Chatbots bei der Reiseplanung. Wie Nutzer Leistung, Risiko und Vertrauenswürdigkeit wahrnehmen

Inhaltsverzeichnis

Tabellenverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

1 Einführung
1.1 Neuentdeckung einer alten Technologie
1.2 Ziele der Arbeit
1.3 Struktur der Arbeit

2 Chatbots
2.1 Begriffsabgrenzung
2.1.1 User Interface und Usability
2.1.2 Software-Agent
2.1.3 Chatbot
2.1.4 Sprachassistent
2.1.5 Zugehörige Begriffe
2.1.5.1 Conversational-Commerce
2.1.5.2 Künstliche Intelligenz
2.2 Funktionsweise
2.2.1 Reiz-Reaktion-System
2.2.2 Regelbasiert versus KI-basiert
2.3 Chancen und Risiken
2.3.1 Aus Kundensicht
2.3.2 Aus Unternehmenssicht
2.3.3 Zusammenfassung
2.4 Status quo Nutzungsverhalten in Deutschland

3 Tourismus
3.1 Konstitutive Elemente
3.2 Touristisches Produkt
3.3 Tourismusbetriebe
3.4 Zahlen und Fakten deutscher Reisemarkt 2018
3.5 Status quo digitale Transformation deutsche Reisebranche

4 Modell- und Hypothesenentwicklung
4.1 Abhängige Variable – Nutzungsabsicht
4.2 Unabhängige Variablen
4.2.1 Bezugsrahmen
4.2.2 Leistungserwartung
4.2.3 Aufwandserwartung
4.2.4 Wahrgenommenes Risiko
4.2.4.1 Funktionales Risiko
4.2.4.2 Finanzielles Risiko
4.2.4.3 Zeitliches Risiko
4.2.4.4 Psychologisches Risiko
4.2.5 Erwartete Vertrauenswürdigkeit
4.2.5.1 Kompetenz
4.2.5.2 Wohlwollen
4.2.5.3 Integrität
4.2.5.4 Menschenähnlichkeit
4.2.5.5 Reputation der Reisewebseite
4.3 Moderatoren
4.3.1 Geschlecht
4.3.2 Alter
4.3.3 Chatbot-Erfahrung
4.4 Mediatoren
4.4.1 Leistungserwartung
4.4.2 Wahrgenommenes Risiko
4.5 Zusammenfassung Forschungsmodell und Hypothesen

5 Vorbereitung quantitative Untersuchung
5.1 Untersuchungsdesign
5.2 Operationalisierung
5.2.1 Rahmenbedingungen
5.2.2 Abhängige Variable – Nutzungsabsicht
5.2.3 Unabhängige Variable – Leistungserwartung
5.2.4 Unabhängige Variable – Wahrgenommenes Risiko
5.2.4.1 Funktionales Risiko
5.2.4.2 Finanzielles Risiko
5.2.4.3 Zeitliches Risiko
5.2.4.4 Psychologisches Risiko
5.2.5 Unabhängige Variable – Vertrauenswürdigkeit
5.2.5.1 Kompetenz
5.2.5.2 Wohlwollen
5.2.5.3 Integrität
5.2.5.4 Menschenähnlichkeit
5.2.5.5 Reputation
5.2.6 Moderatorvariablen

6 Quantitative Untersuchung
6.1 Datenerhebung
6.2 Vorbereitung der Datenauswertung
6.2.1 Datenbereinigung
6.2.2 Konfirmatorische Faktorenanalyse
6.2.3 Prüfung der Regressionsannahmen
6.3 Ergebnisse der Datenauswertung
6.3.1 Deskriptive Beschreibung und Mittelwertvergleiche
6.3.2 Prüfung der Zusammenhangshypothesen
6.3.3 Prüfung der Moderationshypothesen
6.3.4 Prüfung der Mediationshypothesen

7 Fazit
7.1 Kernergebnisse
7.2 Implikationen
7.3 Limitationen und Forschungsausblick

Literaturverzeichnis

Anhang

Danksagung

Bibliografische Information der Deutschen Nationalbibliothek:

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.

Impressum:

