Wie lernt der Computer den Menschen kennen?

(1)

BAYERISCHES

FORSCHUNGSZENTRUM FÜR WISSENSBASIERTE SYSTEME

ERLANGEN MÜNCHEN PASSAU R E P O R T

Wie lernt der Computer den Menschen kennen?

Bestandsaufnahme und Experimente zur

Benutzermodellierung in der Wirtschaftsinformatik

P. Mertens, M. Höhl

FR-1999-002, März 1999

(2)

Herausgeber:

Forschungsgruppenleiter:

Prof. R. Bayer PhD (FG Wissensbasen, München)

Prof. Dr. K. Donner (FG Programmsysteme, Passau)

Prof. Dr. G. Görz (FG Wissenserwerb, Erlangen)

Prof. Dr. Dr. h. c. mult. P. Mertens (FG Wirtschaftsinformatik, Erlangen) Prof. Dr.-Ing. H. Niemann (FG Wissensverarbeitung, Erlangen) Prof. Dr. B. Radig (FG Kognitive Systeme, München) Prof. Dr. H. Stoyan (FG Wissenserwerb, Erlangen)

Verantwortlicher Herausgeber: Anschrift:

Prof. Dr. Dr. h. c. mult. P. Mertens FORWISS

FG Wirtschaftsinformatik Am Weichselgarten 7 91058 Erlangen

Copyright  FORWISS 1999

Alle Rechte vorbehalten. Insbesondere ist die Überführung in maschinenlesbare Form sowie das Speichern in Informationssystemen, auch auszugsweise, nur mit schriftlicher Einwilligung von FORWISS gestattet.

ISSN 0938-0035

(3)

Zusammenfassung

Benutzermodelle¹ sind ein wichtiger Schritt auf dem Weg zu einer sinnhaften Vollautomation der Informationsverarbeitung. Indem sie dafür sorgen, dass „sich Computer und Mensch gut verstehen“, erhöhen sie die Akzeptanz von Anwendungssystemen. Darüber hinaus helfen sie, Informationen im Internet zu suchen, zu filtern und individuell zu präsentieren. Dennoch zögern Praktiker, Benutzermodellierungskomponenten in Anwendungssysteme zu integrieren. Ein

„Blick in die eigene Werkstatt“ zeigt pragmatische Ansätze.²

Abstract

User models are an important step on the way to fully-automated information processing. Since they support human computer interaction, they raise acceptance of application systems. Addi- tionally, they help to search and filter information on the Internet and personalize presentations.

Nevertheless, practitioners hesitate to integrate user modeling components into commercial applications. A glance at some of our own experiments outlines pragmatic examples.

1 Unsere Leserinnen bitten wir um Verständnis, dass wir nicht den schwerfälligen Begriff „Benutzerinnen- und Benutzermodellierung“ verwenden.

2 Der vorliegende Bericht ist die erweiterte Fassung des Vortrages von Mitautor Mertens auf der WI ’99 [MeHö99]. Darüber hinaus erscheint eine gekürzte Version in der Zeitschrift WIRT- SCHAFTSINFORMATIK 41 (1999) 3.

(4)

Inhaltsverzeichnis III

Inhaltsverzeichnis

1 Einleitung _______________________________________________________________ 1

1.1 Motivation __________________________________________________________________ 1 1.2 Aufbau des Berichts __________________________________________________________ 2 2 Benutzermodellierung in der Wirtschaftsinformatik _____________________________ 3

2.1 Begriffsabgrenzung ___________________________________________________________ 3 2.1.1 Benutzermodell___________________________________________________________________4 2.1.2 Benutzungsmodell ________________________________________________________________6

2.2 Anwendungsfelder - Cui bono? _________________________________________________ 6 2.2.1 Informationen für Fach- und Führungskräfte ____________________________________________6 2.2.2 Marketing und Verkauf_____________________________________________________________7 2.2.3 Schulung und Beratung_____________________________________________________________8 2.2.4 Mensch-Aufgabe-Zuordnung ________________________________________________________8

