Automation of the first level support of Company XY

(1)

Automation of the first level support of Company XY

Final thesis in the course of study of European Business Programme / European Business Administration

Submitted by: Robin Berninger

Student number: 907291 / 1703812

Initial examiner: Prof. Dr. Appelfeller

Second examiner: Prof. Dr. Nonhoff

(2)

i

1 Abstract

Introduction

The bachelor thesis summarized in the following dealt with the topic of optimizing the service process of Company XY. To be able to penetrate this topic better, two papers were written. The first, shorter work, had the purpose of analysing the current service process of Company XY and to identify possible weak points. As a possible optimization of the service process the second thesis, the actual bachelor thesis, dealt with the optimization of a sub-process of the service process.

The topic of the first thesis was: Analysis of the service process of Company XY.

The topic of the second thesis, the actual bachelor thesis, was: Automation of the first level support of Company XY.

Summary: Analysis of the service process of Company XY Presentation of the company

Company X (hereinafter referred to as ComX) with its headquarters in Berlin is specialized in the introduction, consulting and system management of business software solutions for medium-sized and large companies in the manufacturing, service and trade sectors. Regional locations are responsible for the implementation of the various projects. The 42 locations are spread over 12 countries. 13 of them are located in Germany and employ about 750 of the 1200 employees worldwide.

ComX's customer base now comprises more than 4,000 companies in 67 countries. The regional branch in Münster, Company XY (hereinafter referred to as ComXY), is responsible for around 250 companies in North Rhine-Westphalia and the neighbouring regions.

As ComX has established many new locations or acquired new partners in recent years, the processes are often understood and lived differently in the different locations. The individual locations have different concepts of how they organise their business and manage their workforce.

ComXY in particular has attached great importance to the acquisition of new customers in recent years. As a result, the support of existing customers has slightly

(4)

2 receded into the background. The aim of the management is to change this and to set up a new concept for a team of existing customers.

To create a new concept, the weaknesses of the old system must first be clearly identified and analysed. This is where this work starts. It deals with a sub-process of the customer service process and examines it for possible weaknesses. The following questions arise: Which activities of the process are possible weak points and how do these weak points arise?

Summary of the main part

After the company had been presented, the process to be analysed was identified and delimited more precisely in the following chapter.

ComXY's core processes mainly consist of the two company divisions Sales and Operations. The Operations department is responsible for the product development and order execution process. The sales and marketing processes, as well as the order creation, pre-sales and customer service processes are the respon- sibility of the sales department. The management processes consist of corporate development and strategy, finance and quality management. IT management, controlling, human resources and accounting are responsible for the support processes.

At ComXY, the customer service process is divided into three sub-processes (see figure 1): Basic Support Service Process, Planned Services Process and Busi- ness Development Process. These sub-processes are not necessarily to be understood as interrelated processes. Rather, they are individual task areas. The

Figure 1: Layout of customer service process (own presentation)

(5)

3 Basic Support Service Process was subsequently modeled and analyzed in more detail as the main part of the work.

BPMN (Business Process Modelling and Notation) 2.0 was used as the modelling language. Since it mainly focuses on processes that can be represented as a chronologically logical sequence of activities and structured according to organi- zational responsibilities, it offers an optimal basis for modeling and analyzing the process.

The modelled process can be found in the appendix under figure 5. Since it would exceed the scope of this summary, no detailed actual process flow is presented.

Table 1: Value-Added-Analyses of the Basic Support Service Process

After the process was visualized, a weak-point analysis was carried out. For this purpose, a value-added analysis and a cause-and-effect diagram were used. In

Aktivity Executor Classification

Handle request Employee VA

(Don’t) generate ticket Employee VA

Estimate effort Team leader BVA

Prioritization + specification Team leader BVA

Check ressources Administration NVA/BVA

Screen ticket Department VA

Initiate project planning Department VA

Hanlde request Department VA

Assign ticket to service employee Team leader BVA

Screen ticket Employee VA

Specify request Employee NVA

Hanlde request Employee VA

Change status of ticket Employee VA

Give ticket back to team leader Employee NVA

Close ticket Employee/team lea-

der

VA

(6)

4 the value-added analysis, the activities of the process were divided into value adding (VA), business value adding (BVA) or non-value adding (NVA).¹

The detailed classification of the activities can be found in table 1. Those activities were identified as NVA that do not actively work on the solution of a customer concern and contact the customer again, because the customer's concern was not described clearly enough during the first contact. These activities can delay the process by several days, depending on the availability of the customer.

The cause-and-effect diagram was used to identify further reasons for a partially inefficient handling of a customer request. In general, the main causes are broken down until the core of the problem is known.² In this case the main influencing factors were the employees, the customer, the system, the measurement and the method as presented in figure 2. In summary, the prevailing organisational structure and the ticket system, as well as the lack of communication with the customers were identified as further causes for a partially inefficient handling of a customer request.

Finally, it was mentioned that in addition to the weaknesses already shown, there are also weaknesses in the present process which do not directly affect activities.

1 See The Lean Institute - University of Oklahoma, 2019

2 See Roenpage, et al., 2007

Figure 2: Cause-effect-diagram (own presentation)

(7)

5 Here, the lack of controlling through measurable KPIs was mentioned above all.

As a possible optimization of the process, an automation of the process was mentioned, which is explained in more detail in the following summary of the bachelor thesis.

Summary: Automation of the first level support of Company XY

Nowadays, it is not only a product that matters, but also the service and value that you can offer your customers.³ With increasing digitalisation, people are more networked than ever before and information can be found and transmitted in real time. Customers are increasingly expecting this from their service provid- ers.⁴ In this context, the demands on customer service in particular are becoming ever higher. Among other things, customers expect real-time service and in- creased competence in providing information.⁵

In order to be able to offer customers faster and better service in the future, so- called self-service solutions are increasingly being offered.⁶ With these solutions, customers are given the opportunity to have their problem solved themselves in real time.⁷

As an IT service and consulting company ComX in general and ComXY in particular, are also facing these challenges. In a world of constant change and digital transformation, the customers of ComXY depend on first-class service and support, especially with regard to their system landscape.

In this respect, ComXY also plans to implement a self-service solution in the form of a chatbot in the current customer service. The chatbot is to be integrated into the first level support. This is where this work has started. On the one hand, it provides an overview of the relevant technologies and on the other hand it ex- plains in more detail how a concept of a chatbot and the subsequent implementation of the chatbot in the current first level support at ComX could look like.

3 See Robra-Bissantz & Lattemann, 2019, p. 3; Schwarz, 2016, p. 7; Simmet, 2016

4 See Hilker, 2016

5 See Henn, 2018, p. 12; Simmet, 2013

6 See Simmet, 2013; Detecon International GmbH, 2014, p. 6

7 See Simmet, 2014

(8)

6 In order to create a clear distinction between the process to be dealt with and the general customer service, the concept of first level support was first clarified.

The first level support is responsible for the registration and classification of in- coming messages and customer concerns, as well as for the fastest possible resolution of problems.⁸ It is therefore the first point of contact for customers when problems or questions arise. Furthermore, in the event that a fault is not immedi- ately resolved, first level support is responsible for forwarding the fault to a second level support employee or to a specialist department.

The aim of this thesis was to identify the requirements of ComXY's customers for a chatbot, as well as to work out the advantages and challenges associated with the introduction of such a solution. The insights gained have thus laid an important foundation for the further steps in the development of a chatbot to ensure a successful implementation.

Since the technologies used in a chatbot are based on artificial intelligence technologies, a basic introduction to the topic of artificial intelligence was given at the beginning of the second chapter. Based on this, the basics of chatbots relevant for this research were presented. Among other things, the classifications of chatbots were considered, which can differ on the one hand by the intended purpose and on the other hand by the way chatbots function (see figure 3).

The results of an online survey among ComXY customers were analyzed in chapter 3. This survey provided information on the current level of customer satisfac- tion as well as on the customers' attitude towards the use of a chatbot. In this context, the customers' demands on a chatbot were also taken into account. The conducted survey was subsequently evaluated descriptively.

8 See here and in the following paragraph Dipl.-Ing. Walter Abel Management Consulting, o.J., p. 6

(9)

7 The evaluation of the customer survey showed that the customers questioned saw the offering of solutions to simple and frequently occurring problems and the possibility of forwarding them to an employee as the main requirements. As a consequence, the scope of the chatbot was defined as answering standard error messages.