Copyright © Science Factory 2020

Ein Imprint der GRIN Publishing GmbH, München

Druck und Bindung: Books on Demand GmbH, Norderstedt, Germany

Covergestaltung: GRIN Publishing GmbH

Tabellenverzeichnis

Tabelle 1: Chancen und Risiken von Chatbots für Unternehmen und Kunden

Tabelle 2: Übersicht Hypothesen

Tabelle 3: Quotierung Stichprobe

Tabelle 4: Finale Operationalisierung Nutzungsabsicht

Tabelle 5: Finale Operationalisierung Leistungserwartung

Tabelle 6: Finale Operationalisierung funktionales Risiko

Tabelle 7: Finale Operationalisierung finanzielles Risiko

Tabelle 8: Finale Operationalisierung zeitliches Risiko

Tabelle 9: Finale Operationalisierung psychologisches Risiko

Tabelle 10: Finale Operationalisierung Kompetenz

Tabelle 11: Finale Operationalisierung Wohlwollen

Tabelle 12: Finale Operationalisierung Integrität

Tabelle 13: Finale Operationalisierung Menschenähnlichkeit

Tabelle 14: Finale Operationalisierung Reputation

Tabelle 15: Finale Operationalisierung Moderatorvariablen

Tabelle 16: Ergebnisse KFA 1. Ordnung

Tabelle 17: Fornell-Larcker-Kriterium Konstrukte 1. Ordnung

Tabelle 18: Globale Anpassungsmaße Konstrukte 1. Ordnung

Tabelle 19: Ergebnisse KFA 2. Ordnung

Tabelle 20: Fornell-Larcker-Kriterium Konstrukte 2. Ordnung

Tabelle 21: Globale Anpassungsmaße Konstrukte 2. Ordnung

Tabelle 22: Durbin-Watson-Test

Tabelle 23: VIF-Werte

Tabelle 24: Normalverteilungstest Residuen

Tabelle 25: Kreuztabelle Alter/Chatbot-Erfahrung

Tabelle 26: Kreuztabelle Geschlecht/Chatbot-Erfahrung

Tabelle 27: Übersicht auffällige Mittelwerte und Standardabweichungen

Tabelle 28: Normalverteilungstest Nutzungsabsicht

Tabelle 29: Übersicht Gruppenmittelwertvergleiche Mann-Whitney-U-Test

Tabelle 30: Ergebnisse multiple Regression

Tabelle 31: Übersicht Hypothesenprüfung Teil 1

Tabelle 32: Ergebnisse gruppenweise multiple Regression – Geschlecht

Tabelle 33: Ergebnisse gruppenweise multiple Regression – Alter

Tabelle 34: Ergebnisse gruppenweise multiple Regression – Chatbot-Erfahrung

Tabelle 35: Übersicht Hypothesenprüfung Teil 2

Tabelle 36: Prüfung Mediator Leistungserwartung Teil 1

Tabelle 37: Prüfung Mediator Leistungserwartung Teil 2

Tabelle 38: Prüfung Mediator Wahrgenommenes Risiko

Tabelle 39: Übersicht Hypothesenprüfung Teil 3

Tabelle 40: Publikationsübersicht Chatbots

Tabelle 41: Durbin-Watson-Tests Moderatoren

Tabelle 42: VIF-Werte Moderatoren

Tabelle 43: Normalverteilungstests Residuen Moderatoren

Tabelle 44: Vollständige Übersicht Mittelwerte und Standardabweichungen

Abbildungsverzeichnis

Abbildung 1: Finales Forschungsmodell

Abbildung 2: Dreistufiger Güteprüfungsprozess

Abbildung 3: Regressionsannahmen

Abbildung 4: Streudiagramm Prüfung Erwartungswert

Abbildung 5: Streudiagramm Prüfung Homoskedastizität

Abbildung 6: Histogramm Prüfung Normalverteilung

Abbildung 7: Forschungsmodell mit Ergebnissen Hypothesenprüfung Teil 1 & 2

Abbildung 8: Forschungsmodell mit Ergebnissen Hypothesenprüfung Teil 3

Abbildung 9: Fragebogen – Begrüßung

Abbildung 10: Fragebogen – Bearbeitungshinweis

Abbildung 11: Fragebogen – Leistungserwartung

Abbildung 12: Fragebogen – Zwischenabschnitt 1

Abbildung 13: Frgebogen – Funktionales Risiko

Abbildung 14: Fragebogen – Finanzielles Risiko

Abbildung 15: Fragebogen – Zeitliches Risiko

Abbildung 16: Fragebogen – Psychologisches Risiko

Abbildung 17: Fragebogen – Zwischenabschnitt 2

Abbildung 18: Fragebogen – Kompetenz

Abbildung 19: Fragebogen – Wohlwollen

Abbildung 20: Fragebogen – Integrität

Abbildung 21: Fragebogen – Menschenähnlichkeit

Abbildung 22: Fragebogen – Reputation

Abbildung 23: Fragebogen – Zwischenabschnitt 3

Abbildung 24: Fragebogen – Nutzungsabsicht

Abbildung 25: Fragebogen – Moderatoren

Abbildung 26: Fragebogen – Verabschiedung

Abbildung 27: SPSS Output Chi-Quadrat-Anpassungstest Alter

Abbildung 28: SPSS Output Chi-Quadrat-Anpassungstest Geschlecht

Abbildung 29: SPSS Output Chi-Quadrat-Anpassungstest Chatbot-Erfahrung

Abbildung 30: Partielle Regressionsdiagramme LE Geschlecht

Abbildung 31: Partielle Regressionsdiagramme WR Geschlecht

Abbildung 32: Partielle Regressionsdiagramme EV Geschlecht

Abbildung 33: Partielle Regressionsdiagramme LE Alter

Abbildung 34: Partielle Regressionsdiagramme WR Alter

Abbildung 35: Partielle Regressionsdiagramme EV Alter

Abbildung 36: Partielle Regressionsdiagramme LE Chatbot-Erfahrung

Abbildung 37: Partielle Regressionsdiagramme WR Chatbot-Erfahrung

Abbildung 38: Partielle Regressionsdiagramme EV Chatbot-Erfahrung

Abbildung 39: Streudiagramme Residuen Geschlecht

Abbildung 40: Streudiagramme Residuen Alter

Abbildung 41: Streudiagramme Residuen Chatbot-Erfahrung

Abbildung 42: Histogramme Residuen Geschlecht

Abbildung 43: Histogramme Residuen Alter

Abbildung 44: Histogramme Residuen Chatbot-Erfahrung

Abbildung 45: Partielles Regressionsdiagramm – Leistungserwartung

Abbildung 46: Partielles Regressionsdiagramm – Wahrgenommenes Risiko

Abbildung 47: Partielles Regressionsdiagramm – Vertrauenswürdigkeit

Abbildung 48: Auszug Durbin-Watson-Tabelle

Abkürzungsverzeichnis

3G Mobilfunkstandard dritter Generation

4G Mobilfunkstandard vierter Generation

AI Artificial Intelligence

AV Abhängige Variable

CA Cronbachs Alpha

CFI Comparative Fit Index

DEV Durchschnittlich erfasste Varianz

FAQ Frequently Asked Questions

FL Faktorladung

FR Faktorreliabilität

EFA Explorative Faktorenanalyse

EV Erwartete Vertrauenswürdigkeit

HCI Human-Computer-Interaction

HSPA High Speed Packet Access

KFA Konfirmatorische Faktorenanalyse

KI Künstliche Intelligenz

KITK Korrigierte Item-to-Total-Korrelation

KO Kommunalität

LE Leistungserwartung

LTE Long Term Evolution

M Mittelwert

ML Machine Learning

MV Mediatorvariable

NLP Natural-Language-Processing

RMSEA Root Mean Square Error of Approximation

SD Standardabweichung

TAM Technology Acceptance Model

TT Turing-Test

UTAUT Unified Theory of Acceptance and Use of Technology

UV Unabhängige Variable

VIF Variance Inflation Factor

WR Wahrgenommenes Risiko

1 Einführung

1.1 Neuentdeckung einer alten Technologie

Im Jahr 2018 gab es in Deutschland 57 Millionen Smartphone-Nutzer¹ und 68 % der deutschen Bevölkerung ab 14 Jahren nutzten das mobile Internet.² Die Ära des Smartphones und des mobilen Internets begann mit der Einführung des ersten iPhones im Jahr 2007 und der Erweiterung des Mobilfunkstandards dritter Generation (3G) auf High Speed Packet Access (HSPA).³ Mit der seitdem rasant gestiegenen Smartphone-Nutzung⁴ und der Einführung der vierten Generation (4G) des mobilen Internets mit dem Mobilfunkstandard Long Term Evolution (LTE)⁵ entwickelte sich Mobile zum neuen Online und damit einhergehend begann der Siegeszug der Apps. ⁶ Dadurch hat sich die Art und Weise, wie Menschen untereinander digital kommunizieren (z. B. Messaging-Apps), Informationen und Medieninhalte online abrufen (z. B. Streaming-Apps) sowie Produkte und Dienstleistungen (z. B. Shopping-Apps) über das Internet erwerben, erneut grundlegend verändert.⁷

Doch mittlerweile ist mit den rund 4,9 Millionen verfügbaren Apps in den führenden App-Stores ein Überangebot entstanden.⁸ 88 % der Nutzer verbringen ihre Zeit am Smartphone mit lediglich fünf Apps.⁹ Hierbei handelt es sich vor allem um Messaging-Apps, wie WhatsApp oder Facebook Messenger.¹⁰ Auch Kunden bevorzugen immer häufiger die Kontaktaufnahme mit einem Unternehmen über eine Chatfunktion anstatt über ein Formular oder eine Hotline.¹¹ Dieses Kundenbedürfnis haben mittlerweile viele Unternehmen erkannt und nutzen das Chatten als einen neuen Kommunikations-, Service- und Vertriebskanal.¹²

Da Kunden heutzutage nicht mehr nur einen kompetenten, sondern vor allem einen schnellen Echtzeit-Service erwarten, ist es für Unternehmen kaum möglich diesen neuen Kanal ausschließlich manuell zufriedenstellend zu bedienen.¹³ Um eine bestmögliche Kundenorientierung bei gleichzeitig höchstmöglicher Wirtschaftlichkeit gewährleisten zu können, haben erste Unternehmen unterschiedlichster Branchen begonnen Chatbots in der Kundenkommunikation einzusetzen.¹⁴ Es handelt sich hierbei um ein Softwareprogramm, welches in der Lage ist, automatisiert und in natürlicher Sprache – ähnlich wie ein menschlicher Servicemitarbeiter – mit Kunden zu kommunizieren.¹⁵ Erste Reiseunternehmen nutzen Chatbots als eine Art virtuellen Reiseberater. Anstatt Informationen zu Unterkünften, Flügen oder Sehenswürdigkeiten auf mehreren Webseiten mühsam und zeitaufwendig recherchieren zu müssen, kann der Nutzer¹⁶ dem Chatbot bequem über ein Chatfenster entsprechende Fragen hierzu stellen.¹⁷ Der Chatbot antwortet innerhalb weniger Sekunden und ist 24 Stunden erreichbar.¹⁸

Interessanterweise ist die Kerntechnologie von Chatbots schon viel älter als im Allgemeinen zu vermuten wäre. Bereits im Jahr 1966 wurde der erste Chatbot namens ELIZA vom deutsch-US-amerikanischen Informatiker Joseph Weizenbaum entwickelt.¹⁹ Neben Smartphones, dem mobilen Internet und Messaging-Apps sind die Verbreitung von digitalen Sprachassistenten, wie z. B. Alexa von Amazon ²⁰, und die Fortschritte im Bereich der Künstlichen Intelligenz weitere wichtige Gründe für die Neuentdeckung der Chatbot-Technologie 50 Jahre nach der Veröffentlichung von ELIZA.²¹ Das Technologieunternehmen Oracle ermittelte im Jahr 2016, dass 80 % der 800 befragten Unternehmen bis zum Jahr 2020 Chatbots im Kundenservice einsetzen möchten. Das Marktforschungsinstitut Gartner prognostizierte zudem, dass bis zum Jahr 2021 rund 50 % der Unternehmen höhere jährliche Ausgaben für die Chatbot- als für die App-Entwicklung aufweisen werden.²² Nach einer Studie des Digitalverbands Bitkom konnte sich bereits im Jahr 2016 jeder vierte Deutsche vorstellen zukünftig einen Chatbot für verschiedene Zwecke (z. B. Nachrichtenabruf, Produktsuche, Terminplanung, Ticketkauf) zu nutzen.²³

Der im Jahr 2016 begonnene Hype um Chatbots hat auch in den drei darauffolgenden Jahren nicht nachgelassen.²⁴ Laut Online- und IT-Experten (z. B. Satya Nadella – CEO von Microsoft) sind Chatbots mehr als nur ein neuer kurzfristiger digitaler Trend. Im Zusammenspiel mit den technologischen Innovationen im Bereich der Künstlichen Intelligenz wird Chatbots das Potenzial zugesprochen den Großteil der aktuell verfügbaren Apps zu ersetzen und die nächste Evolutionsstufe der Digitalisierung und des Kundenservices einzuläuten.²⁵

1.2 Ziele der Arbeit

Die Erläuterungen im vorangegangenen Kapitel 1.1 verdeutlichen, dass Chatbots ein vielversprechendes und hoch relevantes Forschungsthema darstellen. Doch nur weil Branchenexperten einen Trend vorhersagen, bedeutet dies noch nicht, dass dieser auch tatsächlich eintreten wird.²⁶ Für die erfolgreiche Implementierung und Durchsetzung einer neuen Technologie ist nicht nur deren Verbreitung und Reifegrad, sondern insbesondere die Akzeptanz der Kunden als zukünftige Nutzer ausschlagend.²⁷ Dementsprechend ist es wichtig Faktoren zu ermitteln, welche die Nutzungsbereitschaft der Kunden positiv beeinflussen können.²⁸ Die Akzeptanzforschung spielt daher für einen nachhaltigen Erfolg einer neuen Technologie eine essenzielle Rolle.²⁹

Aufgrund der Neuheit des Themas gibt es bisher kaum wissenschaftliche Studien, welche die Kundenakzeptanz von Chatbots empirisch erforscht haben. Zudem beziehen sich diese wenigen Studien nicht auf die Tourismusbranche (siehe Tabelle 40 Publikationsübersicht in Anhang 1).³⁰ Diese Arbeit zielt darauf ab, einen grundlegenden Beitrag für die Schließung der beschriebenen Forschungslücke zu leisten, indem sie mittels eines Kausalmodells die Akzeptanz von Chatbots im Tourismus untersuchen und folgende zwei Forschungsfragen beantworten möchte.