2.3 Rahmenplan zur Benutzermodellierung __________________________________________ 8 2.3.1 Zweck __________________________________________________________________________9 2.3.2 Gegenstand ______________________________________________________________________9 2.3.3 Individualisierung ________________________________________________________________10 2.3.4 Art der Informationen _____________________________________________________________11 2.3.5 Veränderbarkeit _________________________________________________________________11 2.3.6 Gewinnung _____________________________________________________________________12 2.3.7 Einsichtigkeit ___________________________________________________________________12 2.3.8 Gültigkeit ______________________________________________________________________12 2.3.9 Wissensakquisition _______________________________________________________________13

2.4 Zuordnung von Objekten zu Benutzermodellen __________________________________ 13 3 Bestandsaufnahme der Benutzermodellierung _________________________________ 15

3.1 Anwendungsbeispiele ________________________________________________________ 15 3.1.1 Informationen für Fach- und Führungskräfte ___________________________________________15 3.1.1.1 Information Retrieval ___________________________________________________________15 3.1.1.2 Content-based Filtering _________________________________________________________17 3.1.2 Marketing und Verkauf____________________________________________________________19 3.1.2.1 Information Retrieval ___________________________________________________________19

(5)

IV Inhaltsverzeichnis

3.1.2.2 Content-based Filtering _________________________________________________________20 3.1.2.3 Collaborative Filtering __________________________________________________________20 3.1.2.4 Produktberatung_______________________________________________________________22 3.1.3 Schulung und Beratung____________________________________________________________23

3.2 Benutzermodellierungs-Shells _________________________________________________ 24 3.3 Beurteilung_________________________________________________________________ 24 4 Eigene Experimente ______________________________________________________ 26

4.1 Informationen für Fach- und Führungskräfte ____________________________________ 29 4.1.1 Managementinformationen aus dem Internet ___________________________________________29 4.1.1.1 Funktion des Systems___________________________________________________________29 4.1.1.2 Funktion des Benutzermodells ____________________________________________________29 4.1.2 Integration von Controlling- und Marktforschungsdaten in einem Expertisesystem _____________31 4.1.2.1 Funktion des Systems___________________________________________________________31 4.1.2.2 Funktion des Benutzermodells ____________________________________________________32 4.1.3 Unternehmensreport II ____________________________________________________________33 4.1.3.1 Funktion des Systems___________________________________________________________33 4.1.3.2 Funktion des Benutzermodells ____________________________________________________34 4.1.4 Client-Oriented Branch Reporting and Analysis System __________________________________36 4.1.4.1 Funktion des Systems___________________________________________________________36 4.1.4.2 Funktion des Benutzermodells ____________________________________________________36

4.2 Marketing und Verkauf ______________________________________________________ 37 4.2.1 Infobroker ______________________________________________________________________37 4.2.1.1 Funktion des Systems___________________________________________________________37 4.2.1.2 Funktion des Benutzermodells ____________________________________________________37 4.2.2 Electronic Personal Online Shopper __________________________________________________39 4.2.2.1 Funktion des Systems___________________________________________________________39 4.2.2.2 Funktion des Benutzermodells ____________________________________________________39 4.2.3 Produktberatungskomponente_______________________________________________________41 4.2.3.1 Funktion des Systems___________________________________________________________41 4.2.3.2 Funktion des Benutzermodells ____________________________________________________41 4.2.4 Software Consultant ______________________________________________________________43 4.2.4.1 Funktion des Systems___________________________________________________________43 4.2.4.2 Funktion des Benutzermodells ____________________________________________________43

4.3 Schulung und Beratung ______________________________________________________ 45 4.3.1 Adaptives Multimediales Präsentationssystem __________________________________________45 4.3.1.1 Funktion des Systems___________________________________________________________45

(6)

Inhaltsverzeichnis V

4.3.1.2 Funktion des Benutzermodells ____________________________________________________45 4.3.2 Stadtinformationssystem___________________________________________________________48 4.3.2.1 Funktion des Systems___________________________________________________________48 4.3.2.2 Funktion des Benutzermodells ____________________________________________________48

4.4 Mensch-Aufgabe-Zuordnung - BusinessFlow_____________________________________ 51 4.4.1 Funktion des Systems _____________________________________________________________51 4.4.2 Funktion des Benutzermodells ______________________________________________________51

5 Gefahren und hemmende Einflüsse__________________________________________ 52

5.1 Rechtliche Aspekte __________________________________________________________ 52 5.2 Interessengegensätze _________________________________________________________ 54 5.3 Blockade von Entwicklungspfaden _____________________________________________ 54 6 Resümee________________________________________________________________ 55

