteln. Um den Selbstselektionseffekt bei der Berechnung des CLV für Online Kunden herauszufiltern, benutzt Simon zunächst ein Propensity

11

Score Matching, welches sieben Variablen berücksichtigt. Da Simon davon ausgeht, dass sieben Variablen nicht ausreichend sein werden, um den Selbstselektionseffekt vollständig zu erfassen, betrachtet er zusätzlich noch die Gruppe der „Wechsler“. Hierbei handelt es sich um Kunden, die sich im 2. bis 4. Quartal des Beobachtungszeitraums für Online Banking angemeldet haben. Die Differenz der „Wechsler“ und ihren gematchten Offline Kontrollpartnern im ersten Quartal kann nicht mit dem Einfluss des Vertriebskanals Online Banking begründet werden, da diese zu diesem Zeitpunkt das Online Banking noch nicht genutzt haben. Es muss sich hierbei um weitere selbstselektierende Effekte handeln, die durch das Propensity Score Matching nicht erfasst wurden. Durch die Berücksichtigung des Propensity Score Matching und der „Wechsler“ kommt Simon zum folgenden Ergebnis, welches in Tabelle 4 dargestellt ist.

Auffallend ist, dass bei allen drei Profitabilitätsmaßen Bruttoerlös, Kundendeckungsbeitrag und CLV der Kanaleffekt, also der tatsächliche Effekt des Vertriebskanals Online Banking höher ist als der Selbstselektionseffekt. Lediglich bei der Anzahl der Produktkategorien fällt der Kanaleffekt mit 5% ziemlich gering aus. Simon führt dies auf das beschränkte Produktangebot im Online Banking zurück. Im Folgenden berechnet Simon die absoluten Beträge für die Profitabilitätsmaße. Zur Berechnung des CLV verwendet Simon ein approximatives Modell, welches auf dem in Kapitel 3.1.1 vorgestellten Modell basiert.

wobei:

Für Kunden, die nach dem letzten beobachteten Quartal also t=5 noch Kunden der Bank waren, verwendet er eine Lebenszeit von weiteren 10 Jahren, da das nach Praxiswerten die durchschnittliche Dauer von Kunde-Bank Beziehungen in Deutschland ist. Für die Cross Selling Rate wird eine Konstante von 0,8 angenommen, welches für den prognostizierten Zeitraum zu einem sinkenden durchschnittlichen Deckungsbeitrag des Kunden i führt. (Simon hat den Wert 0,8 in seiner Arbeit nicht begründet) Für den Diskontierungszins wird 10% eingesetzt. Simon kommt zu dem Ergebnis, dass durch die Anmeldung zum Online Bankings der Bruttoerlös um 533, der Kundendeckungsbeitrag um 488 und der approximative CLV um 455 pro Quartal pro Kunde gesteigert wird. (Siehe Tabelle 5)

Zusammenfassend kommt Simon zu dem Ergebnis, dass der Vertriebskanal Online Banking auch nach der Berücksichtigung des Selbstselektionseffektes zur Steigerung des Kundenwertes beiträgt. Da der Kanaleffekt bei der Anzahl der Produktkategorien sehr gering ausfällt und Online Kunden mehr Produktkategorien besitzen als „Offline Kunden“, kommt Simon zu der Folgerung, dass im Online mehr Produkte angeboten werden sollen. (vgl. Simon (2004) S.105-177)

4.3 Lambrecht (2005)

In seiner empirischen Untersuchung betrachtet Lambrecht einen Datensatz von 35.581 Privatkunden einer deutschen Großbank. Der Datensatz umfasst Soziodemographika, Kundenstammdaten, Transaktionsdaten sowie Ertrags- und Kostendaten. Die Transaktions- sowie Ertrags- und Kostendaten liegen für acht fortlaufende Quartale ab dem Jahr 2001 vor. Lambrecht unterteilt die Kunden in vier Gruppen. (siehe Tabelle 6)

In seiner Arbeit führt Lambrecht drei empirische Studien durch. (siehe Abbildung 3) Ziel seiner Studien ist es, den Einfluss auf den CLV zu ermitteln, indem die Variablen Kündigungswahrscheinlichkeit und Deckungsbeitrag betrachtet werden. Im Rahmen dieser Arbeit werden nur die ersten beiden Untersuchungen berücksichtigt, da diese für die Erreichung des Zieles am Maßgeblichsten sind. Um den Einfluss der Anmeldung für das Online Banking auf den Kundenwert zu untersuchen geht, Lambrecht ähnlich wie Simon vor. Er führt zunächst ein Propensity Score Matching durch und betrachtet anschließend die Gruppe der Wechsler. Er kommt zu dem Ergebnis, dass durch die Anmeldung für das Online Banking die Kündigungswahrscheinlichkeit halbiert wird und der Deckungsbeitrag um ca. 13% steigt. (siehe Tabelle 7)