Other important findings from the survey were that accessibility and professional competence in customer support are most important to the customers surveyed and that more than half of the customers surveyed would not recommend ComXY to others based on their experience with the customer support. After customer groups had been formed, it was shown that the evaluation of the current support deteriorated with the duration of the cooperation and the turnover strength of the customers.

Based on the findings of the evaluation, a suitable concept for a chatbot was then derived. This falls into the category of a target-oriented chatbot, respectively an information and transaction bot. Furthermore, the maturity level on the lowest level of the maturity model was chosen, as it ensures basic communication, can answer simple questions and is associated with lower costs compared to higher levels.

After the concept of the chatbot was created, it was shown how it could be contacted by customers in the future. In the future, a newly developed service portal will form the basis for this.

Figure 3: Classification of chatbots (own presentation; data origin: Stucki, et al., 2020)

(10)

8 Through the internal cooperation of a project team the functionality of a possible chatbot could be explained afterwards. The chatbot presented consists partly of predefined components of the Microsoft bot framework, such as QnA Maker and LUIS, and partly of programming adapted to the needs of ComXY (see figure 4).

The ability to remember new answers and learn different expressions based on user input can be mentioned as essential features of the chatbot.

Since this chatbot can only provide answers to previously stored problems but is also able to learn different forms of expression of the users, it can be categorized as both, a rule-based and a data-based chatbot.

In the following, the further necessary implementation steps and the integration of the chatbot into the current support process were explained. The presented implementation steps have shown that, due to the high number of standard error messages and the associated high time and cost expenditure, the first phases of the implementation should focus on the generation of FAQ catalogs.

After that, a few selected customers should first test the chatbot for its rough features before a larger group of customers ensures the expansion of the knowledge base. Here, the customers, although they know that their question cannot be answered by the chatbot, should have their concerns or problems clarified via the chatbot. The chatbot then initiates the clarification of the problem and the answer is automatically sent to the chatbot's database. After the chatbot's database has been enriched with as many typical error messages from customers as possible, the chatbot can be integrated into the first level support process as a finished product.

Figure 4: Structure of potential chatbot from ComXY (own presentation)

(11)

9 Finally, an evaluation was made. The main advantages of introducing a chatbot were differentiated between advantages for the customers, the ComXY staff and the ComXY itself. The main advantages for the customers were the reduction of costs and response times. By increasing the identification of the employees with their tasks, an increase in motivation was derived as an advantage for the employees. For ComXY, the more efficient design of first level support and the reduction of internal support costs were mentioned as advantages.

The advantages described were contrasted with possible challenges of introducing a chatbot. Firstly, it was mentioned that proper communication with customers is crucial to avoid misunderstandings and frustration, in order to show the limits and areas of application of the chatbot. On the other hand, the establishment of a broad-based database was mentioned as a challenge. On the one hand, the chatbot should be contacted as often as possible at the beginning in order to learn the expressions of the customers and to remember new solutions. On the other hand, the motivation of the customers to contact the chatbot will only be there when they can see a benefit, in this case the solution to their problem.

Furthermore, potential difficulties in attracting customers for the implementation phases, the high number of non-users and communication with the internal staff of the current first level support were identified as challenges.

Subsequently, the extent to which the objectives set at the beginning of this paper have been achieved was considered.

On the one hand, the requirements of ComXY's customers for a chatbot were to be identified. The survey has shown that the customers' main requirements for a chatbot are to offer solutions to simple and frequently occurring problems and to forward them to an employee.

At this point, it should be critically evaluated that the requirements were already pre-defined in the conducted questionnaire. A qualitative study could identify other requirements of the customers, as they would not be limited with their answer possibilities. The resulting loss of individuality was accepted in favour of a better evaluability.

On the other hand, the advantages as well as challenges associated with the introduction of a chatbot were to be worked out. For this the evaluation in chapter

(12)

10 5 provided the relevant information. Also, here the worked out results must be questioned critically. Since no detailed investigation has taken place, the results cannot be proven and can therefore be classified as subjective. Due to the limited scope of the work, a detailed examination of the results has been omitted at this point.

In conclusion, it can be said that the planned automation of the first level support, both for the customers and for ComXY itself, provides a solution that has the potential to meet the ever-increasing demands of the customers and to signifi- cantly improve the customer service of ComXY. The identified customer requirements, as well as the identified benefits and challenges associated with the introduction of a chatbot, can be used by the ComXY in the next phases of the chatbot implementation and development to ensure a successful introduction of a chatbot into the first level support.

(13)

11

2 Einleitung 2.1 Motivation

„Nur wer schnell und kompetent agieren kann, wird erfolgreich sein, Kunden binden und Neukunden gewinnen.“⁹ – Christian Sajons, Managing Director Ger- many, Sitel Group GmbH

Heutzutage kommt es nicht mehr nur auf ein Produkt, sondern auch auf den damit verbunden Service und Wert, dem man den Kunden bieten kann, an.¹⁰ Durch die zunehmende Digitalisierung sind die Menschen vernetzter als je zuvor und Informationen können in Echtzeit gefunden und übertragen werden. Diese Erwar- tung stellen Kunden auch vermehrt an ihre Dienstleister.¹¹ In diesem Zusammen- hang werden vor allem an den Kundenservice immer höhere Ansprüche gestellt.

Kunden erwarten unter anderem einen Service in Echtzeit und erhöhte Kompe- tenz von Auskünften.¹²

Dies stellt Unternehmen vermehrt vor Herausforderungen. Sie müssen ihre bis- herigen Geschäftsmodelle überdenken, um den Anschluss an die Konkurrenz nicht zu verlieren. Um langfristig Kunden binden zu können, bedarf es der stetigen Weiterentwicklung der angebotenen Serviceleistungen.¹³

Um den Kunden zukünftig einen schnelleren und bessere Service anbieten zu können, werden vermehrt sogenannte Self-Service Lösungen angeboten.¹⁴ Bei diesen Lösungen wird den Kunden eine Möglichkeit gegeben, ihr Problem selbst und in Echtzeit lösen zu lassen.¹⁵

Als IT-Dienstleistungs- und -Beratungshaus steht auch die Firma X im Allgemei- nen und die Firma X (FIRMA X) im Speziellen vor diesen Herausforderungen.

Die Kunden der FIRMA X sind in einer Welt des stetigen Wandels und der digitalen Transformation vor allem in Bezug auf ihre Systemlandschaft auf erstklas- sigen Service und Support angewiesen.

9 Sajons, 2018

10 Vgl. Robra-Bissantz & Lattemann, 2019, p. 3; Schwarz, 2016, p. 7; Simmet, 2016

11 Vgl. Hilker, 2016

12 Vgl. Henn, 2018, p. 12; Simmet, 2013

13 Vgl. Simmet, 2016; Hilker, 2016; Talin, 2019; Bruhn & Hadwich, 2017, p. 6

14 Vgl. Simmet, 2013; Detecon International GmbH, 2014, p. 6

15 Vgl. Simmet, 2014

(14)

12 Insofern plant auch die FIRMA X eine Self-Service Lösung in Form eines Chat- bots in den aktuellen Kundenservice zu implementieren. Dabei soll der Chatbot in den First Level Support eingegliedert werden. Hier knüpft die folgende Arbeit an. Sie liefert zum einen einen Überblick über die relevanten Technologien, zum anderen wird genauer erläutert, wie ein Konzept eines Chatbots und die darauf- folgende Implementierung des Chatbots in den aktuellen First Level Support bei der FIRMA X aussehen könnte.

Damit eine klare Abgrenzung von dem zu behandelten Prozess und dem gene- rellen Kundenservice geschaffen wird, sollte zunächst der Begriff des First Level Supports verdeutlicht werden.

Der First Level Support ist für die Registrierung und Einordnung von eingehenden Meldungen, bzw. Kundenanliegen, sowie eine schnellstmögliche Behebung im Falle eines Problems, zuständig.¹⁶ Er bildet demnach die erste Anlaufstelle für Kunden bei auftretenden Problemen oder Fragen. Des Weiteren ist der First Le- vel Support im Falle der nicht unmittelbaren Lösung einer Störung zuständig, die Störung an einen Mitarbeiter im Second Level Support oder an eine Fachabtei- lungen weiterzuleiten.