Literaturverzeichnis _________________________________________________________ VI

(7)

1 Einleitung 1

1 Einleitung

1.1 Motivation

Mit diesem Forschungsbericht wollen wir an die von Mitautor Mertens auf der WI ’95 postu- lierte These, die sinnhafte Vollautomation als Langfristziel der Wirtschaftsinformatik, anknüp- fen [Mert95a, 48 ff.]. Das Attribut „sinnhaft“ meint, dass ein Automationsschritt von der All- gemeinheit nach einer Lernfrist akzeptiert wird und sich allenfalls Nostalgiker und Sonderlinge nach der personellen Lösung zurücksehnen. Abbildung 1-1 skizziert die Wege zur Vollauto- mation.

Ziel: Sinnhafte Vollautomation

Zwischenziel: Menschenzugängliche IV Unterziel: Menschenähnliche IV

Status Quo

Abbildung 1-1: Wege zur Vollautomation

Ein wichtiges Unterziel ist es, den Computer menschenähnlicher zu machen (menschenähnliche IV). Dieses Unterziel kann man damit motivieren, dass der Mensch ein aus langen darwinis- tischen Prozessen hervorgegangener guter Informationsverarbeiter und damit als Vorbild für die maschinelle IV über weite Strecken geeignet ist.

Da die Vollautomation auf vielen Gebieten lange auf sich warten lassen wird, ist als „Etappe“

anzusteuern, dass möglichst breite Kreise der Bevölkerung IuK-Systeme im teilautoma- tisch/interaktiven Betrieb leicht bedienen können und dann gerne nutzen (menschenzugängliche IV). Die hierfür notwendigen Aus- und Weiterbildungsmaßnahmen müssen sich in Grenzen halten. Diese Prämisse folgt aus der Notwendigkeit, relative Laien nicht durch IV-Systeme aus- zumanövrieren, ebenso wie aus volkswirtschaftlichen Zwängen, was die Relation zwischen Schulungs- und produktiven Lebensphasen betrifft.

Menschenzugängliche IV ist nur zu erreichen, wenn sich der Computer dem Menschen anpasst und nicht umgekehrt. Da Systeme meist von einem heterogenen Anwenderkreis genutzt werden,

(8)

2 1 Einleitung

es „den Menschen“ also nicht gibt, ist es notwendig, Systeme zu erstellen, welche individuelle Fähigkeiten, Vorkenntnisse und Ziele berücksichtigen, indem sie Modelle von ihren Benutzern beinhalten.

Während die theoretische Fundierung der Benutzermodellierung in der Wissenschaft schon weit fortgeschritten ist und sich beispielsweise Wolfgang Wahlster mit komplexen Aspekten, wie der

„metakognitiven Steuerung kognitiver Prozesse“ [WaTa98], beschäftigt, scheinen Praktiker noch vor entsprechenden Implementierungen, speziell im Internet, zurückzuschrecken (vgl. [Lind97], [Stra97]; s. auch Kapitel 3). Die Gründe für diese Lücke zwischen Wissenschaft und Praxis sind vielschichtig: Hoher Realisierungsaufwand, Datenschutz und –sicherheit sowie Einflussgrößen wie Rechenaufwand und Speicherbedarf tragen zur Verunsicherung bei. Das große Dilemma der Modellierer liegt jedoch in der Herausforderung, Benutzer treffend zu taxieren, ohne sie in um- fangreiche, zusätzliche Dialoge (Interviews) zu verwickeln [Rask97, 180]. So sehen sich beispielsweise US-amerikanische Unternehmen, die Beziehungsmarketing auf der Basis intensiver Befragungen betreiben, mit zunehmender Unzufriedenheit konfrontiert, da ihre Kunden keinen direkten Zusatznutzen erkennen können [FoDM98].