13

Um den CLV zu berechnen, benutzt er die in Kapitel 3.1.2 vorgestellte vereinfachte Methode nach Gupta/Lehmann. Für den Diskontierungsfaktor wird 10% eingesetzt. Nachdem der durchschnittliche CLV der Treamtment Gruppe, also der Gruppe der Kunden, die sich während dem Beobachtungszeitraum für Online Banking entschieden haben, und der Kontrollgruppe (vergleichbare „Offline Kunden“) verglichen wird, kommt Lambrecht zu dem Ergebnis, dass die Online Kunden einen um 922,077 höheren CLV haben, was eine Steigerung von 47,8% ausmacht. Er führt dies größtenteils auf die gesenkte Kündigungswahrscheinlichkeit zurück. Um den Einfluss der aktiven Online Banking Nutzung auf den Kundenwert zu ermitteln geht Lambrecht ähnlich vor wie bei seiner ersten Untersuchung. Als Treatment Gruppe nimmt er Kunden, die nach ihrer Anmeldung in mindestens zwei Quartalen Online Transaktionen durchgeführt haben. Die Kontrollgruppe umfasst Online Kunden, die nach ihrer Anmeldung in maximal einem der beobachteten Quartale Online Transaktionen durchgeführt haben. Lambrecht kommt zu dem Ergebnis, dass durch aktive Online Banking Nutzung die Kündigungswahrscheinlichkeit um 40% zurückgeht. Der Deckungsbeitrag bleibt unverändert. (siehe Tabelle 8) Dadurch steigt der CLV von aktiven Online Banking Kunden um 394,866, was einen Anstieg um 13,8% ausmacht.

Zusammenfassend kommt Lambrecht zu dem Ergebnis, dass sowohl durch die Anmeldung zum Online Banking als auch durch die aktive Nutzung der Kundenwert gesteigert wird, wobei die gesenkte Kündigungswahrscheinlichkeit die größte Rolle spielt. (vgl. Lambrecht (2005) S. 118-175)

4.4 Gensler/Sikera/Böhm (2007)

In ihrer empirischen Untersuchung betrachten Gensler/Sikera/Böhm 200.000 Bankkunden einer europäischen Retailbank für den Zeitraum Juli bis September 2003. Es liegen Informationen über Sozialdemographika, Kundenstammdaten, Produktnutzungs- sowie Ertrags- und Kostendaten vor. Die individuellen Risikokosten stehen nicht zur Verügung. Ziel der Studie ist es, den Effekt der Online Banking Nutzung auf die Mengenkomponente zu ermitteln, um dadurch den Einfluss auf die Wertkomponenten zu ermitteln, damit die Kundenprofitabilität berechnet werden kann. (siehe Abbildung 4)

Um den Selbstselektionseffekt zu berücksichtigen, wird ein hybrides Matching durchgeführt. Neben dem Propensity Score werden noch die Variablen Alter und Länge der Kundenbeziehung betrachtet.

14

Gensler/Sikera/Böhm kommen zu dem Ergebnis, dass die Nutzung des Online Bankings einen positiven Kanaleffekt auf den Saldo des Girokontos und den Kreditbetrag hat. Des Weiteren ist ein positiver Kanaleffekt auf die Anzahl der Girokonten, Wertpapierdepots, Kreditkarten und Transaktionen zu bemerken. (siehe Tabelle 9)