2.2 Zielsetzung und Vorgehensweise

Ziel dieser Arbeit ist es, die Anforderungen der Kunden der FIRMA X an einen Chatbot zu identifizieren, sowie die Vorteile bzw. Herausforderungen, die mit der Einführung einer solchen Lösung verbunden sind, herauszuarbeiten. Die erlang- ten Erkenntnisse bieten somit für die weiteren Schritte in der Entwicklung eines Chatbots der FIRMA X eine wichtige Grundlage, um eine erfolgreiche Implemen- tierung zu gewährleisten.

Da die eingesetzten Technologien eines Chatbots unter anderem auf Technolo- gien der künstlichen Intelligenz beruhen, wird zu Beginn des zweiten Kapitels eine grundlegende Einführung in die Thematik der künstlichen Intelligenz statt- finden. Hierauf aufbauend werden anschließend die im Rahmen dieser Untersu- chung relevanten Grundlagen von Chatbots dargestellt.

16 Vgl. hier und im folgenden Absatz Dipl.-Ing. Walter Abel Management Consulting, o.J., p. 6

(15)

13 Die Ergebnisse einer Online-Umfrage unter den Kunden der FIRMA X werden in Kapitel 3 analysiert. Diese soll zum einen Aufschluss über die aktuelle Kunden- zufriedenheit, zum anderen Aufschluss über die Einstellung der Kunden gegen- über der Nutzung eines Chatbots geben. In diesem Zusammenhang werden zu- sätzlich die Anforderungen der Kunden an einen Chatbot aufgenommen. Die durchgeführte Umfrage wird im Anschluss deskriptiv ausgewertet.

Aus den Erkenntnissen der Auswertung wird anschließend ein passendes Kon- zept für einen Chatbot abgeleitet. Die Funktionsweise eines möglichen Chatbots wird in Kapitel 4 erläutert. Die Herausarbeitung der Vorteile und möglicher Her- ausforderungen einer Einführung eines Chatbots steht am Ende der Arbeit, die zusammenfassend mit einem Fazit endet.

3 Grundlagen von Künstlicher Intelligenz und Chatbots 3.1 Künstliche Intelligenz

3.1.1 Definition „Künstliche Intelligenz“

Da der Begriff „Künstliche Intelligenz“ (KI, engl. Artificial Intelligenz, AI) nicht ein- heitlich in der Literatur definiert ist, erweist sich eine klare Begriffsbestimmung als schwierig. Zunächst wird daher ein allgemeiner Definitionsansatz gewählt, welcher anschließend durch weitere Definitionen konkretisiert wird.

Die Fraunhofer-Gesellschaft definiert KI als „ein Teilgebiet der Informatik mit dem Ziel, Maschinen zu befähigen, Aufgaben „intelligent“ auszuführen. Dabei ist weder festgelegt, was „intelligent“ bedeutet, noch welche Techniken zum Einsatz kommen.“¹⁷

Eine spezifischere Definition bezeichnet KI als „die Fähigkeit einer Maschine, kognitive Aufgaben auszuführen, die wir mit dem menschlichen Verstand verbin- den.“¹⁸ Ergänzend dazu besitzt die Maschine bestimmte Kernfähigkeiten. Diese sind Wahrnehmen, Verstehen, Handeln und Lernen. Im Vergleich zu herkömmli- chen EDV-Systemen, welche nach dem Grundprinzip: Eingabe – Verarbeitung – Ausgabe, arbeiten, ist der neue Aspekt das Lernen und das damit verbundene Verstehen.¹⁹

17 Leis, et al., 2018a

18 Kreutzer & Sirrenberg, 2019, p. 3

19 Vgl. Bitkom e.V.; DFKI, 2017, p. 29

(16)

14 Des Weiteren kommt es häufig zu einer Unterteilung der KI in schwache und starke KI (engl. weak/narrow and strong/general AI)²⁰. Als schwache KI werden KI-Systeme verstanden, welche auf ein spezifisches, vorher definiertes, Umfeld spezialisiert sind und auch nur dieses unterstützen können. Heutige KI-Systeme sind fast ausschließlich auf dem Gebiet der schwachen KI zu finden.²¹

Starke KI-Systeme sind in der Lage allgemeine Probleme zu lösen. Sie sind dabei nicht auf ein definiertes Umfeld beschränkt, sondern können bspw. in der In- dustrie unterstützen, komplizierte Fragestellungen beantworten und mit Kindern kreativ spielen.²² Sie können damit allgemeine Probleme, genauso gut wie Men- schen lösen. Wenn ein solches KI-System sich ständig verbessert und weiter dazulernt und demnach die menschlichen Fähigkeiten übertrifft, ist die Rede von künstlicher Superintelligenz.²³ Bis die Forschung solche Systeme entwickeln kann, dauert es allerdings noch mehrere Jahrzehnte.²⁴

Da in dieser Arbeit die Automatisierung des First Level Supports der FIRMA X thematisiert wird, das Umfeld somit spezifisch und vordefiniert ist, wird der Begriff KI im weiteren Verlauf dieser Arbeit immer im Kontext der schwachen KI verwendet.

3.1.2 Ausgewählte Teilbereiche der Künstlichen Intelligenz

Das Gebiet der KI ist vielseitig und komplex, sodass es den Umfang dieser Arbeit übersteigen würde, jedes Gebiet zu erläutern. Viel mehr wird im folgenden Kapi- tel ein Überblick über die Einordnung verschiedener KI-Systeme gegeben. Des Weiteren konzentriert sich diese Arbeit auf die hierfür relevanten Themengebiete der KI.

Grundsätzlich kann die KI in symbolische und subsymbolische KI unterschieden werden.²⁵ Die Unterscheidung erfolgt auf Basis der Wissensrepräsentation. Sym- bolische Systeme nutzen Regeln und Beziehungen, die für den Menschen lesbar sind. Diese Regeln und Beziehungen müssen in umfangreichen Regelwerken

20 Vgl. mehrere Autoren, z.B. Kreutzer & Sirrenberg, 2019, p. 20; Gentsch, 2019, p. 29; Wittpahl, 2019, p.

21; Bitkom e.V.; DFKI, 2017, p. 31

21 Vgl. mehrere Autoren, z.B. Kreutzer & Sirrenberg, 2019, p. 20; Gentsch, 2019, p. 29; Wittpahl, 2019, p.

21; Bitkom e.V.; DFKI, 2017, p. 31

23 Vgl. Wittpahl, 2019, p. 21

24 Vgl. Kreutzer & Sirrenberg, 2019, p. 20; Bitkom e.V.; DFKI, 2017, p. 31

25 Vgl. hier und im folgenden Absatz Gentsch, 2019, p. 30; Gruhn, 2019; Newell & Simon, 1975, p. 123

(17)

15 und Datenbanken manuell programmiert werden. Subsymbolische Systeme sind weitestgehend für den Menschen nicht ohne Weiteres lesbar. Die Daten werden vor der Verarbeitung codiert und sind somit für den Menschen nicht direkt zu- gänglich.

Den Kern von subsymbolischen Systemen bilden sogenannte „Künstliche Neu- ronale Netze“ (KNN).²⁶ Sie sind als Teilgebiet des Maschinellen Lernens (engl.

machine learning, ML), welches im weiteren Verlauf dieses Kapitels näher be- schrieben wird, anzusehen.²⁷ Da die subsymbolische KI allerdings für den weiteren Verlauf dieser Arbeit eine untergeordnete Rolle spielt, werden KNN hier nicht näher betrachtet.

In der symbolischen KI ist vor allem die Technologie des Natural Language Pro- cessing (NLP) für die Entwicklung von Chatbots von Relevanz. Unter NLP werden Computerprogramme verstanden, welche es Maschinen erlauben die menschliche Sprache, sowohl in Schrift als auch in Wort, zu erkennen, zu verarbeiten und zu verstehen.²⁸ Sie besitzen die Fähigkeit mit gesprochenem oder geschriebenen Text zu arbeiten, ihn zu analysieren und den Sinn zur weiteren Verarbeitung zu extrahieren.²⁹ Dabei sind diese Programme nicht nur auf Pro- grammiersprachen, wie Java oder C++, beschränkt, sondern sind darüber hinaus in der Lage die natürliche Sprache, wie Deutsch oder Englisch, zu verstehen und zu verarbeiten.³⁰

Obwohl die Entwicklung von NLP- und KI-Systemen in den letzten Jahren voran- geschritten ist, stellt die Mehrdeutigkeit und Komplexität der menschlichen Spra- che noch eine große Herausforderung dar.³¹ Kommunikationsarten, wie Ironie oder Sarkasmus, und verschiedene Ausdrucksformen stellen für den Menschen keine große Herausforderung dar, bilden aber für Computerprogramme große Probleme. Diese Probleme können nur mit Hilfe von sehr großen Datenmengen, aus denen sie lernen können, behoben werden.