1) Welchen Einfluss haben die Leistungserwartung, das wahrgenommene Risiko und die erwartete Vertrauenswürdigkeit auf die Absicht einer Person einen Chatbot bei der Reiseplanung im Internet nutzen zu wollen?
2) Gibt es Unterschiede in der Einflussstärke der Leistungserwartung, des wahrgenommenen Risikos und der erwarteten Vertrauenswürdigkeit auf die Nutzungsabsicht je nach Alter, Geschlecht und Chatbot-Erfahrung?

Diese Arbeit soll zusätzlich eine Orientierungshilfe für Reiseunternehmen repräsentieren, die planen auf ihrer Webseite einen Reiseberater-Chatbot für ihre Kunden anzubieten. Bei mangelnder Kundenakzeptanz kann sich dieses Vorhaben als Fehlinvestition herausstellen und sich nachteilig auf die Reputation des Unternehmens auswirken.³¹ Aus der empirischen Untersuchung soll daher abgeleitet werden, welche Eigenschaften und Fähigkeiten eines Chatbots für Verbraucher relevant sind. Dadurch kann die Programmierung des Chatbots gezielter auf die Bedürfnisse der Kunden ausgerichtet werden, sodass sich deren Nutzungsbereitschaft erhöht.³² Zudem soll ermittelt werden, welche Personengruppen aus Unternehmenssicht besonders als Zielgruppen für einen Reiseberater-Chatbot geeignet sind.

Es wird bewusst nicht auf den Einsatz eines Reiseberater-Chatbots in einer Messaging-App eingegangen, da der führende Messaging-Dienst für Chatbots der Facebook Messenger ist, welcher in Deutschland jedoch vergleichsweise wenig genutzt wird. Mit Abstand ist WhatsApp der beliebteste Messenger in Deutschland.³³ Doch bedingt durch die lange Zeit nicht eindeutig geregelte kommerzielle Nutzung des Dienstes und der erst im August 2018 eingeführten Schnittstelle für Unternehmen, gibt es bisher nur wenige Chatbots in WhatsApp.³⁴ Daher konzentriert sich diese Studie auf den Einsatz eines Chatbots auf einer beliebigen Reisewebseite.

1.3 Struktur der Arbeit

Diese Arbeit setzt sich aus zwei Teilen zusammen. Der erste Teil repräsentiert die theoretischen Rahmenbedingungen, welche ein grundlegendes Verständnis über Chatbots und Tourismus vermitteln sollen. In Kapitel 2 erfolgt eine Abgrenzung des Chatbot-Begriffs sowie eine Erläuterung der Funktionsweise der Technologie. Danach werden Chancen und Risiken von Chatbots aus Unternehmens- und Kundensicht sowie der aktuelle Stand der Chatbot-Nutzungsbereitschaft in Deutschland vorgestellt. Anschließend werden in Kapitel 3 die konstitutiven Elemente des Tourismus und die Besonderheiten des touristischen Produktes erläutert. Nachfolgend werden zwei Formen von Tourismusbetrieben vorgestellt sowie wichtige Zahlen und Fakten zum deutschen Reisemarkt im Jahr 2018 aufgeführt. Das Tourismuskapitel schließt mit einer Betrachtung des aktuellen Standes der digitalen Transformation in der deutschen Reisebranche ab.

Der zweite Teil dieser Arbeit umfasst die empirische Forschung. Dieser beginnt mit der Konzeptualisierung des Forschungsmodells und Aufstellung dazugehöriger Hypothesen in Kapitel 4. Im Anschluss widmet sich Kapitel 5 der Vorstellung der Untersuchungskonzeption sowie der Operationalisierung der im Forschungsmodell enthaltenen latenten Konstrukte mittels der Erarbeitung geeigneter manifester Indikatoren. In Kapitel 6 wird anschließend das erhobene Datenmaterial ausgewertet, um die eingangs formulierten Forschungsfragen beantworten zu können. Die aufgestellten Hypothesen werden unter Anwendung geeigneter statistischer Verfahren überprüft und die Ergebnisse der Hypothesentests interpretiert.

Die vorliegende Arbeit schließt mit dem Fazit in Kapitel 7 ab. Es besteht aus einer Vorstellung der Kernergebnisse der empirischen Analyse sowie der Ableitung von Handlungsimplikationen für Reiseunternehmen, welche den Einsatz eines Reiseberater-Chatbots auf ihrer Webseite planen. Des Weiteren wird im Rahmen des Fazits auf Limitationen dieser Forschungsarbeit eingegangen sowie Perspektiven für zukünftige Forschungsprojekte zur Ermittlung der Akzeptanz von Chatbots (im Tourismus) aufgezeigt.

2 Chatbots

Zunächst ist es erforderlich ein theoretisches Grundverständnis über Chatbots zu erlangen. Hierzu erfolgt in Kapitel 2.1 eine Begriffsabgrenzung. Kapitel 2.2 zeigt die grundlegende Funktionsweise von Chatbots auf. Darauf aufbauend werden in Kapitel 2.3 Chancen und Risiken von Chatbots für Unternehmen wie für Kunden erläutert. Abschließend folgt in Kapitel 2.4 eine Vorstellung des Status Quo der Chatbot-Nutzungsbereitschaft in Deutschland.

2.1 Begriffsabgrenzung

2.1.1 User Interface und Usability

Ein User Interface ist eine Schnittstelle zwischen einem Menschen und einem Computer. Durch geeignete Hardware (z. B. Bildschirm, Tastatur, Maus) und Software (z. B. Browser, Navigation, Mitteilungen) ist es möglich, dass eine Person mit einem Computer interagieren kann. In einem engen Zusammenhang hierzu steht die Usability, welche die Benutzer-freundlichkeit eines technischen Systems darstellt.³⁵ Zu Beginn der Mensch-Maschine-Kommunikation (Human-Computer-Interaction = HCI) mussten sich Benutzer nach dem Computer richten. Mit der Weiterentwicklung von Systemen und dem Internet änderte sich dieses Verhältnis, sodass Computer nun gewissermaßen die Bedürfnisse der Benutzer aufgreifen.³⁶ User Interfaces und Usability greifen ineinander, um neben der Bereitstellung von technischen Rahmenbedingungen auch die Handhabung mit Computersystemen leicht und intuitiv nutzbar zu gestalten.³⁷

2.1.2 Software-Agent

Ein Software-Agent ist in der Lage selbstständig und in Vertretung für eine Person bzw. ein Unternehmen zu agieren und bestimmte Handlungen durchzuführen.³⁸ Ein Agent soll Aufgaben im Namen des Benutzers erledigen und ihn bei der Verwendung von technischen Systemen unterstützen.³⁹ Ein E-Mail-Programm, wie z. B. Microsoft Outlook, kann als Software-Agent bezeichnet werden. Es ist in der Lage E-Mails benutzerspezifisch nach bestimmten Kriterien zu sortieren und zu filtern.⁴⁰

2.1.3 Chatbot

Der Begriff Chatbot setzt sich aus den englischen Worten Chat ([online] plaudern) und Robot (Roboter) zusammen.⁴¹ Jedoch ist ein Chatbot keine physische Apparatur.⁴² Es handelt sich um ein Softwareprogramm, welches die HCI in natürlicher Sprache ermöglicht und sozusagen im textbasierten Dialog mit einem Nutzer einen menschlichen Gesprächspartner simuliert.⁴³ Manche Chatbots sind personifiziert, d. h. sie besitzen einen Namen und werden zusätzlich durch ein Foto oder einen Avatar visualisiert.⁴⁴ Chatbots sollen – ähnlich wie ein Verkaufsmitarbeiter in einem stationären Geschäft – den Nutzer im Recherche- und Kaufprozess im Internet unterstützen.⁴⁵ Sie werden in der Praxis daher häufig als digitaler bzw. virtueller Assistent bezeichnet.⁴⁶ Aus den vorangegangen Begriffserläuterungen ableitend, können Chatbots demnach zum einen der Kategorie der (Conversational) User Interfaces und zum anderen jener der Software-Agenten zugeordnet werden.⁴⁷

2.1.4 Sprachassistent

Sprachassistenten, wie z. B. Alexa von Amazon, Siri von Apple und Cortana von Microsoft, sind gewissermaßen ‚Verwandte‘ des textbasierten Chatbots.⁴⁸ Sie wurden vor allem durch die von Amazon verkauften Echo Lautsprecher bekannt und beliebt.⁴⁹ In diesem Zusammenhang wird auch von sogenannten ‚intelligenten Lautsprechern‘ bzw. Smart Speakern gesprochen.⁵⁰ Der Dialog zwischen dem Nutzer und dem Sprachassistenten erfolgt nicht textbasiert, sondern in gesprochener Sprache.⁵¹

2.1.5 Zugehörige Begriffe

2.1.5.1 Conversational-Commerce

Mit den innovativen Weiterentwicklungen von Computer- und Internettechnologien sowie den sich stetig verändernden Kundenbedürfnissen entstehen neue Unterformen des klassischen Electronic-Commerce per Desktop-PC/Laptop in einem Online-Shop.⁵² So wird das Online-Shopping per Smartphone oder Tablet über eine mobile Webseite oder Shopping-App als Mobile-Commerce bezeichnet.⁵³ Beim Verkauf von Produkten über soziale Netzwerke wird der Begriff Social-Commerce verwendet.⁵⁴ Wird ein Kauf über einen Smart Speaker ausschließlich per Sprachbefehl getätigt, wird von Voice-Commerce gesprochen.⁵⁵ Mit der bereits erwähnten gestiegenen Beliebtheit und Dominanz von Messaging-Apps hat sich eine Kombination aus Messaging und Shopping entwickelt, welche als Conversational-Commerce bezeichnet wird.⁵⁶ Die Konversation und Kaufabwicklung mit dem Konsumenten per Chatfunktion kann von einem Mitarbeiter oder Chatbot durchgeführt werden.⁵⁷ Daher können Chatbots ebenfalls dem Conversational-Commerce zugeordnet werden.⁵⁸