Durch den negativen Selbstselektionseffekt beim Saldo des Giro- und Sparkontos sowie dem positiven Selbstselektionseffekt beim Kreditbetrag kommen Gensler/Sikera/Böhm zu dem Ergebnis, dass Online Kunden weniger vermögend sind, da sie sowohl weniger Geld auf dem Konto haben, als auch höher verschuldet sind. Interessant zu betrachten sind die Fälle, bei denen die Vorzeichen für Selbstselektionseffekt und Kanaleffekt umgekehrt sind, was bedeutet, dass beide entgegengesetzt wirken. Ein Beispiel dafür wäre das Girokonto. Hier wird deutlich, dass Online Banking Kunden zwar generell weniger Geld auf ihrem Giro Konto haben. Die Nutzung des Online Bankings führt zu höheren Salden auf dem Girokonto, weil Online Banking Kunden ihren Kontostand besser im Überblick haben und dadurch negative Salden effektiver vermeiden können. Nun werden, wie in Abbildung 4 gezeigt, die Kanaleffekte mit den jeweiligen Nettomargen und Kosten multipliziert und aufsummiert, um auf die durch den Vetriebskanal Online Banking ausgelöste Änderung der Kundenprofitabilität zu kommen. Das Ergebnis zeigt, (siehe Tabelle 10) dass Online Banking einen positiven Kanaleffekt auf die Wertkomponenten Nettozinserlöse und Nettoerlöse aus Gebühren und Provisionen hat. Der Kanaleffekt für die Transaktionskosten ist negativ, was daran liegt, dass Online Kunden auch andere Vertriebskanäle für ihre Transaktionen nutzen, da nicht alle Transaktionen Online angeboten werden.

Insgesamt kommen Gensler/Sikera/Böhm zu den Ergebnis, dass Online Banking einen positiven Kanaleffekt (durchschnittlich 6,522 pro Monat, pro Kunden, ca. 80% des Gesamteffekts) auf die Profitabilität aufweist. Lediglich bei Kunden die nur ein Sparkonto besitzen, erscheint es wenig sinnvoll, diese für Online Banking zu gewinnen. (Vgl. Gensler/Sikera/Böhm (2007) S. 685-695)

5 Fazit

Ziel der Arbeit war es darzustellen, wie der Kundenwert von Online Banking ermittelt werden kann, um anschließend anhand von veröffentlichen empirischen Studien aufzuzeigen welchen Einfluss der Vertriebskanal Online Banking auf den Kundenwert hat.

15

Durch die empirischen Studien ist aufgezeigt worden, dass die Selbstselektion bei der Ermittlung des Kundenwertes von Online Kunden eine große Rolle spielt, da sich Online Banking Kunden strukturell von „Offline Banking Kunden“ unterscheiden. Alle vier vorgestellten Studien haben mit Hilfe verschiedener Matching-Methoden die Selbstselektion isoliert und sind zu dem Ergebnis gekommen, dass der Vetriebskanal Online Banking einen positiven Effekt auf den Kundenwert bzw. auf die Kundenprofitabilität hat.

Hitt/Frei kommen zu dem Ergebnis, dass die Anmeldung zum Online Banking einen positiven Effekt auf den Deckungsbeitrag des Kunden hat, woraus sie auch einen positiven Effekt auf den Kundenwert ableiten, wobei dieser nicht explizit berechnet wird. Simon bestätigt dieses Ergebnis, indem er den erhöhten CLV berechnet. Dies wurde auch von Lambrecht bestätigt, welcher des Weiteren zu dem Ergebnis kommt, dass die aktive Nutzung des Online Bankings, zu einer weiteren Steigerung des Kundenwertes führt, da die Kündigungswahrscheinlichkeit stärker gesenkt wird. Gensler/Sikera/Böhm haben die Kundenprofitabilität von OnlineBanking Kunden anhand verschiedener Produkte untersucht und kommen zu dem Ergebnis, dass der Vertriebskanal Online Banking auf fast alle Produkte (Außnahmen: Saldo Sparkonto, Umsatz Wertpapierdepot) einen positiven Kanaleffekt aufweist, was insgesamt zu einer gesteigerten Kundenprofitabilität führt. Da alle vier vorgestellten Studien verschiedene Methoden zur Berechnung des CLV bzw. der Kundenprofitabilität verwenden, ist es nicht möglich die Ergebnisse in der Höhe zu vergleichen. Des Weiteren gibt es einige Kritikpunkte zu den Studien: Hitt/Frei betrachten einen großen Datensatz und untersuchen auch die langfristigen Auswirkungen der Anmeldung für das Online Banking auf den Kundenwert. Leider führen sie nur ein direktes Matching anhand von 5 Variablen durch, um den Selbstselektionseffekt zu isolieren. Des Weiteren wird die Kündigungswahrscheinlichkeit von Online und „Offline Kunden“ nicht berücksichtigt. Simon benutzt bei seiner Berechnung des Kundenwertes ein zweistufiges Modell, in das er beobachtete und prognostizierte Werte einfließen lässt. Allerdings nimmt Simon eine feste Kundenbindungsdauer für Online und „Offline“ Kunden an, sodass es analog zur Studie von Hitt/Frei nicht die Kündigungswahrscheinlichkeit von Online Kunden gesondert betrachtet wird. Lambrecht berücksichtigt sowohl die Anmeldung für das Online Banking als auch dessen aktive Nutzung auf die Zielgrößen Deckungsbeitrag und Kündigungswahrscheinlichkeit, um den CLV zu ermitteln. Er verwendet im Gegensatz zu Simon eine vereinfachte Methode zur Berechnung des CLV, was sich negativ auf die Genauigkeit auswirkt.

