Künstliche Intelligenz in der Online-B2C-Kommunikation. Untersuchung der Kundenakzeptanz von Chatbots


Thèse de Bachelor, 2021

107 Pages, Note: 1,3


Extrait


Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1 Einleitung
1.1 Relevanz des Themas
1.2 Problemstellung
1.3 Forschungsfrage und Zielsetzung
1.4 Aufbau der Arbeit

2 Einführung in die künstliche Intelligenz
2.1 Definition der künstlichen Intelligenz
2.1.1 Machine Learning und Deep Learning
2.1.2 Big Data
2.2 Chatbots in der B2C-Kommunikation
2.2.1 Definition von Chatbots
2.2.2 Nutzen für das Unternehmen
2.2.3 Nutzen für den Kunden

3 Akzeptanzforschung
3.1 Begriffsdefinition der Akzeptanz
3.2 Technologieakzeptanzmodelle
3.2.1 Technology Acceptance Model - TAM
3.2.2 Technology Acceptance Model - TAM2
3.2.3 Technology Acceptance Model - TAM3
3.3 Ableitung der Chatbot-Akzeptanzdeterminanten

4 Konzeptualisierung der Empirie
4.1 Methodik
4.1.1 Hypothesen
4.1.2 Festlegung der Stichprobe
4.1.3 Aufbau des Fragebogens
4.1.3.1 Operationalisierung der Determinanten
4.1.4 Gütekriterien
4.1.4.1 Überprüfung der Objektivität
4.1.4.2 Überprüfung der Reliabilität
4.1.4.3 Überprüfung der Validität

5 Empirische Forschungsergebnisse
5.1 Vorstellung der Stichprobe
5.2 Deskriptive Analyse
5.3 Auswertung der Daten
5.3.1 Hypothesenprüfung
5.4 Fazit

6 Schlussfolgerung
6.1 Ausblick und Handlungsempfehlungen
6.2 Limitationen

Literaturverzeichnis

Anhänge
Anhang 1: Fragebogen
Anhang 2: Excel Datenaufbereitung
Anhang 3: SPSS Statistics Datenauswertung

Abbildungsverzeichnis

Abbildung 1: Teilgebiete der künstlichen Intelligenz (Deutsches Institut für Marketing, 2019)

Abbildung 2: Maschinelles Lernen vs. traditionelle Programme (abilis GmbH, 2020)

Abbildung 3: Entwicklung AI, ML und DL (Xantaro, 2021)

Abbildung 4: ML, DL und die Datenmenge (Xantaro, 2021)

Abbildung 5: Künstliches neuronales Netzwerk (Fraunhofer-Gesellschaft, 2018)

Abbildung 6: Die 5 V's von Big Data (Holland, 2020a)

Abbildung 7: Conversational Layer Model (MUUUH! Group, 2021)

Abbildung 8: Studie zu unternehmerischen Vorteilen von Chatbots (Hundertmark, 2020)

Abbildung 9: Verbraucherstudie zum Einsatz von Chatbots (Bitkom Research, 2016)

Abbildung 10: Verbraucherstudie zu Vorteilen von Chatbots (YouGov (Global), 2017)

Abbildung 11: „Theory of Reasoned Action” (Fishbein & Ajzen, 1975)

Abbildung 12: „Theory of Planned Behavior” (Ajzen, 1985)

Abbildung 13: „Technology Acceptance Model“ (Davis et al., 1989)

Abbildung 14: „Technology Acceptance Model 2” (Venkatesh & Davis, 2000)

Abbildung 15: „Unified Theory of Acceptance and Use of Technology” (Venkatesh et al., 2003)

Abbildung 16: „Technology Acceptance Model 3” (Venkatesh et al., 2003)

Abbildung 17: Hypothesenkonstrukt - Kausalrichtungen TAM3 (in Anlehnung an: Venkatesh & Bala, 2008)

Abbildung 18: Soziodemographie der Stichprobe (eigene Darstellung)

Abbildung 19: Mittelwert und Standardabweichung der Itembatterien (eigene Darstellung)

Abbildung 20: Prüfung des Hypothesenkonstrukts (in Anlehnung an: Venkatesh et al., 2003)

Tabellenverzeichnis

Tabelle 1: Nutzerbedürfnisse bei Chatbots nach dem Uses-And-Gratifications-Ansatz (Diers, 2020, S. 52)

Tabelle 2: Operationalisierung der Verhaltensabsicht (Diers, 2020, S. 56)

Tabelle 3: Operationalisierung des sozialen Einflusses (Diers, 2020, S. 59)

Tabelle 4: Operationalisierung der kognitiven Determinanten (Diers, 2020, S. 57)

Tabelle 5: Operationalisierung der wahrgenommenen Verhaltenskontrolle (Diers, 2020, S. 61)

Tabelle 6: Operationalisierung des wahrgenommenen Vergnügens (Diers, 2020, S. 58)

Tabelle 7: Operationalisierung der wahrgenommenen Benutzerfreundlichkeit (Diers, 2020, S. 59)

Tabelle 8: Pretest Probanden, (eigene Darstellung)

Tabelle 9: Finale Itembatterie des wahrgenommenen Nutzens (in Anlehnung an: Diers, 2020, S. 85)

Tabelle 10: Finale Itembatterie der wahrgenommenen Verhaltenskontrolle (in Anlehnung an: Diers, 2020, S. 88)

Tabelle 11: Finale Itembatterie des wahrgenommenen Vergnügens (in Anlehnung an: Diers, 2020, S. 85)

Tabelle 12: Finale Itembatterie der wahrgenommenen Benutzerfreundlichkeit (in Anlehnung an: Diers, 2020, S. 86)

Tabelle 13: Rangkorrelationskoeffizient - Wahrgenommener Nutzen und Verhaltensabsicht (eigene Darstellung)

Tabelle 14: : Rangkorrelationskoeffizient - Wahrgenommene einfache Bedienbarkeit und Verhaltensabsicht (eigene Darstellung)

Tabelle 15: Rangkorrelationskoeffizient - Wahrgenommene einfache Bedienbarkeit und wahrgenommener Nutzen (eigene Darstellung)

Tabelle 16: Rangkorrelationskoeffizient - Wahrgenommene Verhaltenskontrolle und wahrgenommene einfache Bedienbarkeit (eigene Darstellung)

Tabelle 17: Rangkorrelationskoeffizient - Wahrgenommenes Vergnügen und wahrgenommene einfache Bedienbarkeit (eigene Darstellung)

Tabelle 18: Rangkorrelationskoeffizient - Wahrgenommene Benutzerfreundlichkeit und wahrgenommene einfache Bedienbarkeit (eigene Darstellung)