NLP kann in vier verschiedene Anwendungsformen unterteilt werden³²:

26 Vgl. Gentsch, 2019, p. 35

27 Vgl. Leis, et al., 2018b, p. 90; Müller, 2019

28 Vgl. Kreutzer & Sirrenberg, 2019, p. 30

29 Vgl. Luber & Litzel, 2016

30 Vgl. Gentsch, 2019, p. 31

31 Vgl. hier und im folgenden Absatz Gentsch, 2019, p. 31; Luber & Litzel, 2016

32 Vgl. hier und im folgenden Absatz Kreutzer & Sirrenberg, 2019, p. 28f.

(18)

16 Speech-to-Text (STT)

Diese Anwendung überführt das gesprochene Wort direkt in einen digitalen Text.

Zu finden sind solche Anwendungen bei Siri (Apple), wenn z.B. E-Mails direkt in das Smartphone diktiert werden.

Speech-to-Speech (STS)

Hier wird durch eine Spracheingabe unmittelbar eine Sprachausgabe erzeugt.

Beispiele hierfür sind digitale persönliche Assistenten, wie Alexa oder Google Home.

Text-to-Speech (TTS)

Bei dieser Anwendung werden digitale Dokumente, wie E-Mails oder SMS, von dem Computerprogramm vorgelesen.

Text-to-Text (TTT)

Diese Systeme können elektronisch geschriebene Texte erkennen und daraufhin in Textform antworten. Übersetzungsprogrammen, wie DeepL oder Google Translate, sowie Chatbots nutzen diese Technologie.

Des Weiteren setzt sich NLP aus verschiedenen Technologien zusammen. Die für diese Arbeit relevantesten Technologien, das Natural Language Under- standing (NLU) und die Natural Language Generation (NLG) wird im Folgenden behandelt.

Die Technologie des NLU wird eingesetzt bei Funktionen, welche über das reine Sprachverständnis und die Sprachwiedergabe hinausgehen.³³ Solche Funktio- nen können z.B. in einem Chatbot verarbeitet sein, um Fragen beantworten zu können. Aufgabe dieser Technologie ist es, den zu verarbeiteten Text zu verstehen und zu interpretieren.³⁴ Um dies tun zu können, benötigt ein NLU-System eine breit aufgestellte Datenbank, in der über ein Lexikon die Sprache und gram- matische Regeln festgelegt sind, sowie einen sogenannten „Parser“. Dies ist ein Programm, das die einzelnen Bestandteile eines Textes zerlegen und in ein für

34 Vgl. hier und im folgenden Absatz Retresco GmbH, o.J.a; Van Valin, o.J., p. 2f.; Kreutzer & Sirrenberg, 2019, p. 32f.

(19)

17 die Weiterverarbeitung geeignetes Format umwandeln kann. Hinzu kommen weitere Technologien, die es ermöglichen z.B. Paraphrasen und die Stimmung des Textes zu erkennen.

Nachdem ein Text durch die oben genannten Methoden analysiert wurde, kön- nen durch sogenannte Dialog-Agenten Informationen generiert werden, welche diese z.B. über einen Chatbot mit dem Kunden teilen.³⁵ Dabei kommt eine weitere Technologie zum Einsatz, die Natural Language Generation (NLG). Diese nimmt die zuvor generierten Daten und Informationen und wandelt diese in Text oder Sprache um. Wie es bei symbolischen Systemen üblich ist, müssen auch hier vorher bestimmte Bedingungen und Regelungen programmiert werden. Da- bei handelt es sich überwiegend um vorformulierte Sätze, welche mit Hilfe von Algorithmen individualisiert werden.³⁶

Obwohl die Technologien des NLU und des NLG für sich eigenständig agieren können,³⁷ sind sie oft in der genannten Verbindung aufzufinden. Insbesondere Chatbots vereinen diese beiden Technologien sehr gut, da über das NLU die Anfrage des Nutzers verstanden und mit Hilfe des NLG eine sinnvolle Antwort generiert werden kann. Experten bewerten das Gebiet des NLP auch als das

„Rückgrat von Chatbots“³⁸. Über das Gebiet des maschinellen Lernens, welches im weiteren Verlauf dieses Kapitels erläutert wird, kann ein Chatbot zusätzlich kontinuierlich seine generierten Aussagen verbessern und sich weiterentwi- ckeln.³⁹

Wie bereits anhand der Definition von KI zu sehen, besitzen KI-Systeme bestimmte Fähigkeiten. Diese sind Wahrnehmen, Verstehen, Handeln und Ler- nen.⁴⁰ Die bisher erläuterte Technologie des NLP befasste sich größtenteils mit den Themen des Wahrnehmens, Verstehens und Handelns. Die folgenden Ab- sätze befassen sich mit dem Gebiet des Lernens, welches hauptsächlich durch

36 Vgl. Retresco GmbH, o.J.b

37 Vgl. Retresco GmbH, o.J.a; Kreutzer & Sirrenberg, 2019, p. 30ff.

38 Vogt, 2017

39 Vgl. Retresco GmbH, o.J.b

(20)

18 ML-Technologien ermöglicht wird.⁴¹ ML kann sowohl in symbolischen als auch subsymbolischen Systemen verarbeitet sein.⁴²

Im wirtschaftlichen Kontext werden die Begriffe „Künstliche Intelligenz“ und „Ma- schinelles Lernen“ oftmals als Synonym verwendet. Ein Grund hierfür ist, dass ML als „Schlüsseltechnologie der Künstlichen Intelligenz“⁴³ verstanden wird.⁴⁴ Weitere Gründe sind der verbreitete Einsatz und der starke Einfluss auf die Ent- wicklung anderer KI-Systeme von ML.⁴⁵

Genau genommen ist diese Synonym Verwendung allerdings nicht korrekt. Viel- mehr ist ML als großes Teilgebiet der KI zu verstehen, in dem es darum geht,

„Computer Probleme lösen zu lassen, ohne [die Computer] dafür explizit zu pro- grammieren“⁴⁶. Diese Systeme besitzen die Fähigkeit, mit Hilfe von Algorithmen aus Daten zu lernen. Dies geschieht indem sie aus vergangenen Daten bzw.

Trainings-, oder Beispieldaten, Muster und Gesetzmäßigkeiten erkennen und auf dieser Basis Zusammenhänge herstellen, um Rückschlüsse ziehen und Vorher- sagen für die Zukunft treffen zu können.⁴⁷

Damit ML-Systeme verlässliche Aussagen treffen können, bedarf es einer sehr großen Anzahl an „Übungsdaten“, wie sie z.B. in Big Data Strömen zu finden sind. Es können drei Arten des Lernens von ML-Systemen unterschieden werden⁴⁸:

Beaufsichtigtes Lernen (Supervised Learning)

Diese Art des Lernens nutzt eine Vielzahl an beschrifteten Daten.⁴⁹ Dem Algo- rithmus muss jedes Mal die passende Information gegeben werden, um was es sich bei der zu lernenden Datei, bzw. Information, handelt. Ein Beispiel dafür ist ein Algorithmus, der so trainiert werden soll, dass er in der Lage ist, z.B. Hunde von Katzen zu unterscheiden. Damit der Algorithmus dies lernen kann, brauch er

41 Vgl. Bernecker, 2019

42 Vgl. Leis, et al., 2018b, p. 58ff.

43 Leis, et al., 2018a, p. 9

44 Vgl. Leis, et al., 2018a, p. 9

45 Vgl. Gentsch, 2019, p. 30

46 Schacht & Lanquillon, 2019, p. 90

47 Vgl. Bitkom e.V.; DFKI, 2017, p. 27; Scherk, et al., 2017, p. 14; Manhart, 2018

48 Vgl. McKinsey & Company, o.J., p. 2; Gentsch, 2019, p. 37ff.; Bitkom e.V.; DFKI, 2017, p. 96

49 Vgl. hier und im folgenden Absatz z.B. McKinsey & Company, o.J., p. 2f.; Gentsch, 2019, p. 37f.; Wittpahl, 2019, p. 25f.; Kreutzer & Sirrenberg, 2019, p. 7

(21)

19 jedes Mal die Information, um welche Tierart es sich handelt. Des Weiteren wird diese Art des Lernens für Regressionsanalysen und Klassifizierungen genutzt.

