Prototypische Implementierung eines KI-basierten Assistenten für die automatisierte Verarbeitung von Reisekostenanträgen

Inhaltsverzeichnis

Kurzfassung

Abstract

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Codeausschnittverzeichnis

Abkürzungsverzeichnis

1 Einleitung
1.1 Ausgangsituation und Problemstellung
1.2 Zielsetzung der Arbeit
1.3 Vorgehen

2 Chatbots
2.1 Definition
2.2 Architektur
2.2.1 Kanal
2.2.2 Natural Language Processing
2.2.2.1 Natural Language Understanding
2.2.2.2 Natural Language Generation
2.2.3 Dialogmanager
2.3 Chatbot-Design
2.3.1 Persönlichkeit
2.3.2 Gespräch
2.3.3 Interaktion
2.4 Stärken und Chancen
2.4.1 Kosteneinsparungen
2.4.2 Verbesserung des Kundenerlebnisses und der Kundenzufriedenheit
2.4.3 Gewinnung von Kundeninformationen
2.5 Schwächen und Risiken
2.5.1 Nutzerakzeptanz
2.5.2 Datenschutz und Datensicherheit
2.6 Bestandteile für die Implementierung
2.6.1 Auswahl der Azure-Plattform
2.6.2 Azure Bot Service und Bot Framework
2.6.3 LUIS-Service
2.6.4 QnA Maker-Service
2.6.5 Dispatcher-Tool
2.6.6 Bot Framework Emulator
2.6.7 Azure Blob Storage

3 Robotic Process Automation
3.1 Definition
3.2 Architektur der RPA-Plattform
3.2.1 Entwicklungsstudio
3.2.2 Kontrollzentrum
3.2.3 Roboter
3.3 Nutzungsvorteile und Einschränkungen
3.4 Anbieter von RPA
3.4.1 UiPath
3.4.1.1 UiPath-Orchestrator
3.4.1.2 UiPath-Studio
3.4.1.3 UiPath-Robot

4 Prozess der Reisekostenabrechnung

5 Lösungskonzept
5.1 Anwendungsfälle
5.2 Aufstellung der Anforderungen
5.2.1 Funktionale Anforderungen an dem Chatbot
5.2.2 Nicht-funktionale Anforderungen an dem Chatbot
5.2.3 Funktionale Anforderungen an den RPA-Roboter
5.2.4 Nicht-funktionale Anforderungen an den RPA-Roboter
5.3 Konzeptionierung des Chatbots
5.3.1 Modell für LUIS
5.3.2 Modell für die QnA-Wissensdatenbank
5.3.3 Modell für Dispatcher
5.3.4 Modell für Azure Blob Storage
5.3.5 Vorstellung der Anwendung für die Extrahierung der Daten
5.3.5.1 Modell für Docparser
5.4 Konzeption des RPA-Roboters
5.4.1 Vorstellung der Anwendung für die Reisekostenabrechnung
5.4.2 Beschreibung des Inputs
5.4.3 Beschreibung des Outputs
5.4.4 Robotic Enterpreise Framework
5.4.5 Konzeptionierung der Schnittstelle
5.4.6 Architektur des KI-basierten Assistenten

6 Implementierung
6.1 Implementierung des Chatbots
6.1.1 Erstellung der LUIS-App
6.1.2 Erstellung der QnA-Maker-App
6.1.3 Einrichtung der Azure-Blob-Storage-Komponente
6.1.4 Einrichtung von docparser
6.1.5 Einrichtung von Azure Bot Service
6.1.6 Erstellung und Verwendung des Dispatcher-Modells
6.1.7 Implementierung der Datenmodelle
6.1.8 Implementierung der Begrüßungsnachricht
6.1.9 Implementierung des Hilfsdialogs
6.1.10 Implementierung der Funktion zur Erstellung eines Berichts
6.1.11 Implementierung der Funktionen zur Erstellung einer Aufwendung
6.1.12 Implementierung der Azure-Blob-Storage-Schnittstelle
6.1.13 Implementierung der UiPath-Schnittstelle
6.2 Implementierung des RPA-Roboters
6.2.1 Implementierung des RPA-Roboters
6.2.2 Umsetzung des Prozesses in der UiPath-Studio-Komponente

7 Durchführung der Testphase
7.1 Begrüßungsnachricht
7.2 Erstellung eines Reisekostenberichts
7.3 Erstellung einer Aufwendung mit Basisinformationen
7.4 Automatische Erfassung von Daten aus einem Beleg
7.5 Hilfe aufrufen
7.6 Dialog abbrechen
7.7 Small-Talk-Fragen beantworten
7.8 Anlage eines Berichtes in Zoho Expense überprüfen
7.9 Hinzufügen von Aufwendungen in Zoho Expense überprüfen
7.10 Versand der E-Mail überprüfen

8 Auswertung der Anforderungen
8.1 Chatbot-Plattform
8.1.1 Erstellung eines Reisekostenberichts
8.1.2 Erstellung einer Aufwendung mit Basisinformationen
8.1.3 Automatische Erfassung von Belegdaten
8.1.4 Kommunikation mit der UiPath-Orchestrator-Komponente
8.1.5 Allgemeine Funktionalitäten
8.2 RPA-Plattform
8.2.1 Kommunikation mit der UiPath-Orchestrator-Komponente
8.2.2 Allgemeine Anforderungen
8.2.3 Interaktion mit der Anwendung für die Reisekostenabrechnung
8.2.4 Nicht-funktionale Anforderungen an den RPA-Roboter

9 Fazit und Ausblick

Literaturverzeichnis

Anhang

Kurzfassung

Im Rahmen dieser Masterarbeit wurde die prototypische Implementierung eines KI-basierten Assistenten für die automatische Verarbeitung von Reisekostenanträgen vorgenommen, um die Schwachstellen des Prozesses zu beheben. Die zugrunde liegende Lösung ist eine Kombination aus den Technologien Chatbot und Robotic Process Automation (RPA) basierend auf zuvor definierten Anforderungen und Analysen des Reisekostenprozesses. Die entwickelte Lösung wurde getestet und konnte für die Optimierung des Prozesses angewandt werden, um dem Anwender eine Alternative zur manuellen Lösung zu bieten. Die Umsetzung erforderte entgegen der Aussagen der Hersteller fortgeschrittene Programmierkenntnisse. Schlussfolgernd ist eine Entwicklung dieser Lösung mit qualifizierten Ressourcen und ggf. hohem Zeitaufwand verbunden.

Abstract

This master thesis deals with the prototypical implementation of an AI-based assistant for the automatic processing of travel expense requests in order to eliminate the process’ weaknesses. The solution is a combination of the technologies Chatbot and Robotic Process Automation (RPA) based on predefined requirements and analysis of the travel expense process. The developed solution was tested and was able to optimize the process to offer the user an alternative to the manual solution. The implementation required advanced programming knowledge contrary to the manufacturer's statements. In conclusion, a development of this solution requires qualified resources and possibly high expenditure of time.

