Diese Technologien zur Automatisierung müssen Kommunikations-Profis kennen

Es gibt in der Fachliteratur eine Vielzahl von Begrifflichkeiten rund um das Thema Automatisierung. Wenn wir noch die News- und Blogbeiträge dazuzählen, wächst der Begriffs-Wirrwarr ins schier unendliche. Wer sich mit dem Thema Automatisierung auseinandersetzt, muss sich aber damit auseinandersetzen, um die Informationen richtig einordnen zu können. Ich wage den Versuch, einige grundsätzliche Begriffe und Fachausdrücke, die auch für die Unternehmenskommunikation relevant sind, einzuordnen.

Kategorien von Automatisierung

Als erstes möchte ich auf die Kategorisierung von Automatisierung eingehen und diese auseinanderhalten. Es gibt Begriffe, die fokussieren beispielsweise auf das Feld der Anwendung, wie z. B. «Marketing-Automation». Andere Begriffe zielen auf die Qualität der Automatisierung ab, wie etwa der Begriff «Intelligent Automation». Wieder andere Begriffe beziehen sich auf den Technologie-Ansatz, wie z. B. «Robotic Process Automation». Innerhalb dieser technologischen Dimension tauchen eine Vielzahl von Verfahren, Technologien und verschiedenen Technologie-Feldern auf. Der wichtigste Begriff ist hierbei künstlicher Intelligenz KI. Dank KI können auch komplexe Tätigkeiten automatisiert werden, weshalb die Technologie ein wesentlicher «Ermöglicher» von Automatisierung ist. Um ein klareres und ganzheitlicheres Bild von Automatisierung zu gewinnen, stelle ich nachfolgend die wichtigsten technischen Elemente und Ansätze von Automatisierung vor.

Algorithmen: Die Grundbausteine der Automatisierung

Algorithmen sind die Grundbausteine der Automatisierung, oder auch «Moleküle» der Automatisierung genannt (Danner, 2019). Vereinfacht ausgedrückt ist ein Algorithmus ein präziser, endlicher und vollständiger Beschrieb eines schrittweisen Problemlösungsverfahrens (Dobler et al., 2008). Dieser wird in Form einer Programmiersprache von einem Computer verarbeitet und ausgeführt. Algorithmen sind zielorientiert und folgen somit ganz bestimmten Vorgaben und Regeln.

Wikipedia Definition Algorithmen: Ein Algorithmus ist eine eindeutige Handlungsvorschrift zur Lösung eines Problems einer Klasse von Problemen. Algorithmen bestehen aus endlich vielen, wohldefinierten Einzelschritten. Damit können sie zur Ausführung in ein Computerprogramm implementiert, aber auch in menschlicher Sprache formuliert werden. Bei der Problemlösung wird eine bestimmte Eingabe in eine bestimmte Ausgabe überführt.

Algorithmen können durch eine bestimmte Aktion ausgelöst werden oder sie können konstant und endlos «laufen» (Danner, 2019). Algorithmen können sehr einfach aufgebaut sein und simpelste Tasks nach vorgegebenen Regeln automatisiert ausführen. Algorithmen können aber auch sehr komplex sein und selber lernen. In diesem Fall wird von KI-basierten Algorithmen gesprochen (Buxmann et al., 2019). Formen von KI-basierten Algorithmen sind die Basis für KI-Felder wie beispielsweise Maschinelles Lernen oder Natural Language Generation, welche nachfolgend erläutert werden.

Künstliche Intelligenz (KI): Das Triebwerk der Automatisierung

Durch KI können Prozesse, die eine Einschätzung, ein Urteilsvermögen und eine Entscheidung benötigen, automatisiert werden. Des Weiteren steht KI als Überbegriff für eine Vielzahl von Technologien und Technologie-Ansätzen. Mit KI werden etwa Begriffe wie Machine Learning, Deep Learning, Analytics, Allgemeine KI, Spezifische KI, Robotics, Bots oder eben auch Cognitive RPA usw. bezeichnet. Bis heute gibt es keine klare und einheitliche Definition des Worts «Künstliche Intelligenz» (Bünte, 2018). Um einer Begriffsdefinition näher zu kommen, sollte erst das Wort «Intelligenz» geklärt werden. Der Duden begreift Intelligenz als «Fähigkeit [des Menschen], abstrakt und vernünftig zu denken und daraus zweckvolles Handeln abzuleiten».