2.1.5.2 Künstliche Intelligenz

Künstliche Intelligenz (KI), auch Artificial Intelligence (AI) genannt, ist ein Teilgebiet der Informatik und beschreibt die Intelligenz von Computern.⁵⁹ Die KI-Forschung beschäftigt sich mit Methoden und Anwendungen, die es Computerprogrammen ermöglichen soll Aufgaben auf eine Art und Weise zu lösen, wie dies bei Menschen der Fall ist, deren Intelligenz zur Problemlösung erforderlich ist.⁶⁰

Die Sprachfähigkeit stellt einen wesentlichen Bestandteil menschlicher Intelligenz dar.⁶¹ Diesen Aspekt nutzte der britische Mathematiker und Informatiker Alan Turing im Jahr 1950 für sein Experiment The Imitation Game (Imitationsspiel), aus welchem sich der sogenannte Turing-Test (TT) entwickelte.⁶² Das Experiment zielte darauf ab, eine computerbasierte Kommunikation so darzustellen, dass ein menschlicher Interviewer nicht mehr in der Lage ist nur anhand des Antwortverhaltens zu unterscheiden, ob die auf einem Bildschirm dargestellten Antworten von einem Menschen oder einem Computerprogramm generiert wurden. Wenn es einem Computer gelingt einen menschlichen Interviewer dahingehend zu täuschen, kann dieser nach der Auffassung von Turing als intelligent bezeichnet werden.⁶³ Auch wenn der TT seit den 1980er Jahren umstritten ist, da manche Forscher ihn als Intelligenztest für Computer für nicht ausreichend erachten⁶⁴, ist er das bekannteste und am häufigsten genutzte Verfahren zur Messung von künstlicher Intelligenz.⁶⁵

Seit dem Jahr 1991 konkurrieren Softwareentwickler im Loebner -Wettbewerb (Loebner Prize Competition in Artifical Intelligence) darum das menschenähnlichste Softwareprogramm zu entwickeln. Auch wenn dieser Wettbewerb gleichermaßen umstritten ist wie der Turing-Test, so hat Hugh Loebner durch dessen Einführung dennoch die Chatbot- und KI-Forschung forciert. Im Loebner -Wettbewerb wird eine abgewandelte Form des Turing-Tests angewendet, da dieser in seiner ursprünglichen Variante noch nie erfolgreich bestanden wurde.⁶⁶

Die vorangegangene Erläuterung des KI-Begriffs verdeutlicht, dass dieser kein Synonym zum Chatbot-Begriff darstellt. Die sinnverwandte Nutzung beider Begrifflichkeiten taucht in der Öffentlichkeit allerdings fälschlicherweise häufiger auf. Zudem basiert nicht jeder Chatbot auf KI (siehe hierzu Kapitel 2.2.2).⁶⁷ Jedoch stehen beide Begriffe in einem engen Zusammenhang zueinander. Der 50 Jahre alten Chatbot-Technologie werden durch den Einsatz von Künstlicher Intelligenz neue Potenziale eröffnet.⁶⁸ Die Fortschritte der KI-Forschung sind daher entscheidend mitverantwortlich für das neu aufgekommene Interesse an Chatbots.⁶⁹

2.2 Funktionsweise

Diese Masterarbeit fokussiert sich auf den ‚klassischen‘ textbasierten Chatbot, wie er in Abschnitt 2.1.3 beschrieben wurde. Die Interaktion des Nutzers mit dem Chatbot erfolgt somit per Texteingabe in einem auf einer beliebigen Reisewebseite erscheinenden Chatfenster. Dementsprechend beziehen sich alle weiteren Ausführungen auf diese Form des Chatbots, welcher der Einfachheit halber im weiteren Verlauf nur noch als Chatbot ohne den Zusatz textbasiert bezeichnet wird.

2.2.1 Reiz-Reaktion-System

Die Funktionsweise heutiger moderner Chatbots basiert im Kern auf der ELIZA- Funktionsweise aus den 1960er Jahren. Als eine Art Reiz-Reaktions-System agiert ein Chatbot grundsätzlich in drei aufeinanderfolgenden Schritten.⁷⁰

1) Wahrnehmen

Der Chatbot muss in einer Messaging-App oder auf einer Webseite aktiv sein und die Eingabe des Nutzers im Chatfenster bemerken.⁷¹

2) Interpretieren

Der Chatbot muss die Nutzereingaben anhand bestimmter Schlüsselwörter und implementierter Regeln filtern, kategorisieren und mit der internen Wissensdatenbank abgleichen. Ziel ist es ein passendes Muster zwischen gestellter Frage und möglicher Antwort zu finden (Pattern Matching ). Die Wissensdatenbank stellt das Herzstück des Chatbots dar. Wird kein passendes Muster gefunden, wird der Chatbot in der Regel im nächsten Schritt eine vorab definierte Ersatzantwort ausspielen, z. B. Es tut mir leid, ich habe Ihre/Deine Frage leider nicht verstanden.⁷²

3) Antworten

Der Chatbot muss dem Nutzer die passenden Antworten (oder Ersatzantworten) im Chatfenster anzeigen. Hierbei kann es sich um eine reine Textantwort oder eine Textantwort unterstützt durch Visualisierungen in Form von Bildern und Links handeln.⁷³

2.2.2 Regelbasiert versus KI-basiert

Anhand des Umfanges der Interpretations- und Leistungsfähigkeit (zweiter Funktionsschritt des vorangegangenen Unterkapitels) können zwei Formen von Chatbots unterschieden werden, welche nachfolgend vorgestellt werden.⁷⁴

1) Regelbasierte Chatbots (rule-based)

Regelbasierte Chatbots werden als eine Art erweitertes FAQ-System (Frequently Asked Questions) angesehen, da sie nur einzelne Antworten auf einzelne Fragen geben.⁷⁵ Sie können nur dann die richtigen Antworten geben, wenn der Nutzer gewissermaßen die richtigen Fragen stellt. Dies bedeutet, dass die Fragen bestimmte Schlüsselwörter enthalten müssen, die dem Chatbot bekannt sind (d. h. in der Datenbank hinterlegt sind).⁷⁶ Dennoch können regelbasierte Chatbots heutzutage durch die Verbesserungen von Computertechnologien deutlich mehr Daten erfassen und verarbeiten als dies noch in den 1990er-Jahren der Fall war. Wird zudem die Datenbank stetig um neue Schlüsselwörter erweitert, kann der Chatbot immer mehr Nutzerfragen zu verschiedenen Themengebieten beantworten. Doch da keine KI zum Einsatz kommt, ist ein offener und flüssiger Dialog mit dieser Form von Chatbots kaum möglich. Der Programmieraufwand ist dagegen geringer als bei KI-basierten Chatbots.⁷⁷

2) KI-basierte Chatbots (ai-based)

Techniken wie Machine Learning (ML) und Natural-Language-Processing (NLP) sind Bausteine künstlicher Intelligenz.⁷⁸ NLP ermöglicht dem Chatbot die Bedeutung von Wörtern und Sätzen zu ermitteln.⁷⁹ Ein KI-basierter Chatbot analysiert den Kontext der Nutzereingabe und sucht nicht nur nach einzelnen Schlüsselwörtern wie der regelbasierte Chatbot.⁸⁰ Es können unter anderem Synonyme, bestimmte Marken oder auch Emotionen erkannt werden.⁸¹ ML beschreibt die Fähigkeit von Softwareprogrammen durch die Analyse von Daten Regeln und Zusammenhänge zu erkennen und daraus selbstständig neues Wissen aufzubauen und geeignete Handlungen abzuleiten.⁸² Mit der Integration von NLP und ML verbessert sich die Interpretations- und Leistungsfähigkeit von Chatbots. Dadurch eröffnet sich die Möglichkeit auch komplexere Kundenanliegen durch einen Chatbot bearbeiten zu lassen. Der KI-basierte Chatbot lernt gewissermaßen mit jedem Gespräch dazu. Fragen von Kunden können somit mit der Zeit exakter und zufriedenstellender beantwortet werden. Zudem verläuft der Dialog dynamischer ab als bei regelbasierten Chatbots.⁸³

2.3 Chancen und Risiken

2.3.1 Aus Kundensicht

Ein Chatbot ist 24 Stunden erreichbar und antwortet innerhalb weniger Sekunden. Kunden wird dadurch eine deutlich schnellere Kommunikation mit Unternehmen unabhängig von Service-/Öffnungszeiten ermöglicht. Sie müssen keine störenden Warteschleifen und längere Wartezeiten in Kauf nehmen, wie dies bei der Kontaktaufnahme über eine Service-Hotline oder ein Kontaktformular häufig der Fall ist, um Antworten auf ihre Fragen zu erhalten.⁸⁴

Die Besonderheit ist, dass der Kunde seine natürliche Sprache verwenden kann und keine spezielle Programmiersprache beherrschen muss, um mit dem Chatbot kommunizieren zu können. Zudem stellt die Art der Kommunikation – nämlich das Chatten an sich über ein Chatfenster unabhängig ob mit einem Menschen oder Computer – keine Neuheit mehr für die Mehrheit der Kunden dar.⁸⁵ Dadurch ergibt sich eine intuitive Bedienbarkeit des Chatbots und trotz der Interaktion mit einem Softwareprogramm wird die Kommunikation mit einem Unternehmen somit auf einer persönlichen Ebene ermöglicht.⁸⁶