16

Gensler/Sikera/Böhm analysieren das Produktnutzungsverhalten von Online Kunden, um daraus ihre Profitabilität zu ermitteln. Allerdings fassen ihre Daten einen relativ kurzen Zeitraum von drei Monaten.

Zusammenfassend kommen alle vier Studien zu dem Ergebnis, dass der Vertriebskanal Online Banking, bereinigt um den Selbstselektionseffekt, einen positiven Beitrag zur Steigerung der Kundenprofitabilität bzw. des CLV leistet.

Für einen Überblick der empirischen Untersuchungen siehe Tabelle 11.

17

Literaturverzeichnis

Berger, P.D./Nasr, N.L. (1998): „Customer Lifetime Value: Marketing Models and Applications“, Journal of Interactive Marketing, Vol. 12 S. 17-30.

Brieger, S./Haas, H. (2002): „Ermittlung monetärer Vorteile durch die Gewinnung neuer Online-Banking-Nutzer“, Betriebswirtschaftliche Blätter, Vol. 11, S. 503-505.

Bradley, L../Stewart, K. (2003): „The Diffusion of Online Banking“, Journal of Marketing Management, Vol. 19, S. 1087-1109.

Busse, M./Silvia-Risso, J./Zettelmeyer, F. (2004): „$1000 Cash Back: Asymetric Information in Auto Manufactorer Promotions“, Working Paper, University of Carlifornia, Berkeley.

Campbell, D. (2003): „The Cost Structure and Consumer Profitability Implications of Electronic Distribution Channels: Evidence from Online Banking“, Job Talk Paper, Harvard Business School, Boston, MA.

Coughlan, A. T./Anderson, E./Stern, L.W./El-Ansary, A. (2001): „Marketing Channels“, 5. Auflage, Upper Saddle River, NJ:Prentice-Hall.

Dehejia, R.H./Wahba, S. (2002): „Propensity Score Matching Methods for Nonexperimental Causal Studies“, The Review of Economic and Statistics, Vol. 84, S. 151-161.

Eickbusch, J. (2002): „Kundenabwanderungen in Kreditinstituten - Eine empirische Analyse mittels Data-Mining -Methoden für das Privatkundengeschäft einer Großsparkasse“, Frankfurt am Main: Fritz Knapp.

Franz, K.-P. (2001): „Kundenwert in Modellen des Wertemanagement“, in: B. Günter, S. Helm (Hrsg.), „Kundenwertt“, S. 371-384, Wiesbaden.

VII

Gensler, S./Skiera, B./Böhm, M. (2005), “Einsatzmöglichkeiten der Matching Methode zur Berücksichtigung von Selbstselektion”, Journal für Betriebswirtschaft, 55, 37-62.

Gensler, S./Sikera, B./Böhm, M. (2007): „Einfluss der Nutzung des Online-Bankings auf das Produktnutzungsverhalten und die Profitabilität von Bankkunden“, Zeitschrift für Betriebswirtschaft, Gabler Verlag.

Gupta, S./Lehmann, D.R. (2003): „Customers as Assets“, Journal of Interactive Marketing, Vol.17, S. 9-24.

Hitt, L. M./Frei, F. X. (2002): „Do Better Customers Utilize Electronic Distribution Channels? The Case of PC Banking“, Management Sience Vol.48, S. 732-748.

Hujer, R./Caliendo, M./Radic, D. (2003): „Methods and Limitations of Evaluation and Impact Research“, Goethe Universität, Frankfurt.

Jain, D./Singh, S. (2002): „Customer Lifetime Value Research Marketing: A review and Future Directions“, Journal of Interactive Marketing, Vol. 16, S. 34-46.

Jazbec (2005): „Management der Implementierung des Kanals Internet - Barrieren und Gestaltungsempfehlungen“, Diss., Universität St. Gallen.

Kamakura, W.A./Wedel, M./de Rosa, F./Mazzon, J.A. (2003): „Cross-Selling through Database Marketing: Application of a Stochastic Frontier Model“, Journal of Interactive Marketing, Vol. 20 S. 45-65.

