Steigerung der Kundenzufriedenheit durch den Einsatz von Chatbots

Inhaltsverzeichnis:

Abkürzungsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1. Einleitung
1.1. Ausgangslage
1.2. Problemstellung und Abgrenzung
1.3. Fragestellung und Zielsetzung
1.4. Aufbau der Arbeit

2. Theoretische Grundlagen
2.1. Herleitung und Definition relevanter Begriffe und Grundlagen im Zusammenhang mit Chatbotprogrammen
2.1.1. Big Data
2.1.2. Künstliche Intelligenz und maschinelles Lernen
2.1.3. Agent
2.1.4. Avatar
2.2. Dialogsysteme: Chatbots und deren verschiedenen Ausprägungen

3. Nutzen von Chatbots
3.1. Für Unternehmen
3.2. Für Kunden

4. Methodisches Vorgehen und Limitationen
4.1. Kano Modell der Kundenzufriedenheit
4.2. Analyse der Qualitätsfaktoren/ Anforderungskriterien von Chatbots
4.3. Fragestellung und Hypothesenbildung
4.4. Ermittlung der Grundgesamtheit und der Stichprobe
4.5. Entwicklung des Fragebogens

5. Empirische Untersuchung und Vorstellung der Resultate
5.1. Stichprobenbeschreibung
5.2. Auswertung des Kano Modells der Kundenzufriedenheit

6. Schlussfolgerungen und Handlungsempfehlungen

Literaturverzeichnis

Anhang

Abkürzungsverzeichnis:

Embodied Conversational Agents – ECAs

Künstliche Intelligenz – KI

Interactive Voice response - IVR

Abbildungsverzeichnis:

Abbildung 1: Überblick Artificial Intelligence

Abbildung 2: Intelligente Agenten

Abbildung 3: Beziehungen zwischen Klassen softwarebasierter Dialogsysteme

Abbildung 4:Klassifikation gemäß Kassibgi (2017)

Abbildung 5: Das Kano Modell der Kundenzufriedenheit

Abbildung 6: Beispiel Fragenkatalog

Abbildung 7: Geschlechterverteilung

Abbildung 8: Berufsverteilung

Abbildung 9: Altersverteilung

Abbildung 10: Kano-Auswertungstabelle

Abbildung 11: Auswertung der kontinuierlichen Analyse.

Tabellenverzeichnis:

Tabelle 1: Ergebnistabelle

Tabelle 2: Zufriedenheits-/Unzufriedenheitsindex

Tabelle 3: Anforderungen an Chatbots

Tabelle 4: Anteil der Internetnutzer in Deutschland 2001-2018

Tabelle 5: Erfahrungen mit Chatbots aus Kundensicht

Tabelle 6: Quality attributes of chatbots and conversational agents

Tabelle 7: Anforderungskriterien an einen Chatbot

Tabelle 8: Produktmerkmal und Erklärungsübersicht

1. Einleitung

1.1. Ausgangslage

Chatbots und andere Spracheingabe-Systeme sind in den letzten Jahren immer wichtiger geworden und finden gleichzeitig in vielen Situationen Anwendung. Nutzer erwarten heutzutage Informationen schnell und einfach online finden zu können und Anliegen mit einem direkten Ansprechpartner zu lösen. Wenn dies für sie durch den Anbieter nicht möglich ist, da bspw. das Navigieren durch Webseiten bis zum gewünschten Ergebnis sehr lange dauert, wirkt dies frustrierend, hat Auswirkungen auf die Customer Journey und senkt die Kundenzufriedenheit.¹ Ein Umdenken hat stattgefunden, sodass die angebotenen Online-Erlebnisse nicht mehr den Kaufgewohnheiten der Kunden entsprechen.² Hier können Chatbots helfen diese Frustration zu umgehen, da diese Informationen und Antworten in Echtzeit liefern und dadurch die Erwartungen des Nutzers erfüllt werden. Diverse Studien bestätigen den Trend, dass immer mehr Chatbots zum Einsatz kommen, aber auch die Akzeptanz ihnen gegenüber steigt.³ Die Anwendungsfelder sind vielzählig, im Folgenden wird sich aufgrund der Limitationen der vorliegenden Arbeit insbesondere auf den Einsatz eines Chatbots im Kundenservice bezogen.