Abbildungsverzeichnis

Abbildung 1: Grundlegende Architektur eines Chatbots

Abbildung 2: Verarbeitung einer Äußerung

Abbildung 3: Vorstellung eines zustandsbasierten Gesprächs

Abbildung 4: Vorstellung eines regelbasierten Gesprächs

Abbildung 5: Vorstellung eines agentenbasierten Gesprächs

Abbildung 6: Ablauf der Kommunikation von LUIS

Abbildung 7: Aufbau eines Azure-Blob-Storage

Abbildung 8: Grundkomponenten einer RPA-Plattform

Abbildung 9: Allgemeiner Prozess zur Erstattung von Reisekosten

Abbildung 10: Aufbau des Dispatcher-Modells

Abbildung 11: Startseite der Zoho-Expense-Anwendung

Abbildung 12 Erstellung eines neuen Berichtes in der Zoho-Expense-Anwendung

Abbildung 13 Hinzufügen einer Aufwendung in der Zoho-Expense-Anwendung

Abbildung 14: Exportierung eines Berichts in der Zoho-Expense-Anwendung

Abbildung 15: Architektur des KI-basierten Assistenten

Abbildung 16: Definierte Absichten für die TravelExpense-App

Abbildung 17: Anlage der QuickExpense-Entität

Abbildung 18: Testergebnis von LUIS

Abbildung 19: QnA-Maker-App Fragen-Antworten-Paare

Abbildung 20: Antworten der QnA-Maker-Apps

Abbildung 21: Angelegtes Speicherkonto in Azure Blob Storage

Abbildung 22: Angelegte Parser-Regeln in docparser

Abbildung 23: Testergebnisse der angelegten Parser-Regel

Abbildung 24: Workflow zur Überprüfung, ob Microsoft Outlook bereit ist

Abbildung 25: Workflow zur Sicherstellung des erfolgreichen Anmeldevorgangs

Abbildungsverzeichnis

Abbildung 26: For-Each-Schleife zum Aufrufen des Workflows

Abbildung 27: Aktivitäten zum Bezug des Belegs aus Azure Blob Storage

Abbildung 28: E-Mail-Vorlage für den RPA-Roboter

Abbildung 29: Aktivitäten zum Versenden der E-Mail mit dem Reisekostenbericht

Abbildung 30: Logik für die Festlegung eines Status einer Transaktion

Abbildung 31: Begrüßungsnachricht des Chatbots

Abbildung 32: Unterhaltung für das Erstellen eines Reisekostenberichts

Abbildung 33: Unterhaltung für das Erstellen einer Aufwendung

Abbildung 34: Unterhaltung für die automatische Erfassung Belegdaten

Abbildung 35: Unterhaltung für das Aufrufen von Hilfe

Abbildung 36: Abbrechen eines laufenden Dialogs

Abbildung 37: Unterhaltung zum Führen von Small Talk

Abbildung 38: Ansicht des erstellten Berichtes in Zoho Expense

Abbildung 39: Ansicht der hinzugefügten Aufwendung in Zoho Expense

Abbildung 40: Empfangene E-Mail mit dem angehängten Reisekostenbericht

Tabellenverzeichnis

Tabelle 1: Wörterbuch einer NLU-Komponente

Tabelle 2: Beispielmodel für LUIS

Tabelle 3: Beispiel einer Wissensdatenbank für QnA-Maker

Tabelle 4: Exemplarische Vorstellung der Antworten von QnA Maker

Tabelle 5: Kriterien zur Bestimmung des Automatisierungspotenzials mittels RPA

Tabelle 6: Anwendungsfall für die Erstellung eines Reisekostenberichts

Tabelle 7: Anwendungsfall für die Erstellung einer Aufwendung

Tabelle 8: Anwendungsfall für die automatische Erfassung von Daten

Tabelle 9: Anwendungsfall für die Anzeige des Hilfsdialogs

Tabelle 10: Anwendungsfall für die Beantwortung von häufig gestellten Fragen

Tabelle 11: Anwendungsfall für das Hinzufügen einer Aufwendung

Tabelle 12: Anwendungsfall für die Anlage eines Reisekostenberichts

Tabelle 13: Anwendungsfall für das Verschicken eines Berichts per E-Mail

Tabelle 14: Erforderliche Beispieläußerungen und Absichten für LUIS

Tabelle 15: Erforderliche Entitäten für LUIS

Tabelle 16: QnA-Maker-Modell für die Beantwortung häufig gestellter Fragen

Tabelle 17: Parsing-Regel für die Dokumentklassifizierung

Tabelle 18: Parsing-Regel für die Erkennung des Belegbetrags

Tabelle 19: Übersicht des Inputs für den RPA-Roboter

Tabelle 20: Übersicht der Funktionen für den Bezug der Reisedaten

Tabelle 21: Übersicht der notwendigen Asstes

Tabelle 22: Testfall für die Begrüßung des Benutzers

Tabelle 23: Testfall für Erstellung eines Reiseberichs

Tabelle 24: Testfall für das Erstellen einer Aufwendung

Tabelle 25: Testfall für die automatische Erfassung von Daten aus einem Beleg

Tabelle 26: Testfall für das Aufrufen des Hilfsdialogs

Tabelle 27: Testfall für das Abbrechen eines laufenden Dialogs

Tabelle 28: Testfall für die Beantwortung von Small-Talk-Fragen

Tabelle 29: Testfall für die Anlage eines Berichtes in Zoho Expense

Tabelle 30: Testfall für das Hinzufügen einer Aufwendung in Zoho Expense

Tabelle 31: Testfall für die Überprüfung, ob die E-Mail versendet wurde

Tabelle 32: Auswertung der Anforderungen für die Erstellung eines Berichts

Tabelle 33: Auswertung der Anforderungen für die Erstellung von Aufwendungen

Tabelle 34: Auswertung der Anforderungen für die Erfassung von Belegdaten

Tabelle 35: Auswertung der Anforderungen für die Kommunikation mit UiPath

Tabelle 36: Auswertung der Anforderungen der allgemeinen Funktionalitäten

Tabelle 37: Auswertung der Anforderungen für die Kommunikation mit UiPath

Tabelle 38: Auswertung der allgemeinen Anforderungen der RPA-Plattform

Tabelle 39: Auswertung der Anforderungen für die Interaktion mit der Anwendung

Tabelle 40 Auswertung der nicht-funktionalen Anforderungen

Codeausschnittverzeichnis

Codeausschnitt 1: Anfrage für die Erstellung einer neuen Transaktion

Codeausschnitt 2: Anfrage für das Auslösen des Startbefehls von UiPath Robot

Codeausschnitt 3: Funktion für das Ansprechen des benötigten Modells

Codeausschnitt 4: Klasse für das Objekt des Typs Reisekostenbericht

Codeausschnitt 5: Funktion für das Versenden der Begrüßungsnachricht

Codeausschnitt 6: Array für die möglichen Fragen bzgl. des Funktionsumfangs

Codeausschnitt 7: Funktion für die Auflistung der möglichen Fragen

Codeausschnitt 8: Funktion zum Beziehen einer Antwort aus QnA Maker

Codeausschnitt 9: Funktion für die Hinterlegung von Reisekostenberichten

Codeausschnitt 10: Funktion zur Aufforderung der Datenübermittlung

Codeausschnitt 11: Funktion für die Extrahierung der Entitäten mit LUIS

Codeausschnitt 12: Funktion für die Validierung der Nutzereingaben

Codeausschnitt 13: Funktion für die Validierung des Dateiformats

Codeausschnitt 14: Funktion für den Bezug von relevanten Daten aus docparser

Codeausschnitt 15: Funktion zum Hochladen von Belegen in Azure Blob Storage

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

In diesem Kapitel werden die Ausgangsituation und die Problemstellung der vorliegenden Masterarbeit vorgestellt. Darauf aufbauend erfolgt die Beschreibung der Zielsetzung sowie der Vorgehensweise.

1.1 Ausgangsituation und Problemstellung

“ In 10 years, if you ’ re not using some sort of AI-enhanced assistant, it will be like not being on the Internet today. ”

- Kaza Razat, 2017

Mit der zunehmenden Digitalisierung verändern sich nicht nur die Geschäftsprozesse, sondern auch die Art und Weise mit dem Menschen mit Maschinen kommunizieren (vgl. Kagermann und Winter, 2018). Der Einsatz von KI-basierten Assistenten am Arbeitsplatz gewinnt immer mehr an Bedeutung. So prognostiziert das Marktforschungsunternehmen Gartner Inc., dass bis zum Jahr 2021 25 % der digitalen Mitarbeiter einen KI-basierten Assistenten verwenden werden (vgl. Gartner, 2019 a). Diese können dazu genutzt werden Mitarbeiter von repetitiven und langwierigen Aufgaben zu befreien. Dadurch haben die Mitarbeiter die Möglichkeit, ihre Kapazitäten für anspruchsvolle Aufgaben mit einem höheren Mehrwert einzusetzen (vgl. Allen, 2018). Ein geeignetes Beispiel hierfür ist das manuelle Ausfüllen von Reisekostenanträgen (vgl. ExpenseWire, 2018; vgl. Kesavan, 2019). Dieser Prozess umschließt das Auflisten sämtlicher entstandener Kosten, die während einer Geschäftsreise angefallen sind, und das Anfügen der dazugehörigen Belege (vgl. Für Gründer). Laut einer Studie der GBTA Foundation und HRS nimmt jede Reisekostenabrechnung für eine Geschäftsreise mit Übernachtung etwa 20 Minuten Zeit in Anspruch. Neben dem zeitlichen Aufwand fallen allein für die Bearbeitung der Reisekostenabrechnung Prozesskosten in Höhe von 53 Euro an. Darüber hinaus wurde festgestellt, dass jede fünfte manuelle Abrechnung fehlerhaft ist. Für die Korrektur werden durchschnittlich 18 Minuten benötigt und weitere 48 Euro Prozesskosten kumuliert (vgl. GBTA and HRS Global Hotel Solutions, 2015, S. 11). Auf Basis dieser Erkenntnisse und aufgrund der Tatsache, dass allein in Deutschland im Jahr 2018 189,6 Millionen Geschäftsreisen (vgl. VDR, 2019, S. 5) stattfanden, lässt sich feststellen, dass die Reisekostenabrechnung nicht nur Prozesskosten in Milliardenhöhe verursacht, sondern auch einen erheblichen Zeitaufwand für die Mitarbeiter darstellt. Eine Prozessoptimierung der Reisekostenabrechnung kann große Einsparpotenziale für Unternehmen mit sich bringen. Unternehmen sehen insbesondere den Einsatz von künstlicher Intelligenz als eine geeignete Möglichkeit, um den Prozessablauf zu vereinfachen und die Prozesskosten von Geschäftsreisen zu senken (vgl. VDR, 2019, S. 20). Technologien, die in diesem Kontext häufig erwähnt werden, sind Chatbots und Robotic Process Automation (vgl. Nubeel, 2018; vgl. McGloin).

Der globale Markt von Chatbots erreichte im Jahr 2018 1,17 Milliarden USD und soll in den nächsten 8 Jahren auf 10 Milliarden USD wachsen (vgl. Reports and Data 2019). So zeigt eine Studie von Spicework aus dem Jahr 2018, dass 29%¹ der befragten Unternehmen bereits ein Chatbot für die Bearbeitung von unternehmensinternen Aufgaben im Einsatz haben oder in den nächsten 12 Monaten eine Einführung planen (vgl. Tsai, 2018). Die Fähigkeit eines Chatbots natürliche Sprache zu verarbeiten, bietet Unternehmen neue Wege zur Gestaltung der Mensch-Maschine-Interaktion. Diese Technologie kann unter anderen dazu genutzt werden, Mitarbeitern von Routineaufgaben zu befreien und deren gesamten Bearbeitungszeit zu reduzieren (vgl. inbenta, 2018).

Eine weitere Technologie, die in den letzten Jahren einen rasanten Aufstieg erlebt, ist Robotic Process Automation (im nachfolgenden RPA). Hierbei handelt es sich um einen softwaregestützten-Ansatz, bei dem Roboter die Aufgaben von Menschen übernehmen und mit bestehenden Softwaresystemen interagieren. Mit RPA lassen sich regelbasierte Geschäftsprozesse ohne menschliches Eingreifen schneller, kostengünstiger und genauer ausführen (vgl. Kroll, et al. 2016, S. 10 ff.). Diese Aussage wird durch die Ergebnisse einer Studie von Deloitte aus dem Jahr 2017 ebenfalls bekräftigt. Dabei wurden insgesamt 400 Personen aus unterschiedlichen Industriebereichen über die Auswirkungen von RPA befragt. Die Auswertungen der Umfrage zeigen, dass der Einsatz von RPA eine Kostenreduktion von 58 %, eine Produktivitätssteigerung von 88 % und eine 90 prozentige Genauigkeit bei der Prozessausführung ermöglicht (vgl. Watson und Wright, 2017, S. 2). Nach einer Untersuchung der Gartner Inc. ist der RPA-Markt allein im Jahr 2018 um 63,1% gewachsen. Der Marktwerkt soll im Jahr 2019 1,3 Milliarden USD erreichen (vgl. Gartner, 2019 b) und sich bis zum Jahr 2025 um weitere 3 Milliarden erhöhen (vgl. Grand View Research, 2019).

