影响网上银行BI服务使用的因素

影响客户对基于互联网的商业智能服务准备度的因素

摘要

银行业在利用互联网技术彻底改变客户服务方面处于领先地位。本研究探讨了可能影响大型银行提供的网上银行（IB）服务使用的人口统计和财务因素。本研究分析了该银行大量客户样本的某些IB活动。分析突出了围绕传统IB服务（如账户状态查询和资金转账）形成的一些使用特征和模式。然而，对于新开发的商业智能（BI）应用，此类模式尚未形成。这可以通过这种新型BI应用的不同性质以及最终用户吸收和采用这种创新应用所需的时间来解释。研究结果有助于理解客户的IB需求，识别以不同方式使用IB服务的客户细分，并有助于开发和个性化高级IB服务，例如在线BI工具。

引言

互联网已经彻底改变了多种商业环境下产品和服务的分销与消费方式。本研究涉及一些关键问题，而这些问题往往是新互联网服务开发过程中的主要关注点：最终用户是否会利用新引入的服务并采纳它？他们采纳的速度和程度如何？能否检测、解释甚至预测某些使用和采纳模式？回答这些问题有助于服务提供商理解客户的需求，并加以引导定制和个性化服务以更好地满足这些需求，并有可能促进先进的基于网络的服务和功能的进一步发展。

本研究探讨了网络银行（IB）服务背景下的这些问题。银行业被认为是基于互联网服务革命中的重要引领者。全球大多数银行已建立了网上银行网站，提供多种服务：账户状态查询、资金转账、信用报告等。随着网上银行使用量的增加，客户对满足其更复杂需求的服务提出了更高要求。一种名为“个人财务管理”（PFM）工具（图1）的创新服务最近由本研究所调查的银行推出——这是一家拥有近两百万账户客户群的大型银行。PFM是一种创新的基于网络的商业智能（BI）工具，使客户能够查看和分析自身的收入、投资和支出情况。目前，该银行向所有客户提供相同版本的PFM。通常情况下，该银行提供的大多数网上银行服务也是如此——除少数专属工具外，其他大多数网上银行服务均以相同版本提供给所有客户。然而，随着客户群规模不断扩大且日益多样化，银行管理者正在讨论是否应继续沿用当前这种“一刀切”的策略。一种可能的替代方案是根据客户的信息需求和网上银行服务需求进行细分，并相应地提供定制化和个性化的PFM及其他网上银行解决方案。

我们将本研究中进行的数据分析视为更好地理解网上银行需求和使用模式的一个步骤。该分析基于一个大样本（66,555条记录）的客户账户及其相关的网上银行活动。分析考察了某些用户人口统计特征（年龄、性别和居住地区）和财务特征（收入、支出和信用卡活动）如何影响网上银行的使用。本研究比较了三种形式的IB使用。其中两种形式——“被动”账户查询和“主动”银行业务交易（例如资金转账、投资组合再平衡）——被视为更为“传统”，因为银行在本研究开展之前很久就已经开始提供这些服务。后一种形式即上文所述的个人财务管理工具，被认为更具新颖性和创新性。向广泛的客户群提供商业智能工具并不是一种普遍做法——无论是在当今的银行业，还是在一般商业网站中均不常见。该分析突显了更传统的IB服务与更新颖的PFM服务在使用特征和模式方面的显著差异。这可以通过应用程序的不同性质以及最终用户消化和采纳他们尚不习惯的创新应用程序所需的时间来解释。

本研究有几项贡献——首先，通过探索反映实际使用的现实世界数据，有助于理解网上银行服务的采纳情况，而大多数先前的研究并未如此研究基于访谈和/或调查。其次，评估了网上银行使用的不同形式与各种财务和人口统计特征之间的关系。该评估揭示了围绕不同形式的网上银行而形成的各类客户细分和使用模式。第三，探讨了一种创新的新型网上银行形式——个人财务管理（PFM），这是一种面向终端客户的网络支持的商业智能工具。该评估强调了商业智能效用的不同消费模式，并对发现的差异提供了若干解释性讨论。第四，统计分析辅以在本研究中开发的新颖数据可视化形式。这些可视化形式可用于其他数据分析场景中，并在进一步开发的基础上，有可能集成到商业智能工具中用于可视化数据探索。在本文的其余部分，我们首先回顾了为本研究提供相关背景的前期工作。随后提出了理论模型，并描述了数据收集和分析过程。接着概述了分析结果，并讨论了其意义和获得的见解。最后，我们重申了主要贡献，指出了局限性，并提出了未来研究的方向。