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

1.1 Relevanz des Themas

Im Zuge der voranschreitenden Digitalisierung steigt das unternehmerische Interesse an der Marketing-Automation, auch Marketing-Automatisierung genannt. Laut einer Studie der Wirtschaftsprüfungsgesellschaft PrivatwaterhouseCoopers GmbH (pwc) aus dem Jahre 2018 mit einer Stichprobe von 100 befragten Marketingmitarbeitern mit einer lei­tenden Funktion aus internationalen Unternehmen mit größtenteils 10.000 bis teilweise über 50.000 Mitarbeitern geht hervor, dass über ein Viertel der Unternehmen bereits Automatisierungsprozesse im Marketing implementiert haben und über die Hälfte eine Implementierung planen. Der größte Anteil an Prozessen wurde laut der Umfrage mit 86% im Bereich des Endverbrauchermarketings automatisiert. Gründe dafür seien die Effizienzsteigerung sowie Effektivität und Individualisierung der Kundenansprache, um Kundenprofile zu erstellen und die Qualität des zielgruppenorientierten Marketings zu verbessern (pwc, 2018). Denn der Anspruch an Individualisierung und Personalisierung des Konsumenten ist über die Möglichkeit seiner dauerhaften digitalen Konnektivität durch den Ausbau der digitalen Infrastruktur über neue Technologien und Innovationen angestiegen (Lochmahr et al., 2019, S. 217). Deshalb versprechen sich die Befragten durch die Marketing-Automation den Erhalt der eigenen Wettbewerbsfähigkeit. Klassi­scherweise würden Unternehmen die relevanten Prozesse an externe Dienstleister aus­lagern. Durch deren Spezialisierung erreichen diese eine bessere Ergebnisqualität mit einem geringeren Arbeitsaufwand. Zusätzlich spart das auslagernde Unternehmen Kos­ten ein und kann sich auf die eigenen Kernaufgaben fokussieren. Jedoch verursacht eine Auslagerung von Prozessen einen Transparenzverlust, externe Kosten und verhindert einen Ausbau des eigenen unternehmerischen Know-hows. Anstatt einer Ausgliederung der Prozesse hält der Großteil der Befragten eine Eingliederung der Marketing-Automa­tisierung für sinnvoll; 85% planen eine Investitionssteigerung im Bereich der Automation der zielgruppenorientierten Kundenansprache (pwc, 2018).

Insgesamt wird durch die Studie ein Trend der Marketing-Automation und dessen Ein­gliederung in das eigene Unternehmen deutlich. Besonders die individuelle und perso­nalisierte Ansprache des Konsumenten steht dabei im Fokus.

Für eine Umsetzung der Eingliederung der Marketing-Automation wird zunehmend künstliche Intelligenz (KI) eingesetzt. Nach einer zertifizierten Expertenstudie der HdM Transfer- & Weiterbildungsgesellschaft mit Teilnehmern, wie z.B. Hochschulprofessoren sowie Geschäftsführer digitaler Unternehmen, rechnen dreiviertel der Befragten dem Einsatz von KI im Marketing eine hohe Bedeutung in der Zukunft zu. Fast 90% der Be­fragten setzen KI für die Personalisierung und Individualisierung der Marketing-Kommu­nikation mit dem Endkunden ein. Den größten Nutzen sehen die Unternehmen dabei in einer Steigerung der Werbewirkung und Qualität der Werbung über den direkten Dialog mit dem Kunden (Eichsteller & Seitz, 2019).

Zusammengefasst bildet sich die aktuelle Relevanz für Unternehmen ab, ihr Dialogmar­keting durch künstliche Intelligenz zu automatisieren. Für die Dialogmarketing-Automa­tion findet KI den größten Anwendungsbereich im Bereich der Chatbots. Diese agieren auf verschiedenen technologischen Plattformen als digitaler Sprach- und Chatassistent für den Konsumenten und sammeln automatisch die nötigen Daten für das Unterneh­men, um die direkte Kundenkommunikation werbegezielt und zielgruppenorientiert zu optimieren (Mehner, 2019, S. 145).

Die Bedeutsamkeit einer Untersuchung dieses Themas ergibt sich aus der vorherigen Darstellung und Einordnung von künstlicher Intelligenz in Form von Chatbots in die ge­genwärtigen Marketingstrategien von Unternehmen. Es wurde aufgezeigt, welches Po­tential hinter Chatbots aus unternehmerischer Sicht steckt. Außerdem konnten die vor­gestellten Studien darlegen, dass Unternehmen gegenwärtig ihre Marketingstrategie vermehrt auf künstliche Intelligenz ausrichten und in diese investieren. Aus diesem Grund steht ein aktueller Forschungsstand dieser Thematik im besonderen Interesse für betroffene Unternehmen.

1.2 Problemstellung

Die vorliegenden Studien konnten erheben, dass der Einsatz von KI in Form von Chat­bots in der direkten automatisierten Kommunikation des Unternehmens mit dem Konsu­menten zukünftig wettbewerbsrelevant sein könnte. Jedoch stehen laut der Studie HdM Transfer- & Weiterbildungsgesellschaft Experten der Anwendung von Chatbots skep­tisch gegenüber, da es noch wenig überzeugende Praxisbeispiele gibt (Eichsteller & Seitz, 2019).

Das liegt an der anspruchsvollen Konzeption eines Chatbots. Die Schwierigkeit ist nicht nur den richtigen Anwendungsbereich eines Chatbots für das eigene Unternehmen zu finden, sondern auch die richtige Begegnung mit der Mensch-Chatbot-Interaktion. Ein autonomes Dialogsystem muss anthropomorph auf die Konsumenten reagieren können. Die Unternehmen stehen vor der Herausforderung, die richtige Wahl und Skalierung an menschlichen Eigenschaften zu finden, die in die Dialogführung des Chatbots implemen­tiert werden sollen. Das System erhält eine vermenschlichte Persönlichkeit, die im opti­malen Fall vom Konsumenten akzeptiert wird, um eine Benutzerführung des Chatbots zuzulassen und zielführend auszuführen. Dafür muss eine angepasste Benutzeroberflä­che geboten und die richtige Dialogmethodik über Datenbeschaffung und Datenverar­beitung sowie Optimierung in Bezug auf den eingesetzten Anwendungsbereich entwi­ckelt werden (Henn, 2018).

Es wird ersichtlich, dass der Nutzen eines Chatbots aus unternehmerischer Sicht sehr hoch ist. Jedoch erhöhen die Heterogenität der Konsumenten und die notwendige An­passung des Dialogsystems an den jeweiligen Anwendungsbereich die Komplexität der Konzeption eines Chatbots immens. Eine nutzerangepasste Standardisierung des Sys­tems über alle Anwendungsbereiche hinweg ist sehr schwierig umzusetzen. Das Risiko für ein negatives Kosten-Nutzen-Verhältnis ist sehr hoch und kann je nach Unternehmen eine Existenzbedrohung darstellen.

Die hohen Risiken und Chancen des Einsatzes von Chatbots sind ein typisches Merkmal für den innovativen Charakter dieser neuen Technologie. Gerade der Anteil an Innovati­onen im Medien- und Informationssektor ist sehr hoch. Die richtige Implementierung und Nutzung einer neuen technologischen Innovation entscheidet maßgeblich über Wettbe­werbsfähigkeit eines Unternehmens in diesem Sektor. Um das Erfolgspotential der Chat- bot-Implementierung zu erhöhen, muss bestehenden Risiken vorgebeugt werden. Dem­entsprechend ist es aktuell entscheidend herauszufinden, welche Anpassungen bei Chatbots gemacht werden müssen, um sich erfolgreich beim Konsumenten durchzuset­zen. Damit Lösungsansätze für das gestellte Problem formuliert werden können, muss die Sicht des Konsumenten analysiert werden (Diers, 2020, S. 3-4).

Die Literaturrecherche ergab, dass es zu dieser Thematik noch keine hinreichenden Un­tersuchungen gibt. Die konsumentenseitige Analyse könnte den aktuellen Forschungs­stand der Chatbot-Thematik um einen weiteren Schritt in die Richtung einer optimalen Form eines automatischen Dialogsystems für das digitale B2C-Business (Business-to- Customer) erweitern.