1.2 Aufbau des Berichts

Kapitel 2 beginnt mit einer Begriffsabgrenzung sowie den Einsatzfeldern und dem Nutzen von Benutzermodellen in der Wirtschaftsinformatik. Es schließt sich ein Rahmenplan an, der aus technischer Sicht grundlegende Alternativen für Realisierungen aufzeigt, gleichzeitig aber weit- gehend unabhängig von konkreten Anwendungen bleibt. Im dritten Kapitel geben wir einen groben Überblick über den Stand der Kunst im Internet. Wir verzichten auf wissenschaftliche Pro- totypen, da es unser Ziel ist, den Einsatz von Benutzermodellen aufzuzeigen, die einem breiten Anwenderkreis zugänglich sind. Da entsprechende Systeme bisher aber kaum vorzufinden sind, mussten wir z. T. auf Individualisierungsfunktionen zurückgreifen, die einer strengen Definition von Benutzermodellen nicht genügen. Im Kapitel über eigene Experimente stellen wir Projekte vor, in denen versucht wird, mit einfachen Mitteln, verglichen mit Ansätzen aus der theoreti- schen Informatik, den Einsatz in der Praxis zu erleichtern. Wir beziehen uns in diesem Abschnitt auf die Merkmale des Rahmenplans aus 2.3. In den letzten beiden Kapiteln diskutieren wir Ge- fahren und hemmende Einflüsse mit einem Schwerpunkt auf dem Datenschutz in Deutschland und ziehen ein Resümee.

(9)

2 Benutzermodellierung in der Wirtschaftsinformatik 3

2 Benutzermodellierung in der Wirtschaftsinformatik

2.1 Begriffsabgrenzung

Beim Ausgestalten von Software lassen sich drei grundsätzliche Varianten unterscheiden, in denen die Anforderungen der potenziellen bzw. tatsächlichen Benutzer berücksichtigt werden:

1. Statische Systeme: Die Anforderungen gehen lediglich in der Entwurfs- und der Imple- mentierungsphase ein.

2. Adaptierbare Systeme: Sie werden auch Herrensysteme genannt [Mert94], da der User den Programmablauf seinen Bedürfnissen entsprechend steuert (passive Benutzerfüh- rung).

3. Adaptive Systeme: Sie passen sich dem Anwender an und führen ihn aktiv durch das In- formationsangebot (Sklavensysteme). Adaptiven Systemen liegen Benutzermodelle zu Grunde, um vor allem in schwach strukturierten Domänen zu unterstützen. Da die Dia- logfolgen von den individuellen Eigenschaften und Zielen des Menschen abhängig sind, spricht man auch von generativer Software [Bode92, 235].

Gibt es keinen vordefinierten Problemlösungsweg, so sollen idealerweise einerseits der Benutzer und andererseits die Software wechselnd die Initiative ergreifen können. Man führt deshalb ak- tive und passive Kommunikationsformen zusammen (kooperative Interaktion; [Grau97]): Die Mensch-Maschine-Kommunikation ist abhängig von dem gegenseitigen Wissen über den jeweils anderen Dialogpartner.

Das Vorgehen eines Menschen bei der Problemlösung wird neben individuellen Faktoren, wie Denkprozessen und Verhaltensmustern, von der wahrgenommenen Aufgabe und der Organisa- tion, in die er eingebettet ist, bestimmt (s. Abbildung 2-1). Darüber hinaus entwickelt er eine Vorstellung von dem Computer, mit dem er arbeitet (das so genannte mentale Modell). Auf der anderen Seite „interpretiert“ der Rechner einen problemlösungsrelevanten Ausschnitt aus der Welt. Während einfachere, pragmatische Benutzermodelle sich auf die in der Abbildung darge- stellte reale Ebene beziehen, liegt ein Schwerpunkt der wissenschaftlichen Arbeiten auf den subjektiven Aspekten. Ein Überblick, wie beispielsweise Annahmen, Überzeugungen und Unsi- cherheiten repräsentiert werden können, findet sich in [Jame96].

(10)

4 2 Benutzermodellierung in der Wirtschaftsinformatik

Aufgabe Aufgabe

Mensch

Mensch SystemSystem

Organisation

Problemlösungsrelevanter Kontext

Modellebene Reale Ebene Organisation

Aufgabe Aufgabe

Mensch

Mensch SystemSystem Vom Menschen wahrgenommener

Kontext (mentales Modell)

Organisation Aufgabe Aufgabe

Mensch

Mensch SystemSystem Vom Computer angenommener Kontext

Interaktion

Interpretation Interpretation

Abbildung 2-1: Elemente der Benutzermodellierung

2.1.1 Benutzermodell

Schwab beschreibt Interpretationsformen des Begriffs „Benutzermodell“, die sich häufig in der Literatur finden [Schw89, 14]:

1. Der Computer modelliert den Benutzer.

2. Der Mensch baut sich ein Modell von dem System, mit dem er arbeitet, auf.

3. Ein Systemdesigner überlegt sich Anforderungen und Eigenschaften von potenziellen Anwendern.

In aktuellen Publikationen überwiegt die erste Variante: Unter einem Benutzermodell wird in der Regel eine Wissensbasis verstanden, die dem System als Grundlage dient, um sich an den Men- schen anzupassen. In diesem Sinne definierten Wahlster und Kobsa im Jahre 1989:

„A user model is a knowledge source in a natural-language dialog system which contains explicit assumptions on all aspects of the user that may be relevant to the dialog behavior of the system. These assumptions must be separable by the system from the rest of the system’s knowledge.“ [WaKo89, 6]

(11)

Während sich diese Begriffsabgrenzung aus einem Forschungsschwerpunkt von Wahlster und Kobsa heraus entwickelte, beschränkt man Benutzermodellierung mittlerweile nicht mehr auf natürlichsprachige Systeme [Blan96, 16]. Ebenso scheint es sinnvoll, das Anwendungsfeld von Dialogsystemen auf alle Arten von interaktiven Applikationen auszuweiten [Pohl96, 6]: Bei- spielsweise zählen die Modellierung und das individuelle Bewerben von Kunden im Database- Marketing (vgl. „Empfängermodellierung“; [Grau97]) zu den klassischen Anwendungsfeldern der Stapelverarbeitung.

Ein weiteres Element der oben zitierten Definition ist die Forderung, dass ein Benutzermodell explizite Annahmen über den Anwender beinhaltet. Kobsa führt aus, dass diese aus den Model- lierungsdaten über

1. die Ziele des jeweiligen Benutzers,

2. die Pläne, mit denen der Benutzer seine Ziele erreichen will, und 3. das Wissen bzw. die Überzeugungen des Benutzers

im Rahmen des Anwendungsbereichs abgeleitet werden müssen [Kobs85, 2]. Diese expliziten Annahmen unterscheiden ein Benutzermodell von Benutzerinformationen, etwa in einer Daten- bank. Berücksichtigt eine Fakturierungs-Software bei der Rechnungsschreibung beispielsweise individuelle Rabattsätze, so handelt es sich nicht um ein Benutzermodell.

Mitunter bereitet es jedoch Schwierigkeiten, bei dem zu Grunde liegenden Wissen trennscharf Annahmen von ermittelten Fakten abzugrenzen. So lässt sich für viele Systeme des Internets, die spezifische Anforderungen unter den Schlagwörtern „Individualisierung“ bzw. „Personalisie- rung“ abbilden, konstatieren, dass der Übergang von „profanem“ Information Retrieval zu aus- gefeilter Benutzermodellierung fließend ist.

Da es unser Ziel ist, anhand des State-of-the-Art und mit eigenen Experimenten zu beschreiben, wie der Mensch systemseitig im Umgang mit dem Rechner unterstützt werden kann, wollen wir eine pragmatische Abgrenzung wählen. Demnach verstehen wir unter Benutzermodellen generell Wissen, das es dem Computer erlaubt, sich möglichst gut auf den Menschen einzustellen.

Vor allem im Hinblick auf die Lücke zwischen Theorie und Praxis scheint eine breite Definition plausibel. So plädieren Strachan u. a. für „Minimalist User Modelling Components“, um die Implementierung von Anwendungssystemen zu erleichtern [Stra97]. Die Autoren weisen jedoch darauf hin, dass mit sinkender Komplexität der Modelle auch die Qualität der Taxierungen schwindet. Auch Lindner vertritt die Ansicht, dass es für reale praktische Anwendungen nicht notwendig ist, ideale Benutzermodelle einzusetzen:

(12)

„Das wichtigste Ziel in Bezug auf Benutzermodellierung in adaptiven Systemen ist es, den Endnutzer zu stärken. Daher können einfache Benutzermodellierungstechniken nütz- liche und erfolgreiche Lösungen ermöglichen.“ [Lind97, 4]