Nicht-überwachtes Lernen (Unsupervised Learning)

Bei dieser Lernmethode verfügt das System nicht über vordefinierte Daten, sondern muss selbständig Zusammenhänge und Gemeinsamkeiten in den Datens- ätzen finden.⁵⁰ Dies geschieht, indem der Algorithmus eigenständig eine Struktur erkennt, die dem Menschen zuvor nicht bekannt war. Häufig verwendete Vorge- hensweisen sind Methoden zur Clusterbildung.

Verstärktes Lernen (Reinforcement Learning)

Der Algorithmus muss bei dieser Lernmethode mit Hilfe eines „Trial-and-Error“

Ansatzes den optimalen Lösungsweg eines Problems finden.⁵¹ Dabei probiert er eigenständig Wege aus und wird bei guten Lösungsvorschlägen „belohnt“ und bei schlechten Ideen „bestraft“. Eine Belohnung oder Bestrafung kann z.B. der Sieg, bzw. die Niederlage, in einem Schachspiel sein. Diese Methode kommt vor allem dann zum Einsatz, wenn ein Problem unlösbar scheint und nur wenige Trainingsdaten zur Verfügung stehen. Ein bekanntes Beispiel für verstärktes Ler- nen, ist das von Google DeepMind entwickelte AlphaGo System.⁵²

Aufbauend auf den für Chatbots relevanten KI-Technologien, werden zur weiteren Abhandlung eine definitorische Abgrenzung des Begriffes Chatbot vorge- nommen und die praxisrelevanten Ausgestaltungsformen dargestellt.

3.2 Chatbots

3.2.1 Definition „Chatbot“

Der Begriff „Chatbot“ kann in zwei Teile zerlegt werden. Der erste Teil, „Chat“, steht für „plaudern“⁵³, der zweite Teil „Bot“, steht für ein Computerprogramm das weitestgehend automatisch wiederkehrende Aufgaben bearbeiten kann.⁵⁴ In der

50 Vgl. hier und im folgenden Absatz z.B. McKinsey & Company, o.J., p. 2f.; Gentsch, 2019, p. 38; Wittpahl, 2019, p. 26; Kreutzer & Sirrenberg, 2019, p. 7

51 Vgl. hier und im folgenden Absatz z.B. McKinsey & Company, o.J., p. 2f.; Gentsch, 2019, p. 38; Wittpahl, 2019, p. 25f.; Kreutzer & Sirrenberg, 2019, p. 8

52 Für weitere Informationen: DeepMind, o.J.

53 Vgl. PONS GmbH, o.J.

54 Vgl. Leis, et al., 2018b, p. 89

(22)

20 Literatur und der Informatik versteht man unter dem Begriff „Chatbot“, ein Dialog- system, das in der Lage ist, mit einem Benutzer zu interagieren, einen Dialog zu führen und gewisse Aufgaben automatisch zu bearbeiten.⁵⁵

Dafür kommunizieren sie mit dem Benutzer in natürlicher Sprache. Dies geschieht entweder über Sprachsteuerung bzw. verbale Kommunikation oder Text- eingabe bzw. schriftliche Kommunikation.⁵⁶ Dem entsprechend kann zwischen textbasierten (Vgl. TTT aus Kap. 2.1.2) und sprachbasierten Dialogsystemen (Vgl. STS aus Kap. 2.1.2) unterschieden werden⁵⁷, wobei der Durchbruch der sprachbasierten Dialogsystemen erst mit Entwicklungen von Google, Apple und Amazon gelungen ist.⁵⁸

Im Kontext dieser Arbeit werden nur Bots, bzw. Chatbots, näher betrachtet, welche zum primären Ziel haben, eine gewünschte Unterhaltung zu führen oder ein konkretes Problem zu lösen. Andere Arten von Bots, wie z.B. Social Bots, werden in dieser Arbeit nicht näher betrachtet.

3.2.2 Klassifikationen von Chatbots

Die Klassifikation von Chatbots wird anhand der Abbildung 1 verdeutlicht. Dem- nach können Chatbots anhand ihres Verwendungszweckes und ihrer Funktions- weise klassifiziert werden.⁵⁹ Der Verwendungszweck kann in zielorientiert und nicht-zielorientiert aufgeteilt werden, wobei nicht-zielorientierte Chatbots vor allem die Aufgabe haben soziale Unterhalten zu simulieren.⁶⁰ Zielorientierte Chat- bots haben die Aufgabe, dem Nutzer bei einem konkreten Anliegen oder Problem zu helfen.⁶¹ Diese Art von Chatbot kann unterteilt werden in Informations- und Transaktionsbots. Diese Unterteilung erfolgt auf Basis der genutzten Unterstüt- zung des Chatbots.

Informationsbots liefern Antworten, Auskünfte oder Anleitungen zu bestimmten Fragestellungen.⁶² Transaktionsbots führen dagegen eine bestimmte Tätigkeit

55 Vgl. Stucki, et al., 2020, p. 3; Leis, et al., 2018b, p. 89; Jurafsky & Martin, 2019, p. 487

56 Vgl. Jurafsky & Martin, 2019, p. 487; Hoffmann, 2019, p. 20

58 Vgl. Khan & Das, 2018, p. 2

59 Vgl. z.B. Jurafsky & Martin, 2019, p. 491f.; Stucki, et al., 2020, p. 6

60 Vgl. Serban, et al., 2017, p. 4

61 Vgl. hier und im folgenden Absatz Stucki, et al., 2020, p. 6

(23)

21 für den Nutzer aus. Chatbots können entweder nur einem Verwendungszweck zugeschrieben oder eine Kombination aus beiden Verwendungszwecken sein.

Die Funktionsweise von Chatbots kann in regel-, daten- und formularbasiert unterteilt werden.⁶³ Regelbasierte Chatbots arbeiten mit Hilfe von fest definierten Regeln oder Mustern.⁶⁴ Es können nur Eingaben bearbeitet und Ausgaben generiert werden, die durch vorher programmierte Regeln, bzw. Muster, erfasst werden können. Bei der Programmierung müssen demnach alle möglichen Dia- loge beachtet werden. Häufig ordnet der Chatbot der Aussage des Nutzers eine bestimmte Absicht zu und liefert die dazu hinterlegte Antwort.

Datenbasierte Chatbots sind in der Lage auch nicht zuvor programmierte Ele- mente zu verarbeiten.⁶⁵ Sie nutzen dafür Technologien des maschinellen Ler- nens und des NLS. Dadurch müssen sie mit großen Textkorpus Datein gefüllt werden und lernen unterschiedliche Ausdrucksweisen einer Absicht des Nutzers.

Sie sind somit flexibler als regelbasierte Chatbots. Das Lernen neuer Absichten ist nur begrenzt möglich.

Formularbasierte Chatbots können als eine Mischform der beiden oben genannten Chatbots gesehen werden.⁶⁶ Sie fragen nach einander die benötigten Infor- mationen des Nutzers ab und liefern daraufhin eine Antwort. Das Ziel ist es, her-

63 Vgl. Jurafsky & Martin, 2019, p. 491f.

64 Vgl. hier und im folgenden Absatz Stucki, et al., 2020, p. 7; Weber, et al., 2018, p. 14ff.

65 Vgl. hier und im folgenden Absatz Jurafsky & Martin, 2019, p. 495ff.; Stucki, et al., 2020, p. 7; Serban, et al., 2017, p. 5ff.

66 Vgl. hier und im folgenden Absatz Jurafsky & Martin, 2019, p. 498ff.; Stucki, et al., 2020, p. 7 Abbildung 1: Klassifikation von Chatbots (Eigene Darstellen; Datenquelle: Stucki, et al., 2020, p. 6f.