1.3 Forschungsfrage und Zielsetzung

Für die Beurteilung der Wahrnehmung von Chatbots in der B2C-Kommunikation aus der Sicht des Konsumenten wird als zentraler Forschungsgegenstand dieser Arbeit die Nut­zerakzeptanz von Technologien herangezogen. Die Akzeptanz eines Individuums bildet die Grundvoraussetzung, etwas oder jemanden anzuerkennen. Der Begriff grenzt sich von der Toleranz ab. Denn die Akzeptanz fordert eine aktive Bereitschaft, sich auf etwas oder jemanden einzulassen und nicht nur seine Präsenz zuzulassen. Die Nutzerakzep­tanz garantiert eine freiwillige aktive Nutzung der Technologie und kann daher als Maß­stab für den Grad der Annahme einer neuen Technologie, wie dem Chatbot, aus Kon­sumentensicht angewendet werden (Scheuer, 2020, S. 1). Mit einer Erhebung der ak­tuellen Kundenakzeptanz von Chatbots können Barrieren der Technologieeinführung gelöst und allgemeine Indikatoren von Chatbots für einen Markterfolg identifiziert werden (Scheuer, 2020, S. 25).

Das Ziel dieser Arbeit ist es, messbare Akzeptanzdeterminanten, die für die Chatbot- Thematik verwendet werden können, zu definieren. Dabei ist es relevant, den Einfluss der einzelnen Determinanten auf die Kundenakzeptanz und mögliche Zusammenhänge zwischen den Determinanten zu analysieren. Somit ergeben sich in der Analyse der Kundenakzeptanz von Chatbots folgende Forschungsfragen:

- Welche Technologieakzeptanzdeterminanten beeinflussen die Kundenakzep­tanz von Chatbots?
- Wie beeinflussen die jeweiligen Technologieakzeptanzdeterminanten die Kun­denakzeptanz von Chatbots?
- Wie beeinflussen sich die Technologieakzeptanzdeterminanten untereinander?

Über die Beantwortung der Forschungsfragen und der vorrangehenden qualitativen Re­cherche soll der gegenwärtige Stand der Chatbots in der Gesellschaft aus Konsumen­tensicht bestimmt werden. Es sollen Handlungsempfehlungen für Unternehmen, die Chatbots im Marketing einsetzen oder es in Erwägung ziehen, formuliert werden, um diesen Unternehmen eine erfolgreiche Konzeption oder Anpassung derer Chatbots über die Evaluation der in dieser Arbeit untersuchten Akzeptanzdeterminanten und dessen Wirkungsgefüge zu gewährleisten.

1.4 Aufbau der Arbeit

Im ersten Teil der Forschung und damit im zweiten Kapitel dieser Arbeit werden die the­oretischen Grundlagen für die vorliegende Thematik beleuchtet. Zuerst werden eine De­finition der künstlichen Intelligenz und die wesentlichen Bestandteile vorgestellt. Danach wird die besondere Bedeutung von Big Data als wichtige technologische Entwicklung für die KI im heutigen digitalen Zeitalter hervorgehoben. Es folgt die Einführung in den Un­tersuchungsgegenstand, dem Chatbot im Einsatz in der B2C-Kommunikation. Als erstes wird die Entwicklung hin zum Trend der unternehmerischen Chatbot-Nutzung aufge­zeigt. Anschließend wird die Chatbot-Technologie definitorisch betrachtet und dessen Funktionsweise erläutert. Das Kapitel schließt mit der Darstellung vom Nutzen künstlich intelligenter Chatbots in der B2C-Kommunikation aus Sicht des Unternehmens sowie des Konsumenten ab.

Im nachfolgenden dritten Kapitel dieser Arbeit wird die Technologieakzeptanzforschung aufgearbeitet. Erst wird der Akzeptanzbegriff allgemein und dann im speziellen Rahmen der innovativen Mediennutzung aus ökonomischer Sicht definiert. Danach werden be­stehende Technologieakzeptanzmodelle und deren Entwicklung vorgestellt und hinsicht­lich der Anwendung in einer empirischen Untersuchung für die Chatbot-Thematik kritisch diskutiert. Im nächsten Schritt werden aus dem ausgewählten Technologieakzeptanz­modell bestehende Determinanten herausgearbeitet und sachlogisch in die Bedürfnisdi­mensionen der Chatbot-Thematik übersetzt.

Im Anschluss geht die Arbeit von der qualitativen Literaturrecherche in die empirische Forschung in das vierte Kapitel über. Zunächst wird die angewandte empirische For­schungsmethodik erläutert. Dazu erfolgen eine Hypothesenaufstellung sowie eine Fest­legung der Stichprobe. Nach der Operationalisierung der definierten Technologieakzep­tanzdeterminanten und Überprüfung der Gütekriterien werden die Ergebnisse der empi­rischen Untersuchung im fünften Kapitel in Form einer deskriptiven Analyse und einer Datenauswertung präsentiert und bewertet.

Im sechsten Kapitel werden die Ergebnisse aus der qualitativen Recherche und der em­pirischen Forschung zusammengeführt und gedeutet. Abschließend werden eine Aus­sicht auf die Zukunft für die Chatbots im Marketing gegeben und Handlungsempfehlun­gen für betroffene Unternehmen ausgesprochen sowie die Limitationen dieser For­schungsarbeit aufgezeigt.

2 Einführung in die künstliche Intelligenz

2.1 Definition der künstlichen Intelligenz

Künstliche Intelligenz ist ein Sammelbegriff für Technologien, mit denen versucht wird, kognitive menschliche Leistungen und intelligente Wahrnehmung auf computergestützte Systeme zu übertragen. Das Ziel einer KI ist es, menschliches Problemlösungsverhalten abzubilden und einem Computer das Lösen intelligenzfordernder Aufgaben zu ermögli­chen (Scheuer, 2020, S. 9). Intelligenz wird dabei in der Fähigkeit der Verknüpfung von Erfahrungen und der Praxis durch Informationsverarbeitung definiert, welche im Kontext eines Computer als die Speicherung, Verarbeitung und Auswertung von gesammelten Daten für den jeweiligen Anwendungsbereich verstanden wird. Ein Computer ist somit in der Lage, die eigenen Fähigkeiten und Sinne eines Menschen zu stützen, zu ergänzen und zu stärken (Holland, 2020b, S. 2-4).

Eine KI setzt sich aus mehreren Teilgebieten aus verschiedenen technologischen Be­standteilen zusammen, die in drei Oberkategorien einzuordnen sind. Die folgende Grafik des Deutschen Instituts für Marketing fasst diese visuell zusammen.

Abbildung aus urheberrechtlichen Gründen vom Redaktionsteam entfernt

Abbildung 1: Teilgebiete der künstlichen Intelligenz (Deutsches Institut für Marketing, 2019)

Die drei Teilgebiete kategorisieren sich in Handeln, Lernen und der Wahrnehmung einer KI. Das sind Leistungen der menschlichen Intelligenz, die künstlich nachgebildet werden können. Denen sind Technologien untergeordnet, die einen Bestandteil der technologi­schen Umsetzung der jeweiligen menschlich intelligenten Leistung darstellen (Deutsches Institut für Marketing, 2019).

Die künstliche Erzeugung von menschlicher Wahrnehmung erfolgt durch Sprach-, Text- und Gesichtserkennung sowie Bildverarbeitung. In Programme eingepflegte Algorithmen erkennen und filtern relevante Daten. Die ausgewählten Daten werden in kategorisierten Sammeldokumenten zusammengeführt und sortiert. Die Wahrnehmung spiegelt die Da­tenbeschaffung und -aufbereitung einer KI wider (Scheuer, 2020, S. 14-15).