背景

信息技术的快速发展，特别是互联网的出现，极大地影响了企业与消费者开展业务的方式。新兴的信息技术通过打破地理、产业和监管壁垒，创造新产品、服务和市场机遇，并推动更加注重信息和系统导向的商业模式（廖和张，2002年）。基于互联网的应用已成为许多企业的重要工具，支持其营销和产品分销活动（科察布和马德伯格，2001年；迪克森和马斯顿，2005年；提和恩尼斯，2007年）。这一趋势在服务业中尤为明显，其中信息技术持续产生巨大而深远的影响。金融服务领域是这一趋势的领先行业（比特纳等人，2000年；贾亚瓦尔德纳和福莱，2000年；麦卡坦‐奎因等人，2004年）。

银行业已推出多种网上银行服务，并借助各种信息技术予以支持，例如自动取款机（ATM）、自动付款和电子资金转账——这些服务旨在加快访问速度并缩短银行柜台前的排队时间（科洛丁斯基等人，2004年）。自互联网问世以来，许多在线服务已转型为使用这种新媒体，形成了网上银行（IB）门户，客户可通过这些门户使用不同的服务（皮卡赖宁等人，2004年）。随着需求不断增长，如今银行在开发其网上银行功能方面投入了大量资金（鲍尔和法尔克，2005年）。其中关键的动机在于节约成本，因为互联网是一种相对低成本的银行服务交付方式（萨希，1999年；吉廖，2002年）。此外，随着网上银行的普及程度不断提高，银行得以缩减其分支机构网络并减少员工规模（卡尔亚卢oto等人，2003年）。金融机构之间的竞争已从价格竞争（如贷款利率和存款费用）转向服务多样性和分销渠道的竞争（阿金奇等，2004年）。网上银行通过支持多渠道策略以及新型金融业务（如“虚拟银行”）的出现，推动了这一趋势的发展。

一项关于欧洲市场IB使用情况的综合研究（尼迈耶，2008年）将网上银行核心活动分为5个主要类别，列表中的第一项是最常见的。其他市场中的研究（例如，阿金奇等，2004年；贝尔等，2009年）也得出了类似的列表：
- 访问自己的账户 – 例如，用于查询余额或进行银行交易
- 研究或购买特定的财务产品
- 查找一般财务信息或提升财务知识
- 寻求满足某些需求的解决方案——例如抵押贷款或小微企业贷款
- 寻求联系——例如，查找最近的分行或自动取款机（ATM），或联系顾问。

池等人（2007）指出，仅提供核心网上银行服务本身已不足以获得竞争优势，因为这已成为行业的门槛标准。随着银行业的全球竞争加剧，银行必须通过提供独特的价值主张来响应客户需求。全球许多银行机构已通过在其网站上开发先进的网上银行功能来应对这一挑战——例如，德国邮政银行（http://www.postbank.com）提供了用于计算贷款付款的交互式工具。保德信金融（www.prudential.com）提供了一款交互式退休计算器，可针对退休计划提出特定建议。本研究探讨的个人财务管理工具可被视为此类先进的网上银行功能。

网上银行的迅速扩展和日益普及已导致向使用自助服务渠道的根本性转变（特罗、卡里、海基、塞波；2004；詹金斯，2007）——例如，在英国，网上银行用户数量在2001年至2007年间增长了174%（德赖默，2009）。将消费者转移至线上渠道具有明确的成本节约目标；因此，理解可能促进或减缓网上银行采用的关键驱动因素已成为银行业的一个关键问题。阿尔达斯‐曼萨诺等人（2009）认为，尽管网上银行的重要性日益增加，但现有文献尚未提供关于推动互联网作为网上银行服务分销渠道的因素的整体视角。已有研究识别出影响网上银行采用的一些关键因素——节省时间和成本、便利性以及摆脱地点限制（波拉托格鲁和埃金，2001；池等人，2007）。萨雷尔和马尔默斯坦（2003）指出，尽管在网上银行方面投入巨大，但许多在线消费者处于不活跃状态，或只是零星使用网上银行，主要集中在验证任务上，而避免更复杂的交易。

阿尔达斯‐曼萨诺等人（2008）讨论了最终客户对网上银行服务的认知，认为其具有无形性、非标准化和复杂性的特殊特征，同时伴随着更高的不确定性和感知风险。他们的研究指出，某一类被定义为“创新的”客户群体，在网上银行采用过程中可能发挥关键作用。杰拉德和坎宁安（2003）从总共41个被检验的因素中，提取出“社会可期性”、“兼容性”、“便利性”、“复杂性”、“保密性”、“可访问性”、“经济效益”和“电脑熟练程度”作为影响网上银行采用的最具影响力的因素。马蒂拉等人（2003）将网上银行采用与某些人口统计特征联系起来。年轻、受教育程度较高和/或富裕的客户群体被确定为推动网上银行市场快速发展的最重要群体。对于成熟客户而言，家庭收入和教育水平被确认对成熟消费者采用网上银行具有显著影响，而他们对使用计算机感到困难，加上非人工服务的特点，是主要的采用障碍。