Da zur Nutzung eines Chatbots keine separate App oder kein spezielles Softwareprogramm installiert werden muss, wird kein Speicherplatz auf dem Smartphone bzw. Computer verbraucht. Ebenso muss der Kunde nicht extra auf eine andere App bzw. Webseite wechseln. Der Chatbot ist entweder direkt in der Messaging-App oder auf der Unternehmenswebseite integriert.⁸⁷ Anstatt sich in mehreren Apps oder Webseiten zurechtfinden und zeitaufwendige Suchvorgänge betreiben zu müssen, kann der Kunde dem Chatbot bequem die entsprechenden Fragen stellen. Dieser filtert die relevanten Informationen aus den integrierten Datenbanken und stellt diese – teilweise unterstützt von Bildern und Links – im Chatfenster zur Verfügung. Dies bietet für den Kunden die Chance Zeit und Aufwand einzusparen und seine Produktivität bei der Informationsrecherche im Internet zu erhöhen.⁸⁸

Allerdings weisen Chatbots auch Risiken für Kunden auf. Ist die Interpretationsfähigkeit der Chatbot-Technologie noch nicht ausgereift genug, können komplexere Anliegen kaum zufriedenstellend bearbeitet werden. Wenn der Kunde seine Fragen mehrmals wiederholen oder anders formulieren muss bis der Chatbot diese richtig versteht und beantworten kann, kostet ihn dies viel Zeit und Mühe. Der Kunde muss womöglich zusätzlich eigenständig im Internet recherchieren, um die gewünschten Informationen zu erhalten.⁸⁹

Die fehlende Empathie eines Chatbots kann für Kunden insbesondere zur Reiseberatung und bei Reklamationen problematisch sein und zu Frustration führen, da der Chatbot nur rein sachlich antwortet und keine Rücksicht auf die Empfindungen des Nutzers nehmen kann.⁹⁰ Kunden, die eine geringere Erfahrung mit inter­netbasierten Technologien aufweisen, könnten die Interaktion mit einem Computer womöglich unnatürlich oder seltsam empfinden.⁹¹

Zusätzlich stellt die Speicherung des Gesprächsverlaufs und das damit verbundene Preisgeben von persönlichen Daten ein Risiko aus Sicht der Kunden bei der Nutzung eines Chatbots dar, da Unternehmen diese Daten möglicherweise unsachgemäß zu Werbezwecken verwenden oder nicht ausreichend vor Missbrauch schützen könnten.⁹²

2.3.2 Aus Unternehmenssicht

Mit der 24-stündigen Erreichbarkeit und sekundenschnellen Bearbeitung mehrerer Kundenanfragen gleichzeitig, bietet der Einsatz eines Chatbots einem Unternehmen die Möglichkeit das Bedürfnis der Kunden nach einem jederzeit erreichbaren Echtzeit-Service zu erfüllen. Dies stellt für Unternehmen eine wichtige Chance dar, um sich von Mitbewerbern abgrenzen zu können.⁹³ Zudem ergibt sich für Unternehmen die Möglichkeit Service- und Personalkosten in der Kundenbetreuung einzusparen, da durch den Chatbot eine automatisierte Beantwortung von immer wiederkehrenden Standardfragen erfolgen kann.⁹⁴ Ein Chatbot kann einen Servicemitarbeiter derart unterstützen und entlasten, als dass sich dieser auf die Bearbeitung komplexerer Kundenanfragen konzentrieren kann. Dadurch kann die Qualität der Betreuungsleistung für den Kunden insgesamt verbessert werden.⁹⁵

Mit der Implementierung eines Chatbots in eine Messaging-App können Kosten für die Kundenakquise reduziert werden. Der Kunde muss nicht durch spezielle Marketing-maßnahmen (z. B. Bannerwerbung) auf die Webseite des Unternehmens aufmerksam gemacht werden. Das Unternehmen ist über eine Messaging-App, wie z. B. WhatsApp oder Facebook Messenger, gewissermaßen direkt dort präsent, wo sich der Kunde bereits die meiste Zeit über aufhält.⁹⁶ Ein Chatbot bietet zudem das Potenzial das Up- and Cross-Selling zu steigern. Als eine Art digitaler Verkaufs­berater kann er dem Nutzer passend zu seiner ursprünglichen Anfrage zusätzliche relevante Produktempfehlungen zukommen lassen.⁹⁷

Eine weitere Chance des Chatbot-Einsatzes für Unternehmen ergibt sich aus der Sammlung von Nutzerdaten, da alle Gespräche zwischen dem Nutzer und Chatbot protokolliert werden. Durch die Auswertung der Daten erhält ein Unternehmen wertvolle Einblicke in die Bedürfnisse der Kunden und kann seine Produkte oder Dienstleistungen daran anpassen. Insbesondere durch die dynamische und persönliche Kommunikationsform des Chattens können tiefergehende Kundeninformationen gewonnen werden, als wenn der Nutzer nur ein statisches und unpersönliches Kontaktformular ausfüllt.⁹⁸

Neben den genannten Chancen bestehen für Unternehmen auch Risiken bei der Verwendung eines Chatbots für die Kundenkommunikation. Wenn der Chatbot nicht ordnungsgemäß funktioniert, d. h. er die Fragen des Nutzers nicht auf Anhieb korrekt beantworten kann, sorgt dies für Frustration beim Kunden. Bei komplexen Anliegen, in denen menschliche Empathie benötigt wird, kommt der Chatbot an seine Grenzen. Verärgerte Kunden könnten zu möglichen Imageschäden für ein Unternehmen führen.⁹⁹

Das Potenzial der Einsparung von Service-, Personal- und Marketingkosten muss in Relation zu den notwendigen Investitionen in den Aufbau bzw. Ausbau einer geeigneten technischen Infrastruktur für den Einsatz eines Chatbots und dessen Programmierung gesetzt werden.¹⁰⁰ Zudem müssen Richtlinien zum Datenschutz eingehalten werden, welche sich im Chatbot-Kontext als vergleichsweise komplex darstellen.¹⁰¹

2.3.3 Zusammenfassung

Die vorangegangenen Erläuterungen zeigen, dass es Überschneidungen zwischen den Chancen und Risiken von Chatbots für Unternehmen und Kunden gibt und diese nicht isoliert voneinander betrachtet werden sollten.

So ist zum Beispiel die Sammlung von Nutzerdaten für Unternehmen zwar eine Chance ihre Angebote und Marketingmaßnahmen besser auf den Kunden auszurichten, jedoch schränkt dies gleichzeitig die Privatsphäre des Nutzers ein. Wiederum kann der Kunde dadurch von personalisierten und idealerweise relevanteren Informationen profitieren.

Die aufgezeigten negativen Folgen einer mangelnden Interpretationsfähigkeit des Chatbots stellen gleichermaßen für Unternehmen wie für Kunden ein Risiko dar. Ein möglicher Lösungsansatz für diese Problematik ist der sogenannte Human Fallback. Wenn der Chatbot erkennt, dass er die Anfrage des Kunden nicht bearbeiten kann, wird das Gespräch an einen Mitarbeiter aus dem Kundenservice übergeben. Somit kann das Risiko des Auftretens von Frustration auf Kundenseite und von Imageschäden auf Unternehmensseite abgemildert werden, da ein menschlicher Servicemitarbeiter in kritischen Situationen eingreifen kann.¹⁰²

Tabelle 1 fasst die beschriebenen Chancen und Risiken von Chatbots aus Unternehmens- und Kundensicht zusammen.

Tabelle 1: Chancen und Risiken von Chatbots für Unternehmen und Kunden

Abbildung in dieser Leseprobe nicht enthalten

2.4 Status quo Nutzungsverhalten in Deutschland

Lange Zeit lag der Fokus darauf einen Chatbot zu entwickeln, der den Nutzer nur unterhält und möglichst menschenähnlich ist. Doch dieser Fokus hat sich geändert. Es geht nicht mehr darum einen menschlichen Gesprächspartner bestmöglich zu simulieren. Chatbots sollen einen Servicemitarbeiter nicht ersetzen, sondern ihn sinnvoll unterstützen. Heutzutage ist es wichtig, dass das Softwareprogramm Unternehmen und Kunden einen klaren Nutzen bietet, z. B. Zeitersparnis oder Erhöhung der Produktivität.¹⁰³

Im Jahr 2016 konnte sich laut einer Studie des Digitalverbands Bitkom jeder vierte Deutsche vorstellen einen Chatbot zu nutzen. Von diesen 25 % der Befragungsteilnehmer würden 64 % den Chatbot zum Kauf von Veranstaltungstickets einsetzen. 58 % gaben an einen Chatbot für Online-Shopping und Reisebuchung nutzen zu wollen. Für 53 % der Befragten ist es interessant den Chatbot zum Erhalt von Wetter-, Verkehrsinformationen oder Nachrichten zu befragen. Wiederum gaben zum Zeitpunkt der Befragung 63 % der Teilnehmer an keinen Chatbot nutzen zu wollen. Sie haben Zweifel, dass der Chatbot die Fragen nicht zuverlässig beantworten kann (54 %) und halten die Technologie für noch nicht ausgereift genug (47 %).¹⁰⁴