Im Teilgebiet des Lernens werden die gesammelten Daten für den Anwendungsbereich der KI ausgewertet. Das künstliche Lernen ist ausschlaggebend für eine künstliche In­telligenz. Ein intelligentes Programm muss sich selbstständig an ein sich verändertes Umfeld anpassen können. Die Nachbildung des menschlichen Lernens wird über das sogenannte bestärkte Lernen möglich, indem in ein Programm ein künstliches Beloh­nungssystem implementiert wird. Es erkennt selbstständig über die gesammelten Daten ausgelöste negative und positive Reize, bezogen auf die ausgeführte Handlung, die re­levanten Bestandteile der Handlungsstrategie und gewichtet diese fortgehend neu, um die hinterlegte Kosten-Nutzen-Funktion für das Handeln im Anwendungsbereich immer weiter zu optimieren. Falls Aspekte einer Aufgabe im Anwendungsbereich für das künst­lich intelligente Programm schwer zu lösen sind, wird Human Computation eingesetzt. Bei Human Computation programmiert ein menschlicher Anwender sein Wissen für die Problemlösung von für die KI schwierig zu lösende Aufgaben und gibt dem Programm ein neues Lernfundament für diesen Aufgabenbereich (Deutsches Institut für Marketing, 2019).

Das in Abbildung 1 aufgeführte Maschine Learning und Deep Learning wird aufgrund der besonderen Bedeutung für eine KI als Schlüsseltechnologie, die den Durchbruch der KI in ihrer historischen Entwicklung bedeutete, im Kapitel 2.1.3 vertieft (Holland, 2020b, S.5).

Diese Art des Lernens ermöglicht einer Maschine, ihr Handeln annährend menschlich nachzubilden. Es spiegelt die Anwendung der ausgewerteten Daten einer KI wider.

Die Wahrnehmung steht für die Grundlage und das Lernen als Verbesserung des Han­delns. Das Handeln selbst stellt den Nutzen der KI für den Menschen dar. Sie soll den Menschen eine Arbeitserleichterung und Arbeitsverbesserung bringen. Für die verschie­denen Anwendungsfelder werden künstliche Intelligenzen in verschiedene Handlungs­bereiche gegliedert. Unterschieden in der Mensch-Maschine-Kommunikation, der Prob­lemlösung, der Entscheidungsfindung oder in der Robotik für das Ausführen physischer Aufgaben, werden einer KI in ihren verschiedenen Erscheinungsformen technologische Eigenschaften zugeteilt, die das menschlich intelligente Handeln reproduzieren sollen. Für jeden der Handlungsbereiche ist je nach Anwendungsfeld ein bestimmter technolo­gischer Bestandteil der Wahrnehmung und des Lernens einer KI relevant (Deutsches Institut für Marketing, 2019).

2.1.1 Machine Learning und Deep Learning

Das maschinelle Lernen ist einer der wichtigsten Teilbereiche der künstlichen Intelligenz. Es zeichnet die gesammelte Erfahrung einer KI aus, die sich aus dem wiederholten Lö­sen von Aufgaben verbessert. Für die Weiterentwicklung eines Computersystems ist erstmals keine weitere Programmierung nötig. Der autonomen Selbstoptimierung ist kein Regelwerk beigelegt. Die KI entscheidet selbst, wie sie das Problem löst. Ihr wird ledig­lich die Lernmethode programmiert. Der Lernprozess einer KI erfolgt beim maschinellen Lernen über Algorithmen, die eine bereitgestellte Datenmenge für die konkrete Prob­lemlösung auswerten (Holland, 2020b, S. 5).

Abbildung aus urheberrechtlichen Gründen vom Redaktionsteam entfernt

Abbildung 2: Maschinelles Lernen vs. traditionelle Programme (abilis GmbH, 2020)

Für jeden einzelnen Schritt zur Lösung des Problems fertigt die KI ein statistisches Mo­dell an. Die einzelnen Modellansätze jedes Schrittes werden hinsichtlich Gesetzmäßig­keiten und Korrelationen mit der Lösung des Problems untersucht. Das Ergebnis wird zusammen mit den neuen Daten in das System eingespeist, um für eine weitere Prob­lemlösung für einen ähnlichen Sachverhalt zielsicherere Vorhersagen treffen zu können (siehe Abbildung 2). In der Realität wird einem intelligenten System ein Trainingsdaten­satz zur Verfügung gestellt, um sich auf den aktiven Einsatz hin trainieren zu können. Das System entwickelt daraus ein hypothetisches Modell. Durch diesen Input erhält es sein erstes Trainingsoutput für den Algorithmus. Nach diesem Training kann das System die ersten realen Felddatensätze bereits zuverlässiger verarbeiten. Je mehr Daten beim maschinellen Lernen verarbeitet werden können, desto geringer wird die Fehlerquote der KI. Unternehmen können mit einer maschinell lernenden KI deutlich präzisere Vor­hersagen treffen. Im Wettbewerb können Vorteile durch die Entdeckung von nicht aus­geschöpften Potentialen oder einer Risikominimierung generiert werden (Scheuer, 2020, S.19-20).

Abbildung aus urheberrechtlichen Gründen vom Redaktionsteam entfernt

Abbildung 3: Entwicklung AI, ML und DL (Xantaro, 2021)

Seit 1980 wird im Bereich des maschinellen Lernens geforscht. Die Anfänge bestanden in Expertensystemen, die das Wissen von menschlich eingespeisten Daten nach vorge­schriebenen logischen Regeln filterten. Die Analyse der Expertensysteme erfolgte wei­terhin über eine manuelle Auswertung. Jedoch gelangte die menschliche Auswertung an ihre Grenzen. Es war nicht möglich, die riesige Datenmenge manuell zu interpretieren. Deshalb trat das Forschungsgebiet des maschinellen Lernens in den Hintergrund. Der Aufstieg der KI gelang durch ein weiteres Konzept des Maschine Learnings Anfang der 2000er Jahre, dem Deep Learning (siehe Abbildung 3) (Fraunhofer-Gesellschaft, 2018).

Das Deep Learning, z.Dt. tiefgehendes Lernen, ist wie das maschinelle Lernen ein Teil­gebiet der KI, ein Teilbereich des maschinellen Lernens. Es löste das quantitative Prob­lem des klassischen Machine Learnings. Das Deep Learning ermöglichte ohne die Not­wendigkeit eines Menschen, immens große Datenmengen sinnvoll zu verarbeiten und verbesserte ein System sogar mit dem Ausmaß der gegebenen Datenmenge (siehe Ab­bildung 4) (Holland, 2020b, S. 5).

Abbildung aus urheberrechtlichen Gründen vom Redaktionsteam entfernt

Abbildung 4: ML, DL und die Datenmenge (Xantaro, 2021)

Möglich wurde dies durch die neue technische Grundlage des Deep Learnings, der künstlich neuronalen Netzwerke. Das technische neuronale Netzwerk ist dem neurona­len Netzwerk im menschlichen Gehirn nachempfunden. Dieses besteht aus vielen Neu­ronen, die parallel arbeiten. Die Neuronen senden und empfangen permanent Daten. Sie verarbeiten gleichzeitig die empfangenen Daten, setzen diese in Verbindung mit der eigenen Information und übermitteln ihr Ergebnis an die anknüpfenden Neuronen. Die Intention hinter der technischen Nachbildung des menschlichen Gehirns ist die stärkere und präzisere Mustererkennung. Ein künstliches neuronales Netzwerk ist im Gegensatz zum maschinellen Lernen in der Lage, abstrakte Muster zu erkennen. Das Machine Lear­ning bezieht sich auf mathematische Probleme, die der Mensch schwierig verarbeiten kann,während das Deep Learning sich auf das Erfassen von Problemen konzentriert, die der Mensch mit intuitiven Schlussfolgerungen löst (Fraunhofer-Gesellschaft, 2018).