所探讨的PFM工具是一种旨在服务于银行客户的商业智能（BI）工具。近年来，人们见证了在业务分析、绩效评估和决策支持方面广泛使用数据资源和BI工具的重大转变（沃森和威克松，2007年）。这一转变得益于大量企业通过投资数据分析能力和坚实的BI基础设施而获得显著竞争优势的实例（达文波特，2006年）。推动BI广泛应用的另一个主要动力是互联网技术的整合（卡尔松和特班，2002年）——当前许多版本的BI产品支持基于网络和/或基于手机的访问，使最终用户能够远程查询和分析数据。此外，内部事务数据与通过网站收集的数据的整合可能对决策能力提供重要提升（Iyer和Raman，2011）。软件市场提供了大量商业智能（BI）应用——从相对简单的报告工具，到由可视化图形支持的监控工具（如仪表板和记分卡），再到用于探索和分析大型数据集的高级OLAP（在线分析处理）和数据挖掘工具。银行业/金融业在采用BI技术并将其融入决策过程方面被认为是强有力的领导者。在银行业，借助BI工具进行的数据分析长期以来已被用于客户细分、金融产品推广、交易员绩效评估以及其他运营和营销需求（Lau等，2004）。该行业的管理者将数据分析视为实现信息技术与银行战略需求相一致的关键因素（Broadbent和Weill，1999）。

在其早期发展阶段，商业智能（BI）被视为一种用于支持企业层面战略决策过程的工具。然而，随着日益广泛的应用，如今BI被用来支持中层管理层的战术决策，甚至日常运营决策（Wixom等，2008）。个人财务管理工具（PFM工具）可被视为将这一趋势更进一步——尽管BI在企业内部用于支持战略、战术和运营决策是由企业员工完成的，而PFM则是将商业智能功能转移给银行客户。本研究的一个主要目标是观察当银行向客户提供这种创新的互联网银行工具（IB工具）并与更传统的核心网上银行应用结合时，客户是否愿意采纳。BI工具设计中的一个重大挑战是其与最终用户的知识、技能和决策需求的匹配程度（Nemati等，2010）。本研究探讨影响新开发的网上银行应用采纳的因素，相关洞察可能有助于更好地满足用户需求，并指导未来的改进方向。

模型开发

本研究由图2所示的模型指导：

因变量：使用频率，反映网上银行采用的程度。长期以来，使用一直被视为解释信息系统成功的重要因素（德龙和麦克莱恩，1992）。德维拉杰和科利（2003）认为，信息系统的实际使用能有力地解释其成功与回报——甚至比在技术上的投资水平更具解释力。在信息系统研究中，测量使用频率是一种常见的对使用的概念化方式（Burton‐Jones 和 Straub，2006）。

自变量: 财务状况，可以通过收入、支出来衡量，以及信用卡数量，和用户人口统计特征，如年龄、性别和居住地区。

如前所述（例如，Gerrard 和 Cunningham，2003；Mattila 等，2003），财务和人口统计特征可能对网上银行的采用和使用产生重大影响；因此，

H1：较高的财务状况对使用频率有积极影响
◦ 假设H1a: 使用频率将随着收入的增加而增加
◦ 假设H1b: 使用频率将随着支出的增加而增加
◦ 假设H1c: 使用频率将随着信用卡数量的增多而增加

H2: 使用频率将显著受到用户人口统计特征的影响
◦ 假设H2a: 使用频率会受到用户性别的影响
◦ 假设H2b: 使用频率会受到用户所在地区的影响
◦ 假设H2c: 使用频率会受到用户年龄的影响

IB新颖性反映了特定IB工具的新颖程度和创新性。该模型假设IB新颖性将起到调节变量的作用，即会影响自变量对因变量的影响。以下假设反映了预期的影响：

假设H3：IB新颖性越低，财务状况对使用频率的影响就越显著
假设H4：IB新颖性越低，人口统计特征对使用频率的影响就越显著

这些假设反映的假设是，围绕较为传统和“资深”的IB工具已经形成了一些特定的使用模式；因此，对于更为成熟的工具所观察到的影响预计会更强且更显著。另一方面，对于最近才引入的工具，使用模式上的差异预计会更小且不那么显著。