Eine Verknüpfung der beschriebenen Technologien kann das Spektrum der Prozessautomatisierung erweitern. Während RPA-Roboter die Interaktion mit bestehenden Softwareanwendungen übernehmen können, bieten Chatbots eine natürliche und vereinfachte Benutzeroberfläche zur Kommunikation von Benutzeranliegen. So kann der Chatbot in einer intuitiven Art und Weise relevante Daten des Benutzers beziehen und anschließend dem RPA-Roboter für die weitere Prozessausführung übergeben. Diese komplementäre Ergänzung bietet Unternehmen neue Wege zur Gestaltung von Geschäftsprozessen (vgl. Nubeel, 2018).

1.2 Zielsetzung der Arbeit

Das Ziel dieser Arbeit ist die prototypische Implementierung eines KI-basierten Assistenten für die automatisierte Verarbeitung von Reisekostenanträgen. Im Rahmen dieses Anwendungsfalles wird der Prozess mit Hilfe eines Chatbots und eines RPA-Roboters automatisiert. Bestandteil der Implementierung ist die Umsetzung einer Schnittstelle, die den Datenaustausch zwischen den beiden Technologien ermöglicht.

1.3 Vorgehen

Im Anschluss an die Einleitung erfolgt im nächsten Kapitel die Vorstellung der relevanten theoretischen Grundlagen. Um den Leser einen Einstieg in das Thema zu ermöglichen, werden zunächst die einzelnen Technologien zur Umsetzung des Prozesses genauer beschrieben. Neben der technischen Funktionsweise von Chatbots und RPA-Roboter werden die Stärken und Schwächen der einzelnen Technologien präsentiert. Weiterhin erfolgt die Vorstellung der zu benutzenden Frameworks und Tools.

Im nächsten Kapitel wird der Prozess der Reisekostenabrechnung dargestellt. Hierbei liegt der Fokus auf eine allgemeine Beschreibung des üblichen manuellen Prozesses, um damit die Vorteile durch eine Automatisierung zu verdeutlichen.

Im darauffolgenden Kapitel wird das Lösungskonzept näher erläutert. Dazu soll mit Hilfe der aufgestellten Anforderungen das Prinzip der Lösung definiert und anschließend eine ordnungsgemäße Funktionsweise anhand dieser überprüft werden. Darüber hinaus wird in diesem Kapitel die Konzeption des Chatbots und des RPA-Roboters beschrieben.

Auf diese Ergebnisse aufbauend erfolgt im nächsten Kapitel die Implementierung der Lösung. Dabei wird zunächst erläutert, wie die einzelnen Technologien und Frameworks zur Entwicklung des Chatbots eingerichtet werden. Weiterhin wird die Implementierung des RPA-Roboters beschrieben.

Das darauffolgende Kapitel stellt die Durchführung der Testphase dar, in dem überprüft werden soll, ob der Chatbot und der RPA-Roboter gemäß den Anforderungen funktionieren. Eine entsprechende Auswertung dieser erfolgt im nächsten Kapitel.

Im letzten Kapitel der Arbeit werden die Ergebnisse untersucht und zusammengefasst. Dabei wird reflektiert, welchen Mehrwert die Lösung gegenüber einer manuellen Durchführung des Prozesses bietet.

2 Chatbots

Aufgrund der weit verbreiteten Verwendung von Endgeräten, entstand der Wunsch mit einem Computer ebenso kommunizieren zu können, wie mit einem Menschen -durch den Einsatz natürlicher Sprache (vgl. Wilks, 1999, S. VIII). Laut Zadrozny et al. kann die Mensch-Maschine-Interaktion einfacher gestaltet werden, wenn die Benutzer "[...] ihre Interessen, W ü nsche oder Fragen direkt und nat ü rlich ä u ß ern k ö nnen - indem sie sprechen, tippen und zeigen" (Zadrozny, et al., 2000, S. 117). Aus dieser Absicht heraus wurden Chatbots enwickelt (vgl. Zadrozny, et al., 2000, S.116).

Die folgenden Abschnitte dieses Kapitels bieten einen Überblick über die Definition, die Geschichte und die Einsatzbreiche von Chatbots. Außerdem werden die Architektur und Designprinzipien detaillierter vorgestellt.

2.1 Definition

Der Begriff Chatbot taucht in der Literatur unter diversen Bezeichnungen auf und wird oftmals durch Begriffe wie virtuelle Agenten, virtuelle Assistenten oder intelligenten Agenten ersetzt. Jedoch existiert hierfür bis heute noch keine einheitliche Definition (vgl. Wang & Petrina, 2013, S.124).

Das Wort Chatbot findet seinen Ursprung aus dem Englischen und setzt sich aus dem Verb to chat (plaudern) und der Abkürzung des Wortes r obot (Roboter) zusammen (vgl. Kusber, 2017, S. 232). Dahingehend sind Chatbots Programme, die auf eine Texteingabe reagieren und auf natürliche Sprache basierend eine Interaktion zwischen einer Maschine und einem Menschen ermöglichen (vgl. Wang & Petrina, 2013, S.124). Die Hauptaufgabe eines Chatbots ist ein menschliches Gepräch zu simulieren und dabei den Anwender bei der Durchführung von Aufgaben (beispielsweise Reisebuchung) zu unterstützen (vgl. Dale, 2016, S. 811). Im Vergleich zu digitalen Assistenten wie z. B. Alexa sind Chatbots nicht an ein bestimmtes Gerät gebunden. Der Unterschied besteht darin, dass die Interaktion des Chatbots mit dem Nutzer über ein Chat-Fenster erfolgt und daher plattformspezifisch ist (vgl. Machiraju & Modi, 2018, S. 5 f.).

Grundsätzlich lässt sich das Gespräch mit einem Chatbot in zwei Arten klassifizieren: open-domain und closed-domain. Die open-domain Unterhaltung ist nicht auf ein vordefiniertes Gesprächsthema eingeschränkt. Dies bedeutet, dass der Chatbot in der Lage ist ein offenes Gespräch unanhängig von dem Kontext mit dem Anwender zu führen. Heutzutage werden solche Chatbots selten etwickelt, da hierfür eine umfangreiche Wissensdatenbank erforderlich ist. Demgegenüber sind closed-domain Unterhaltung leichter zu implementieren, da die Gesprächsthematik im Vorfeld eingegrenzt ist, sodass Fragen außerhalb des festgelegten Themas nicht betrachtet werden. So könnte beispielweise ein Chatbot aus dem Gesundheitswesenbereich Anfragen bezüglich der aktuellen Wettervorhersage nicht verarbeiten (vgl. Thanaki, 2018, S. 347 f.).

Die Geschichte der Chatbot-Entwicklung lässt sich bis ins Jahr 1960 zurückverfolgen, als Joseph Weizenbaum den ersten Chatbot names ELIZA entwickelte. ELIZA sollte eine Psychotherapeutin, die mit dem Nutzern ein therapeutisches Gespräch in natürlicher Sprache führen kann, simulieren. Dabei verläuft das Gespräch wie folgt: Der Nutzer kann seine Gedanken in schriftlicher Form im Computer eingeben. Daraufhin wird der eingegebene Satz nach bestimmten Schlüsselwörtern durchsucht. Sollte das Programm ein solches Wort finden, wird auf Basis definierter Regeln eine Antwort generiert. Wenn die Eingabe beispielweise das Schlüsselwort "Mutter" enthält, kann ELIZA mit "Erzähl mir mehr über deine Familie." antworten (vgl. Weizenbaum, 1966, S. 36 ff.).

Heutzutage werden Chatbots in verschiedenen Bereichen eingesetzt, um herkömliche Geschäftsprozesse zu optimieren oder Menschen bei der Ausführung von wiederkehrenden Aufgaben zu unterstützen (vgl. Brandtzaeg & Følstad, 2017, S.379). Insbesondere in Unternehmensbereichen wie Kundensupport, Helpdesk, technischer Support, Verkauf und Webseitenavigation gewinnen Chatbots an großer Bedeutung. Hierbei bietet der Einsatz dieser Technologie eine effektive und zugleich kostengünstige Alternative Kudenanfragen rund um die Uhr zu bearbeiten, aber auch bei der Ausführung von internen Mitarbeiternanliegen zu unterstützen. Dadurch kann auch die Kundenzufriedenheit gestärkt werden (vgl. Lester, Branting, & Mott, 2004, S.1 ff). Auch im Gesundheitswesen werden Chatbots eingesetzt, um beispielweise Patienten bei spezifischen gesundheitsbezogenen Fragen zu helfen (vgl. Comendador, Francisco, Medenilla, Nacion, & Serac, 2015, S. 1).

2.2 Architektur

Grundsätzlich besteht ein Chatbot aus insgesamt vier Komponenten, die in einer Beziehung zu einander stehen und das Gespräch mit dem Nutzer ermöglichen. Die nachfolgende Abbildung stellt den Aufbau dar.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Grundlegende Architektur eines Chatbots

(Quelle: eigene Darstellung, angelehnt an McTear, Callejas und Griol, 2016. S.21)

Der Nutzer übergibt seine Nachricht im Chatfenster der jeweiligen Chat-Plattform. Diese leitet die Nachricht an die sogenannte Natural-Language-Understanding-Komponente (nachfolgend NLU) weiter. Hierfür wird die Äußerung des Nutzers hinsichtlich der Absicht interpretiert. Das Ergebnis dieser Analyse wird an den Dialogmanager, der für die Ausführung einer Folgeaktion zuständig ist, weitergeleitet. Abschließend wird mit Hilfe der Natural-Language-Generation-Komponente (nachfolgend NLG) eine Antwort generiert (vgl. McTear, Callejas und Griol, 2016, 20 f.).