Abbildung aus urheberrechtlichen Gründen vom Redaktionsteam entfernt

Abbildung 5: Künstliches neuronales Netzwerk (Fraunhofer-Gesellschaft, 2018)

Für diesen Sachverhalt ist ein Neuronales Netzwerk in der technischen Umsetzung in mehreren Schichten aufgebaut. Wie in Abbildung 5 veranschaulicht, besteht jede Schicht aus mehreren technischen Neuronen, die mit den Eingangswerten der Daten für den Anwendungsbereich gespeist werden. Mit den Abgabewerten formuliert die Ein- gangsneuronenschicht ein Konzept des Lösungsproblems in Form von mehrdimensio­nalen Vektoren und gewichtet diese. Jedes technische Neuron der ersten Schicht schickt das gewichtete Signal an die Neuronen einer Zwischenschicht, die mit Aktivierungsfunk­tionen versehen sind. Diese Funktionen entscheiden der statistischen Relevanz nach, mit welcher Signalstärke die Wertekombination an die nächste Schicht weitergeleitet werden soll. Dieser Prozess zieht sich durch mehrere Zwischenschichten, bis schließlich Ausgangswerte als Konstruktergebnis abgegeben werden. Anschließend wird ein posi­tives Ergebnis mit den Ausgangswerten abgeglichen, wodurch das System rückführend Korrekturen in dem mehrdimensionalen Zahlenkonstrukt selbstständig durchführt. Of­fensichtlich werden für diese Berechnungen leistungsstarke Systeme benötigt. Deshalb kamen die Umsetzung und der anschließende Erfolg erst am Anfang der 2000er Jahre durch die deutliche Verbesserung der Computersysteme mit der zunehmenden Digitali­sierung auf. Mit der Entdeckung und Entwicklung des Deep Learnings ergaben sich neue technische Möglichkeiten (Fraunhofer-Gesellschaft, 2017).

Die Erfassung eines mehrdimensionalen Zahlenraums ermöglicht dem Deep Learning die Verarbeitung von extrem umfangreichen und komplexen Daten, die zum Beispiel bei der technischen Gesichtserkennung, Bild- und Sprachverarbeitung vorkommen (Fraunhofer-Gesellschaft, 2018).

Der Aufschwung und die außerordentliche Bedeutung von Machine Learning und Deep Learning im 21.Jahrhundert werden in der folgenden Betrachtung der parallelen Entwick­lung der für die KI relevanten digitalen Umgebung deutlich.

2.1.2 Big Data

Mit dem Begriff Big Data wird der Einsatz riesiger Datenmengen aus einer Vielzahl an unterschiedlichen Quellen in einer hohen Verarbeitungsgeschwindigkeit für einen wirt­schaftlichen Zweck definiert. Näher verkörpert Big Data die Unfähigkeit einer Unterneh­mensinfrastruktur, die vorhandene Datenmenge in der nötigen Zeit zu verarbeiten.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 6: Die 5 V's von Big Data (Holland, 2020a)

Definitorisch werden in Bezug auf Big Data die „5 V's“ abgeleitet. Volume, Velocity, Va­riety, Veracity und Value sind 5 charakterisierende Eigenschaften von Big Data, die je­weils ein Problem des digitalen Informationszeitalters darstellen (siehe Abbildung 6).Vo- lume stellt die Tatsache auf, dass die Datenmenge einen Umfang annimmt, dem klassi­sche Datenspeicher- und Auswertungsmethoden nicht gewachsen sind. Velocity steht für die gestiegene Geschwindigkeit, mit der Daten erzeugt werden. Die stetigen Daten­ströme können nicht mehr mit traditionellen Datenanalyseverfahren erfasst werden, da die neuen schnelleren Datenströme in Echtzeit verarbeitet werden müssen. Die Eigen­schaft Variety ist die Erkenntnis, dass die Daten zunehmend heterogener und unstruk­turierter werden. Dies erfordert eine intensivere Datenaufbereitung. Veracity beschreibt das Problem der Wahrhaftigkeit von vorliegenden Daten. Es wird in der Digitalisierung fortschreitend schwieriger, die Daten glaubwürdigen Datenquellen zuzuordnen. Zusam­menfassend wird die fünfte Eigenschaft, der Value, als der Mehrwert gesehen, den die erfolgreiche Bewältigung von Big Data für Unternehmen schaffen würde. Der Auslöser für Big Data ist die Digitalisierung. Bis vor wenigen Jahren konnten vorhandene Daten problemlos über klassische Datenbanksysteme gespeichert werden. Jedoch verur­sachte das Internet und das Internet-of-Things (IoT) plötzlich eine globale, anhaltende Datenflut, wodurch sich von da an die Datenmenge jedes Jahr verdoppelte. Der Begriff Internet-of-Things wurde Anfang der 2000er Jahre mit dem Aufkommen des Internets geprägt. IoT ist der Oberbegriff für alle Technologien, die eine Infrastruktur schaffen, um physische und digitale Objekte miteinander zu vernetzen (Kaufmann & Servatius, 2020, S. 5-7). Das Ausmaß des verursachten Datenaufkommens wird greifbar unter der Be­trachtung des Faktes, dass im Jahre 2000 ein Viertel der global gespeicherten Daten digitalisiert waren; heutzutage sind über 98% der gespeicherten Daten auf der Erde di­gitalisiert (Laudon et al., 2015, S. 284-286).

Um als Unternehmen einen Nutzen aus Big Data ziehen zu können, sind neue Techno­logien im Bereich der Datenbeschaffung, Datenaufbereitung und Datenanalyse notwen­dig. In Betracht der 5 V's von Big Data müssen Systeme unstrukturierte Daten schnell verarbeiten und speichern können. Dazu müssen sie Korrelationen und ihre Kausalität für einen gegebenen Sachzusammenhang erkennen können. Außerdem muss entschie­den werden, ob qualitative oder quantitative Daten benötigt werden. Abschließend muss dieser Prozess ganzheitlich und rückblickend in Echtzeit fortlaufend betrachtet und ver­bessert werden, um dem Wettbewerb standhalten zu können. Denn das Datenaufkom­men wird mit dem technologischen Fortschritt im Bereich der IoT und der Digitalisierung exponentiell weiter ansteigen (Holland, 2020a, S. 12-20).

KI ist aus heutiger Sicht ein potentieller Lösungsansatz für die Probleme von Big Data. Gerade das Machine Learning in der Erweiterung des Deep Learning hat das Potential, den Herausforderungen von Big Data gewachsen zu sein. Mit dem wachsenden Daten­aufkommen und Datengeschwindigkeit sowie der zunehmenden Bedeutung der Daten­filterung und dem Filtern nach glaubwürdigen Datenquellen entwickelt sich auch die KI- Technologie fortwährend weiter. Durch mehr Daten und schnellere Datenströme verbes­sert sich auch eine KI über das Machine Learning und Deep Learning umso schneller und wächst mit dem aufkommenden Datenstrom mit (Gentsch, 2018, S. 12-15).

Ein Beweis dafür ist der stark wachsende KI-Markt im Verhältnis zum IoT-Markt. Nach Schätzungen des Allied Market Research soll der KI-Markt von 2016 mit einem Markt­volumen von 4,1 Milliarden US$ auf 169,4 Milliarden US$ im Jahre 2025 anwachsen. Dies entspricht einer Marktwachstumsrate von 55,6% pro Jahr. Im Gegensatz dazu weist der IoT-Markt im Jahre 2019 mit einem Marktvolumen von 5,1 Milliarden US$ und einer Marktvolumenprognose des Allied Market Research für das Jahr 2025 von 16,2 Milliar­den US$ ein jährliches Marktwachstum von 26% auf. Laut diesen Prognosen wächst der KI-Markt fast doppelt so schnell wie der IoT-Markt. Das größte Segment des KI-Marktes belegt zudem das Machine Learning, in dem das Deep Learning mit einbezogen wurde (Allied Market Research, 2018).