评估包括三种IB工具，每种工具反映了不同水平的IB新颖性：
- 查询：用户提交有关账户状态、贷款或金融资产价值的查询次数。此类查询具有“只读”性质，即不会更改账户或其他金融资产的状态，仅通过网站反映其当前状态。这项核心网上银行活动对所有用户开放，被认为是三种活动中最传统的，因此被认为具有较低的网上银行新颖性水平。
- 交易：用户请求活跃交易（例如在账户之间进行资金转账，或买卖金融资产）。通过网站进行银行业务交易被视为比查询状态更高级的网上银行活动，因此银行仅向其部分客户群体授权此功能；就本研究而言，用于执行交易的网上银行被认为具有中等水平的网上银行新颖性。
- 分析：用户使用PFM（新开发的商业智能工具）分析自身账户的次数统计。PFM的使用比其他两个工具更为复杂，且在本研究进行时仅对少数账户提供，因此被认为具有较高的网上银行新颖性水平。

IB新颖性的影响可与高德纳公司（Gartner）用于评估信息技术（IT）及其他技术采用情况和成熟度的著名炒作周期模型（图3）相关联（http://www.gartner.com）。该模型表明，新推出的技术通常会经历一定的采用阶段，起初是兴趣快速增长期，随后通常出现下降趋势，最后趋于稳定。如图3所示，较为“成熟”的网上银行服务（查询和交易）可能已经走完了这一周期，并达到了某种稳定状态。这种稳定性意味着用户对这些技术的理解更为深入，并清楚在哪些情况下它们能够创造价值——因此，围绕这些网上银行工具的使用形成了特定的行为模式，且财务和人口统计特征对其使用的影响预期更强。另一方面，在本研究进行时，个人财务管理工具（PFM tool）相对较新，是一种面向客户的新型且创新的商业智能（BI）形式。由于该工具仍处于早期采用阶段，用户仍在探索其功能，这可能解释了为何目前尚未形成显著且强烈的使用模式。

数据准备与分析方法

本研究基于从银行获得的两个大型数据集。第一个数据集包含近158,000个银行账户的随机样本，每个账户一条记录。在删除记录后属性值缺失或不一致的记录被排除，仅保留年龄在16至90岁之间的客户，最终剩余152,149条有效账户记录，并纳入分析。其中，有66,555条（42%）已注册以基本形式使用网站（账户状态查询），该子集成为分析的基础。在此子集的账户中，有52,438条（占66,555的78%）已注册进行交易，仅有9,462条（占66,555的14%）注册使用PFM工具进行分析。

每条记录包含一个唯一的客户ID以及一些人口统计和财务属性——出生年份（据此计算年龄）、性别（M代表男性，F代表女性）、居住地区分类（分为8个地区，编码为A至H）以及账户管理的信用卡数量。为保护隐私和保密性，该数据集中已删除所有可识别的详细信息。第二个数据集包含了第一个数据集中所有客户的财务状况，按月汇总，时间为三个月。财务状况数据被汇总并合并到第一个数据集中——每个账户的月平均收入和支出被计算出来，并添加到相应的账户记录中。第二个数据集还包含前述三种网上银行服务形式（查询、交易和分析）在三个月内每月使用频率数据（每月总计）。这些使用频率数据也被汇总（每个账户每月平均值），并与相应的账户记录合并。

为了应用下一节中描述的分析方法，所有连续变量都被划分为“分组区间”，每个区间反映一定的数值范围。对于连续属性的分组区间选择（与分类属性一起汇总于表1中），在确保区间具有“业务意义”（例如，年龄范围反映某些典型的人生阶段）的同时，也将整个记录集划分为大小大致相等的组。最低的查询使用分组区间反映的是在给定时间段内至少使用一次网站的账户。在这些账户中，部分账户在使用网站时未执行交易，部分未使用分析工具——因此，最低的（编号为1）交易使用分组区间和分析使用分组区间表示完全未使用，而下一个分组区间（编号为2）则表示在给定时间段内至少使用了一次。

对网上银行使用情况的初步分析（表2）显示，在以基本形式（即仅查询）注册使用网站的66,555个账户中，有38,973个（59%）在样本涵盖的三个月期间内至少执行了一次查询。在注册的52,438个账户中进行网上银行交易时，只有12,380（23%）的用户至少进行了一笔交易；而在9,462名注册使用个人财务管理应用的用户中，有5,296名（56%）在规定期间内至少进行了一次分析。对实际使用的帕累托分析显示出使用上的高度不平等——一小部分重度用户（~2%，代表最高因变量分组）进行了大部分的使用活动。