2.2.1 Kanal

Damit der Endanwender mit dem Chatbot kommunizieren kann, ist die Anbindung an einen Kanal erforderlich. Hierbei stehen unterschiedliche Möglichkeiten zur Verfügung. Dazu zählen Instant-Messanger-Dienste (z. B. Facebook, Skype) sowie Unternehmens-Chat-Dienste (z. B. Slack). Die Auswahl einer geeigneten Plattform ist von dem Zweck des Chatbots abhängig (vgl. Janarthanam, 2017, S. 16).

2.2.2 Natural Language Processing

Die Natural-Language-Processing-Komponente (nachfolgend NLP) ist innerhalb der Chatbot-Architektur für die Verarbeitung von natürlicher Sprache zuständig.

NLP ist eine Teildisziplin der Linguistik sowie der künstlichen Intelligenz, die eine Vielzahl von Techniken und Methoden zur Analyse und Darstellung von natürlicher Sprache umfasst. Die Kernaufgabe von NLP ist es Maschinen dazu zu befähigen, menschliche Sprache zu verstehen (vgl. Liddy, 2001, S. 1 f.). Dahingehend werden Soft- oder Hardwarekomponente, die in der Lage sind, gesprochene oder geschriebene Sätze zu analysieren sowie zu synthetisieren, als NLP-Komponente bezeichnet (vgl. Jackson & Moulinier, 2002, S. 2 f.).

Für die Verarbeitung der übergebenen Äußerung kommen zwei Verfahren zum Einsatz: Natural Language Understanding und Natural Language Generation. Erstgenanntes thematisiert die Umwandlung und Interpretation von natürlicher Sprache. Zweitgenanntes ermöglicht die Generierung einer Antwort in natürlicher Sprache (vgl. Khurana, Koli, Khatter, & Singh, 2017, S. 2).

2.2.2.1 Natural Language Understanding

Die NLU-Komponente befasst sich mit der Fähigkeit einer Maschine Spracheingaben zu verstehen und sie von einer unstrukturierten Form in eine strukturierte Form zu überführen (vgl. Pathak, 2018, S. 12). Dieser Prozess ermöglicht das Erkennen der Absicht und das Extrahieren von Entitäten aus der Nutzereingabe (vgl. Shevat, 2017, S. 70). Eine Absicht beschreibt die Intention des Nutzers und stellt ein konkretes Ziel, das der Nutzer erreichen will (z. B. eine Reisebuchung), dar. Entitäten hingegen sind eine Gruppierung von Wörtern, die inhaltlich demselben Gebiet zugeordnet werden können und die ermittelte Absicht um weitere Informationen ergänzen. Hierbei kann es sich beispielweise um Stadtnamen, die als mögliche Ausprägung einer Reiseziel-Entität klassifiziert werden können, handeln (vgl. Jurafsky & Martin H., 2018, S. 13 f.). Die nachfolgende Abbildung veranschaulicht anhand eines Beispiels, wie die interne Verarbeitung der übergebenen Äußerung aussehen könnte.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Verarbeitung einer Ä u ß erung

(Quelle: eigene Darstellung)

Die Erstellung einer zuverlässigen NLU-Komponente, die in der Lage ist, die Absichten des Nutzers unabhängig von seiner Ausdrucksform richtig zu ermitteln, erfordert eine umfassende Wissensgrundlage. Hierzu müssen die domain-spezifischen Absichten und Entitäten in einem sogenannten Wörterbuch definiert und mit möglichst unterschiedlichen Beispieldaten oder Beispieläußerungen befüllt werden (vgl. Batish, 2018, S. 13 f.). Die nachfolgende Tabelle zeigt wie ein solches Wörterbuch aufgebaut sein könnte.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Wörterbuch einer NLU-Komponente (Quelle: eigene Darstellung)

Die Ermittlung der Nutzerabsicht durchläuft insgesamt fünf Phasen (vgl. Dale, Moisl, & Somers, 2000 S.3), die im nachfolgenden genauer vorgestellt werden.

Innerhalb des ersten Schrittes erfolgt die sogenannte Tokenisierung. Dieses verfolgt das Ziel, die übergebene Äußerung in einzelnen Einheiten wie z. B. Wörter, Zahlen oder Symbole zu zerlegen. Für die Abgrenzung der Wörter werden vordefinierte Trennsymbole wie Leerzeichen oder Interpunktionszeichen (z. B. Komma, Punkt usw.) verwendet (vgl. Barriere, 2016, S. 130).

Im Anschluss der Tokenisierung, findet die lexikalische Analyse statt. Diese befasst sich mit der Untersuchung der lexikalischen Bedeutung der separierten Wörter (vgl. Pelz, 2019, S. 28).

Im nächsten Schritt erfolgt die Syntaxanalyse. Dabei untersucht die NLU-Komponente die zerlegten Tokens, sodass die Beziehungen und Relationen zwischen den Wörtern ermittelt werden können. Hierzu erlogt anhand grammatikalischer Regeln eine Kategorisierung der Wörter nach deren Wortklasse (z. B. Nomen, Verben, Adjektive usw.) (vgl. Deshpande & Yadac, 2006, S. 2 ff.).

Darauf aufbauend wird die semantische Analyse durchgeführt. Das Ziel dabei ist es die Logik zwischen den Worten und den Sätzen herzustellen. Der Prozess kann in drei Teilbereiche gegliedert werden: Lexikalische Semantik, Satzsemantik und Diskurssemantik. Während die lexikalische Semantik die Bedeutung des Wortes untersucht, befasst sich die Satzsemantik mit dem eigentlichen Wortzusammenhang in dem jeweiligen Satz. Mit Hilfe der Diskurssemantik, lässt sich der Zusammenhang von Sätzen und deren Aussagelogik feststellen (vgl. Carstensen, et al., 2010, vgl. 330 f.).

Innerhalb des letzten Schritts der Textverarbeitung – die pragmatische Analyse – geht es darum den realweltlichen Kontext zu bestimmen. Dabei werden Sinn und Zweck der übergebenen Äußerung analysiert. Je nachdem in welcher Situation die Äußerung stattfindet, kann die Interpretation unterschiedlich ausfallen (vgl. Carstensen, et al., 2010, vgl. 394.). Als Ergebnis dieser Analyse lässt sich die Nutzerintention bestimmen (vgl. Dale, Moisl, & Somers, 2000 S. 3).

2.2.2.2 Natural Language Generation

Die NLG-Komponente stellt das Gegenstück der NLU-Komponente dar und thematisiert die Umwandlung der computerinternen Repräsentation von Daten im Text (vgl. Kumar, 2010, S. 179). Die Kernaufgabe dieser Komponente ist es eine Antwort auf die jeweilige Nutzereingabe in natürliche Sprache zu generieren (vgl. Wu, Meng, Ning & Tse, 2006, S. 615). Die NLG-Komponente ist außerdem dafür zuständig die Ausgabe zu strukturieren. Dieser Prozess beinhaltet die Auswahl der passenden Informationen, die für die Nutzeranfrage relevant sind und Strukturierung dieser in einem bestimmten Satz (vgl. Gatt & Krahmer, 2018, S. 9). Eine mögliche Methode hierfür ist der vorlagenbasierte Ansatz. Dabei werden vordefinierte Vorlagen mit den aktuellen Informationen befüllt und als Antworten zurückgegeben (vgl. Gatt & Krahmer, 2018, S. 19). Die nachfolgende Vorlage veranschaulicht wie die interne Strukturierung der ausgewählten Informationen aussehen könnte.

Okay, $Benutzername. Ich habe eine Reise nach $Reiseziel am $Reisedatum f ü r $Gesamtbetrag gefunden. Bist du daran interessiert?

2.2.3 Dialogmanager

Der Dialogmanager agiert als zentrale Komponente innerhalb der Chatbot-Architektur und ist für die Steuerung des Konversationsflusses sowie die Kommunikation mit den angebundenen Modulen (z. B. NLU) zuständig. Das heißt, dass die Unterhaltung mit dem Benutzer dadurch ermöglicht wird. Hierfür wird basierend auf den Ergebnissen der NLU-Komponente die Absicht des Nutzes interpretiert und im Gesprächskontext eingebunden. Anschließend kann der Dialog-Manager gemäß der jeweiligen Nutzereingabe eine passende Antwort generieren (vgl. Janarthanam, 2017, S. 12). Hierbei kann es sich beispielsweise um das Beantworten einer Suchanfrage handeln. Um dies zu ermöglichen muss der Dialog-Manager eine angebundene Wissensdatenbank durchsuchen und die entsprechende Antwort bereitstellen. Zusätzlich kann der Dialog-Manager bei Bedarf den Nutzer nach fehlenden Informationen, die für das Verarbeiten der jeweiligen Anfrage benötigt werden, abfragen. Außerdem kann die generierte Antwort eine Aufforderung zur Bestätigung oder Umformulierung unverständlicher Nutzeingaben sein (vgl. Cheongjae, Sangkeun, Kyungduk, Donghyeon & Gary, 2010, S. 3 f.).

Für die Aufrechthaltung des Gesprächstkontexts werden unterschiedliche Wissenquellen verwendet, die das sogenannten Dialog-Model abbilden. Dazu gehören unter anderen die Dialoghistorie, das Aufgabenprotokoll und das Nutzermodel. In der Dialoghistorie werden sämtliche Daten wie z. B. Absichten und Entitäten, die während des Gespräch indefiziert worden sind, gespeichert. Das Aufgabenprotokoll dient als eine Art Vorlage, dessen Ziel es ist aufgabenrelevante Informationen, die noch nicht erfasst worden sind, abzubilden. Diese Vorlage kann auch als Aufgabenspeicher verwendet werden, sodass bereits mitgeteilte Daten (z. B. Reiseziel) zu einem beliebigen Zeitpunkt des Gesprächs geändert werden können. Schließlich sorgt das Nutzermodell für die Aufbewahrung nutzerspezifische Daten wie z. B. Name, Vorlieben, Ziele, Überzeugungen und Absichten (vgl. McTear, 2002, S. 7).

