Criteria die het online succes van een robo-advisor bepalen

Joachim Van der Hulst
Deze masterproef is gemaakt met als doel het online succes van een robo-advisor te achterhalen. Aangezien er nog geen onderzoek naar gedaan is, is dit een relevante studie en ook een interessante leerwijze hoe dit moet worden aangepakt. De data is verzameld door zelf de robo-advisors te analyseren en te toetsen aan de Web of Trust-indicatie, welke een gratis online tool is dat de betrouwbaarheid van een website aangeeft. De criteria om de data op te baseren is afkomstig uit literatuur van informatiesystemen. Hierdoor was het mogelijk om het succes van een robo-advisor te bepalen. Uit de resultaten, die via PLS-PM en recursive partitioning zijn opgesteld, is gebleken dat systeemkwaliteit een positieve impact heeft op het succes van een robo-advisor. Meer specifiek moet een robo-advisor toegankelijk zijn op verschillende toestellen en moet de tool op de website duidelijk aanwezig zijn. Dienstkwaliteit en informatiekwaliteit hebben een negatieve impact op het succes van een robo-advisor.

Systeemkwaliteit is belangrijk voor het online succes van een robo-advisor

Aan de KU Leuven campus in Antwerpen heeft een student Handelswetenschappen in het kader van zijn masterproef trachten te achterhalen wat het succes van een robo-advisor verklaart. Hierbij is een analyse gemaakt van een reeks aan internationale robo-advisors en daaruit is gebleken dat systeemkwaliteit belangrijk is voor het online succes van een robo-advisor.

Uit het onderzoek is vastgesteld dat een robo-advisor moet voldoen aan criteria van systeemkwaliteit om als succesvol te worden beschouwd. Meer specifiek wil dat zeggen dat een robo-advisor beschikbaar moet zijn op zowel PC, mobiel als via een applicatie en moet de tool van de advisor duidelijk toegankelijk zijn op de website. Daarnaast is er ook vastgesteld dat robo-advisors die voldoen aan criteria van dienstkwaliteit en informatiekwaliteit slechter scoren en als niet succesvol worden beschouwd. Tot slot toont het onderzoek ook aan dat robo-advisors uit Amerika succesvoller zijn dan robo-advisors uit België.

Eerdere studies tonen aan dat zowel de criteria die worden verstaan onder systeemkwaliteit, dienstkwaliteit als informatiekwaliteit een bijdrage leveren aan het succes van informatiesystemen. Aangezien informatiesystemen een ruim begrip vormen, is er onderzoek gedaan naar specifiek robo-advisors. Hieruit is dus geconcludeerd dat er daadwerkelijk verschillen in succescriteria zijn. Het doel van de student was om een model te creëren dat weergeeft waaraan robo-advisors moeten voldoen om zich goed in de markt te kunnen positioneren. Door het feit dat hiernaar geen eerder onderzoek is gedaan, is de student Handelswetenschappen hierin de eerste onderzoeker.

De analyse is van start gegaan door eerst een lijst aan criteria op te stellen die gebaseerd zijn op het Business Model Canvas, het Technology Acceptance Model, het Information System Succes Model en verdere uitbreidingen daarop. Daarna zijn er 40 robo-advisors geanalyseerd, waarbij een wereldwijde scope is toegepast. De onderzochte criteria werden gekoppeld aan de Web of Trust-indicatie van elke website om op die manier het succes te achterhalen.

Einde persbericht

Noot voor de redactie
Contactgegevens: Joachim Van der Hulst
Master Handelswetenschappen (Internationaal Zakenwezen) KU Leuven – Antwerpen
E-mail: joachim.vanderhulst@telenet.be

Bibliografie

Ajzen, I. 1991. The Theory of Planned Behavior. Organizational Behavior and Human Decision Processes, 50: 179–211.

Al-Gahtani, S. S. 2011. Modeling the electronic transactions acceptance using an extended technology acceptance model. Applied Computing and Informatics, 9(1): 47–77.

Aston, D. 2013. Time to go robo? MoneySense, 18(4): 39–40,42.

Bahrammirzaee, A. 2010. A comparative survey of artificial intelligence applications in finance: Artificial neural networks, expert system and hybrid intelligent systems. Neural Computing and Applications, 19(8): 1165–1195.

Bentler, P. M. 1980. Multivariate analysis with latent variables: causal modeling. Annual Review of Psychology, 31: 419–456.

Bhatnagar, A., Misra, S., & Rao, H. R. 2000. On Risk, Convenience, and Internet Shopping Behavior. Communications of the ACM, 43(11): 98–105.

Bollen, K. A. 1987. Total, Direct, and Indirect Effects in Structural Equation Models. Sociological Methodology, 17: 37–69.

Breiman, L., Friedman, J., Stone, C., & Olshen, R. 1984. Classification and regression trees. Abingdon: Taylor & Francis Ltd.

Carey, T. W. 2017. Morgan Stanley ’s New Robo Aims for Young Clients. Barron’s, 97(50): 38.

Chin, W. W. 1998. The partial least squares approach for structural equation modeling. Modern methods for business research: 295–336. London: Lawrence Erlbaum Associates.

Davis, F. 1989. Perceived Usefulness, Perceived Ease Of Use, And User Accepantce of Information Technology. MIS Quarterly, 13(3): 319–340.

Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. 1989. User Acceptance of Computer Technology: A Comparison of Two Theoretical Models. Management Science, 35(8): 982–1003.

DeLone, W. H., & McLean, E. R. 1992. Information Systems Success: The Quest for the Dependent Variable. Information Systems Research, 3(1): 60–95.

DeLone, W. H., & McLean, E. R. 2003. The DeLone and McLean Model of Information Systems Success: A Ten-Year Update. Journal of Management Information Systems, 19(4): 9–30.

Dirican, C. 2015. The Impacts of Robotics, Artificial Intelligence On Business and Economics. Procedia - Social and Behavioral Sciences, 195: 564–573.

Eletter, S., Yaseen, S. G., & Elrefae, G. A. 2010. Neuro-Based Artificial Intelligence Model for Loan Decisions. American Journal of Economics and Business Administration, 2(1): 27–34.

Fisch, J. E., & Turner, J. A. 2017. Robo Advisers vs. Humans: Which Make the Better Financial Advisers? University of Pennsylvania Law School, 29.

Gil, Y., Greaves, M., Hendler, J., & Hirsh, H. 2014. Amplify scientific discovery with artificial intelligence. Science, 346(6206): 171–172.

Gosling, L. 2015. The rise of the machines. Investment Week, 26.

Harari, Y. N. 2017. Reboot for the AI revolution. Nature, 550(7676): 324–327.

Hoffman, D. L., Novak, T. P., & Peralta, M. 1999. Building Consumer Trust Online. Communications of the ACM, 42(4): 80–85.

Hofstede, G. 1984. Cultural dimensions in management and planning. Asia Pacific Journal of Management, 1(2): 81–99.

Hofstede, G. 2018. Compare countries. Hofstede insights. https://www.hofstede-insights.com/product/compare-countries/.

Hothorn, T., Hornik, K., & Zeileis, A. 2008. Model-Based Recursive Partitioning. Journal of Computational and Graphical Statistics, 17(2): 492–514.

Jobson, M. 2016. Wealthy investors reject robo-advice in Legg Mason survey. Financial Adviser, 2.

Koufaris, M. 2002. Applying the Technology Acceptance Model and Flow Theory to Online Consumer Behavior. Information Systems Research, 13(2): 205–223.

Li, F., Pieńkowski, D., Van Moorsel, A., & Smith, C. 2012. A Holistic Framework for Trust in Online Transactions. International Journal of Management Reviews, 14(1): 85–103.

Lord, J. 2017. Generation X powering growth in robo-advisor popularity. EFT Strategy. https://www.etfstrategy.co.uk/generation-x-powering-growth-in-robo-advi….

Mathieson, K. 1991. Predicting User Intentions: Comparing the Technology Acceptance Model with the Theory of Planned Behavior. Information Systems Research, 2(3): 173–191.

Moon, J. W., & Kim, Y. G. 2001. Extending the TAM for a World-Wide-Web context. Information and Management, 38(4): 217–230.

Narayanan, A. 2016. Will Your Robo-Advisor Protect Your Portfolio In The Next Meltdown? Investor’s Business Daily, 3.

Oechsli, M. 2016. The Robo Advisor ’s Grim Reaper. Wealth Management, 4.

Osterwalder, A. 2004. The Business Model Ontology - A Proposition in a Design Science Approach. Université de Lausanne, 169.

Osterwalder, A., Pigneur, Y., Clark, T., & Smith, A. 2010. Business Model Generation: A Handbook for Visionaries, Game Changers, and Challengers. Hoboken: Wiley.

Passman, A. 2012. Focus Is Shifting From Bank Bashing To Defining Difference. Credit Union Journal, 16(45): 34.

Sanchez, G. 2013. PLS Path Modeling with R. Trowchez Editions. Berkeley.

Severijns, M. 2017. De perceptie van “succes” van e-commerce voor consumenten. KU Leuven.

Sharifi, M., Fink, E., & Carbonell, J. G. 2011. Detection of Internet Scam Using Logistic Regression. Proceedings of IEEE Conference on Systems, Man, and Cybernetics (SMC), 2168–2172.

Speybroeck, N. 2011. Classification and regression trees. International Journal of Public Health, 57(1): 243–246.

Stanek, R. 2017. Getting Real Business Value From Artificial Intelligence. Big Data Quarterly, 28–29.

Strobl, C., Malley, J., & Tutz, G. 2009. An Introduction to Recursive Partitioning: Rationale, Application and Characteristics of Classification and Regression Trees, Bagging and Random Forests. Psychol Methods, 14(4): 323–348.

Thornton, N. 2017. Millennials trust humans over robo-advisors: Study. Benefits Selling, 2.

Trigaux, R. 1999. Bank-Bashing Goes Digital at Internet Gripe Sites. American Banker, 164(58).

Venkatesh, V., & Davis, F. 2000. A Theoretical Extension of the Technology Acceptance Model: Four Longitudinal Field Studies. Management Science, 46(2): 186–204.

Vinzi, V. E., Trinchera, L., & Amato, S. 2010. Handbook of Partial Least Squares. Berlin: Springer.

Warwick, K. 2013. Artificial Intelligence: The Basics. Abingdon: Routledge.

Universiteit of Hogeschool
Handelswetenschappen Internationaal Zakenwezen
Publicatiejaar
2018
Promotor(en)
Patrick Wessa
Kernwoorden
Deel deze scriptie