1.2. Problemstellung und Abgrenzung

Der erleichterte Zugang zu einem virtuellen Support sowie komplexere Produktfunktionalitäten erhöhen den Bedarf und die Anzahl an Interaktionen des Kundenservices mit einem Kunden. Der Kundenservice ist mitunter einer der wichtigsten Bestandteile und zentrale Anlaufstelle für die Zufriedenstellung des Kunden, jedoch bringt die Bereitstellung eines Kundenservice einen hohen (Mitarbeiter)Aufwand und enorm hohe Kosten mit sich, um der wachsenden Anzahl der Anfragen entgegenzuwirken. Dadurch wird nicht nur die Auslastung des Kundenservices, sondern auch die Wartezeit für den Kunden erhöht, welche sich wiederum negativ auf deren Zufriedenheit auswirkt. Dabei könnten durch den Einsatz von Chatbots und durch zuvor bereitgestellte (virtuelle) Inhalte Probleme direkt gelöst werden, sodass deutlich weniger Anfragen die Interaktion eines echten Menschen benötigen.⁴ Diese virtuellen Inhalte könnten dem Kunden gezielt und passend über Chatbots rund um die Uhr bereitgestellt werden, sodass schlussendlich mehr Zeit für komplexere Anliegen eines einzelnen Kunden bereitsteht, wodurch wiederum deren Zufriedenheit wächst. Jedoch sind die Produktmerkmale eines Chatbots, die sich positiv auf die Kundenzufriedenheit auswirken, bisher nicht bekannt.

Umfragen haben ergeben, dass bei der Firma X ein jährlicher Kundenverlust von 10% auf mangelnde Kundenzufriedenheit zurückzuführen ist. Im Vergleich zum Vorjahr ist die Kundenzufriedenheit im Service durch den Einsatz eines Chatbots bereits um 6% gesteigert worden. Der Grund hierfür resultierte aus der Erkenntnis, dass bei über 80% der Anfragen ähnliche Fragestellungen durch Kunden formuliert wurden, welche durch eine Bereitstellung von virtuellen Inhalten keine direkte menschliche Interaktion zu deren Lösung benötigt hätten. Daher ist eine weitere Optimierung des Chatbots notwendig, um noch gezielter auf Kundenanfragen reagieren zu können.

1.3. Fragestellung und Zielsetzung

Ziel der Arbeit ist es herauszufinden, welche Produktmerkmale und Anforderungskriterien ein Chatbot für den Kunden erfüllen muss und wie diese die Kundenzufriedenheit positiv beeinflussen können. So können konkrete Handlungsempfehlungen gegeben werden, um den Kundenverlust langfristig zu reduzieren.

1.4. Aufbau der Arbeit

Zunächst werden verschiedene theoretische Grundlagen und Hintergründe im Hinblick auf den Aufbau und die Funktion eines Chatbots näher beleuchtet. Daraufhin werden die unterschiedlichen Klassifikationen eines Chatbots sowie dessen Nutzung für Unternehmen und Kunden dargestellt, bevor die Qualitätsfaktoren/ Produktmerkmale bzw. Anforderungskriterien eines Chatbots aus Kundensicht ermittelt und diese mithilfe des Kano Modells der Kundenzufriedenheit untersucht werden. Das daraus resultierende Ergebnis wird anhand einer diskreten und einer kontinuierlichen Analyse bewertet und die getroffene Hypothese überprüft. Letztlich werden aus den Ergebnissen Handlungsempfehlungen für die Steigerung der Kundenzufriedenheit abgeleitet.

2. Theoretische Grundlagen

Im folgenden Kapitel werden theoretische Grundlagen erläutert, die notwendig für das Verständnis eines Chatbots sind und die Herleitung für die verschiedenen Arten von Chatbots darstellt.

2.1. Herleitung und Definition relevanter Begriffe und Grundlagen im Zusammenhang mit Chatbotprogrammen

Die folgenden Begriffe wurden bewusst voneinander abgegrenzt, um einen überschaubaren Überblick zu verschaffen, da einige Begrifflichkeiten eng miteinander vernetzt sind.