Kraft, M. (2002): „Kundenbindung und Kundenwert“, Heidelberg.

Laker, M./Wübker, G./Baumgarten, J. (2001): „E-Banking: Technologisch perfekt aber am Kunden vorbei“, Die Bank, 6, S. 430-434.

VIII

Lambrecht, J. (2005): “Einsatz des Online-Bankings zur Steigerung des Kundenwerts”, Aachen: Shaker Verlag.

Lechner, M. (2002): „Mikroökonomische Evaluation arbeitsmarktpolitischer Maßnahmen“, Discussion Paper No. 20, University of St. Gallen.

Mols, N.P. (1999): „The Internet and the Banks´ Strategic Distribution Channel Decisions“, International Journal of Bank Marketing, Vol. 17, S. 295-300.

Rosenbaum, P.R: (1983): „The Central Role of The Propensity Score in Observational Studies For Causal Effects“, Biometrika, Vol. 70, S. 516-524.

Schramm-Klein, H. (2003): „Multi-Channel-Retailing: Verhaltenswissenschaftliche Analyse der Wirkung von Merkanalsystemen im Handel“, Wiesbaden: Gabler Verlag

Sexauer, H. (2002): „Entwicklungslinien des Customer Relationship Marketing (CRM)“, Wirtschaftswissenschaftliches Studium, Vol. 31, S.218-222.

Simon, H. (2004): „ Der Einfluss des Vetriebskanals Online-Banking auf den Kundenwert“, Frankfurt am Main, Peter Lang Verlag.

Veil, M. (1997): „ Direktbanken im Retail-Banking: Informationstechnologie und Strategie, Diss., Universität Freiburg (Breisgau).

Wehrlin, R. (2002): „Retail E-Banking: Tinkering Pays Off“, ABA Banking Journal, Vol.94, S. 11.

Wübker, G./Hardock, P. (2002): „Online Banking: Weit verbreitet, doch kaum genutzt?“, Die Bank, Vol. 6, S.376-378.

IX

Anhang

Abbildung 1: Übersicht von Verfahren zur Messung der Selbstselektion

(Quelle: In Anlehnung an Simon (2004), S.75)

Abbildung 2: Übersicht von Matching-Methoden

(Quelle: In Anlehnung an Gensler/Sikera/Böhm (2007), S.682)

Abbildung 3: Übersicht der empirischen Untersuchungen von Lambrecht

(Quelle: In Anlehnung an Lambrecht (2005) S. 118-192)

X

Abbildung 4: Zusammenhang zwischen Mengenkomponenten und Profitabilität eines Kunden

(Quelle: Gensler/Sikera/Böhm (2007) S. 678)

XI

Tabelle 1: Übersicht von Kundenwertmodellen

(Quelle: In Anlehnung an Simon (2004), S.35)

Tabelle 2: Vor- und Nachteile des Online Bankings aus Bankensicht Auswirkung Positiv Negativ

aktionen und Geldanlage

Kosten

(Quelle: Lambrecht (2005) S.17)

XII

Tabelle 3: Vergleich von Online und Offline Kunden in 4 Banken

(Quelle: Hitt/Frei (2002) S.743)

Tabelle 4: Prozentualer Anteil des Kanal- und Selbstselektionseffektes

(Quelle: in Anlehnung an Simon (2004) S.174

XIII

Tabelle 5: Exemplarische Berechnung des absoluten Kanal- und Selbstselektionseffekt

(Quelle: in Anlehnung an Simon (2004) S.176)

Tabelle 6: Übersicht der Kundengruppen

(Quelle: in Anlehnung an Lambrecht (2005) S.107)

Tabelle 7: Einfluss der Online Banking Anmeldung

Angaben pro Quartal

(Quelle: In Anlehnung an Lambrecht (2005) S. 146)

Tabelle 8: Einfluss der aktiven Online Banking Nutzung

Angaben pro Quartal

(Quelle: In Anlehnung an Lambrecht (2005) S. 172)

XIV

Tabelle 9: Gesamteffekt, Kanal- und Selbstselektionseffekt für die Mengenkomponenten pro Monat

(Quelle: In Anlehunung an Gensler/Sikera/Böhm (2007) S. 687)

Tabelle 10: Gesamteffekt, Kanal- und Selbstselektionseffekt für die Wertkomponenten und Profitabilität pro Monat

(Quelle: In Anlehunung an Gensler/Sikera/Böhm (2007) S. 689)

XV

Tabelle 11: Übersicht der empirischen Untersuchungen