(24)

22 auszufinden, welche Datenobjekte, bzw. Formulare, zu dem Anliegen des Nut- zers passen und anschließend die einzelnen Attribute, bzw. Formularfelder, beim Nutzer zu erfragen oder aus bereits getätigten Eingaben zu extrahieren.

3.2.3 Grundlegender Aufbau eines Chatbots

Dieses Kapitel soll den allgemeinen Aufbau eines Chatbots erläutern und verein- facht darstellen. Zwar haben sich die Chatbots seit den vergangenen Jahren, bzw. Jahrzenten, weiterentwickelt, doch ihre Aufgabe, bzw. ihr Aufbau, ist ähnlich geblieben. Damals, wie heute, ist die Hauptaufgabe eines Chatbots angemessen auf die Eingabe eines Nutzers zu reagieren, in dem eine zum Kontext passende Antwort generiert wird.⁶⁷ Die grundlegenden Bestandteile eines Chatbots sind in Abbildung 2 dargestellt.

Ein Dialog mit einem Chatbot startet i.d.R. durch eine Eingabe des Nutzers.⁶⁸ Die Eingabeverarbeitung versucht die Eingabe des Nutzers zu verstehen. Dies pas- siert, vor allem bei neueren Chatbots, häufig mit den bereits erläuterten Metho- den des NLS.

Bevor dies passieren kann, muss zum einen der Eingabetext in ein maschinen- lesbares Format umgewandelt werden⁶⁹ und zum anderen muss der vorliegende Text gesäubert, bzw. vereinheitlicht werden (engl. data cleaning).⁷⁰ Dabei werden z.B. Tippfehler korrigiert oder durch eine Stoppwortliste Wörter ohne konkreten Inhalt, wie z.B. Artikel, aus dem Text entfernt.

67 Vgl. Stucki, et al., 2020, p. 8

69 Erfolgt die Eingabe in gesprochener Sprache muss diese zuerst transkribiert werden.

70 Vgl. hier und im folgenden Absatz Stucki, et al., 2020, p. 8f.

Abbildung 2: Vereinfachte Darstellung des grundlegenden Aufbaus eines Chatbots (Eigene Darstellung in An- lehnung an Stucki, et al., 2020, p. 8)

(25)

23 Danach werden durch Methoden des NLP die wesentlichen Stichwörter aus dem Eingabetext extrahiert und klassifiziert.⁷¹ Dies bildet die Grundlage für das sogenannte „Intent Matching“ und „Slot Filling“. Dabei wird mit Hilfe des NLU der Ein- gabetext nach seiner Absicht (engl. intent) und nach weiteren für die Verarbei- tung wichtigen Informationen bzw. Objekten (sog. Entitäten) durchsucht. Hat das Programm Entitäten gefunden, überträgt es diese in die passenden Slots.

Nachdem die oben beschriebenen Prozesse durchlaufen wurden, gibt die Einga- beverarbeitung die Informationen an die Dialogsteuerung weiter.⁷² Diese ent- scheidet, wie mit der zuvor bestimmten Nutzerabsicht umgegangen werden soll.

Durch Anbindungen an verschiedene Quellsysteme (engl. back-end systems) können z.B. Informationen aus Wissensdatenbanken bezogen oder Aktionen in anderen Systemen ausgelöst werden. Falls der Chatbot nicht nur über ein Frage- Antwort-Muster verfügt, sondern mehrstufige Dialoge führen kann, ist die Dialog- steuerung zusätzlich dafür verantwortlich sich bereits erhaltene Informationen, sowie den Kontext, zu merken.

Verfügt die Dialogsteuerung über alle Informationen für die passende Antwort, gibt sie diese an die Ausgabeerstellung weiter.⁷³ Bei weiterentwickelten Chatbots kommt die Technologie des NLG im Anschluss zum Einsatz (Vgl. NLG aus Kap.

2.1.2). Einfachere Chatbots nutzen eine Reihe von vordefinierten Aussagen für die jeweiligen Absichten. Des Weiteren gibt es die Möglichkeit, dass einzelne Bestandteile der Antwort durch einen Platzhalter besetzt sind. Diese Platzhalter werden durch Information aus dem Quellsystem ersetzt. Handelt es sich um einen Chatbot für gesprochene Sprache, muss im Anschluss der Text wieder in Ton umgewandelt werden.

Nachdem die Klassifikationen und der grundlegende Aufbau von Chatbots erfolgt ist, wird im folgenden Kapitel unter anderem ein Modell zur Reifegradbestimmung eines Chatbots vorgestellt.

72 Vgl. hier und im folgenden Absatz Stucki, et al., 2020, p. 9f.

(26)

24 3.2.4 Intelligenz und Reifegrade von Chatbots

Obwohl Chatbots in der Praxis häufig mit KI in Verbindung gebracht werden, besitzt nicht jeder Chatbot automatisch Fähigkeiten dieser Technologie.⁷⁴ Vor allem die ersten entwickelten Chatbots in den 1960er Jahren basierten rein auf Muster- bzw. Regelerkennungen.⁷⁵ Allerdings befasste sich Alan Turing damals schon mit dem Gedanken, wie man Intelligenz von Maschinen nachweisen, bzw. testen könnte. Er entwickelte den nach ihm benannten Turing-Test. Dieser überprüft, inwiefern eine Maschine das Denkvermögen eines Menschen besitzt. Dafür kom- muniziert eine Versuchsgruppe mit einem Menschen und mit einer Maschine.

Wenn mehr als 30% der Versuchspersonen die Unterhaltung mit der Maschine für eine Unterhaltung mit einem Menschen gehalten haben, gilt der Test als bestanden und der Maschine wurde Denkvermögen unterstellt.⁷⁶

Keiner der damals entwickelten Chatbots konnte den Turing-Test bestehen. Der erste Chatbots, der diesen Test bestehen konnte wurde 2001 entwickelt und hat den Test im Jahr 2014 mit 33% bestanden. Dieser hieß Eugene Goostman und hatte die Persönlichkeit eines 13-jährigen ukrainischen Jungen.⁷⁷

Das Bestehen des Turing-Tests zeigt, wie weit entwickelt Chatbots heutzutage sein können. Allerdings gelangen die meisten Chatbots heutzutage schnell an ihre Grenzen der Intelligenz. Dies liegt zum einen daran, dass viele Chatbots mit einfachen Wenn-Dann-Regeln arbeiten und somit nichts dazu lernen können.⁷⁸ Zum anderen liegt es daran, dass falls sie die Technologien der KI besitzen, diese im Gebiet der schwachen KI angesiedelt und somit auf ein Themengebiet spezialisiert sind. Alle Fragen, die über dieses Gebiet hinausgehen, können von Chat- bots entweder gar nicht oder nur über vorherdefinierte Antworten, welche den Nutzer wieder auf das eigentliche Themengebiet zurückleiten sollen, beantwortet werden.⁷⁹

Um einen Überblick über die verschiedenen Entwicklungsstufen, bzw. Reife- grade zu bekommen, werden diese in den folgenden Absätzen näher erläutert.

74 Vgl. Gentsch, 2019, p. 97f.

75 Vgl. Khan & Das, 2018, p. 2; Stucki, et al., 2020, p. 5

76 Vgl. Gentsch, 2019, p. 98; Albert, et al., 2017

77 Vgl. Gentsch, 2019, p. 98f.; Kremp, 2014

78 Vgl. Hoffmann, 2019, p. 120

79 Vgl. Hoffmann, 2019, p. 119ff.

(27)

25 Das Reifegradmodell kann der Abbildung 3 entnommen werden. Gemessen werden die Reifegrade anhand der Komplexität und Fähigkeiten der Chatbots und der Interaktionsmöglichkeit des Nutzers.

Die erste Stufe bilden Chatbots, die keinen Zugang zu externen oder historischen Nutzerdaten haben und somit nur auf die Beantwortung einfacher Fragen ausge- richtet sind.⁸⁰ Ihre Hauptaufgabe besteht darin, die Basis-Kommunikation sicher- zustellen, indem sie dem Nutzer einen ersten Berührungspunkt bieten und erste Fragen beantworten. Die Basis solcher Chatbots bilden häufig FAQ-Kataloge o- der Bibliotheken von Bedienungsanleitungen.