Es wird ein Trend zur unternehmerischen KI-Nutzung und die besondere Bedeutung des Machine Learning und Deep Learning deutlich. Daraus lässt sich ableiten, dass die Un­ternehmen die Herausforderungen und Chancen von Big Data erkannt haben und KI als Lösungsansatz anerkennen. Es bestätigt die These eines datengetriebenen Wettbe­werbs im aktuellen digitalen Zeitalter, in der eine KI als Wettbewerbsvorteil entscheidend ist.

2.2 Chatbots in der B2C-Kommunikation

Durch die Erfassung und Verarbeitung von mehrdimensionalen Datensätzen konnte sich die KI, vor allem im Bereich der Spracherkennung, weiterentwickeln. Es eröffnete sich den Unternehmen der neue Bereich des Natural Language Processing. Die neuen Mög­lichkeiten der Sprachanalyse führten zu der Verbesserung der natürlichen Sprache und Auswertung sowie Selektierung von in der direkten Mensch-Maschine-Kommunikation gescannten Daten einer KI (Fraunhofer-Gesellschaft, 2018).

Das neue Potential einer KI wurde von Unternehmen schnell erkannt und findet immer mehr Einsatz in der unternehmerischen Kommunikation. Laut einer repräsentativen Stu­die des Bundesministeriums für Wirtschaft aus dem Jahre 2019 verwenden knapp 6% aller deutschen Unternehmen künstliche Intelligenz. Davon setzen 22% auf den Einsatz einer KI in der B2C-Kommunikation. Wiederum 55 % der befragten Unternehmen setzen KI für die Prozessautomatisierung ein (Bundesministerium für Wirtschaft, 2020).

Es wird ein Trend der durch KI automatisierten B2C-Kommunikation erkennbar. Der größte Anwendungsbereich von KI in diesem Bereich ist der Einsatz von künstlicher In­telligenz in Form von Chatbots (Mehner, 2019, S. 145). Das Marktforschungsunterneh­men Grand View Research prognostizierte für den globalen Chatbot-Markt eine Wachs­tumsrate von 24,3 % für das Jahr 2025 (Grand Market Research, 2021). Selbst die größ­ten Wettbewerber der Technologiebranche setzen auf die Chatbot-Technologie und ver­wenden diese als Branding-Strategie. Konzerne wie Amazon mit ihrem Sprachassisten­ten Alexa, Google Now, Apple's Siri oder Microsoft's Cortana sind die bekanntesten Beispiele (Henn, 2018).

2.2.1 Definition von Chatbots

Der Begriff Chatbot setzt sich aus den englischen Wörtern Chat, z.Dt. plaudern, und Bot, welches eine Abkürzung für das englische Wort Robot, z.Dt. Roboter, ist, zusammen. Diese Bezeichnung steht als Oberbegriff für automatische Dialogsysteme, die auf natür­licher Sprache basieren (Adamopoulou E., 2020). Diese Definition schließt text- und sprachbasierte Dialogsysteme ein. Demzufolge werden dem Nutzer viele Möglichkeiten eröffnet, mit einem Chatbot über diverse Kommunikationsplattformen zu kommunizieren (Morelli et al., 2020). Das Conversational User Interface (CUI), die sprach- oder textba­sierte Benutzeroberfläche, bildet das Frontend, die Eingabefläche eines Chatbots. Das CUI verfolgt das Konzept, dem Anwender einen mit dem Menschen ähnlichen Konver- sationsweg zu bieten.Der Chatbot soll dem Nutzer über den Dialog benötigte Informati­onen bereitstellen.Die Chatbot-Technologie setzt dabei vor allem auf eine simple und plattformumfassende Nutzung, um eine Bandbreite an Zielgruppen zu erreichen (Ellermann, 2020, S.4).

Abbildung aus urheberrechtlichen Gründen vom Redaktionsteam entfernt

Abbildung 7: Conversational Layer Model (MUUUH! Group, 2021)

Am häufigsten treten Kunden mit Chatbots auf Unternehmenswebseiten, sozialen Netz­werken oder in sprachassistentgestützten Suchmaschinen in Kontakt. Wie in Abbildung 7 dargestellt übersetzt der Chatbot in der Sprach- oder Texteingabe mittels Natural Lan­guage Processing den Text oder das Gesprochene in formale für den Computer verwert­bare Daten. Nachdem der Chatbot auswertbare Informationen erkannt hat, entwickelt er in Kombination mit einer hinterlegten Datenbank und einem intelligenten Algorithmus nach vorprogrammierten Routinen und Regeln eine zielführende natürlichsprachige Ant­wort. Während dieses Prozesses erkennt der Chatbot anhand der Eingabe des Nutzers mit der Datenauswertung von vorangegangenen Daten relevante Muster und wendet diese sofort in der Sprachausgabe an. Mithilfe der neuen Technologie des Natural Lan­guage Understanding werden fehlerhafte Sätze und Fragen des Kunden erkannt und der Chatbot reagiert dementsprechend zufriedenstellend. Mit diesen Techniken hält der Chatbot den Kundendialog aufrecht und leitet den Dialog in Richtung des vorkonzipierten Ziels. Dahingehend wird dem Chatbot die Möglichkeit gegeben, verschiedene regelba­sierte Aktionen auszuführen, wie zum Beispiel die Weiterleitung an einen menschlichen Mitarbeiter oder eine Verlinkung einer im Kontext relevanten Webseite (Prothmann, 2018). In der Verbindung über Programmierschnittstellen zu Drittanbieterplattformen können Chatbots weitere Informationsquellen für bestimmte Anwendungsbereiche be­ziehen. Beispielsweise könnte ein Chatbot auf einer Reiseanbieterseite über eine Schnittstelle zum Wetterdienst dem Kunden das Wetter für die kommende Zeit in dem Reisezielort präsentieren und so einen Selling Point erzeugen (Ellermann, 2020, S. 10). Im Chatbot sind das Machine Learning und neuronale Netzwerke integriert, wodurch er sich künstlich intelligent weiterentwickeln kann. Mit der Zeit reagiert er immer zuverläs­siger auf verschiedene Kunden und ihre heterogenen Anliegen. In diesem Kontext passt er seine Dialogführung und natürliche Sprache an jeden Kunden an, indem er durch eine ständige Dialoganalyse. in Abgleich mit Erfolgswahrscheinlichkeiten und Ergebnisquali­täten, Kundenprofile mit zugehörigen Sprachmustern anfertigt. Die Vielseitigkeit eines Chatbots macht ihn für viele Einsatzbereiche in der B2C-Kommunikation tauglich und verspricht das Potential zu besitzen, auf die Heterogenität jeder Zielgruppe und deren Ansprüche reagieren zu können (Morelli et al., 2020).

2.2.2 Nutzen für das Unternehmen

Im Vordergrund der Unternehmensstrategie des digitalen Zeitalters steht die Kunden­zentrierung. Der Kunde ist das Fundament des Geschäftsmodells und verlangt die Kon­zentration auf dessen Wünsche und Bedürfnisse. Vor diesem Hintergrund gewinnt die direkte und kontinuierliche Kundenansprache in der B2C-Kommunikation an Bedeutung. Es ermöglicht dem Kunden Markenerlebnisse in Echtzeit und bindet ihn auf diese Weise an das Unternehmen (Ellermann, 2020, S. 14).