为了检验我们的假设，我们分别分析了每个自变量（IV）对各个因变量（DV）的影响（例如，收入对查询使用的影响、收入对交易使用的影响等）。为了评估这种影响，我们采用了统计分析方法进行拟合的定量评估，并辅以数据可视化。

差值测试（图4）是在本研究中开发的，用于评估因变量数值与自变量分组之间的关系。对于每个分组区间，将实际使用比例与总体中的比例进行比较，计算比例之间的比率，然后计算每两个连续比率之间的增量。当一个自变量对因变量具有较强影响时，我们预期会看到使用比例与总体比例之间存在较大差异、比率之间存在显著差别以及相对较高的增量。作为衡量影响的定量指标，我们考虑所有分组区间内增量数值的平均值——平均值越大，表明影响越强。此外，我们还使用卡方检验进行拟合优度分析，以帮助评估平均增量的显著性。除了定量评估之外，对比例和比率的可视化还可以提供进一步的定性评估——建议的展示形式（图4）突出了人口比例与使用比例之间的比率发生变化的情况。

趋势测试（图5）在之前的基础上进一步考虑了自变量和因变量的分组区间。这种分组方法允许使用卡方检验来分析变量间的依赖关系，而该检验仅适用于名义（离散）变量。为了获得自变量对因变量影响的高分辨率洞察——我们构建一个自变量分组与因变量分组的网格，计算每个自变量分组在因变量分组内的比例，并将其与自变量在整个人口中的比例进行比较（图5a）。然后，我们计算自变量分组在因变量分组内的比例与该自变量分组在整个人口中比例的比率，并将该比率数值填入相应的网格单元中（图5b）。

为了进一步突出影响模式——我们将比率数值转化为色谱图（图5c）。比率远大于1的单元格用绿色表示，比率越高，颜色越深。绿色单元格反映出自变量分组在因变量分组中的比例远高于其在总体人口中的相对比例，表明存在强正向影响。类似地，红色单元格反映强负向影响。黄色单元格表示比率接近1，意味着影响较弱。该色谱图提供了对影响程度的定性可视化评估——若图中明显存在深绿或深红单元格，则表明影响较强，而“以黄色为主”的图则表明影响较弱。该图有助于识别趋势——例如，若大多数绿色单元格沿主对角线分布，则表明自变量与因变量之间存在强正相关。

为了支持这一定性评估，我们进行了两种类型的统计程序，以对影响进行定量评估。首先是卡方检验，用于确定影响是否具有显著性。其次，为了评估影响的强度，我们使用了三种测量方法：
- 单元格比率数值的标准差（STDEV）：认为单元格之间的变异性越高（即标准差较高），表明自变量对因变量的影响越强。
- 测量变量之间的斯皮尔曼相关系数（SC）：斯皮尔曼相关系数（SC）是一种非参数方法，用于通过评估关系的强度来衡量两个变量（序数）之间的统计依赖性。斯皮尔曼相关系数为 +1 或 −1 表示两个变量之间的关系为完全单调函数（分别为递增或递减），而斯皮尔曼相关系数为零表示无相关性。
- 克雷默V（CV）检验：一种用于评估两个名义变量之间关系的非负度量。值得注意的是，标准差系数（SC）只能在序数或更高级别的变量之间进行。本研究中部分自变量（IV）为序数变量，因此需要使用CV检验。

表1. 变量分组

	变量	1	2	3	4	5	6	7	8	9	10
演图示形性别		M	F
演图示形性别	地区	A	B	C	D	E	F	G	H
演图示形性别	Age	18	21	25	35	45	55	65	75	75+
财务	收入	0	2.5千	5K	7.5K	10K	15K	20K	25K	30K	30+K
财务	支出	0	2.5千	5K	7.5K	10K	15K	20K	25K	30K	30+K
财务	信用卡	0	1	2	3	4-5	6+
使用	查询	9	21	41	90	386	1040	+1040
使用	交易	0	1	2	4	10	30	30+
使用	分析	0	0.33	0.67	1	2	4	10	10+

表2. 初步使用分析

	注账册户	（账比活户例跃）	重度用户	重度用户	所有其他用户	所有其他用户
	注账册户	（账比活户例跃）	人口比例	使比用例	人口比例	使比用例
查询	66,555	38,973（59%）	2.1%	59.2%	97.9%	40.8%
交易	52,438	12,380（23%）	1.9%	56.4%	98.1%	43.6%
分析	9,462	5,296（56%）	2.0%	21.3%	98.0%	78.7%