Auch diese Chatbots können bereits Merkmale von KI aufweisen.⁸¹ Wenn z.B.

große Datenmengen verarbeitet werden müssen, können diese in ein ML-System geladen werden, welches in der Lage ist, automatisch Antworten zu generieren und, Anhand von Verhalten und Feedback der Nutzer, zu lernen.⁸²

Dadurch, dass diese Chatbots nur einen vergleichsweise geringen Komplexitäts- grad und Mehrwert besitzen, können sie tiefergehende Nutzeranliegen nicht beantworten, sondern den Nutzer lediglich zu dem passenden Berührungspunkt weiterleiten.⁸³

Chatbots auf der zweiten Stufe können sich für die Dauer der Interaktion Kontext- Informationen des Nutzers merken und diese nutzen.⁸⁴ Solche Informationen

80 Vgl. hier und im folgenden Absatz Gentsch, 2018, p. 5; Stephan, 2017

81 Vgl. hier und im folgenden Absatz Stephan, 2017

82 Vgl. z.B. ML-System QnA Maker von Microsoft Azure: Microsoft, o.J.

83 Vgl. Gentsch, 2018, p. 5

Abbildung 3: Reifegradmodell von Chatbots (Eigene Darstellung in Anlehnung an Gentsch, 2018, p. 5)

(28)

26 können z.B. der Aufenthaltsort oder bereits angesehene Produkte sein. Außer- dem können solche Chatbots stark standardisierte Prozesse teilweise selbststän- dig ausführen. Sie können somit mehrstufige Dialoge führen. Ein umfangreiches Verständnis für natürliche Sprache (Vgl. NLP aus Kap. 2.1.2) ist bei dieser Art von Chatbot nur begrenzt nötig, da die Antwortmöglichkeiten aufgrund des hohen Standardisierungsgrades auf wenige Optionen beschränkt sind.

Chatbots auf der dritten Stufe haben zusätzlich Zugang zu vergangenen Kontex- tinformationen des Nutzers und ein ausgeprägtes Verständnis für natürliche Sprache.⁸⁵ Sie können von Nutzern geschriebene Texte z.B. nach deren Anlie- gen, Entitäten oder Stimmung analysieren und nutzen eine interne Datenbank mit den nutzerspezifischen Daten, wie z.B. bisher gekaufte Produkte, Bewertun- gen und vergangene Probleme. Der Chatbot kann somit eine größere Variation an Nutzeranfragen bearbeiten, flexibler auf den Nutzer eingehen und die Pro- zesse entsprechend ausführen.⁸⁶ Man spricht auch von der „erste[n] Stufe mit echter Kommunikation zwischen Unternehmen und Kunde.“⁸⁷

Die vierte und letzte Stufe von Chatbots, beschreibt Systeme mit flexible Dia- logstrukturen und einem ausgeprägten Kontextgedächtnis.⁸⁸ Solche Systeme können auf mehrere vom Nutzer zur Verfügung gestellte externe Datenquellen, z.B. aus anderen Applikationen oder Systemen, zugreifen. Zusätzlich können sie mit mehreren internen Datenquellen, wie z.B. einem CRM-System⁸⁹ eines Unter- nehmens, verbunden sein und Informationen während der Nutzerinteraktion in Echtzeit ergänzen und abrufen. Digitale persönliche Assistenten, wie z.B. Alexa von Amazon oder Siri von Apple, fallen in diese Kategorie.

3.2.5 Aktuelle Entwicklungen im Umfeld von Chatbots

Durch die technologischen Fortschritte in der KI-Forschung können Chatbots immer mehr Aufgaben übernehmen. Aktuell stellen vor allem digitale persönliche Assistenten, wie Amazons „Alexa“ oder Googles „Google Home“, die neusten Entwicklungen dar.

87 Gentsch, 2018, p. 5

89 Customer-Relationship-Management-System

(29)

27 Des Weiteren gibt es erste negativ Beispiele von Chatbots, welche durch den Einsatz von KI nicht in ihrem eigentlich vorgedachten Sinne gehandelt haben. Ein bekanntes Beispiel dafür ist der Chatbot „Tay“, entwickelt von Microsoft.⁹⁰ Micro- soft wollte mit diesem Chatbot mehr über die Kommunikation zwischen Mensch und Maschine lernen. Tay verfügte über NLP- und ML-Technologien und hatte zur Aufgabe über vermehrte Interaktionen mit Nutzern auf sozialen Netzwerken, wie z.B. Twitter, mehr über Kommunikationsmuster und Kontextverständnis zu lernen. Da Tay durch einen ML-Algorithmus bestimmte Muster, wie z.B. Satzglie- der erkennen konnte, aber keine allgemeine Bildung besaß, antwortete sie auf bestimmt Fragen von Nutzern mit unangemessenen Aussagen und entwickelte sich innerhalb eines Tages zu einem Rassisten und Sexisten. Kurz darauf wurde Tay von Microsoft wieder abgeschaltet.⁹¹

Ein Beispiel für einen sehr weit entwickelten Chatbot liefert Google. Sie haben 2018 Google Duplex für ihren Google Assistent vorgestellt.⁹² Der Google Assis- tent ist ein digitaler persönlicher Assistent, der in der Lage ist, Aufgaben, wie z.B.

das Senden einer Nachricht, auszuführen und sich mit dem Nutzer zu unterhalten. Google Duplex erweitert das Aufgabenumfeld, indem das System Anrufe tä- tigen und Termine vereinbaren kann.

Der große Fortschritt bei diesem System ist, dass angerufene Personen natürli- che Konversation mit Duplex führen können.⁹³ Das System hört sich nicht nur wie eine natürliche Person an, sondern verhält sich auch so. Es fügt Fülllaute, wie

„äh“ oder „ähm“, hinzu und kann auf Nachfragen, Unterbrechungen und Pausen mit den passenden Reaktionen antworten. Dafür nutzt das System weiterentwi- ckelte KNN.⁹⁴

Eine weitere Entwicklung bieten Messaging-Plattformen, wie z.B. der Facebook Messenger. Sie bieten über Programmierschnittstellen (sog. APIs) die Möglich-

90 Vgl. hier und im folgenden Absatz Graff, 2016; Liu, 2017

91 Vgl. Liu, 2017

92 Vgl. hier und im folgenden Absatz Leviathan & Matias, 2018; Chokkattu, 2018; Rawes & Jansen, 2019

93 Vgl. hier und im folgenden Artikel Leviathan & Matias, 2018

94 Vgl. hier und im folgenden Absatz Leviathan & Matias, 2018; Luber & Litzel, 2019

(30)

28 keit, dass extern entwickelte Chatbots in eine bereits bestehende Software inte- griert werden.⁹⁵ Laut Zahlen des Handelsblatts waren 2018 bereits rund 200.000 Chatbots über den Facebook-Messenger verfügbar.⁹⁶

Des Weiteren werden vermehrt sogenannte „Chatbot Development Frameworks“

entwickelt. Diese bieten Firmen, die keine oder nur wenig Expertise in der Chat- bot-Entwicklung haben, die Möglichkeit eigene Chatbots zu implementieren. In den Frameworks sind bereits vordefinierte Funktionen und Hilfsmittel zu finden, die die Entwicklung vereinfachen.⁹⁷ Es ist somit möglich, ohne oder mit nur ge- ringem Programmierungswissen, einen Chatbot zu kreieren und diesen zu veröf- fentlichen. In Kapitel 4.3 wird ein solches Chatbot-Framework vorgestellt.

4 Anforderungen an Chatbots – Auswertung einer Kunden- umfrage

4.1 Methodisches Vorgehen der Kundenumfrage

Die Auswertung einer Kundenumfrage der FIRMA X wird im Folgenden dargestellt. Hierbei wird erörtert, welches Ziel mit der Umfrage verfolgt wurde, warum ein Fragebogen gewählt wurde, wer an der Umfrage teilgenommen hat und wo- rauf bei der Konzeption des Fragebogens und der Durchführung der Befragung zu achten war.

Wie bereits zu Anfang der Arbeit erläutert, ist das übergeordnete Ziel dieser Ar- beit, Anforderungen der Kunden an eine Customer Self-Service Lösung zu identifizieren und mögliche Vorteile, sowie Herausforderungen einer Einführung einer solchen Lösung für die FIRMA X zu erläutern. Da diese Ziele eine Optimierung des Supportprozesses beabsichtigen, sollte in der Untersuchung zuerst die Mei- nung und das Verständnis über den aktuellen Supportprozess eingeholt werden, bevor die Einführung und die Ansprüche an eine Customer Self-Service Lösung diskutiert werden.