Übersetzt bedeutet dies, dass KI diese menschliche Verhaltensweise nachahmt. Amazon, ein Vorreiter in der Entwicklung und praktischen Anwendung von KI-Technologien (Levy, 2018), definiert den Begriff sehr treffend und verständlich: «Künstliche Intelligenz ist der Bereich der Informatik, der sich mit dem Erwerb kognitiver Fähigkeiten beschäftigt, die in der Regel menschlicher Intelligenz zugeordnet werden. Hierzu zählen Lernen, Problemlösung und Mustererkennung.» Auch andere Experten auf dem Gebiet nennen ähnliche Definitionen, die im Wesentlichen die Fähigkeit von Computern beschreiben, ähnlich wie Menschen zu lernen, Probleme zu lösen und Muster zu erkennen (Bünte, 2018; Gentsch, 2018). KI kann in vier Gruppen eingeteilt werden (Berendt, 2017; Bünte, 2018):

Gruppe 1: Vorprogrammierte Systeme, die nicht lernen und Menschen in ihren Entscheidungen unterstützen. 

Gruppe 2: Vorprogrammierte Systeme, die nicht lernen, aber automatisiert arbeiten.

Gruppe 3: Adaptive Systeme, die von Menschen unterstützt lernen, während sie arbeiten.

Gruppe 4: Adaptive Systeme, die ohne Hilfe von Menschen lernen, während sie arbeiten.

Machine Learning

Im Zusammenhang mit KI wird oft auch der Begriff Machine Learning genannt. Machine Learning ist ein Bestandteil von KI und befasst sich mit der «Generierung von Wissen aus Erfahrung» (Gentsch, 2018). Machine Learning ist in der Lage, auf Basis von Daten aus der Vergangenheit künftige Ergebnisse zu prognostizieren (Amazon, 2018). So kann beispielsweise eingeschätzt werden, welche Kunden mit den Leistungen des Unternehmens zufrieden oder unzufrieden sein werden und dann können entsprechende Massnahmen ergriffen werden (Amazon, 2018). Diese Fähigkeit, in die Zukunft zu schauen, eröffnet gerade in der Unternehmenskommunikation viele denkbare Anwendungsmöglichkeiten, beispielsweise in der Planung und Umsetzung von Kommunikationsaktivitäten, in der Generierung und Interpretation von Kennzahlen, in der Krisenkommunikation und vielen weiteren Disziplinen (Petrucci, 2018). Machine Learning wird heute in vielen Branchen und für zahlreiche Aufgaben eingesetzt, etwa zur Spamerkennung, zur Personalisierung von Inhalten, für Prognosen, für automatisierte Lösungsempfehlungen, Sentiment-Analysen usw. (Marr, 2018; Scherk et al., 2017)

Data Mining

Data Mining ist beim Machine Learning anzusiedeln und eines der wichtigsten kommerziellen Anwendungsgebiete in diesem Bereich (Gentsch, 2018). Es handelt sich um einen Teilprozess der Knowledge Discovery in Databases (KDD) (Gentsch, 2018) bei der es um die automatisierte Wissensextraktion aus Datenbanken geht. Data Mining basiert auf verschiedenen Technologien und KI-basierten Lösungen wie z. B. Datenbanktechnologien, Hochleistungscomputern, Machine Learning, Deep Learning oder Computer Vision (Weiner et al., 2016). Die Aufgaben von Data Mining lassen sich gemäss Weiner und Kochhar (2016) in zwei Cluster unterteilen: deskriptives und vorhersagendes Data Mining. Deskriptives Data Mining hat das Ziel, charakteristische Eigenschaften aus den Daten zu extrahieren. Vorhersagendes Data Mining hat zum Ziel, aus den bestehenden Daten Vorhersagen für die Zukunft zu treffen. Data Mining umfasst zwei grundsätzliche Methoden, einerseits das überwachte Data Mining und andererseits das unüberwachte Data Mining. Während bei der überwachten Methode verschiedene Parameter zum Ergebnis bekannt sind, arbeitet das unüberwachte Data Mining ganz ohne solche vorgegebenen Parametern und sucht eigenständig nach Mustern (Miranda, 2018). Durch Data Mining können diverse Datenformate analysiert werden: Texte, Audio-Dateien, Video-Dateien oder Social-Media-Inhalte (Gandomi et al., 2015). Data Mining ist damit für Kommunikationsprofis ein relevanter Ansatz, um Erkenntnisse über Zielgruppen zu gewinnen.

Deep Learning

Deep Learning ist ein Teilbereich des Machine Learnings, geht aber einen Schritt weiter. Deep Learning basiert auf der Funktionsweise des menschlichen Gehirns. Es besteht aus künstlichen neuronalen Netzen mit verschiedenen Schichten, in denen das «Lernen» stattfindet (Marr, 2018; Scherk et al., 2017). Deep Learning kann aus vielen strukturierten oder unstrukturierten Daten eigenständig lernen und komplexe Probleme lösen. Deep Learning ermöglichte die maschinelle Objekterkennung (Scherk et al., 2017)und wird beispielsweise in autonom fahrenden Autos oder auch in fortgeschrittenen Chatbots eingesetzt (Gentsch, 2018; Marr, 2018). Eng an Deep Learning gekoppelt ist die Computer Vision (oder auch Machine Vision genannt). Computer Vision ist die verbreitetste Form von maschineller Wahrnehmung (Scherk et al., 2017) und ermöglicht es Computern, auf Bildern und Videos Objekte zu erkennen (Tiedemann, 2018).