Wie der Dialog-Manager die Unterhaltung mit dem Nutzer steuert, ist von der jeweiligen Strategie abhängig. Hierbei können drei unterschiedliche Ansätze verfolgt werden: zustandsbasierter, regelbasierter oder agentenbasierter Ansatz (vgl. McTear, 2002, S. 4 ff.):

- zustandsbasierter Ansatz: Bei dem zustandsbasierten Ansatz verläuft das Gespräch mit dem Nutzer in einer Reihnfolge von vordefinierten Schritten und Zuständen. Daher ist der Dialogablauf sehr statisch, aber zugleich für kleinere und vordefinierte Einsatzbereiche geeignet. Die festgelegten Zustände und dessen Übergänge spezifizieren den Dialogablauf und bilden somit die alternativen Wege innerhalb des Dialogflusses ab. Der Dialogmanager reagiert auf bestimmte Wörter oder Phrasen der jeweiligen Nutzereingabe und führt eine angemessene Folgeaktion aus. Am Ende jeder Transaktion fordert das System den Nutzer auf, die erkannte Eingaben explizit zu bestätigen. Das nachfolgende Beispiel zeigt wie das Gespräch bei dem zustandbasierten Ansatz aussehen könnte.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Vorstellung eines zustandsbasierten Gespr ä chs (Quelle: eigene Darstellung, angelehnt an: McTear, 2002, S. 4 ff.)

- regelbasierter Ansatz: Bei dem regelbasierten Ansatz ist der Ablauf des Gesprächs nicht vorgegeben. Dem Nutzer werden Fragen gestellt, um kontext-relevante Informationen zu beziehen. Daraufhin werden die Infomationen in Hinsicht auf deren Vollständigkeit überprüft, um somit eine Folge von Aktionen auszuführen. Sollten die relevanten Daten für die Aufgabenbearbeitung fehlen, wird der Nutzer noch mal aufgefort diese einzugeben. Wenn der Benutzer jedoch mehr als die angeforderten Informationen angibt, kann das System diese Informationen akzeptieren und prüfen, ob zusätzliche Informationen erforderlich sind. Die folgende Abbildung zeigt ein regelbasiertes Gespräch.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: Vorstellung eines regelbasierten Gespr ä chs (Quelle: eigene Darstellung, angelehnt an: McTear, 2002, S. 4 ff.)

- agentenbasierter Ansatz: Dieser Ansatz ermöglicht die Gestaltung komplexerer Dialoge. Mit Hilfe von intelligenten Gesprächsmodellen können die Einschränkungen der oben gennanten Ansätze überwunden werden, sodass der Benutzer die Kontrolle über das Gespräch übernehmen kann. Der Diaog ist nicht mehr auf bestimmte Dialogphasen beschränkt, sondern arbeitet vielmehr daran, den Dialog als Ganzes zu verstehen. Dieser Ansatz erfordert die Integration einer NLU-Komponente, da die Form der Benutzereingaben nicht im Voraus definiert werden kann. Die nachfolgende Abbildung stellt ein agentenbasiertes Gespräch dar.

Abbildung in dieser Leseprobe nicht enthalten

A bbildung 5: Vorstellung eines agentenbasierten Gespr ä chs (Quelle: eigene Darstellung, angelehnt an: McTear, 2002, S. 4 ff.)

2.3 Chatbot-Design

2.3.1 Pers ö nlichkeit

Die Entwicklung einer Chatbot-Persönlichkeit hat eine entscheidende Bedeutung für die Nutzerakzeptanz. Der Chatbot-Charakter kann sogar die Bereitschaft des Nutzers mit dem System zu interagieren beeinflussen (vgl. Zoraida, Lopez-Cozar, Abalos, & Griol, 2011, S. 204). Laut Fadhil kann die Persönlichkeit eines Chatbots dem Nutzer das Gefühl geben, dass mit einer echten Person gesprochen wird (vgl. Fadhil, 2018, S. 2). Mit Persönlichkeit ist eine Gruppe von Personenmerkmalen, die die Emotionen, Motivationen und Verhaltensweisen in verschiedenen Situationen beeinflussen, zu verstehen (vgl. McTear, Callejas, & Griol, 2016, S. 329ff.). Außerdem kann die Chatbot-Persönlichkeit unter anderem auch durch das Vergeben eines Namens und eines Erscheinungsbildes gestärkt werden (vgl. Shevat, 2017, S. 41).

Beim Entwerfen der Persönlichkeit müssen Faktoren wie z. B. Unternehmensimage, Zielgruppe und Aufgabenfeld berücksichtig werden (vgl. Shevat, 2017, S. 40). Zunächst muss sichergestellt sein, dass die Persönlichkeit und das Verhalten des Chatbots mit den Zielen und Werten des Unternehmens übereinstimmen. Die Bestimmung der Zielgruppe ist dabei wichtig, um festzustellen welche Persönlichkeitsmerkmale für die Benutzergruppe geeignet sind. Außerdem muss der Chatbot-Charakter den jeweiligen Aufgabenbereichen entsprechen (vgl. Smestad & Volden, 2018, S. 4). Beispielweise wird bei der Interaktion mit einem Shopping-Bot eine humorvolle und lockere Persönlichkeit erwartet (vgl. Jain, Kumar, Kota, & Patel, 2018, S. 901).

2.3.2 Gespräch

Auch bei der Gestaltung der Dialoge müssen diverse Aspekte beachtet werden. Zunächst ist es wichtig, dass der Nutzer darüber informiert wird, welche Funktionen der Chatbot unterstützt. Um dies zu ermöglichen empfiehlt es sich, beim Erstkontakt mit dem Nutzer einer Art Einführung zu geben. Dabei werden die Grund-funktionalitäten des Bots vorgestellt sowie erste Interaktionshinweise gegeben (vgl. Shevat, 2017, S. 41).

Ein weiterer Aspekt, der für eine bessere Nutzerinteraktion sorgt, ist die Einbindung oder Einplanung von Fehlerbehandlungen. Während des Gesprächs mit einem Chatbot kann es dazu kommen, dass der Bot nicht in der Lage ist, die Nutzereingabe zu verarbeiten. Dies kann insbesondere dann auftreten, wenn die Äußerung des Nutzers nicht interpretierbar ist. Solche Szenarien müssen bei der Konzeption des Chatbots eingeplant und entsprechend behandelt werden. Hierzu empfiehlt es sich, eine Fallback-Antwort zu integrieren, indem der Bot den Benutzer auf seine Hauptfunktionalitäten hinweist, wie z. B. „Ich habe das leider nicht ganz verstanden, kann ich dir eine der nachfolgenden Optionen anbieten, bei denen ich Dir helfen kann?" (vgl. Messiahdas, 2018, S. 4 f.). Dies hilft dem Bot den Unterhaltungsfluss beizubehalten, ohne dabei den Benutzer zu frustrieren (vgl. Chung, 2017, S. 8).

Auch die Berücksichtigung von Tippfehlern oder falschen Eingaben kann den Dialogfluss verbessern. Die Gestaltung des Gesprächs muss die Korrektur von Nutzereingaben ermöglichen (vgl. Messiahdas, 2018, S. 5; Fadhil, 2018, S. 5).

Sinnvoll ist auch, dass der Nutzer die Möglichkeit hat, das aktuelle Gespräch zu unterbrechen, um beispielweise ein neues Gesprächsthema anzufangen. Typische Äußerungen wie „Hilfe“ oder „Abbruch“ können dafür sorgen, dass der Nutzer zu jedem Zeitpunkt die Interaktion unterbrechen kann (vgl. Chung, 2017, S. 13 f.; Shevat, 2017, S. 42).

2.3.3 Interaktion

Die Einbindung von interaktiven Elementen wie Knöpfe, Karten, Bilder, oder Menüs sorgen für eine intuitive Bedienung bzw. Unterhaltung. Mit Hilfe dieser Elemente kann die Interaktion mit dem Bot erleichtert werden, indem der Nutzer seine Absichten oder Wünsche schnell kommunizieren kann. Insbesondere dann, wenn Texteingaben nicht erforderlich sind, kann das Bereitstellen solcher Elemente die Kommunikation mit dem Bot beschleunigen und das Nutzererlebnis verbessern. Zusätzlich lassen sich durch das Einsparen von Texteingaben auch Tippfehler oder Fehleingaben vermeiden (vgl. Messiahdas, 2018, S. 4).

Auch die Bearbeitung von Anfragen, die zu langen Antwortzeiten führen können, sollte bei dem Interaktionsdesign berücksichtig werden. In diesen Situationen bietet sich die Integration eines Typing-Indikators an. Dies signalisiert dem Benutzer, dass die Anfrage im Hintergrund verarbeitet wird (vgl. Shevat, 2017, S. 114; Fadhil, 2018, S. 6).

2.4 Stärken und Chancen

2.4.1 Kosteneinsparungen

Der Einsatz von Chatbots bietet Unternehmen eine Möglichkeit zur Kosteneinsparung im Bereich des Kunden-Supports (vgl. Janarthanam, 2017, S. 19). Je nach Branche handelt es sich bei 50 bis 70 Prozent der Kundenanliegen um Standardfragen, die auf Basis einer Wissensdatenbank beantwortet werden können, ohne dass ein Mitarbeiter eingebunden werden muss (vgl. Lindner, 2013, S. 102). Demzufolge können Chatbots für die Verarbeitung von standardisierten Anfragen eingeführt werden und somit eine Reduktion der eingehenden Anrufe oder E-Mails ermöglichen (vgl. Langer, 2016, S. 40). Laut einer Modellrechnung von Linder kann eine potenzielle Kosteneinsparung von 73.000 Euro bei einer Senkung von 20 Prozent der E-Mail Aufkommen erreicht werden (vgl. Lindner, 2013, S. 103).