2.1.2 Benutzungsmodell

Benutzermodellierungskomponenten in Dialogsystemen analysierten Eingaben der Anwender ursprünglich nur, um ihre Überzeugungen, Ziele, Vorkenntnisse usw. abzubilden. In den letzten Jahren untersucht man jedoch verstärkt die Interaktionen des Menschen mit dem System, um das zukünftige Benutzungsverhalten vorherzusagen [Pohl96, 6]. So beobachten Interface-Agenten den Anwender und passen die Oberfläche an die individuellen Erfordernisse an oder schlagen vor, wie in bestimmten Situationen zu verfahren ist. Die PersonalToolbar, entwickelt von der GMD und humanIT, beobachtet, welche Befehle am häufigsten genutzt werden, und konfiguriert eine adäquate Menüleiste [Lind97]. Der Message Assistant von Maes stellt fest, wie E-Mail- Empfänger auf Nachrichten abhängig von Absendern und Themen reagieren. Nach einer Lern- phase priorisiert er ankommende E-Mails und empfiehlt Standardaktionen wie Löschen oder vorgefertigte Antworten [Maes94]. Im Zeitalter des Spamming und des zunehmenden Stress‘

durch E-Mails [O.V.99] ist es erstaunlich, dass sich diese Agenten in der Praxis (noch) nicht durchsetzen konnten.

2.2 Anwendungsfelder - Cui bono?

2.2.1 Informationen für Fach- und Führungskräfte

Aus Sicht der Wirtschaftsinformatik entwickelt sich das Internet zu einem reizvollen Einsatzfeld für Benutzermodelle: Einerseits liefert v. a. das WWW zunehmend nützliche Informationen für Unternehmen, andererseits bremsen die unzureichende Strukturierung und die dementsprechend mangelhaften Retrieval-Mechanismen die Effizienz. Eine europaweite Befragung von 160 Ma- nagern hat ergeben, dass Arbeitnehmer durchschnittlich eine halbe Stunde pro Tag nach Infor- mationen in Datennetzen suchen, wobei nur 30 Prozent der „Anläufe“ erfolgreich sind. Der volkswirtschaftliche Schaden für die vergeudete Arbeitszeit beläuft sich allein in Europa auf jährlich etwa 50 Milliarden Mark [O.V.98c]. Es ist eine wesentliche Aufgabe der Benutzermo- dellierung, Informationen für Fach- und Führungskräfte entsprechend den individuellen Anforderungen des Anwenders zu suchen, zu filtern und zu präsentieren (s. Abbildung 2-2).

(13)

Nicholas Negroponte schreibt, wir befänden uns auf dem Weg vom Informations- ins Postinfor- mationszeitalter [Negr95, 201]. Letzteres zeichne sich durch das so genannte „Einpersonen- publikum“ aus, d. h., Massenkommunikation werde durch Individualkommunikation ersetzt.

Schulung und Beratung Schulung und

Beratung

Marketing/

Verkauf Marketing/

Verkauf

Benutzermodellierung in der

Wirtschaftsinformatik Benutzermodellierung

in der

Wirtschaftsinformatik

Information von Fach- und Führungskräften

Mensch-Aufgabe- Zuordnung Mensch-Aufgabe-

Zuordnung

Abbildung 2-2: Einsatzfelder der Benutzermodellierung

2.2.2 Marketing und Verkauf

Dieser Trend spiegelt sich auch in Schlagworten wider, die dem zweiten Anwendungsfeld, dem Marketing, zuzurechnen sind, wie z. B. „One-to-One“, „Segment-of-One“ und „Relationship“

(vgl. [PeRo93], [Pine95], [Kotl97]). Neben der Kommunikationspolitik versucht man, Produkte auf Massenmärkten an spezifischen Bedürfnissen auszurichten (Mass Customization;

[Mert95b]).

So verwundert es nicht, dass verschiedene Studien der letzten Monate betonen, der Fokus der nächsten Jahre müsse auf einer radikalen Orientierung am Kunden liegen (vgl. [O.V.98a], [O.V.98b]). Im Database-Marketing nutzt man beispielsweise die Verkaufsdaten der Kunden, um individuell aktuellere oder zusätzliche Produkte anzubieten (Cross-Selling, Up-Selling; vgl.

[LiHi93]). Etwas weiter führen Ideen, Kunden „lebenslang“ zu betreuen. So könnte man in ei- nem Benutzermodell Entwicklungspfade abspeichern, um zukünftige Bedarfe zu antizipieren.