2.1.1. Big Data

„Daten sind die Trittleiter zu einer neuen Erkenntnisstufe. Big Data wird Gesellschaft, Politik und Wirtschaft so grundlegend verändern wie der elektrische Strom und das Internet.“ ⁵

Die Grundlage der künstlichen Intelligenz sind große Mengen an Daten, deren Volumen durch automatische Erhebung sowie durch Austausch exponentiell wächst, was zwangsläufig zu einer Masse an strukturierten und unstrukturierten Daten führt, die mit herkömmlichen Analysemöglichkeiten nicht mehr abgebildet und ausgewertet werden können.⁶ Diese Masse an Daten wird pauschal als Big Data bezeichnet, jedoch gilt es noch die Kriterien die Big Data definieren zu beleuchten, da es keine allgemeingültige Definition des Begriffs gibt. Verschiedene Autoren definieren Big Data anhand von drei Faktoren: Variety, velocity und volume.⁷ Bspw. beschreibt De Roos (2012) Big Data als „extracting insight from an immense volume, variety and velocity of data, in context, beyond what was previously possible.“ ⁸ Gartner (2014) bietet eine etwas allgemeinere Definition und beschreibt dies als „high volume, -velocity and -variety information assets that demand cost-effective, innovative forms of information processing for enhanced insight and decision making.” ⁹ Die vorliegenden 3 Faktoren velocity, variety und volume wurden jedoch nachträglich um veracity, bzw. Richtigkeit der Daten ergänzt, da die datenbasierte Entscheidungsfindung Nachvollziehbarkeit und Begründbarkeit verlangt.¹⁰ Bei der weiter wachsenden Datenmenge spielt die richtige Verwendung von Daten für alle Arten von Unternehmen eine wichtige Rolle und wird zukünftig ein noch wichtigeres Standbein vieler datengetriebener Unternehmen sein. Dabei hat die Datenanalyse unzählige Anwendungsfelder und kann bspw. für ökonomische Analysen im Business Management beim Analysieren von sozialen Netzwerken sowie bei der Spracherkennung von Chatbots eingesetzt werden.¹¹

Im Bereich des Kundendienstes führte der digitale Fortschritt der letzten Jahre ebenfalls zu einem rasanten Anstieg der Datenmenge, in der gewaltiges Potenzial steckt, gleiches gilt für den Automatisierungsgrad. Dieses Potenzial gilt es mit Analysemethoden, aber auch mit künstlicher Intelligenz zu identifizieren und daraus Muster und Regeln abzuleiten.

2.1.2. Künstliche Intelligenz und maschinelles Lernen

Wie schon beim vorherigen Punkt fällt es Forschern schwer, eine allgemeingültige Definition von künstlicher Intelligenz zu geben, jedoch versuchten sich verschiedene Forscher, darunter Nilsson (2010) dahingehend anzunähern. Er bezeichnet künstliche Intelligenz damit, Maschinen intelligent zu machen: „Artificial intelligence is that activity devoted to making machines intelligent, and intelligence is that quality that enables an entity to function appropriately and with foresight in its environment.”¹² Bereits heute benutzen wir verschiedene Arten von künstlichen Intelligenzen im Alltag, hierbei handelt es sich jedoch vorzugsweise um schwache künstliche Intelligenzen. Beispiele hierfür sind virtuelle persönliche Assistenten wie Apples Siri oder Amazons Alexa. Starke künstliche Intelligenzen hingegen verallgemeinern menschliche kognitive Fähigkeiten, um selbst bei unbekannten Aufgaben eine Lösung zu finden. Grundlage dafür ist der umstrittene Turing-Test, bei dem auch heute noch eine Testperson darüber bestimmt, wann eine künstliche Intelligenz nicht mehr vom echten Menschen zu unterscheiden ist und damit als „menschlich“ anzusehen ist.¹³

Abbildung 1: Überblick Artificial Intelligence

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Nvidia, (2019), S.5

Künstliche Intelligenz stellt nicht nur einen einzelnen Teilbereich dar, vielmehr ist er der Überbegriff, unter den Aspekte wie das maschinelle Lernen (Machine Learning) und Deep Learning fallen (s. Abbildung 1). Die Grundlage für Machine Learning beruht auf der Forschung im Bereich der Mustererkennung, die heute u. a. die Grundlage für Machine Learning ist. Hierbei erkennen IT-Systeme aufgrund von vorhandenen Daten und Algorithmen Muster, welche auf Erfahrungen basieren und beginnen für vorhandene Probleme Lösungen zu entwickeln.¹⁴ Ertel definierte dies folgendermaßen: „Machine Learning is the study of computer algorithms that improve automatically through experience .“ ¹⁵ Damit diese Erfahrungen generiert werden können, ist jedoch ein vorheriges Handeln des Menschen notwendig, da relevante (Trainings-)Daten sowie Algorithmen und Regeln für die Software und deren Analyse benötigt wird.¹⁶ Neue Erkenntnisse, welche aus den Daten gewonnen wurden, bieten die Grundlage zu deren Verallgemeinerung, die die Verarbeitung unbekannter Daten ermöglicht.¹⁷