2.4.2 Verbesserung des Kundenerlebnisses und der Kundenzufriedenheit

Der einfache Zugang zum Internet und die daraus resultierende Möglichkeit sich zu jeder Zeit Informationen zu beschaffen, hat die Erwartungshaltung der Kunden in Bezug auf den Kundenservice verändert. Anfragen sollen möglichst schnell und rund um die Uhr an jedem Wochentag bearbeitet werden können. Insbesondere langen Wartezeiten stehen Kunden kritisch gegenüber (vgl. Henn, 2018, S. 12 f.). Eine Möglichkeit für Unternehmen diese Herausforderung zu bewältigen und somit den steigenden Anforderungen gerecht zu werden, stellen Chatbots dar. Diese Technologie ermöglicht die sofortige und arbeitszeitunabhängige Bearbeitung von Kundenanfragen (vgl. Janarthanam, 2017, S. 19.). Die Reduktion von Bearbeitungszeiten kann zu einem verbesserten Kundenerlebnis führen und somit auch die Kundenzufriedenheit steigern (vgl. Accenture Interactive, 2016, S. 10).

2.4.3 Gewinnung von Kundeninformationen

Der Einsatz von Chatbots kann Unternehmen neue Möglichkeiten für die Analyse der eigenen Kunden und derer Präferenzen bieten. Dabei können die relevanten Daten entweder aus anderen Plattformen bezogen oder müssen während der Unterhaltung ermittelt werden. Viele Messenger-Dienste bieten heutzutage die Möglichkeit an, eine Anmeldung mittels des Social-Media-Profil durchzuführen. Dies ermöglicht Unternehmen den direkten Zugang zu persönlichen Benutzer-informationen wie z. B. deren Interessen. Sollte dies nicht der Fall sein, kann ein Chatbot die notwendigen Informationen mit Hilfe von Dialogen beziehen. Auf Basis dieser Datenerhebungen können Unternehmen das Kaufverhalten ihrer Kunden analysieren und ihnen somit individuelle und nutzerorientierte Services unterbreiten (vgl. Zumstein & Hundertmark, 2017, S. 101 f.).

2.5 Schwächen und Risiken

2.5.1 Nutzerakzeptanz

Eine große Herausforderung bei der Entwicklung von Chatbots ist die Bereitstellung einer ausreichenden Wissensgrundlage. Der Chatbot muss in der Lage sein, unabhängig von der Ausdrucksform, die korrekte Absicht des Nutzers zu ermitteln, um somit auf die richtige Anwort zugreifen zu können (vgl. Borah, Pathak, Sarmah, Som, & Nandi, 2019, S. 93). Die falsche Interpretation der Nutzeranfrage und die daraus resultierenden fehlerhaften Antworten, kann Frustrierungen bei dem Anwender hervorrufen und die Nutzerakzeptanz gegenüber dieser Technologie senken (vgl. Følstad, Nordheim, & Bjørkli, 2018, S.199 f.).

Ein weiterer Faktor, der die Nutzerakzeptanz stark beiflussen kann, stellt die Chatbot-Persönlichkeit dar. Nutzer empfinden Bots, die einen menschenänlichen Charakter bei der Kommunikation aufzeigen, attraktiver. Das Vorhandensein einer Persönlichkeit kann somit das Benutzervertrauen verstärken und positive Eindrücke bei dem Nutzer hervorrufen (vgl. Følstad, Nordheim, & Bjørkli, 2018, S. 201).

2.5.2 Datenschutz und Datensicherheit

Bei der Verwendung und Entwicklung von Chatbots sollten auch die Themen Datenschutz sowie Datensicherheit eine zentrale Rolle einnehmen. Chatbots sollten den Endnutzer vor der eigentlichen Anwendung darüber in Kenntnis setzen, welche persönlichen Daten das Unternehmen sammelt, speichert und verwendet. Zusätzlich ist bei Chatbots, die nicht ausschließlich als simple Frage-und-Antwort-Bot konzipiert sind, zu beachten, dass die Datenübertragung datenschutzrechtliche Standards erfüllt (vgl. Følstad, Nordheim, & Bjørkli, 2018, S. 202). Das gilt insbesondere für Vorgänge, die beispielsweise die Verarbeitung von sensiblen Daten vorraussetzen. Darunter fallen unter anderem Anmelde- und Bezahlprozesse. Die Nicht-Berücksichtigung dieser Aspekte kann dazu führen, dass das Vertrauen des Endanwenders gegenüber des eingesetzen Chatbots verringert wird (vgl. Zumstein & Hundertmark, 2017, S. 102 f.).

2.6 Bestandteile für die Implementierung

2.6.1 Auswahl der Azure-Plattform

Für die Implementierung eines Chatbots ist die vorherige Auswahl einer geeigneten Plattform notwendig. Hierfür wurde eine Onlinerecherche durchgeführt und gemäß den Anforderungen die Autorin verschiedene Plattformen gegenübergestellt. Hierbei wurden Anforderungen identifiziert und priorisiert, welche, sortiert nach der Wichtigkeit, nachfolgend beschrieben werden:

- Die Chatbot-Plattform muss über einen Service für die Erstellung einer Wissensdatenbank verfügen, welche über eine Schnittstelle angesprochen werden kann. Diese Datenbank soll die Bereitstellung einer Antwort entsprechend einer übergebenen Frage ermöglichen.
- Die Chatbot-Plattform muss die kostenlose Nutzung für sämtliche relevante Services ermöglichen.
- Die Chatbot-Plattform muss den Schwerpunkt ihrer angebotenen Services auf unternehmensbezogene Anwendungsfälle legen.
- Die Chatbot-Plattform muss über eine ausreichend aktive Community verfügen, die bei Herausforderungen geeignete Lösungsansätze bereitstellt.
- Die Chatbot-Plattform muss, basierend auf den Programmiererfahrungen der Autorin, die Programmiersprache JavaScript unterstützen.

Nach der Analyse sämtlicher potenzieller Chatbot-Plattformen wurde eine adäquate Übereinstimmung mit der Azure-Plattform von Microsoft festgestellt. Basierend auf dieser Grundlage erfolgt somit die Vorstellung, Konzeptionierung sowie Implementierung des Chatbots mittels dieser Plattform.

2.6.2 Azure Bot Service und Bot Framework

Der Azure Bot Service und das Bot Framework bieten eine Sammlung von Werkzeugen an, die die Entwicklung, das Testen und die Verwaltung von Chatbots ermöglichen. Die Entwicklung des Chatbots kann in einer der nachfolgenden Programmiersprachen erfolgen: C#, JavaScript oder TypeScript. Zu jeder Sprache ist ein Software Development Kit (nachfolgend SDK), das die notwendigen Programmierbibliotheken beinhaltet, vorhanden (vgl. Microsoft, 2019 a).

Für die Steuerung des Unterhaltungsflusses stehen zwei unterschiedliche Dialogarten zur Verfügung: Eingabeaufforderungen und Wasserfall-Dialoge. Mithilfe der Eingabeaufforderung lassen sich Informationen von dem Anwender beziehen und auf deren Korrektheit überprüfen. Je nachdem wie das Format der Eingabe aussehen soll, stehen dem Entwickler unterschiedliche Aufforderungstypen zur Verfügung. Diese sind: Anlagen- und Auswahlaufforderungen, Datum-, und Zahlenaufforderungen sowie Bestätigungsaufforderungen. Darüber hinaus ist es möglich beim Erstellen der Eingabeaufforderung eine Validierungsfunktion hinzuzufügen. Diese hat das Ziel zu überprüfen, ob die jeweilige Benutzereigabe vollständig und korrekt ist. Im Falle einer falschen oder ungültigen Eingabe kann der Benutzer noch mal aufgefordert werden seine Daten einzugeben. Die zweite Art von Dialogen sind die Wasserfall-Dialoge. Diese bilden eine Sammlung von vordefinierten Schritten, die das Ziel haben den Nutzer durch das jeweilige Dialogfluss zu leiten, ab. Somit lassen sich beispielweise sequenzielle Informationen von dem Nutzer beziehen (vgl. Microsoft, 2019 b).

Wie bereits in Kapitel 2.2.3 erläutert, ist die Aufrechthaltung des Gesprächs-kontextes für die Durchführung einer sinnvollen Interaktion mit dem Anwender von essenzieller Bedeutung. Die Verwaltung des Gesprächskontextes innerhalb des Bot Frameworks SDK lässt sich mithilfe der sogenannten Zustandseigenschaften realisieren. Hierbei handelt es sich um Objekte in der Form von Schlüssel-Wert-Paare, die von dem Chatbot ausgelesen und geschrieben werden. Wichtig hierbei ist, dass die Zustandseigenschaften jeweils drei Kategorien zugeordnet werden können: Benutzerzustand, Konversationszustand und privater Konversationszustand. Die erste Kategorie dient zur Speicherung von Nutzerdaten eines bestimmten Nutzers über mehrere Unterhaltungen hinweg. Der Konversationszustand hingegen ist nur innerhalb der jeweiligen Unterhaltung persistent gespeichert und gilt für alle involvierten Gesprächsteilnehmer (z. B. Gruppenunterhaltungen). Innerhalb des privaten Konversationszustands lassen sich Daten für den jeweiligen Nutzer und für die jeweilige Unterhaltung speichern (vgl. Microsoft, 2019 c).