Ein Chatbot erfüllt die Anforderungen, um den Charakteristika des Conversational-Com­merce gerecht zu werden. Das Hauptziel des Chatbots in der B2C-Kommuniaktion ist die Automatisierung des Kundenservices. Die Kunden können allzeit in den direkten Di­alog mit dem Unternehmen treten. Der Chatbot übernimmt die zuvor personelle Aufgabe der Kundenanfragebearbeitung. Durch die Reduzierung der kostenintensiven manuellen Bearbeitung durch Mitarbeiter spart der Chatbot hohe Kosten für das Unternehmen ein. Zusätzlich gewinnt das Unternehmen zunehmend an Effizienz, da der Chatbot im Ge­gensatz zum menschlichen Mitarbeiter alle Anfragen gleichzeitig bearbeitet (F0lstad et al., 2018). Mit jeder Anfragebearbeitung verbessert sich der Chatbot über den intelligen­ten Algorithmus, wodurch er jede weitere Kundenanfrage zuverlässiger bearbeitet. Zu­sätzlich sorgt der Algorithmus für einen auf den Kunden zugeschnittenen Dialog, der dem Kunden personalisierte Aufmerksamkeit schenkt, die das aktuelle Kundenbedürfnis nach einem hohen Grad an Individualisierung befriedigt. Je öfter ein Kunde einen Chat­bot benutzt, desto personalisierter und zielführender reagiert dieser auf die Kundenan­fragen. Zusätzlich analysiert der Algorithmus die Kundendaten und wertet diese für das Unternehmen aus. Darüber hinaus arbeitet der Chatbot jeden Tag mindestens gleich leistungsstark, da er keine menschlichen Bedürfnisse und Emotionen hat, die ihn in sei­ner Arbeit einschränken könnten. Außerdem handelt ein Chatbot über die Programm­schnittstellen nahtlos plattformübergreifend und verhindert einen Medienbruch. Dadurch wird der Kaufprozess des Kunden auf einer einzigen Plattform ganzheitlich erfasst. Ein menschlicher Mitarbeiter müsste im Zweifel zusätzliche Zeit aufbringen, um bestimmte Information zu beschaffen (Diers, 2020, S. 120-121). Im Kaufprozess agiert der Chatbot als digitaler Kaufmann, indem er an bestimmten Stellen der Dialogführung Cross-Selling betreibt. Über eine simultane Dialoganalyse entscheidet der Chatbot im Dialog, ob Cross-Selling in der Kundenanfrage möglich ist und wann diese am effektivsten einge­setzt werden kann (Gentsch, 2018, S. 134).

Abbildungen aus urheberrechtlichen Gründen vom Redaktionsteam entfernt

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 8: Studie zu unternehmerischen Vorteilen von Chatbots (Hundertmark, 2020)

Die in Abbildung 8 gezeigte Studie mit einer Stichprobe von 250 Marketingverantwortli­chen befürwortet die aufgezeigten Vorteile der Chatbot-Nutzung. Den größten Nutzen sehen die Befragten in der Effizienzsteigerung und der erhöhten Kundenzufriedenheit. Insgesamt erwirkt der Einsatz eines Chatbots in der B2C-Kommunikation durch den schnelleren und präziseren Kundenservice eine erhebliche Effizienzsteigerung. Er er­spart dem Unternehmen hohe Personalkosten und führt zu einer Umsatzsteigerung des Unternehmens. Die Automation des Kundenservice ermöglicht es dem Unternehmen Ressourcen freizusetzen, die in das Kerngeschäft reinvestiert werden können. Des Wei­teren erhöht der kundenpersonalisierte Dialog die Dienstleistungsqualität und damit die Kundenzufriedenheit. Dies führt in einer verbesserten Kundenbeziehung zu einer enge­ren Kundenbindung.Außerdem verschafft der Chatbot in seiner Kundendatenanalyse dem Unternehmen einen Einblick über aktuelle Kundenwünsche und -bedürfnisse. Ins­gesamt gibt er Aufschluss über den effizientesten Ablauf eines Kaufprozesses und den relevantesten Kontext in Bezug auf die Kaufentscheidung des Kunden (Gentsch, 2018, S.132-133).

2.2.3 Nutzen für den Kunden

Für den Kunden agiert ein Chatbot als digitaler Assistent. Die in Abbildung 9 aufgeführte Verbraucherstudie mit einer Stichprobe von 150 regelmäßigen Chatbot-Nutzern hat er­geben, dass der Großteil der Befragten Chatbots vorwiegend als Assistent für die Ter­minplanung verwendet. Über 50% der Befragten benutzen einen Chatbot für Reservie- rungs- und Kaufvorgänge, die Recherche beim Onlineshopping und die Beschaffung von Alltagsinformationen, wie das Wetter etc. oder für Buchungsvorgänge. Es wird ersicht­lich, dass Chatbots hauptsächlich für Kundendienstleistungen der Informationsbeschaf­fung oder in Assistenz von Planungs- und Buchungsdienstleistungen verwendet werden.

Abbildungen aus urheberrechtlichen Gründen vom Redaktionsteam entfernt

Abbildung 9: Verbraucherstudie zum Einsatz von Chatbots (Bitkom Research, 2016)

Die Gründe für die Verlagerung der Kundenserviceleistungen von menschlichen Mitar­beitern auf einen Chatbot sind vorrangig die schnellere Abwicklung der Anfragen und die allzeitige Erreichbarkeit des Chatbots. Außerdem entsteht für den Kunden keine Warte­zeit; er kann seine Anfrage jederzeit pausieren und zu einem späteren Zeitpunkt fortset­zen. Zusätzlich ist der Chatbot unabhängig von Ort, Uhrzeit und Endgerät über das In­ternet erreichbar. Für den Kunden entsteht mit der Nutzung eines Chatbots eine erheb­liche Zeitersparnis und Flexibilität. Additional sichert ein Chatbot die Ergebnisqualität des Dialogs, indem er seine Datenbanken allumfassend auswerten kann. Die Ergebnisqua­lität im Dialog mit menschlichem Personal kann durch die emotionale oder gesundheitli­che Verfassung des Mitarbeiters negativ beeinflusst werden. Diese dargelegten Einsatz­fähigkeiten bestätigt die folgende Verbraucherstudie, die im Jahre 2017 aus einer Stich­probe von 997 volljährigen Befragten erhoben wurde (siehe Abbildung 10).

Abbildungen aus urheberrechtlichen Gründen vom Redaktionsteam entfernt

Abbildung 10: Verbraucherstudie zu Vorteilen von Chatbots (YouGov (Global), 2017)

Darüber hinaus ist der Nutzer nicht mehr darauf angewiesen, weitere Applikationen zu nutzen, um an alle gewünschten Informationen zu gelangen, sondern der Chatbot kann auf diese Informationen über die Programmierschnittstellen zu Drittanbietern die ge­wünschten Informationen erfassen und dem Kunden darbieten. Vorher musste sich der Kunde an die Apps anpassen, die er verwendet. Nun verwendet der Chatbot die notwen­digen Apps für den Kunden. Bei der Nutzung des Chatbots profitiert der Kunde durch Bequemlichkeit und von der Anpassungsfähigkeit des Chatbots. Zusätzlich steigt dieser Nutzen in der mehrfachen Anwendung des Chatbots, der sich über den Algorithmus zu­nehmend an den Kunden anpasst. Der Kunde erhält mit jeder Nutzung seine Antworten schneller und mit einer besseren Ergebnisqualität. Dieser Prozess reicht bis zu der Ent­wicklung von individualisierten empathischen Reaktionen des Chatbots, sodass der Chatbot die Gefühlslage des Nutzers erahnen und dementsprechend reagieren kann (Gentsch, 2018, S. 110).