Natural Language Processing (NLG) und Natural Language Generation (NLG)

NLP ist eine KI-Disziplin, angesiedelt im Bereich der Computerlinguistik, mit besonders hoher Relevanz für die Unternehmenskommunikation. Unter NLP versteht man die Fähigkeit von Computern, mit Texten umzugehen, beispielsweise mit gesprochenem oder geschriebenem Text. Durch NLP erkennen Computer die Bedeutung des Inhalts und können selber Texte erstellen, die menschlich wirken und grammatikalisch korrekt sind (Gentsch, 2018). Auf diese Weise können Computer auf menschliche Sprache reagieren. NLG ist eine weitere KI-basierte Anwendung der Computerlinguistik und ermöglicht das automatisierte Schreiben von Texten (Gentsch, 2018). Diese Technologie wird heute bereits intensiv im Bereich von Finanz- oder Sportnachrichten eingesetzt, bei denen grosse Mengen an strukturierten Daten vorhanden sind. Beispielsweise nutzt The Associated Press (AP) die Wordsmith Plattform der Firma «Automated Insights». Diese Plattform basiert auf NLG-Technologie und erstellt für AP gemäss Herstellerangaben jährlich 4’400 Artikel im Bereich der Finanzbranche (Automated Insights, 2016).

Automatisierungs-Ansätze für die Unternehmenskommunikation

Business Process Automation (BPA)

Im Zusammenhang mit Automatisierung taucht oft der Begriff Business Process Automation (BPA, auch Business Process Management (BPM) genannt) auf. Unter diesem Begriff wird eine traditionelle Form der Prozessautomatisierung verstanden, die seit den 70er Jahren existiert (Lusk et al., 2005). BPA hat zum Ziel, Effizienz zu steigern sowie die Kosten zu senken, indem komplexe Geschäftsprozesse automatisiert werden. Die Automatisierung setzt je nach Aufgabe eine umfassende Transformation voraus, weil gesamte Geschäftsprozesse umstrukturiert werden, um Automatisierung zu ermöglichen (Milad, 2016). Bei BPA kommen Software-Lösungen zum Einsatz, die Aufgaben wie Dokumentverwaltung, Workflow-Automatisierung, Aufgabenbenachrichtigungen oder Marketingkampagnen übernehmen (Microsoft, 2019). Gegenüber anderen Technologie-Ansätzen wie beispielsweise RPA (siehe nachfolgendes Kapitel) ist BPA in der Implementierung oft langsam und risikobehaftet (Lowers et al., 2016), weil grössere Software-Lösungen eingesetzt und diese durch zahlreiche Schnittstellen in bestehende Software-Umgebungen integriert werden müssen (Milad, 2016). Moderne Formen von BPA integrieren auch KI, um den Nutzen und die Effizienz der Lösungen noch zu verstärken (Chabanoles, 2018). BPA-Lösungen werden in der Regel um die Kernprozesse der Unternehmen aufgebaut.

Robotic Process Automation (RPA)

Über RPA habe bereits einen ausführlichen Artikel geschrieben, zu dem gelangt ihr hier.

Inspiriert von der Prozessautomatisierung und von Industrierobotern entstand RPA. Als RPA bezeichnet man «die automatisierte Bearbeitung von strukturierten Geschäftsprozessen durch digitale Software-Roboter» (Milad, 2016; Schatsky et al., 2016). RPA führt repetitive Aufgaben aus, die klaren, vorgegebenen Regeln folgen. Eine RPA-Software tritt beispielsweise durch bestimmte Ereignisse oder durch Zeitsteuerung in Aktion oder wird fortwährend in einer Endlosschlaufe ausgeführt (Kaelble, 2018; Schatsky et al., 2016). Typische Anwendungsbereiche von Software-Robotern sind Aufgaben, welche repetitiven Charakter haben. Die Stufen der Automatisierung reichen dabei von «attended», also Prozessen, welche zusätzlich zur RPA eine Aktion von Menschen benötigen, bis zu «unattended», Prozessen, die keine menschliche Intervention benötigen und vollautomatisiert ablaufen (Kaelble, 2018). Der grosse Vorteil gegenüber BPA ist, dass eine Implementierung von RPA schneller und kostengünstiger vollzogen werden kann. Dies liegt an der Technik. RPA interagiert mit Applikationen genau gleich wie es der Menschen tun würden – so kann RPA in bestehende Software-Umgebungen eingebunden werden, ohne grosse Umstrukturierungen der Software-Umgebung (Schatsky et al., 2016).