Ein Autohändler etwa würde seiner langjährigen Kundin nach bestandenem Examen einen schicken Sportwagen empfehlen, da er davon ausgeht, dass ein teures Fahrzeug nun erschwing- lich sei. Weiß der Verkäufer aber, dass er eine junge Mutter vor sich hat, so würde er möglicher- weise ein stärkeres Sicherheitsbewusstsein in seiner Offerte berücksichtigen und darüber hinaus ein geräumigeres Fahrzeug favorisieren.

(14)

2.2.3 Schulung und Beratung

Schulungs- und Beratungssysteme sind eine klassische Domäne der Benutzermodellierung. In Anwendungen des Computer-based Training und in Intelligenten Tutoriellen Systemen hinterlegt man didaktische Konzepte, um auf die Lernfortschritte der Probanden durch angepasste Lehrin- halte zu reagieren [Lang95]. Da die Kenntnisse der Teilnehmer explizit abgefragt werden kön- nen, lassen sich effizient Benutzermodelle erstellen, die z. B. auch mediale Präferenzen, wie Texte, Grafiken und Videos, enthalten.

Beratungssysteme, die Ratschläge für Investitionen an der Börse erteilen, können anlegerspezifi- sche Parameter wie die Risikoaversion speichern, um entsprechende Portfolios zusammenzu- stellen (vgl. [Bors99]).

2.2.4 Mensch-Aufgabe-Zuordnung

Software für die Mensch-Aufgabe-Zuordnung sollte über Modelle der Rollen, Fähigkeiten und aktuellen Auslastungen von Mitarbeitern verfügen. In Workflow-Management-Systemen (WMS) ermöglicht dies eine dynamische und effiziente Arbeitsbevorratung, da sichergestellt ist, dass Vorgänge direkt zu den Mitarbeitern mit dem erforderlichen Know-how geleitet werden [Ober96]. Durchlaufzeiten lassen sich auf diese Weise verkürzen. Gekoppelt an betriebswirt- schaftliche Standardsoftware können die Benutzermodelle aus dem WMS auch der Parametrisie- rung des Programms dienen [BeVÖ98, 320].

Eine reizvolle Variante ist es, die mitarbeiterspezifischen Daten eines solchen WMS wiederum als Grundlage für die Informationssuche von Fach- und Führungskräften einzusetzen. Das Wis- sensmanagement-Tool Answer Garden listet z. B. Experten auf, die über das relevante Know- how zur Lösung eines gegebenen Problems verfügen [Acke94, 31]. Die besondere Herausfor- derung liegt in diesem Fall in der Wissensakquisition, da nicht nur die Experten zu identifizieren sind, sondern beurteilt werden muss, wer ehrliche Auskünfte erteilt oder aber sein Wissen zu- rückhält.

2.3 Rahmenplan zur Benutzermodellierung

Die in diesem Abschnitt beschriebene Morphologie (s. Abbildung 2-3) schafft einen groben Rahmen zur Einordnung von Benutzermodellen. Sie skizziert wesentliche Eigenschaften von modellierenden Systemen - nicht jedoch konkrete Inhalte. Diese sind vom spezifischen Anwen- dungsgebiet abhängig und fließen deshalb in Kapitel 4 („Eigene Experimente“) ein.

(15)

Merkmale Ausprägungen

Individualisierung individuell gruppierend Art der Informationen

Wissensakquisition lernend

Gültigkeit kurzfristig

Einsichtigkeit

Zweck Selektion Präsentation

Domäne System

Gewinnung implizit explizit

Gegenstand Bediener

Gruppe Kunde Rolle

Veränderbarkeit statisch dynamisch

intransparent ex ante ex post transparent

personell langfristig

weiche Informationen harte Fakten Organis.

Empfänger

Abbildung 2-3: Merkmale von Benutzermodellen

2.3.1 Zweck

Benutzermodelle zur Selektion binden Präferenzen des Anwenders in die Suche ein, um Infor- mationen, Produkte, Lehrinhalte und Aufgaben zu finden und zu bewerten. Solche zur Präsenta- tion steuern den Dialogablauf entsprechend dem Wissensstand des Anwenders und legen fest, in welcher Form Inhalte aufbereitet werden. Diese können auf der einen Seite die Domäne selbst - also problemspezifisches Wissen - betreffen, zum anderen aber auch den Umgang mit dem System.