2.1.3. Agent

Agenten sind Systeme mit denen UserInnen in Interaktion treten können, dabei sind Agentensysteme ein Ergebnis aus planbasierter, zielorientierter Architektur.¹⁸ Der Agent trifft Entscheidungen mit dem Hintergrund eines vordefinierten Zieles, der Weg dorthin wird vom Agenten jedoch autonom gesteuert. Dies bedeutet, dass kein anderes System oder ein Mensch intervenieren muss und dennoch ein flexibles Reagieren auf die Umwelt möglich ist, was wiederum als „soziale Fähigkeit“ durch UserInnen wahrgenommen wird.¹⁹ Die mediale Eingabeform erfolgt schriftlich (chat-basiert) oder mündlich durch Spracherkennungsmodule, wobei typische Szenarios zu dessen Einsatz meist kooperativ oder kommunikativ gelöst werden.²⁰ Zur besseren Einordnung zeigt Abbildung 2 eine Übersicht verschiedener intelligenter Agenten.

Abbildung 2: Intelligente Agenten

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Braun, A. (2003), S.19)

2.1.4. Avatar

Im Gegensatz zu einem Agenten der ein System beschreibt, das sich hinter verschiedenen Formen von artifiziellen AssistentInnen verbergen kann, beschränkt sich der Terminus Avatar allein auf die sichtbare, anthropomorphe Schnittstelle und verkörpert damit das System. Dabei kann der Begriff Avatar als virtuelles Abbild eines realen Menschen verstanden werden, oder die Personifikation eines virtuellen Assistenten sein.²¹ Im Kontext eines Chatbots muss ein Avatar jedoch insbesondere die Charakteristik der Autonomie und Intelligenz (gleich wie beim Agenten) besitzen, um zielgerichtetes Verhalten zu zeigen und ggf. auch die Initiative zu übernehmen.²²

2.2. Dialogsysteme: Chatbots und deren verschiedenen Ausprägungen

Dialogsysteme sind schon seit Jahrzehnten in vielen Bereichen Wirtschaft und des täglichen Lebens zu finden und wurden seither optimiert. Dabei gibt es schon seit 1960 mit ELIZA eine erste Art von Chatbot, die auf einfachste Fragen antworten konnte.²³ Chatbots fallen unter die Kategorie der conversational agents, jedoch gibt es neben diesen noch eine andere Form von Dialogsystemen, die interactive voice response (IVR). Diese wird bspw. bei Hotlines verwendet, um durch eine Vorauswahl zum richtigen Ansprechpartner geleitet zu werden (drücken Sie 1 für den Service), jedoch gelten IVR’s nicht als conversational agents, da diese vordefinierten Entscheidungsbäumen folgen.²⁴ Die Beziehung zwischen den beiden Formen wird in der nachfolgenden Abbildung 3 gezeigt.

Abbildung 3: Beziehungen zwischen Klassen softwarebasierter Dialogsysteme

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Radziwill, N./Benton, M. (2017), S.4.

Chatbots sind intelligente conversational (software) agents, die durch Text oder Spracheingabe aktiviert werden. Hierbei wird der Begriff „Bot“ als Synonym, von dem in Kapitel 2.1.3 beschriebenen Agenten verwendet.²⁵ Die Abgrenzung zu Embodied Conversational Agents besteht darin, dass diese die KI dort mit weiteren Wissensbasen, Systemen und Avataren verbunden ist und so ein komplexes System entsteht, welches virtuell verkörpert und mit Kameras und Sensoren ausgestattet ist.²⁶ Lotze (2016) beschreibt ECAs als: „computer interfaces that hold up their end of conversation, have bodies and know how to use it for conversational behaviours as a function of the demands of dialogue and emotion, personality, and social convention.”²⁷ Chatbots hingegen haben die Aufgabe, die Eingabe eines Anwenders zu analysieren und dessen Anliegen zu beantworten.