Obwohl diese Ziele Anzeichen einer explorativen Untersuchen zeigen, geht es nicht um das Aufdecken und Erklären von Beziehungen, sondern darum, die Kun- denbasis der FIRMA X möglichst genau zu beschreiben und Aussagen über sie

95 Vgl. Gentsch, 2018, p. 2

96 Vgl. Sajons, 2018

97 Vgl. Maruti Techlabs, o.J.

(31)

29 treffen zu können. Die Befragung ist somit als deskriptive Untersuchung anzusehen.⁹⁸ Des Weiteren wird angestrebt die Aussagen systematisch mit Zahlenwer- ten zu belegen, wodurch die Untersuchung in den Bereich der quantitativen Me- thoden fällt.⁹⁹

Da zu dem zu untersuchenden Thema noch keine weiteren Daten zur Verfügung stehen und erst eine Datenerhebung erfolgen muss, handelt es sich um eine Pri- märforschung. Somit stehen verschiedene Untersuchungsdesigns zur Aus- wahl.¹⁰⁰ Da nur eine Untersuchung zu einem bestimmten Zeitpunkt stattfindet und es nicht um die Entwicklung der Aussagen im Zeitablauf geht, spricht man von einer Querschnitts-Untersuchung.¹⁰¹ Als Form der Datenerhebung wurde die Online-Befragung gewählt. Da Online-Befragungen mit geringen Kosten und einer schnellen Erstellung und Veröffentlichung verbunden sind, sind sie im Rah- men von Querschnitts-Untersuchungen eine weit verbreitete Form.¹⁰²

Die Grundgesamtheit in diesem konkreten Fall gleicht einer geschlossenen Grundgesamtheit¹⁰³, die sich aus den Kunden der FIRMA X zusammensetzt. Da- runter fallen alle Kunde, welche dem Vertriebsgebiet der FIRMA X angehören¹⁰⁴ und dementsprechend von Vertriebs- und/oder Bestandskunden-Mitarbeitern be- treut werden. Um möglichst viele und unterschiedliche Meinungen zu erlangen wurde sich in Zusammenarbeit mit der FIRMA X dazu entschieden, die Hauptan- sprechpartner der IT-Management Ebene der Kunden zu kontaktieren.

Insgesamt besteht die Grundgesamtheit aus N = 300 Elementen. Die relevanten Daten, wie E-Mail-Adresse und Telefonnummern, wurden aus dem internen CRM-System extrahiert.

Um den Stichprobenumfang n zu berechnen wird folgende Formel genutzt¹⁰⁵, 𝑛 = 𝑧²× 𝑁 × 𝑝(1 − 𝑝)

𝑧²× 𝑝(1 − 𝑝) + 𝛿²(𝑁 − 1)

98 Vgl. Kuß, et al., 2014, p. 31ff.; Brosius, et al., 2008, p. 21f.

99 Vgl. Brosius, et al., 2008, p. 19

100 Vgl. Kuß, et al., 2014, p. 39ff.

101 Vgl. De Vaus, 2001, p. 170; Kuß, et al., 2014, p. 44

102 Vgl. Raithel, 2008, p. 65; Kuß, et al., 2014, p. 63; Theobald, 2017, p. 25

103 Vgl. Kuckartz, et al., 2009, p. 51

104 Vgl. Abbildung 27: Vertriebsgebiet der FIRMA X in Anhang 6

105 Vgl. Mayer, 2013, p. 66; Kurzhals, 2015, p. 198ff.

(32)

30 wobei: n = Umfang der Stichprobe

N = Umfang der Grundgesamtheit

z = Z-Wert des Konfidenzniveaus (Konfidenzniveau = 90%¹⁰⁶) p = Standardabweichung (da vorher nicht bekannt, wird vom

ungünstigsten Fall von p = 50% ausgegangen) 𝛿 = Stichprobenfehler = 10%

Als Konfidenzniveau wurde 90% gewählt. Der Stichprobenfehler soll 10% nicht überschreiten. Daraus ergibt sich folgende Formel:

1,65²× 300 × 0,5(1 − 0,5)

1,65²× 0,5(1 − 0,5) + 0,1²(300 − 1)= 55,63 ≅ 56

Damit die Stichprobe repräsentativ ist, sollten somit mindestens 56 Kunden be- fragt werden.

Nachdem der Umfang der Stichprobe berechnet wurde, können mittels eines Zu- fallsverfahrens die betroffenen Kunden ausgewählt werden. Da es in der Vergan- genheit bei ähnlichen Umfragen der FIRMA X allerdings sehr niedrige Rücklauf- quoten von 8-15% gab, müsste die Umfrage an mehr Kunden verschickt werden, als Kunden in der Grundgesamtheit vorhanden sind.¹⁰⁷ Daher werden nicht einzelne Kunden per Zufall ausgewählt, sondern es erfolgt eine Versendung an alle Elemente der Grundgesamtheit. Somit gleicht die Versendung der Umfrage einer Vollerhebung. Aufgrund der niedrigen Rücklaufquoten ist sie allerdings als Teiler- hebung zu sehen.

Nachdem die Grundgesamtheit und die Stichprobe ausgewählt wurden, wird in den folgenden Absätzen der eingesetzte Fragebogen näher erläutert.

106 Da unter einer Normalverteilung der Fehler sowohl positiv als auch negativ ausfallen kann, muss dieser halbiert werden: 𝑧₁₋^0,1

2

= 𝑧_0,95. Somit ergibt sich ein Z-Wert von 1,65.

107 Die zu versendenden Umfragen berechnen sich wie folgt: Stichprobenumfang/Rücklaufquote = Zu ver- sendende Umfragen (⁵⁶

0,15= 373,3)

(33)

31 Bei der Konzeption des Fragebogens muss auf bestimmte Kriterien geachtet werden, damit Probleme durch Antwortverzerrungen¹⁰⁸ so gering wie möglich gehalten werden. Die Kriterien befassen sich vor allem mit (a) der Form, Struktur und Funktion von Fragen, (b) der Formulierung der Fragen und (c) dem Aufbau des Fragebogens.¹⁰⁹

Bei der Form von Fragen kann u.a. zwischen offenen und geschlossenen Fragen unterschieden werden.¹¹⁰ Da der Fokus der Befragung auf der quantitativen Aus- wertung der Befragung liegt, bieten sich geschlossene Fragen mehr an. Im Ge- gensatz zu offenen Fragen, die es den Befragten ermöglichen nach Belieben zu antworten, geben geschlossene Fragen den Befragten eine bestimmte Anzahl von Antwortalternativen vor. Dadurch bietet sich zum einen die Möglichkeit, die Befragten nach den Aspekten zu fragen, die auch wirklich von Interesse sind und zum anderen ist eine schnelle und präzise Auswertung der erhobenen Daten möglich. Je nach verfolgtem Zweck der Frage, können geschlossene Fragen entweder als Mehrfachnennung oder Einzelnennung entworfen werden. (Siehe An- hang 2: Fragebogen, z.B. Fragen 3 und 9)

Des Weiteren können Fragen bestimmte Funktionen innerhalb des Fragebogens haben.¹¹¹ So kann z.B. zwischen Test- und Funktionsfragen unterschieden werden. Testfragen sind jene Fragen, deren Auswertung am Ende der Befragung im Mittelpunkt steht. Sie bilden den wichtigsten Teil der Fragen. Funktionsfragen haben, wie der Name verdeutlicht, verschiedene Funktionen innerhalb des Fra- gebogens. „Sie steuern den Ablauf des Fragebogens und stellen sicher, dass die Testfragen korrekt angewendet werden.“¹¹² Während der Konzeption des Frage- bogens für diese Arbeit wurden auf Grund des geringen Umfanges nur wenige Funktionsfragen eingebaut.

108 Vgl. Raithel, 2008, p. 81f.

109 Vgl. Raithel, 2008, p. 67

110 Vgl. hier und im folgenden Absatz Brosius, et al., 2008, p. 94f.; Raithel, 2008, p. 68f.

111 Vgl. hier und im folgenden Absatz Brosius, et al., 2008, p. 105ff.; Raithel, 2008, p. 71ff.

112 Brosius, et al., 2008, p. 109

Automation of the first level support of Company XY