Die modulare Struktur des Azure Bot Services ermöglicht die Anbindung unterschiedlicher Komponente aus der Azure-Produktpallette. Dies umschließt beispielsweise die Verknüpfung der Bing-Rechtschreibprüfung-Komponente für die ordnungsmäßige Verarbeitung von fehlerhaften Nutzereingaben (Microsoft, 2017 d). Daneben wird auch das Hinzufügen von sogenannten Adaptive Cards unterstützt. Hierbei handelt es sich um einen Container, der unterschiedliche Interaktionselemente, wie z. B. Bilder, Knöpfe, Texte, Drop-Down Menüs, beinhaltet. Auf diese Art und Weise kann das Gespräch mit dem Anwender attraktiver und intuitiver gestaltet werden (Microsoft, 2017 e).

2.6.3 LUIS-Service

Language Understanding Intelligence Service oder auch LUIS ist ein cloud-basierter Dienst zur Analyse und Verarbeitung von natürlicher Sprache. Diese Komponente dient zur Erkennung und Extrahierung von Absichten und Entitäten innerhalb einer übergebenen Benutzeräußerung. Die Anbindung dieses Service an einem Chatbot erfordert die Erstellung, das Antrainieren und die Veröffentlichung einer LUIS-App. Die LUIS-App beinhaltet ein domain-spezifisches Sprachmodell, welche sämtliche Absichten, Entitäten und Beispieläußerungen definiert. Letztgenanntes beschreibt eine mögliche Äußerung, die der Benutzer zum Ausdruck seiner Absicht verwenden könnte (vgl. Microsoft, 2019 f).

Die Erstellung der LUIS-App umschließt die Anlage des Sprachmodels. Zu diesem Zweck stehen dem Entwickler zwei Möglichkeiten zur Auswahl. Zum einen können benutzerspezifische Absichten und Entitäten definiert werden. Zum anderen bietet LUIS eine Vielzahl an vordefinierten Entitätsmodellen, die zur Erkennung von allgemeinen Informationen wie z. B. Zeit-, Datum- und Ortsangaben verwendet werden können (vgl. Microsoft, 2019 f). Des Weiteren ist es wichtig Beispieläußerungen, die irrelevant für die jeweilige Domain sind bzw. keinen Bezug zu dem eigentlichen Gesprächsthema haben, anzulegen. Somit lassen sich die Erkennungsergebnisse des Modells verbessern. Nach Empfehlung von Microsoft werden solche Äußerungen der sogenannten None -Absicht zugeordnet. Wird beispielsweise eine Benutzeräußerung der None-Absicht zugeordnet, kann der Chatbot weitere Fragen zur besseren Eingrenzung der Absicht stellen (vgl. Microsoft 2019 g).

Die nachfolgende Tabelle zeigt wie ein Modell in der LUIS-Komponente aussehen könnte.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 2: Beispielmodel f ü r LUIS

(Quelle: eigene Darstellung, angelehnt an: Microsoft, 2019 g)

Damit LUIS in der Lage ist die notwendigen Absichten und Entitäten identifizieren zu können, ist das Antrainieren des Sprachmodells erforderlich. Anschließend empfiehlt es sich das Modell mittels Beispielsätze zu testen, um zu überprüfen, ob die Zuordnung der Absichten und Entitäten erwartungsgemäß funktioniert (vg. Microsoft, 2019 h). Schlussendlich kann die LUIS-App veröffentlicht werden, wodurch Drittanwendungen, wie z. B. ein Chatbot, über die entsprechende Schnittstelle den Service ansprechen können (Microsoft, 2019 i).

Durch die Veröffentlichung können eingehenden Nachrichten mittels HTTP-Anfragen an LUIS übermittelt werden. Daraufhin werden die Ergebnisse der Textanalyse als JSON-Antwort zurückgegeben. Das JSON-Objekt beinhaltet die übergebene Abfrageäußerung im Textformat, die Absicht mit der höchsten Übereinstimmung und die dazugehörigen Entitäten. Basierend auf diesen Informationen kann der Dialog-Manager darüber entscheiden, wie der weitere Verlauf des Gespräches erfolgen soll (Microsoft, 2019 i). Die nachfolgende Abbildung verdeutlicht das beschriebene Vorgehen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 6: Ablauf der Kommunikation von LUIS

(Quelle: eigene Darstellung, angelehnt an: Microsoft, 2019 f)

2.6.4 QnA Maker-Service

QnA Maker ist ein cloudbasierter Service zur Verarbeitung von natürlicher Sprache. Dieser Service kann dafür genutzt werden, die passende Antwort zu einer Benutzeranfrage aus einer Wissensdatenbank zu ermitteln. Analog zu LUIS benötigt die Anbindung dieses Service an einen Chatbot die Erstellung, das Antrainieren und die Veröffentlichung einer QnA-Maker-App. Diese besteht aus einer Reihe von vordefinierten Frage-Antwort-Paaren. Zu jeder Frage sollten in der Regel möglichst unterschiedliche Ausdrucksalternativen bereitgestellt werden (vgl. Microsoft, 2019 j). Die nachfolgende Tabelle zeigt anhand eines Beispiels, wie eine benutzerspezifische Wissensdatenbank aussehen könnte.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3: Beispiel einer Wissensdatenbank für QnA-Maker

(Quelle: eigene Darstellung, angelehnt an: Microsoft, 2019 j)

Der QnA-Maker-Service bietet darüber hinaus die Funktion an, vordefinierte Smalltalk-Datensätze mit unterschiedlichen Persönlichkeiten in Form einer separaten Wissensdatenbank anzulegen. Abhängig vom ausgewählten Charakter verändern sich die hinterlegten Antworten. Die Smalltalk-Datensätze können dazu verwendet werden dem angebundenen Chatbot eine Persönlichkeit zu geben und selbst auf Anfragen, die außerhalb der spezifischen Domain liegen, zu reagieren. Nachfolgend werden exemplarisch die Antworten ausgewählter Persönlichkeiten vorgestellt (vgl.Microsoft, 2019 k).

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 4: Exemplarische Vorstellung der Antworten von QnA Maker

(Quelle: eigene Darstellung, angelehnt an: Microsoft, 2019 k)

Nach der Erstellung der Wissensdatenbank ist das Antrainieren dieser erforderlich. Anschließend kann der QnA-Maker-App veröffentlicht werden, wodurch die Datenbank über die entsprechende Schnittstelle ansprechbar ist. Mittels dieser Schnittstelle kann der Chatbot die empfangenen Nutzerfragen an die jeweilige Datenbank für die Weiterverarbeitung weiterleiten. Die Verarbeitung der Anfragen erfolgt in mehreren Schritten. Das Ziel dabei ist es eine Antwort basierend auf die bestmöglichen Übereinstimmungen zu generieren. Die Antwort zusammen mit dem Vorhersageergebnis wird im JSON-Format an den Chatbot übermittelt (vgl. Microsoft, 2019 j). Bei dem Vorhersageergebnis handelt es sich um eine Zahl zwischen 1 und 100, die die Zuverlässigkeit der Antwort bestimmt (vgl. Microsoft, 2019 l).

2.6.5 Dispatcher-Tool

Verfügt der Chatbot sowohl über eine LUIS-App als auch eine QnA-Maker-App, die für die Verarbeitung der Benutzeräußerung verwendet wird, lässt sich mithilfe des Dispatcher-Tools feststellen, an welche dieser beiden Services die Nachricht übergeben werden muss. Die Voraussetzung hierfür ist, dass das Dispatcher-Tool Lesezugriff auf die veröffentlichten Apps besitzt. Um dies zu ermöglichen, müssen die eindeutigen IDs und die zugehörigen Autorisierungsschlüssel der beiden Apps bereitgestellt werden. Anschließend kann das Dispatcher-Tool dazu benutzt werden, eine übergeordnete Dispatcher-App zu erstellen, die die notwendigen Absichten zur Erkennung der jeweiligen Modelle beinhaltet. Auf diesem Weg können eingehende Nachrichten zuerst an die Dispatcher-App weitergeleitet werden, um somit das richtige Modell für die Verarbeitung der Nachricht zu ermitteln (vgl. Microsoft, 2019 m).

2.6.6 Bot Framework Emulator

Die Bot-Framework-Emulator-Anwendung ermöglicht das Testen der Chatbot-Funktionalitäten und das Auffinden von Fehlern im Quellcode. Die Anwendung besteht aus drei Komponenten: ein Chat-Fenster, eine Inspektor-Sicht und ein Protokollfenster. Das Chat-Fenster funktioniert ähnlich wie einer Chat-Oberfläche und dient zum Austausch von Nachrichten zwischen dem Entwickler und dem Chatbot. Für eine detailliertere Ausgabe der ausgetauschten Nachrichten in JSON-Format bietet sich die sogenannte Inspektor-Sicht. Dies eignet sich insbesondere dann, wenn der Bot-Entwickler relevante Nachrichten-Metadaten wie z. B. Kanal-ID oder Aktivitätstyp überprüfen will. Das Protokollfenster hingegen bietet eine Möglichkeit zur Verfolgung des Nachrichtenaustausches zwischen dem Bot und den angebundenen Diensten (z. B. LUIS oder QnA Maker). Somit lassen sich beispielweise die von LUIS erkannten Absichten und Entitäten für die jeweilige Benutzeräußerung im Protokollfenster anzeigen. Ähnlich dazu können die generierten Frage-Antwort-Paare aus dem QnA-Maker-Service überprüft werden (vgl. Microsoft, 2019 n).

2.6.7 Azure Blob Storage

Azure Blob Storage ist eine cloudbasierte Lösung zur Speicherung von unstrukturierten Datenmengen wie z. B. Bildern, Textdateien oder Audiodateien. Der Zugang auf diese Daten erfolgt über HTTP-Anfragen. Bei einem Blob handelt es um eine Datei eines beliebigen Typs und einer beliebigen Größe (vgl. Microsoft, 2019 o). Die nachfolgende Abbildung stellt den Aufbau eines Azure-Blob-Storage dar.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 7: Aufbau eines Azure-Blob-Storage

(Quelle: eigene Darstellung, angelehnt an Microsoft, 2019 o)

Wie aus der Abbildung 7 zu erkennen ist, setzt sich Azure Blob Storage aus drei Hauptkomponenten zusammen: ein Speicherkonto, ein Container und ein Blob. Über das sogenannte Speicherkonto erfolgen sämtliche Zugriffe auf die abgelegten Datenobjekte. Der Container hingegen dient zur Gruppierung der Blobs (vgl. Microsoft, 2019 o).