Hierbei können Chatbots anhand unterschiedlicher Ausprägungen klassifiziert werden. Eine mögliche Klassifizierung wäre gemäß Kassibgi (2017), welcher drei Kategorien von Chatbots beschreibt, die sich in der Technik und des qualitativen Outputs unterscheiden.²⁸ Die drei zu unterscheidenden Kategorien sind Musterabgleich, Algorithmen und neuronale Netze. Bei der ersten Kategorie greift der Chatbot nach dem Input auf hinterlegte Datenbanken zurück und ist in der Lage auf vorher exakt definierte Keywords, Sätze- oder Satzteile einen passenden Output zu liefern.²⁹ Bei der Kategorie der Algorithmen sind Chatbots durch diese in der Lage den Input besser zu klassifizieren und so flexibler auf nicht explizit einprogrammierten Input zu reagieren. Bei dem untersuchten Chatbot der Firma X handelt es sich um einen Chatbot dieser Kategorie. Die letzte Kategorie unterscheidet sich von der vorherigen darin, dass mittels KI und maschinellem Lernen neue Inputklassen und dadurch Outputs entstehen. Diese beschreibt Stucki et. al. (2018) damit, dass ein Chatbot eine Antwort berechnen kann, die: „(…) aus einer Frage unter Verwendung von gewichteten Verbindungen, die aus wiederholten Iterationen durch Trainingsdaten (bspw. bestehend aus Frage-Antwort-Paaren) ermittelt werden.“³⁰ Daraufhin werden die Gewichte pro Iteration optimiert, was in einer niedrigeren Fehlerrate und dadurch in einer höheren Genauigkeit resultiert.³¹

[...]

---

¹ Vgl. Devaney, E. (2018) S.11

² Vgl. Devaney, E. (2018) S.12

³ Vgl. Gartner Group (2017); Grand View Research (2017); Initiative D21,( 2019); Sumo Heavy (2018)

⁴ Vgl. Salesforce (2017)

⁵ Bloching, B./ Luck, L./ Ramge, T. (2012), S. 10 f.

⁶ Vgl. King, S. (2014), S. 19, S.35.

⁷ Vgl. Page, C. et al. (2012), S. 11; Winter, R. (2011), S. 1 f.

⁸ DeRoos, D. (2012), S. 2.

⁹ Gartner Group (2017).

¹⁰ Vgl. Widom, J. et al. (2012), S. 2.

¹¹ Vgl. Kaur, P./ Sharma, M./ Mittal, M. (2018), S. 1050.

¹² Nilsson, N. (2010), S. 13.

¹³ Vgl. Pinar, S. et al. (2000), S.463.

¹⁴ Vgl. Litzel, N. (2016), S.1; Schneider, F./Weiller, C. (2018), S. 859.

¹⁵ Ertel, W. (2018), S.180.

¹⁶ Vgl. Ertel, W. (2018), S.181.

¹⁷ Vgl. Litzel, N. (2016), S.1.

¹⁸ Vgl. Lotze, N. (2016), S. 38.

¹⁹ Vgl. Trogeman, G. (2003), S.269.

²⁰ Vgl. Radziwill, N./Benton, M. (2017), S.1.

²¹ Vgl. Trogeman, G. (2003), S.271.

²² Vgl. Trogeman, G. (2003), S.271.

²³ Vgl. Weizenbaum, J. (1966) S.36.

²⁴ Vgl. McTear et al., (2016), S. 52; Radziwill, N./ Benton, M. (2017), S.3.

²⁵ Vgl. Braun, A. (2003), S.21.

²⁶ Vgl. Lotze, N. (2016), S. 39-40; Radziwill, N./ Benton, M. (2017), S.3.

²⁷ Lotze, N. (2016), S. 39.

²⁸ Vgl. Kassibgi, G. (2017); Stucki, T. et. al. (2018), S. 730.

²⁹ Vgl. Luber S./Litzel N. (2018), S.2.

³⁰ Stucki, T. et. al. (2018), S. 730.

³¹ Vgl. Stucki, T. et. al. (2018), S. 730.