Eine YouGov-Studie aus dem Jahr 2017 – in Kooperation mit dem Reisesuchmaschinen-Betreiber KAYAK – ergab, dass 78 % der Befragten nicht wissen, was ein Chatbot ist. Nach einer Begriffserläuterung gaben wiederum 50 % der Befragungsteilnehmer an eine grundsätzliche Bereitschaft zu haben einen Chatbot nutzen zu wollen. Hauptgründe hierfür sind die in Kapitel 2.3.1 genannten Vorteile für Kunden nicht an Öffnungszeiten gebunden zu sein (62 %) und keine Warteschleifen in Kauf nehmen zu müssen (61 %) sowie die schnelle Beantwortung von Fragen (55 %).¹⁰⁵

Eine Exklusivstudie zur Developer Week aus dem Jahr 2017 befragte 1265 deutsche Internetnutzer zum Thema Chatbots. Rund 46 % haben zum Zeitpunkt der Befragung noch nichts von Chatbots gehört. Nur ca. 12 % haben schon mal einen Chatbot genutzt.¹⁰⁶ Ein Drittel der Befragten glaubt wiederum daran, dass sich die bisher noch eher unausgereifte Technologie schnell weiterentwickeln wird.¹⁰⁷ Am interessantesten finden die befragten Internetnutzer den Einsatz von Chatbots zum Abruf von Informationen (ca. 54 %) und im Kundenservice (ca. 40 %).¹⁰⁸

Die 2018 durchgeführte idealo-Studie zur Ermittlung, inwiefern die deutsche Bevölkerung zu aktuellen E-Commerce-Trends steht, zeigte eine leicht gestiegene Akzeptanz von Chatbots im Vergleich zu 2017. Kunden finden vor allem den Einsatz eines Chatbots als Unterstützung beim Bestellprozess und bei der Produktberatung sinnvoll.¹⁰⁹

Im Allgemeinen wird die deutsche Bevölkerung sicherer im Umgang mit Computer- und Internettechnologien.¹¹⁰ Dies verdeutlicht der erneute Anstieg des Digitalindex¹¹¹ und der digitalen Kompetenz im Vergleich zum Vorjahreszeitraum 2017/2018.¹¹²

Die vorgestellten Kernergebnisse von vier repräsentativen Kundenbefragungen zeigen auf, dass grundsätzlich eine Bereitschaft der Kunden besteht einen Chatbot nutzen wollen, jedoch ist diese noch deutlich ausbaufähig. Der Chatbot-Begriff wird von Verbrauchern mittlerweile zwar häufiger wahrgenommen, doch ist dessen genaue Bedeutung oft nicht bekannt.¹¹³

Im Zusammenspiel mit bestehenden Zweifel der Nutzer bezüglich der Zuverlässigkeit der Technologie bedingt dies, dass sich die Bekanntheit und Verbreitung von Chatbots in Deutschland noch im Anfangsstadium befindet.¹¹⁴ Andere Kommunikationswege, wie E-Mail und Telefon, sind vergleichsweise akzeptierter. Auch ist das Chatten mit einem realen Mitarbeiter doppelt so beliebt, wie das Chatten mit einem virtuellen Chatbot.¹¹⁵

3 Tourismus

Damit für die Untersuchung der Akzeptanz von Chatbots explizit im Tourismuskontext ein geeignetes Forschungsmodell entwickelt werden kann, bedarf es der Erläuterung grundlegender Rahmenbedingungen des Tourismus. In Kapitel 3.1 wird daher zunächst auf die konstitutiven Elemente des Tourismus eingegangen. In Kapitel 3.2 wird anschließend das touristische Produkt und dessen Besonderheiten erläutert. Danach stellt Kapitel 3.3 zwei wichtige Formen von Tourismusbetrieben vor. Nachfolgend werden in Kapitel 3.4 Zahlen und Fakten zum deutschen Reisemarkt 2018 vorgestellt. Abschließend wird in Kapitel 3.5 der aktuelle Entwicklungsstand der digitalen Transformation in der deutschen Reisebranche aufgezeigt.

3.1 Konstitutive Elemente

Im Fokus des Tourismus steht die Reise. Es handelt sich hierbei um einen Ortswechsel von Personen (Touristen) von ihrem Wohnort zu einem ‚fremden‘ Ort. Der Aufenthalt der Touristen an diesem ‚fremden‘ (Urlaubs-)Ort ist hierbei nur vorrübergehend, d. h. nicht länger als ein Jahr ohne Unterbrechung. Für den gewünschten Ortswechsel können verschiedene Motive, wie die Ausübung bestimmter Freizeit- oder Geschäftsaktivitäten, vorliegen. Diese drei Faktoren – Ortswechsel, Aufenthalt, Motive – bilden die drei konstitutiven Elemente des Tourismus.¹¹⁶

Anhand der Reisemotive können der touristische Kernbereich (Reisen als Erholung, Spaß, Abenteuer), der touristische Randbereich (Geschäfts- oder Gesundheitsreise) und der nicht-touristische Bereich (studentischer Auslandsaufenthalt) voneinander unterschieden werden.¹¹⁷ Im weiteren Verlauf dieser Arbeit liegt der Fokus ausschließlich auf dem touristischen Kernbereich.

3.2 Touristisches Produkt

Das touristische Produkt ist die Reise selbst¹¹⁸, welche sich in die Vorreisephase (Aufmerksamkeit, Informationssuche, Buchung), die Reisephase (Durchführung) und in die Nachreisephase (Reklamation, Bewertung, Weiterempfehlung) unter­teilen lässt.¹¹⁹ Diese Arbeit fokussiert sich auf die Vorreisephase, da der Chatbot als Unterstützung für die Reiseplanung im Internet eingesetzt werden soll. Eine Reise weist spezifische Merkmale auf, welche einen entscheidenden Einfluss auf das Konsumentenverhalten ausüben¹²⁰ und nachfolgend erläutert werden.

1) Immaterialität

Der Tourist kann eine Reise nicht ansehen und anfassen. Er kann sie vorab weder testen noch erleben.¹²¹ Die Reise als immaterielles Kaufobjekt weist neben Sucheigenschaften (z. B. Preis, Bilder, Beschreibung) zusätzlich sogenannte Erfahrungseigenschaften auf. Dies bedeutet, dass Reisende erst nach der Durchführung der Reise deren Qualität vollständig beurteilen können.¹²²

2) Abstraktheit

Eine Reise setzt sich aus Zeit, Raum und Personen zusammen. Sie unterscheidet sich je nach Reisedauer, Zielland und Urlaubertyp.¹²³ Eine Reise ist demnach kein standardisierbares Produkt. Nicht der absolute Preis ist ausschlagend, sondern ein bestmögliches Preis-Leistungs-Verhältnis.¹²⁴

3) Vergänglichkeit

Eine Reise kann nicht gelagert werden, beispielsweise verfällt ein nicht gebuchter Sitzplatz im Flugzeug bei Abflug.¹²⁵

4) Uno-actu-Prinzip

Die Erstellung und Inanspruchnahme von touristischen Leistungen fallen zeitlich und örtlich zusammen. Dies bedeutet, dass der Reisende die Reise erst am Ort des Produzenten (in der Fremde) konsumiert und nicht am Heimatort. Wiederum bedeutet dies auch, dass das touristische Produkt erst verkauft wird (Buchung vor Reiseantritt), bevor es gewissermaßen erstellt wird (Durchführung der Reise).¹²⁶

5) Leistungsbündel

Eine Reise setzt sich aus verschiedenen touristischen Teilprodukten zusammen und weist daher eine hohe Komplexität auf. Hierzu gehören unter anderem Flug, Übernachtung oder Eintrittskarten. Eine Reise kann demnach nur stattfinden, wenn mehrere touristische Teilleistungen zusammenwirken.¹²⁷

Die fünf beschriebenen Spezifika einer Reise bewirken, dass für Konsumenten eine erhöhte Ungewissheit bezüglich der Folgen einer Reisebuchung besteht. Im Entscheidungsprozess zur Buchung einer Urlaubsreise weisen Konsumenten daher eine erhöhte kognitive und emotionale Beteiligung auf und sind überaus motiviert Reiseinformationen zu recherchieren, aufzunehmen und zu verarbeiten (Involvement), um die wahrgenommene Unsicherheit zu minimieren und eine Fehlbuchung zu verhindern.¹²⁸ Wenn ein vergleichsweise hohes Kaufrisiko bei gleichzeitig hohem situativem Involvement vorliegt und eine geringe Kaufhäufigkeit gegeben ist, wird von einer extensiven Kaufentscheidung gesprochen.¹²⁹ Die Buchung einer Urlaubsreise wird dementsprechend in der Regel erst nach sorgfältigen Überlegungen und intensiven Informationsrecherchen durchgeführt, sodass die Vorreisephase zumeist mehr Zeit in Anspruch nimmt als die eigentliche Reisephase.¹³⁰

3.3 Tourismusbetriebe

Die Erstellung von touristischen Leistungen erfolgt durch verschiedene touristische Unternehmen. Üblicherweise handelt es sich hierbei um Beherbergungs- (z. B. Hotels) und Transportbetriebe (z. B. Fluggesellschaften) sowie Reiseveranstalter und Reisemittler (z. B. Reisebüro). Diese werden der Tourismuswirtschaft im engeren Sinne zugeordnet. Tourismusbetriebe der ergänzenden Tourismuswirtschaft und der touristischen Randwirtschaft werden in dieser Arbeit nicht vorgestellt, da der Fokus auf dem Reiseveranstalter/-mittler liegt.¹³¹