3 Akzeptanzforschung

3.1 Begriffsdefinition der Akzeptanz

Der Akzeptanzbegriff kann nicht in einem gesamtdefinitorischen Rahmen betrachtet wer­den. Die lexikalische Definition beschreibt diese als eine Über- oder Annahme von et­was, jedoch bietet dies der Wissenschaft eine unzureichende Spezifikation. Zieht man einen gesellschaftlichen Kontext für ein Individuum heran, so lässt sich die Akzeptanz als Synonym der Anerkennung oder Bestätigung von Einstellungen interpretieren. Durch die Übernahme des Wortes „Akzeptanz" in die Alltagssprache, vermischte sich der wis­senschaftliche und alltägliche Kontext des Begriffs. Dies führte seither zu einer Mehr­deutigkeit des Akzeptanzbegriffes und bedarf für die Akzeptanzanalyse dieser For­schungsarbeit einer zusätzlichen Begriffsinterpretation für den ökonomischen Kontext eines innovativen Mediums wie dem Chatbot (Kollmann, 1998, S. 38-40).

Die ökonomische Betrachtung erfolgt vor dem Hintergrund der gesellschaftlichen Inter­pretation, da soziale Einflüsse mit in eine Akzeptanz von Technologien einfließen. Hier­bei ist die Freiwilligkeit der Mediennutzung die Voraussetzung. Die Übernahme einer Technologie ist im Gegenteil zur klassischen Akzeptanzdefinition keine Ja-Nein-Ent­scheidung, sondern muss über ökonomische Messvariablen wie der Zahlungsbereit­schaft quantifiziert erfasst werden. Zudem lässt sich die Technologieakzeptanz nicht in einem Zeitpunkt messen. Dafür muss deren zeitliche Entwicklung in mehreren Stufen betrachtet werden. Die einzelne Betrachtung spiegelt nur die Akzeptanzausprägung des Konsumenten zu einem Zeitpunkt wider.

Zusammengefasst entscheidet primär die Art und das Ausmaß einer freiwilligen Nutzung über den Erfolg einer innovativen Technologie. Die Akzeptanz kann hier als Maßstab für Prognosen von Entwicklung und Erfolgswahrscheinlichkeiten dienen. Dabei gilt zu be­achten, dass ausschließlich eine frühe mehrfache Akzeptanzmessung der betrachteten Technologie zu einer zuverlässigen Risikominimierung und Durchdringung von Markt­barrieren beitragen kann (Kollmann, 1998, S. 61-62).

Die ex ante Perspektive erlaubt es, im Gegensatz zu der klassischen ex post Betrach­tung einer innovativen Technologie, den Fokus auf die Kundenbedürfnisbefriedigung zu setzen (Schlohmann, 2012, S. 26). Schlohmann definierte im Rahmen der Akzeptanz­messung in Anwendung des Uses-and-Gratifications-Ansatzes - die auf Fachgebietser- kenntnis aufbauende Annahme, dass Kunden Medien zur Bedürfnisbefriedigung ver­wenden - die Bedürfnisdimensionen der Nutzung einer innovativen Medientechnologie. Dazu zählen die kognitiven Bedürfnisse nach Informationsbeschaffung zur Problemlö­sung und Orientierung in der Gesellschaft. Außerdem hat der Kunde emotionale Bedürf­nisse nach Unterhaltung und ästhetischen Ansprüchen sowie sozial-interaktive Bedürf­nisse nach der Kommunikation mit Dritten nach eigenen Wert- und Normvorstellungen. Die vierte Bedürfnisdimension drückt den Wunsch des Nutzers nach Arbeitserleichte­rung durch Angebote des E-Commerce aus (Schlohmann, 2012, S. 106-107).

Kollmann schaffte eine definitorische Eingrenzung der Akzeptanz einer innovativen Technologie und konnte für die Akzeptanzerhebung Handlungsempfehlungen ausspre­chen. Darauf aufbauend formulierte Schlohmann verschiedene Bedürfnisdimensionen, die einen Rahmen für die praktische Technologieakzeptanzmessung geben. Die von Schlohmann hergeleiteten Nutzerbedürfnisse einer innovativen Technologie bilden in der folgenden Akzeptanzanalyse als wichtige Voraussetzung für eine Nutzerakzeptanz die Basis der Operationalisierung der Technologieakzeptanzdeterminanten für die Em­pirie.

3.2 Technologieakzeptanzmodelle

In diesem Kapitel wird die Technologieakzeptanzforschung aufgearbeitet, indem das be­stehende Technologieakzeptanzmodell „Technology Acceptance Model“ (TAM) von Da­vis (1989) und dessen Erweiterungen, das TAM2 von Venkatesh und Davis (2000) und das TAM3 von Venkatesh undBala (2008), betrachtet werden.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 11: „Theory of Reasoned Action” (Fishbein & Ajzen, 1975)

[...]

Fin de l'extrait de 107 pages

Résumé des informations

Titre
Künstliche Intelligenz in der Online-B2C-Kommunikation. Untersuchung der Kundenakzeptanz von Chatbots
Université
Cologne Business School Köln
Note
1,3
Auteur
Année
2021
Pages
107
N° de catalogue
V1140916
ISBN (ebook)
9783346521651
ISBN (Livre)
9783346521668
Langue
allemand
Mots clés
Künstliche Intelligenz, Chatbots, B2C-Marketing, Digitales Marketing, B2C-Kommunikation, Automatisierung, Automation, TAM3, Kundenakzeptanz, Machine Learning, Deep Learning, TAM, TAM2, Digitaler Wandel, Kundenakzeptanz von Chatbots, Big Data, Sales Marketing, Kundenservice, Customer Service, CRM, Customer Relationship Management, Dialogmarketing, Technologieakzeptanzmodell, Digitalisierung, Customer Marketing, Kundenansprache, Individualisierung, Personalisierung, Internet, Kundenportal, Digitale Strategie, Nutzen eines Chatbots, Benutzerfreundlichkeit eines Chatbot, Kundenansprüche von Chatbots, Kundenwünsche an Chatbots, Anforderungen von Chatbots, Implementierung eines Chatbots, User-Gratification-Ansatz, Akzeptanzdeterminanten, Technologieakzeptanzdeterminanten, Technology Acceptance Mode, Theory of Planned Behaviour, Theory of Reasoned Action, Unified Theory of Acceptance and Use of Technology, Wahrgenommene Benutzerfreundlichkeit, Wahrgenommener Nutzen, Wahrgenommenes Vergnügen, Wahrgenommene Verhaltenskontrolle, Verhaltensabsicht, Internet of Things, Venkatesh und Davis, Fishbein und Ajzen, B2C
Citation du texte
Florian Müller (Auteur), 2021, Künstliche Intelligenz in der Online-B2C-Kommunikation. Untersuchung der Kundenakzeptanz von Chatbots, Munich, GRIN Verlag, https://www.grin.com/document/1140916

Commentaires

  • Pas encore de commentaires.
Lire l'ebook
Titre: Künstliche Intelligenz in der Online-B2C-Kommunikation. Untersuchung der Kundenakzeptanz von Chatbots



Télécharger textes

Votre devoir / mémoire:

- Publication en tant qu'eBook et livre
- Honoraires élevés sur les ventes
- Pour vous complètement gratuit - avec ISBN
- Cela dure que 5 minutes
- Chaque œuvre trouve des lecteurs

Devenir un auteur