Obwohl RPA recht einfach entwickelt und integriert werden kann, ist der Markt für RPA-Lösungen noch klein (Schatsky et al., 2016). Häufige RPA-Anwendungen sind etwa Formulare ausfüllen, Daten verschieben, kopieren oder einfügen, Informationen verarbeiten und lesen, Berechnungen ausführen, «wenn/dann»-Befehle durchführen usw. (Milad, 2016). «Any methodical, standardized, repetitive process that follows consistent rules and is wholly executed through a human-machine interaction is likely to be a good candidate (for RPA)», sagen etwa die Experten von Deloitte (Lowers et al., 2016). Wie viele Unternehmen RPA in der Unternehmenskommunikation einsetzen, ist nicht bekannt. RPA-Anwendungen im Bereich der Unternehmenskommunikation sind jedoch seit den 2000er vorhanden. In den ersten Anwendungen konnten sie Social-Media-Posts und E-Mails versenden (Milad, 2016). Heute können RPA-Tools beispielsweise Medienlisten aufbauen oder pflegen, Medienmitteilungen versenden und Medienclippings teil- oder vollautomatisiert erstellen (Martek, 2018).

Cognitiv Robotic Process Automation (Cognitive-RPA)

Cognitive RPA (Kilbride et al., 2018), oder auch «Cognitive Automation» oder «Intelligent Automation» genannt, ist salopp gesagt die Formel 1 der Automatisierung von Prozessen. Sie ist aus dem klassischen RPA entstanden und besteht aus der Verbindung von RPA mit KI-Technologien wie beispielsweise Machine Learning, Deep Learning oder Natural Language Processing (Kaelble, 2018; Schatsky et al., 2016). «The line between what humans and computers can do is shifting», stellen die Experten von Deloitte im Zusammenhang mit dem Aufkommen von Cognitive RPA fest (Schatsky et al., 2016). Durch die kognitiven Fähigkeiten können Prozesse automatisiert werden, die nicht regelbasiert ablaufen, sondern die aufgrund von unterschiedlichen Daten oder Situationen ein Urteilsvermögen voraussetzen und darauf basierende Entscheidungen erfordern (Schatsky et al., 2016). Diese intelligente Form von Automatisierung eröffnet ein fast unbegrenztes Feld an Anwendungsmöglichkeiten.

Deloitte nennt hier ein eindrückliches Beispiel: Durch die Kombination von Natural Language Processing, Chatbot-Technologie, Voice Recognition und Computer-Vision-Technologie ist es möglich, dass «Bots» selbständig Informationen aus Audio-, Text-, oder Bilddateien extrahieren, strukturieren und dann in einen weiteren Prozess leiten können (Schatsky et al., 2016). Cognitive RPA kann darüber hinaus auch für Stimmungsanalysen, Textanalysen, Klassifikationen und Kategorisierung von Informationen, Bild-, Stimm- und Handschriftenerkennung oder die Erkennung von Absichten und Mustern in strukturierten und unstrukturierten Daten eingesetzt werden (Kaelble, 2018). Cognitive-RPA-Lösungen können dieCustomer Journey von einzelnen Kunden beobachten, verfolgen und dabei helfen, die Customer Journey im Sinne des Kommunikationsziels zu gestalten, beispielsweise mit der Publikation von relevanten Inhalten zum richtigen Zeitpunkt (Kaelble, 2018)

Quellen

• Berendt, P. (2017). Artificial Intelligence disruption: How technologies are predicted to change the way we manage talent. Beitrag auf LinkedIn TalentConnect
• Bünte, C. (2018). Künstliche Intelligenz – die Zukunft des Marketing. Wiesbaden: Springer Gabler
• Buxmann, P. & Schmidt, H. (2019). Künstliche Intelligenz. Berlin: Springer Gabler.
• Danner, G. E. (2019). The executive’s how-to guide to automation. Cham: SpringerDanner, G. E. (2019). The executive’s how-to guide to automation. Cham: Springer
• Dobler, H. & Pomberger, G. (2008). Algorithmen und Datenstrukturen: Eine systematische Einführung in die Programmierung. München: Pearson Studium
• Gandomi, A. & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 35(2), S. 137–144
• Gentsch, P. (2018). Künstliche Intelligenz für Sales, Marketing und Service. Wiesbaden: Springer Gabler
• Kaelble, S. (2018). Robotic Process Automation For Dummies, NICE Special Edition. Chichester: John Wiley & Sons.
• Miranda, E. (2018)Monetising Data: How to Uplift Your Business. Chichester: John Wiley & Sons
• Weiner, M. & Kochhar, S. (2016). Irreversible: The Public Relations Big Data Revolution. Gainesville: IPR Measurement Commission