Dem Reiseveranstalter kommt in der Tourismuswirtschaft eine zentrale Rolle zu. Es handelt sich um ein eigenständiges Unternehmen, welches in der Regel touristische Teilleistungen anderer Tourismusbetriebe zu einem neuen Produkt kombiniert. Dieses zusammengesetzte Produkt wird als Pauschalreise bezeichnet. Ein Reiseveranstalter tritt in eigenem Namen auf und kümmert sich um die ordnungsgemäße Durchführung der Reise.¹³² Reiseveranstalter vertreiben ihre Reiseprodukte hauptsächlich indirekt über sogenannte Reisemittler. Hierzu gehören insbesondere (stationäre) Reisebüros. Es kann zwischen eigenen und fremden Reisebüros (Agenturgeschäft) unterschieden werden, wobei die zuletzt genannte Variante überwiegt (rund 70 %). Durch das Internet hat der Direktvertrieb zunehmend an Bedeutung gewonnen. Reiseveranstalter verkaufen in diesem Fall touristische Leistungen über ihre eigene Webseite (z. B. DERTOUR). Wiederum sind auch vermehrt Online-Reisebüros (z. B. Expedia) entstanden, wodurch der indirekte Vertrieb nun zusätzlich digital erfolgt.¹³³

Für Kunden ist eine klare und verständliche Abgrenzung zwischen dem Reiseveranstalter, dem Reisemittler und dem eigentlichen Leistungsträger (z. B. Hotel) oft nicht möglich bzw. ersichtlich.¹³⁴ Der Einfachheit halber wird daher zur Untersuchung der Nutzerakzeptanz festgelegt, dass sich der Reiseberater-Chatbot auf einer beliebigen Reisewebseite befindet, unabhängig davon, ob es sich bei dem Betreiber der Internetseite um einen Reiseveranstalter (Online-Direktvertrieb) oder ein Reisebüro (Online-Fremdvertrieb) handelt.

3.4 Zahlen und Fakten deutscher Reisemarkt 2018

Mit einer Bruttowertschöpfung im Jahr 2018 von über 105 Milliarden Euro stellt die Tourismusbranche einen bedeutenden Wirtschaftsfaktor in Deutschland dar.¹³⁵ Der Anteil der reisenden Deutschen ab 14 Jahren liegt mittlerweile bei 78,1 %.¹³⁶ In der deutschen Bevölkerung gehören sogar 62 % der Kategorie der regelmäßigen Reisenden an (in den letzten drei Jahren in jedem Jahr mindestens eine Urlaubsreise durchgeführt).¹³⁷ Im Jahr 2018 unternahmen die Deutschen 70,1 Millionen Urlaubsreisen (ab 5 Tagen Dauer).¹³⁸ Davon führten 73 % ins Ausland und 27 % ins Inland. Bei Kurzurlaubsreisen (2-4 Tage) reisen 74 % ins Inland und 26 % ins Ausland.¹³⁹ Im Durchschnitt reist jeder Deutsche 1,3 Mal im Jahr.¹⁴⁰ Der Hauptjahresurlaub dauert durchschnittlich 13 Tage. Eine zusätzliche Urlaubsreise im Jahr dauert im Durchschnitt 9,1 Tage an.¹⁴¹

In der heutigen globalen Freizeit- und Erlebnisgesellschaft dient das Reisen nicht mehr ausschließlich zur Entspannung und Erholung, sondern ebenfalls zur Selbstverwirklichung und Anerkennung.¹⁴² Der moderne Tourist ist reiseerfahrener, genuss- und technologieorientierter und hat gestiegene Ansprüche.¹⁴³ Diese Zahlen und Fakten zeigen, dass sich das Reisen zu einer Art ‚Grundbedürfnis‘ entwickelt hat und der Tourismus ebenfalls einen wichtigen Gesellschaftsfaktor in Deutschland darstellt.¹⁴⁴

[...]

---

¹ Vgl. Haas, 2018, S. 3.

² Vgl. Initiative D21 e.V., 2019, S. 12.

³ Vgl. Kroker, 2019; SH Telekommunikation Deutschland GmbH, 2019; Kollmann, 2011, S. 18 f.

⁴ Vgl. Initiative D21 e.V., 2019, S. 20.

⁵ Vgl. SH Telekommunikation Deutschland GmbH, 2019.

⁶ Vgl. Radovic, 2015; Heinemann, 2018, S. 17; Kollmann, 2011, S. 17 ff.

⁷ Vgl. Henn, 2018, S. 12; Tuzovic & Paluch, 2018, S. 3.

⁸ Vgl. Appfigures, 2019; Klotz, 2015; ChannelAdvisor, 2018.

⁹ Vgl. Monard & Uebersax, 2018, S. 2.

¹⁰ Vgl. Piyush, Choudhury & Kumar, 2016, S. 323; Schlicht, 2016.

¹¹ Vgl. Spryker Systems GmbH, 2018, S. 12; Dresler, 2018; Buckstegen, 2017; Sprout Social, Inc., 2019.

¹² Vgl. Zumstein & Hundertmark, 2018, S. 96; Gentsch, 2018, S. 4; Lei, Kirillova & Wang, 2018, S. 296.

¹³ Vgl. Henn, 2018, S. 12; Dresler, 2018; Cui et al., 2017, S. 97; Tißler, 2018.

¹⁴ Vgl. Henn, 2018, S. 13; Dresler, 2017; Spryker Systems GmbH, 2018, S. 19; Richad et al., 2019, S. 1271; USU Software AG, 2017.

¹⁵ Vgl. Luber, 2018; Boden et al., 2006, S. 3; Zumstein & Hundertmark, 2018, S. 98.

¹⁶ In dieser Arbeit wird aus Gründen der besseren Lesbarkeit das generische Maskulinum verwendet. Weibliche und anderweitige Geschlechteridentitäten werden dabei ausdrücklich mitgemeint. Zudem werden die Begriffe Kunde, Verbraucher, Konsument und Nutzer synonym zueinander verwendet.

¹⁷ Vgl. Monard & Uebersax, 2018, S. 5; Dresler, 2017; Gentsch, 2018, S. 7.

¹⁸ Vgl. Niemetz, 2016; Juchum, 2018; Jung & Niemeyer, 2017, S. 3.

¹⁹ Vgl. Kühl, 2016; Onlim GmbH, 2018, S. 6.

²⁰ Vgl. Spryker Systems GmbH, 2018, S. 14 f.

²¹ Vgl. Gentsch, 2018, S. 1; Jung & Niemeyer, 2017, S. 3; Onlim GmbH, 2018, S. 6; Dresler, 2018; Tuzovic & Paluch, 2018, S. 1.

²² Vgl. Monard & Uebersax, 2018, S. 1.

²³ Vgl. Bitkom e.V., 2017.

²⁴ Vgl. Onlim GmbH, 2018, S. 2; Wittpahl, 2019, S. 5.

²⁵ Vgl. Henn, 2018, S. 15; Gentsch, 2018, S. 1. Monard & Uebersax, 2018, S. 2; Spryker Systems GmbH, 2018, S. 23 ff.; Zumstein & Hundertmark, 2018, S. 108; Klar, 2018; Försch, 2018; USU Software AG, 2017; Tenios GmbH, 2019.

²⁶ Vgl. interface medien GmbH, 2017.

²⁷ Vgl. Henn, 2018, S. 13.

²⁸ Vgl. Davis, Bagozzi & Warshaw, 1989, S. 982; Brandtzaeg & Folstad, 2017, S. 2; Wang & Wang, 2010, S. 416.

²⁹ Vgl. Wiedmann & Frenzel, 2004, S. 101; Kollmann, 2011, S. 55; Alwahaishi & Snasel, 2013, S. 27.

³⁰ Vgl. Dirksen & Schrills, 2018, S. 3.

³¹ Vgl. Zumstein & Hundertmark, 2018, S. 103; Tantau, 2017.

³² Vgl. Foscht & Swoboda, 2007, S. 3; Solomon, 2013, S. 55.

³³ Vgl. Weck, 2018; Gruner+Jahr GmbH, 2019, S. 19; Initiative D21 e.V., 2019, S. 25.

³⁴ Vgl. Weck, 2018; Kemper, 2018; Schürmann, 2018.

³⁵ Vgl. Braun, 2003, S. 18; Kollmann, 2011, S. 210.

³⁶ Vgl. Braun, 2003, S. 26.

³⁷ Vgl. Braun, 2003, S. 18; Kollmann, 2011, S. 210.

³⁸ Vgl. Braun, 2003, S. 18.

³⁹ Vgl. Braun, 2003, S. 20.

⁴⁰ Vgl. Braun, 2003, S. 19.

⁴¹ Vgl. Monard & Uebersax, 2018, S. 1.

⁴² Vgl. Dirksen & Schrills, 2018, S. 23; Schonschek & Haas, 2018.

⁴³ Vgl. Shawar & Atwell, 2007, S. 43; Luber, 2018; Onlim GmbH, 2018, S. 2.

⁴⁴ Vgl. Storp, 2002, S. 4; Boden et al., 2006, S. 3.

⁴⁵ Vgl. Lamprecht, 2018; Pohlmann, 2018; Brückmann, 2017.

⁴⁶ Vgl. Luber, 2018; Boden et al., 2006, S. 3.

⁴⁷ Vgl. Braun, 2003, S. 21; Kühl, 2016; Weddehage, 2016.

⁴⁸ Vgl. Dirksen & Schrills, 2018, S. 24.

⁴⁹ Vgl. Heinemann, 2018, S. 8.

⁵⁰ Vgl. Spryker Systems GmbH, 2018, S. 15.

⁵¹ Vgl. Hebenstreit, 2017.

⁵² Vgl. Heinemann, 2017, S. 35 ff.; Kollmann, 2011, S. 78.

⁵³ Vgl. Heinemann, 2017, S. 132 ff.