结果

接下来，我们展示分析结果，这些结果随后在表8中进行了汇总，并进一步讨论。值得注意的是，由于样本量较大，我们在此报告的大多数结果都具有非常高的统计显著性——P值为0.001或更低，除非另有说明。

财务状况对使用频率的影响

财务属性对使用影响的增量和趋势检验为假设H1提供了支持，该假设认为较高的财务状况对网上银行使用具有正面影响。此外，这些检验也在很大程度上支持假设H3，该假设认为网上银行新颖性水平具有显著的调节效应——随着网上银行新颖性水平的提高，财务特征的影响预计会更强。

对于查询使用（低IB新颖性），差值测试（表3，图6）显示，随着收入水平的提高（除第一个收入区间外），使用比例与人口比例之间的比率显著且持续上升——这意味着高收入客户在查询功能的使用上显著高于低收入客户。对于交易（中等IB新颖性），该比率随收入显著增加，但一致性较低。对于分析（高IB新颖性），该比率仅在低收入水平时持续上升，而在较高收入水平时则不再呈现这一趋势。

这些评估结果进一步得到了趋势检验的支持。查询使用（图7a）的趋势图显示了一个显著的趋势：主对角线周围有明显的“绿色”区域，而右上角和左下角周围则呈现出强烈的“红色”区域。这种模式表明收入与查询使用之间存在正相关关系，并且得到了标准差系数（SC）和变异系数（CV）的支持——即低收入客户在低使用区间中占比较高，而高收入客户在高使用区间中占比更高。趋势图下方的图表进一步强调了这一模式：在低使用情况（因变量的第1区间）下，收入（自变量）急剧下降；在中等使用情况（第4区间）下，呈现相对“平坦”的模式；而在高使用情况（第7区间）下，收入急剧上升。同样地，交易（图7b）的趋势图也显示出强烈且显著的趋势；然而，比率的急剧上升在此处开始得更早，在中等使用范围（第4区间）即已显现。相反，对于分析使用（图7c），趋势图则相对“平坦”，仅在最高使用区间才观察到比率的显著上升。这些结果支持了IB新颖性具有强调节效应的观点，因为该效应在不同使用水平下的表现存在明显差异。

表3. 使用与收入的差值测试结果

查询	交易	分析	收入
Bin	Pop. 比例	使比用例	比率
1	3.7%	3.0%	0.80
2	16.5%	7.6%	0.46
3	15.9%	9.9%	0.62
4	15.3%	11.9%	0.78
5	10.9%	10.6%	0.97
6	14.3%	16.9%	1.18
7	7.9%	11.8%	1.49
8	4.4%	7.3%	1.66
9	2.7%	4.8%	1.76
10	8.3%	16.2%	1.95

查询，b) 交易，c) 分析)

使用新颖性较低的IB工具时，收入的影响更强。这一结果也得到了SC和CV的支持，这两种测量指标的数值随着新颖性水平的提高而降低。

由于空间限制，本节仅详细描述收入对使用频率的影响评估。然而，支出和信用卡的影响也获得了质量相似的结果，以及对假设H1和H3的类似支持——如后文表8所示。

人口统计特征对使用频率的影响

与对假设H1的强有力且一致的支持不同，关于人口统计特征影响的假设H2的支持较不一致，因为三个特征测试（性别、地区和年龄）的影响呈现出根本不同的模式。对于假设H4的支持情况也类似，该假设认为网上银行新颖性水平具有显著的调节效应。原本假设认为，在较高新颖性水平下，人口统计特征的影响会比在较低新颖性水平下更弱。然而，结果仅在有限程度上证实了这一假设。

性别对使用的影响非常微弱。差值测试（表4，图8）显示，两种性别的人口比例与使用比例之间具有高度相似性，因此比率接近于1，且性别分组之间的差异较小（查询使用的差异略高，分析使用的差异略低）。

趋势图（图9）显示，在低使用率（分组区间1‐3）且未使用商业智能工具的情况下，性别之间差异很小。然而，在较高使用率时，这一差距显著扩大——在高使用率组（分组6‐7）中，查询和交易使用方面女性与男性之间的存在较大差距。分析使用方面也存在一些差距，但小得多。总体而言，性别特征对假设H2有一定支持，对假设H4的支持则相对更强一些。

关于地区的研究结果表明，该特征对使用的影响最弱；然而，这些结果为假设H2和H4提供了一定的支持。差值测试（表5，图10）显示，各地区之间的人口与使用比率呈现出小幅增长趋势，其中查询和交易使用方面的趋势较强，而分析使用方面的趋势较弱。