3. Robotic Process Automation

3.1 Definition

Robotic Process Automation (RPA) ist ein Ansatz für die automatisierte Bearbeitung von Geschäftsprozessen durch sogenannte Software-Roboter (vgl. IEEE, 2017, S.11). Unter dem Begriff Robot tauchen in der Literatur diverse Definitionen auf. Diese leiten sich dabei aus dem Kontext des Anwendungsgebietes heraus. Zum Beispiel werden in der Industrie Roboter als Maschinen, die für die Automatisierung von Produktionsprozessen eingesetzt werden, bezeichnet (vgl. Sandler, 1999, S. 1f).

Im Rahmen von RPA ist unter einem Roboter ein Programm, das in der Lage ist, menschliches Handeln nachzuahmen und somit Aufgaben zu automatisieren, zu verstehen. Der Einsatz von RPA ermöglicht die Erstellung von Bots, die fähig sind repetitive und regelbasierte Aufgaben von Menschen zu übernehmen und selbständig auszuführen (vgl. Romao, Costa und Costa, 2019, S. 2). Hierfür interagiert der Roboter mit den zugrundeliegenden Anwendungssystemen, indem die grafische Oberfläche bedient und Aktionen wie z. B. Dateneingaben, Datenextrahieren oder das Anklicken von Schaltflächen ausgeführt werden (vgl. Willcocks, Lacity & Craig, 2015, S. 5f.). Da die Interkation mit dem System über die grafische Oberfläche erfolgt, sind keine Änderungen in der Programmierlogik der Anwendung notwendig (vgl. Willcocks, Lacity & Craig, 2015, S. 7.). Neben Datenmanipulation und Transaktionsausführung ist der Roboter auch in der Lage Entscheidungen anhand vordefinierter Regeln zu treffen sowie komplexe Berechnungen durchzuführen (vgl. Tripathi, 2018, S. 10).

Die robotergestützte Automatisierung kann in zwei unterschiedlichen Arten erfolgen: beaufsichtigt und unbeaufsichtigt. Bei der beaufsichtigten Automatisierung werden die Prozesse auf der lokalen Maschine des jeweiligen Mitarbeiters ausgeführt und durch bestimmte Ereignisse, Aktionen oder Befehle des Nutzers ausgelöst. Dieser Ansatz basiert auf der Zusammenarbeit zwischen dem Roboter und dem Nutzer. So kann der Roboter beispielweise Daten aus unterschiedlichen Systemen zusammenführen und dem Mitarbeiter für die Ausführung der jeweiligen Aufgabe bereitstellen. Währenddessen kann der Anwender seine Aufmerksamkeit auf komplexere Aufgaben richten (vgl. ARROW DIGITAL, 2018).

Der unbeaufsichtigte Ansatz ermöglicht die Automatisierung von Geschäfts-prozessen, die die Verarbeitung von großen Datenmengen erfordern. Die Roboter sind in der Lage selbständig Aktivitäten wie Aggregation, Sortierung, Zuordnung und Analyse von Daten durchzuführen. Im Gegensatz zu der beaufsichtigten Automatisierung werden die Roboter auf einem Unternehmensserver bereitgestellt. Für die Prozessauslösung ist kaum oder gar kein menschliches Eingreifen notwendig. Ein Vorteil der unbeaufsichtigten Automatisierung ist die Ausführung von Geschäftsprozessen rund um die Uhr. Darüber hinaus können die Roboter über diverse Schnittstellen oder Plattformen aus der Ferne gesteuert werden (vgl. Ostdick 2017).

RPA kann in unterschiedliche Abteilungen eines Unternehmens eingesetzt werden, um beispielweise BackOffice-Aufgaben im Bereich der Buchhaltung, des Kundenservice oder des Personalwesens zu automatisieren (vgl. Kroll, et al. 2016, S. 19). Dabei können unter anderem Routine-Aktivitäten wie z. B. das Anmelden und Abmelden in Systemen, die Ausfüllung von Masken, die Extrahierung von Daten, die Erstellung von Berichten sowie das Öffnen von E-Mails mittels RPA durchgeführt werden (vgl. Deloitte, 2016, S. 13). Die Automatisierung dieser Aufgaben kann zur Reduzierung der menschlichen Arbeit, Steigerung der Produktivität und Senkung der Prozesskosten führen (vgl. Sutherland, 2013, S. 5).

Dabei ist anzumerken, dass nicht alle Prozesse für die Automatisierung mittels RPA geeignet sind. Das Automatisierungspotenzial lässt sich anhand der nachfolgenden Kriterien bestimmen:

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 5: Kriterien zur Bestimmung des Automatisierungspotenzials mittels RPA

(Quelle: eigene Darstellung)

3.2 Architektur der RPA-Plattform

Die Umsetzung der robotergestützten Prozessautomatisierung erfolgt mittels einer Software. Die RPA-Plattform stellt unterschiedliche Funktionalitäten zur Interpretation und Erfassung bestehender Anwendungen bereit. Die Abbildung 8 stellt die Grundkomponenten eines RPA-Systems dar, die in den folgenden Unterkapiteln vorgestellt werden.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 8: Grundkomponenten einer RPA-Plattform

(Quelle: eigene Darstellung, angelehnt an: Tripathi, 2018, S.15)

3.2.1 Entwicklungsstudio

Innerhalb des Entwicklungsstudios werden die zu automatisierenden Geschäftsprozesse erstellt. Die Umsetzung erfolgt auf Basis einer regelbasierten Konfiguration des Roboters. Das Entwicklungsstudio beinhaltet drei Hauptmodule: Workflow-Designer, Aufzeichnung und Erweiterungen (vgl. Tripathi, 2018, S. 16).

Der Workflow-Designer ermöglicht die Erstellung des Prozessablaufs, der durch den Roboter ausgeführt wird. Dabei kann der Prozessablauf beispielweise mit Hilfe von Diagrammen grafisch abgebildet werden. Das jeweilige Diagramm beinhaltet die durchzuführenden Prozessschritte, die verschiedene Pfade und Entscheidungsregeln. Darüber hinaus können Ausnahmebehandlungen definiert werden (vgl. Tripathi, 2018, S. 16). Eine gängige Praxis bei der Erstellung des Prozessablaufs ist die Auslagerung von Unterprozessen in einzelnen Diagrammen, sodass diese über mehrere Prozesse hinweg wiederverwendbar sind (vgl. Deloitte, 2016, S. 12).

Die Aufzeichnungskomponente ermöglicht die automatische Erfassung unterschiedlicher Nutzeraktivitäten (z. B. Mausklicks, Tastatureingaben) bei der Interaktion mit der involvierten Anwendung. Hierfür wird der Prozess durch den Nutzer manuell ausgeführt und durch die Komponente aufgezeichnet (vgl. Tripathi, 2018, S. 15). Anschließend werden die aufgezeichneten Aktivitäten und deren Reihenfolge in einem Grundgerüst erfasst. Dies kann als Vorlage für die weitere Erstellung des Roboters genutzt werden (vgl. Bitcom, 2019, S.12). Schließlich lassen sich mit Hilfe von Erweiterungen anwendungsspezifische Funktionen, die die Interaktion mit dem jeweiligen System ermöglichen, integrieren (vgl. Tripathi, 2018, S. 16).

3.2.2 Kontrollzentrum

Diese Komponente ist für die Steuerung, Überwachung und Bereitstellung der Roboter zuständig. Das Kontrollzentrum (auch Steuerungskomponente genannt) dient auch als zentrale Stelle für die Speicherung und Versionsverwaltung der Roboter. Weiterhin können sämtliche Systemanmeldeinformationen wie Benutzernamen und Passwörter zentral und verschlüsselt verwaltet werden, sodass der Roboter bei der Prozessausführung darauf zugreifen kann (vgl. Deloitte, 2016, S. 12). Das Kontrollzentrum ermöglicht das Starten und Stoppen der Bots sowie die Zuweisung von Aufgaben. Daneben kann die Ausführung des Prozesses im Kontrollzentrum auf einen bestimmten Zeitraum festgelegt werden (vgl. Tripathi, 2018, S. 16). Zudem bieten manche RPA-Dienstleister eine Dashboard-Funktion, die relevante Prozesskennzahlen (z. B. Anzahl der ausgeführten Prozesse) aufzeigt, an (vgl. UiPath, 2019).

3.2.3 Roboter

Der Roboter ist für die Ausführung des jeweiligen Prozesses zuständig. Diese Komponente ist direkt an dem jeweiligen Endgerät (z. B. Arbeitsrechner) angebunden. Darüber hinaus muss das Gerät die prozessrelevanten Anwendungen bereitstellen, sodass der Roboter mit diesen interagieren kann (vgl. Tripathi, 2018, S. 15 f.).

3.3 Nutzungsvorteile und Einschr ä nkungen

Ein wesentlicher Vorteil von RPA ist die Erzielung von Kosteneinsparung. Dadurch, dass die automatisierten Prozesse von Robotern anstelle von Menschen durchgeführt werden, lassen sich insbesondere die Personalkosten reduzieren. Laut einer Studie von Capgemini kostet ein Roboter etwa ein Drittel des Preises eines Offshore-Vollzeitmitarbeiters und ein Fünftel des Preises eines Onshore-Vollzeitmitarbeiters. Dies kann zu einer Kostenreduktion zwischen 20 und 50 % führen (vgl. Kroll, et al. 2016, S. 12). Weiterhin kann die Verlegung von Aufgaben durch Methoden wie Outsourcing oder Offshoring wesentlich reduziert werden (vgl. Institute for Robotic Process Automation, 2015, S. 10).

[...]