⁵⁴ Vgl. Heinemann, 2018, S. 145.

⁵⁵ Vgl. Heinemann, 2018, S. 8.

⁵⁶ Vgl. Tuzovic & Paluch, 2018, S. 5; Spryker Systems GmbH, 2018, S. 4; Brückmann, 2017.

⁵⁷ Vgl. Piyush, Choudhury & Kumar, 2016, S. 322.

⁵⁸ Vgl. Tuzovic & Paluch, 2018, S. 5.

⁵⁹ Vgl. Braun, 2003, S. 22; Herfurth, 2019.

⁶⁰ Vgl. Gabler Wirtschaftslexikon, 2018.

⁶¹ Vgl. Storp, 2002, S. 15.

⁶² Vgl. Storp, 2002, S. 6.

⁶³ Vgl. Storp, 2002, S. 5; Braun, 2003, S. 22 f.; Turing, 1950, S. 433.

⁶⁴ Vgl. Storp, 2002, S. 6 f.; Saygin, Cicekli & Akman, 2000, S. 463.

⁶⁵ Vgl. Dirksen & Schrills, 2018, S. 30.

⁶⁶ Vgl. Storp, 2002, S. 7 f.; Braun, 2003, S. 24.

⁶⁷ Vgl. Litzel, 2018.

⁶⁸ Vgl. Försch, 2018; Dresler, 2018; Sponholz, 2018; Froy, 2019; Rode, 2017.

⁶⁹ Vgl. Gentsch, 2018, S. 1.

⁷⁰ Vgl. Storp, 2002, S. 19.

⁷¹ Vgl. Zumstein & Hundertmark, 2018, S. 98; Spryker Systems GmbH, 2018, S. 5.

⁷² Vgl. Braun, 2003, S. 49; Dirksen & Schrills, 2018, S. 36 f.; Zumstein & Hundertmark, 2018, S. 99; Luber, 2018; Hebenstreit, 2017.

⁷³ Vgl. Dirksen & Schrills, 2018, S. 36 f.; Luber, 2018; Spryker Systems GmbH, 2018, S. 5.

⁷⁴ Vgl. Hebenstreit, 2017.

⁷⁵ Vgl. Monard & Uebersax, 2018, S. 6; Spryker Systems GmbH, 2018, S. 6.

⁷⁶ Vgl. Schlicht, 2016; Onlim GmbH, 2019.

⁷⁷ Vgl. interface medien GmbH, 2017; Onlim GmbH, 2018, S. 4.

⁷⁸ Vgl. Hebenstreit, 2017; Tuzovic & Paluch, 2018, S. 5.

⁷⁹ Vgl. Dirksen & Schrills, 2018, S. 27; Onlim GmbH, 2018, S. 5; Schröder, 2017.

⁸⁰ Vgl. Onlim GmbH, 2019; Spryker Systems GmbH, 2018, S. 6.

⁸¹ Vgl. Schröder, 2017.

⁸² Vgl. Dirksen & Schrills, 2018, S. 28 f.; Spryker Systems GmbH, 2018, S. 6; Schlicht, 2016.

⁸³ Vgl. Monard & Uebersax, 2018, S. 8; Braun, 2003, S. 36 f.; Herfurth, 2019; Niemetz, 2016.

⁸⁴ Vgl. Storp, 2002, S. 4; Braun, 2003, S. 36 f.; Kern A. , 2018; Litzel, 2018; Galert, 2018; Tenios GmbH, 2019.

⁸⁵ Vgl. Braun, 2003, S. 28; Spryker Systems GmbH, 2018, S. 12; Shawar & Atwell, 2007, S. 44.

⁸⁶ Vgl. Piyush, Choudhury & Kumar, 2016, S. 326; Onlim GmbH, 2018, S. 9.

⁸⁷ Vgl. Hebenstreit, 2017; Wild, 2017; DIM Deutsches Institut für Marketing GmbH, 2019; Weddehage, 2016.

⁸⁸ Vgl. Braun, 2003, S. 33; Monard & Uebersax, 2018, S. 5; Onlim GmbH, 2018, S. 9. Dresler, 2017.

⁸⁹ Vgl. Zumstein & Hundertmark, 2018, S. 103; Pohlmann, 2018; Froy, 2019.

⁹⁰ Vgl. DIM Deutsches Institut für Marketing GmbH, 2019; Gögele, 2018.

⁹¹ Vgl. Zumstein & Hundertmark, 2018, S. 103; Koelwel, 2019.

⁹² Vgl. Zumstein & Hundertmark, 2018, S. 103; Pohlmann, 2018.

⁹³ Vgl. Litzel, 2018; Zumstein & Hundertmark, 2018, S. 101; Sprout Social, Inc., 2019.

⁹⁴ Vgl. Zumstein & Hundertmark, 2018, S. 101; Hebenstreit, 2017; Wittpahl, 2019, S. 134; Rode, 2017.

⁹⁵ Vgl. Cui et al., 2017, S. 97; interface medien GmbH, 2017; Dirksen & Schrills, 2018, S. 42.

⁹⁶ Vgl. Hebenstreit, 2017; Galert, 2018.

⁹⁷ Vgl. Shawar & Atwell, 2007, S. 43.

⁹⁸ Vgl. Braun, 2003, S. 39; Hebenstreit, 2017; Monard & Uebersax, 2018, S. 5; Dirksen & Schrills, 2018, S. 42.

⁹⁹ Vgl. Zumstein & Hundertmark, 2018, S. 103; Schonschek & Haas, 2018.

¹⁰⁰ Vgl. Zumstein & Hundertmark, 2018, S. 103; Tantau, 2017.

¹⁰¹ Vgl. Kern E. , 2017; Knebel, 2018; Brunotte, 2017.

¹⁰² Vgl. Tuzovic & Paluch, 2018, S. 17; Nimphius & Eckhold, 2018, S. 53; Botsify, 2019.

¹⁰³ Vgl. Braun, 2003, S. 27; Kühl, 2016; Dirksen & Schrills, 2018, S. 30; Shawar & Atwell, 2007, S. 45.

¹⁰⁴ Vgl. Bitkom e.V., 2017.

¹⁰⁵ Vgl. Buckstegen, 2017; KAYAK.com, 2017.

¹⁰⁶ Vgl. Fittkau & Maaß Consulting GmbH, 2017, S. 9.

¹⁰⁷ Vgl. Fittkau & Maaß Consulting GmbH, 2017, S. 16.

¹⁰⁸ Vgl. Fittkau & Maaß Consulting GmbH, 2017, S. 14.

¹⁰⁹ Vgl. idealo internet GmbH, 2019.

¹¹⁰ Vgl. Initiative D21 e.V., 2019, S. 26.

¹¹¹ Digitalisierungsgrad der deutschen Gesellschaft auf einer Skala von 0 bis 100 Punkten.

¹¹² Vgl. Initiative D21 e.V., 2019, S. 11.

¹¹³ Vgl. Initiative D21 e.V., 2019, S. 30.

¹¹⁴ Vgl. Buckstegen, 2017; Rondinella, 2018; Fittkau & Maaß Consulting GmbH, 2017, S. 5.

¹¹⁵ Vgl. interface medien GmbH, 2017.

¹¹⁶ Vgl. Freyer, 2011, S. 2.

¹¹⁷ Vgl. Freyer, 2011, S. 3.

¹¹⁸ Vgl. Freyer, 2011, S. 135.

¹¹⁹ Vgl. Freyer, 2011, S. 291.

¹²⁰ Vgl. Freyer, 2011, S. 134.

¹²¹ Vgl. Freyer, 2011, S. 135.

¹²² Vgl. Foscht & Swoboda, 2007, S. 22; Trommsdorff, 2002, S. 127.

¹²³ Vgl. Freyer, 2011, S. 135.

¹²⁴ Vgl. Freyer, 2011, S. 344.

¹²⁵ Vgl. Freyer, 2011, S. 135.

¹²⁶ Vgl. Freyer, 2011, S. 324.

¹²⁷ Vgl. Freyer, 2011, S. 135.

¹²⁸ Vgl. Foscht & Swoboda, 2007, S. 83; Trommsdorff, 2002, S. 134.

¹²⁹ Vgl. Gelbrich, Wünschmann & Müller, 2008, S. 38 f.; Trommsdorff, 2002, S. 56.

¹³⁰ Vgl. Freyer, 2011, S. 57.

¹³¹ Vgl. Freyer, 2011, S. 125.

¹³² Vgl. Freyer, 2011, S. 209 f.

¹³³ Vgl. Freyer, 2011, S. 235 f.; Mayr & Zins, 2009, S. 164 f.

¹³⁴ Vgl. Freyer, 2011, S. 243.

¹³⁵ Vgl. Deutscher Reiseverband, 2019, S. 6.

¹³⁶ Vgl. Deutscher Reiseverband, 2019, S. 7.

¹³⁷ Vgl. Verband Internet Reisevertrieb e.V., 2019, S. 19.

¹³⁸ Vgl. Deutscher Reiseverband, 2019, S. 25.

¹³⁹ Vgl. Verband Internet Reisevertrieb e.V., 2019, S. 29.

¹⁴⁰ Vgl. Deutscher Reiseverband, 2019, S. 7.

¹⁴¹ Vgl. Verband Internet Reisevertrieb e.V., 2019, S. 22.

¹⁴² Vgl. Freyer, 2011, S. 25 f.

¹⁴³ Vgl. Freyer, 2011, S. 92 ff.; Foscht & Swoboda, 2007, S. 5.

¹⁴⁴ Vgl. Freyer, 2011, S. 73.