趋势图（图11）显示，在低使用率（分组1‐4）情况下，两个商业智能工具在各地区间之间几乎没有差异。然而，在查询和交易使用方面，高使用率（分组6‐7）的比率呈现出小幅增长趋势——而分析使用则无法得出相同结论，因为各地区之间的使用程度似乎相当接近。总体而言，可以认为地区特征对假设H2和H4的支持程度相对较低。

对于假设H2和H4，年龄特征提供了更强的支持。差值测试（图12和表6）显示，不同年龄组之间的人口与使用比率呈增长趋势，但在最高年龄分组区间（75岁及以上的用户）有所下降。这一增长趋势在查询使用方面最为明显，在交易使用方面较弱，在分析使用方面更弱，但依然显著。

因此，趋势图（图13）显示查询和交易使用呈现出更明显的趋势，而分析使用趋势较弱。这种趋势在高使用区间（6 和 7）尤为明显，其中随着年龄增长而使用量上升的趋势远强于较低的分组区间。

表4. 使用与性别的德尔塔检验结果

查询	交易	分析	性别
Bin	Pop. 比例	使比用例	比率
1 (女性)	45%	35%	0.77
2 (男)	55%	65%	1.19

查询，b) 交易，c) 分析)

查询，b) 交易，c) 分析)

表5. 使用情况与区域结果的Delta检验

查询	交易	分析	地区
Bin	Pop. 比例	使比用例	比率
1	11%	10%	0.91
2	10%	9%	0.86
3	10%	10%	0.92
4	19%	20%	1.04
5	11%	11%	0.99
6	16%	16%	1.01
7	15%	16%	1.11
8	7%	8%	1.16

查询，b) 交易，c) 分析)

查询，b) 交易，c) 分析)

查询，b) 交易，c) 分析)

表6. 使用与年龄的增量测试结果

查询	交易	分析
Age Bin	Pop. 比例	使比用例
1	0.05%	0.33%
2	6%	2%
3	14%	9%
4	32%	30%
5	18%	20%
6	12%	15%
7	11%	16%
8	4%	6%
9	2%	3%

查询，b) 交易，c) 分析)

总结与讨论

表7总结了在不同测试中获得的结果。针对每个自变量与因变量，均进行了差值测试和趋势测试，并且对于每次测试，我们收集了差值测试的平均值，以及趋势测试的标准差系数、变异系数和标准差。值得注意的是，几乎所有定量评估（除突出显示的以外）均具有较高的统计显著性。

所有财务自变量（收入、支出和信用卡）对查询和交易使用的影响一致且显著。然而，它们对分析使用的影响似乎要弱得多。因此，对假设H1和H3的支持较强（表8总结了对各差异假设的支持评估）。关于假设H2、H4——在年龄变量上的支持相对较强，在性别上的支持较弱，在地区上的支持更弱。

通过与银行经理讨论结果，获得了一些更深入的见解。使用上的高度不平等（即大量交易由相对较少的用户群体完成）以及财务属性对使用模式的显著影响，并不出乎意料——经理们早已意识到存在一个“高级用户”群体（主要是那些频繁交易金融资产的用户），并且也事先估计出财务状况较好的用户更有可能使用网上银行服务。然而，此前并未以能够评估其影响程度的方式对该效应进行量化，而本研究则实现了这一点。

管理者们预计性别影响较弱；然而，他们预期地区的影响会大得多，因为他们假设居住在国家较富裕地区的客户会更频繁地使用网上银行服务。事实上，网上银行服务使用频率较高的地区确实是人口相对更富裕且受教育程度较高的地区，但地区的影响比预期要小。最令人惊讶的人口统计效应是年龄。初步假设认为，使用率会随着年龄增长而上升，但仅到某个“临界点”为止，之后使用率将随年龄增长而下降。尽管初步假设认为“临界点”大约出现在30‐40岁之间，但结果表明临界点实际上出现得更晚（大约在60‐70岁），并且网上银行服务的使用率持续随年龄增长而上升，超出了预期。这一结果可能揭示了一个更广泛的现象——更成熟的用户群体对互联网技术的采纳更为普遍。

网上银行新颖性的调节作用在某些效应上表现出非常强的影响，这在一定程度上也令人惊讶。特别是对于PFM工具（分析）使用情况的结果而言更是如此，因为管理者原本期望看到使用模式上更大的变异性。有趣的是，尽管一些管理者对这些结果感到失望，认为这可能表明采用不足，但另一些管理者却将其视为成功的标志。那些持满意态度的管理者认为，这些结果表明该PFM工具设计合理，因而对所有客户都同样重要和有用——无论其财务状况和人口统计特征如何。

结论

本研究考察了大型银行网站提供的网上银行（IB）服务的使用趋势以及用户人口统计特征和财务状况因素对使用的影响。研究表明，总体而言，财务状况特征对使用具相对较强且一致的影响。而人口统计特征的影响则有所不同——某些特征对网上银行使用模式的影响较大，但其影响仍弱于财务特征的影响。本研究还强调了新颖性水平——即某项互联网银行工具的创新性和新引入程度——对使用具有重大影响。尽管一些显著的使用模式已经围绕较成熟的网上银行工具形成，但尚未在网上银行新引入的个人财务管理工具周围形成显著的使用模式，该工具为银行客户提供了创新的商业智能功能。

本研究的另一项贡献在于其评估方法论——该方法论有可能被应用于其他研究情境。该方法论采用基于数据可视化的定性评估，同时结合基于常用统计工具的定量评估。本研究开发的可视化工具已被证明有助于了解效应的显著性，并评估趋势和模式的强度。数值用于验证从可视化工具中获得的洞察，并以更严谨的方式对其进行支持。

本研究存在一些局限性，需要在未来的研究中进一步解决和探讨。本研究仅探讨了有限的财务和人口统计特征子集，以及有限的网上银行功能子集（目前银行网站已提供许多其他功能）。未来的研究应考虑扩展范围，以检验这些其他因素的影响。此外，本研究评估的是在三个月时间段内的使用情况，且研究进行时个人财务管理工具相对较新。未来应在更广泛的时间段内，以及个人财务管理工具经历一段稳定期后，再次评估其使用情况——在更长的时间范围内进行考察，有助于评估随着该工具的成熟，其使用模式是否会发生演变。

在整个研究过程中，银行经理强调了他们“更深入了解客户的需求”——许多行业和业务领域的经理可能都持有同样的“口号”。深入调查影响网上银行使用的因素，有助于对银行客户进行分类和细分，并通过评估其使用特征和模式来更好地理解他们的需求。要更深入地了解使用情况，可能需要进行进一步的数据收集，而不仅仅是人口统计特征和使用频率，例如跟踪用户在网站上导航行为的“点击流”数据，和/或评估用户对网上银行工具满意度及其对质量和价值认知的调查。对来自多个来源的大规模复杂数据集进行分析，可能需要使用更先进的统计技术，以及可能用于自动评估和提取模式和相关性的算法数据挖掘技术。

最后，本研究未来的拓展可以朝向设计研究的方向进行。关于使用模式及其影响因素的洞察可为创新网上银行的设计提供指导——例如，能够轻松定制以满足特定客户需求和使用偏好的工具。银行管理者已表达了对当前“一刀切”方法的担忧，该方法为几乎所有用户提供相同的工具变体。根据客户对网上银行服务的需求进行更优的客户细分，可能有助于设计定制化和个人化的个人财务管理版本，以及其他网上银行解决方案。

表7. 结果汇总

查询	交易	分析	增量 Test	趋势测试	增量 Test	趋势测试	增量 Test	趋势测试
			增量 Avg.	SC	CV	比率 SD.	增量 Avg.	SC
收入	0.16	0.39	0.17	0.55	0.1	0.26	0.12	0.61
支出	0.15	0.37	0.16	0.51	0.1	0.27	0.12	0.63
信用卡	0.26	0.27	0.13	0.57	0.15	0.17	0.09	0.68
Age	0.42	0.17	0.1	0.30	0.37	0.08	0.07	0.33
地区	0.04	-0.03	0.14	0.08	-0.03	0.23	0.03	-0.03
性别	0.15	-0.1	0.58	0.1	-0.1	0.51	0.1	-0.04
平均值；标准差；斯皮尔曼相关性；克莱姆V值；除阴影单元格外，所有结果均无统计学显著性（P值低于0.01）

表8. 假设支持

假设	支持
H1	较高的财务状况对使用频率有积极影响 假设H1a：收入影响使用 •假设H1b：支出影响使用 假设H1c：信用卡影响使用
H2	使用频率受人口统计特征影响显著 假设H2a：性别影响使用 假设H2b：地区影响使用 •假设H2c：年龄卡影响使用
H3	IB新颖性越小，其影响就越显著 使用频率对财务状况的影响 查询的效果最强，交易的效果较弱。 分析方面甚至更少
H4	IB新颖性越小，其影响就越显著 使用频率的人口统计特征 查询的效果最强，交易的效果较弱。 分析方面甚至更少