Häufig finden sich auch Kombinationen der beiden Ausprägungen. Beispielsweise mag man in Expertisesystemen für das Controlling abbilden, wer welche Kennzahlen benötigt (Selektion) und für wen sie in welcher Form aufzubereiten sind (Präsentation; vgl. [UhWB96]).

2.3.2 Gegenstand

Bezüglich des Gegenstands der Benutzermodellierung ist zu unterscheiden, ob der Bediener al- lein die Determinanten der zu lösenden Aufgabe bestimmt oder ob er - gewissermaßen als Inter- mediär - den oder die Empfänger vertritt (Wahlster und Kobsa sprechen von einem „Agent Model“; [WaKo89, 7]). Vor allem bei betriebswirtschaftlicher Software ist der Bediener häufig nicht identisch mit dem Empfänger bzw. Adressaten der Bearbeitungsergebnisse. Erstellt ein Verkäufer elektronisch ein Angebot für einen seiner Kunden, so könnte er vom System lediglich

(16)

Bedienungshinweise und Erklärungen von Fachtermini erhalten. Der inhaltlichen Ausgestaltung des Angebots sollten aber die Bedürfnisse des Kunden zu Grunde liegen.

Neben einem einzelnen Kunden kann es sich bei dem Empfänger auch um eine Gruppe von Personen oder abstrakte Gebilde wie die Rolle eines Mitarbeiters oder eine Organisation han- deln. Möchte sich ein Steuerberater beispielsweise über Software für seine Kanzlei informieren, so sind seine persönlichen Präferenzen weniger wichtig als die objektiven Anforderungen seines Betriebes, d. h., die Zwänge einer Rolle oder das Umfeld eines Unternehmens dominieren per- sönliche Präferenzen.

In diesem Zusammenhang ist zwischen einem subjektiven und einem objektiven Informations- bedarf abzuwägen: So kann eine Aufgabe bzw. Rolle zwar objektiv bestimmte Informationen erfordern. Es ist aber denkbar, dass ein Manager unkonventionelle Problemlösungswege be- schreitet; sein - subjektiver - Informationsbedarf ist dann ein anderer. Extrembeispiel: Ein mittel- ständischer Unternehmer zieht bei der Auswahl unter Bewerbern für eine wichtige Position auch die Astrologie heran.

Entscheidet eine Gruppe gemeinsam über die Alternativen einer Problemlösung, so ist zu klären, nach welchen Strategien die Präferenzen der Gruppenmitglieder zu berücksichtigen sind (z. B.

Mittelwerte, Konzessionen). Plant eine Familie eine Urlaubsreise, so bietet es sich an, neben den einzelnen Vorlieben auch ein „negatives“ Benutzermodell zu bilden, indem man die härtesten Restriktionen erfragt (Baby dabei, Vater ist nicht schwindelfrei usw.).

2.3.3 Individualisierung

Nach dem Grad der Individualisierung lassen sich einerseits Benutzermodelle finden, die sich individuell an die Bedürfnisse eines Anwenders oder Empfängers anpassen. Andererseits ver- sucht man häufig, die Komplexität und Kombinatorik solcher Systeme mit Hilfe von Stereotypen einzuschränken (gruppierend), d. h., man ordnet dem Benutzer „ein Bündel von Eigenschaften [zu] ..., wenn bestimmte auslösende Informationen, die sogenannten Trigger, bekannt werden.“

[Bode92, 241].

Beschreibt sich ein Anwender beispielsweise in dem Literaturberatungssystem GRUNDY als

„athletisch“, so schließt das Programm daraus auf ausgeprägte Anforderungen hinsichtlich Span- nung und Action. Die Palette der vorhandenen Literatur wird anschließend nach diesen „Eigen- schaften“ durchsucht, um entsprechende Vorschläge zu generieren [Rich89, 37]. Chin geht mit KNOME einen Schritt weiter, indem er so genannte doppelte Stereotypen bildet. Die Software modelliert Studenten, um sie beim Erlernen von UNIX zu unterstützen. Im Gegensatz zu GRUNDY projiziert KNOME aber nicht die einzelnen Eigenschaften eines Stereotyps auf die

(17)

benötigten Hilfetexte, sondern beschreibt die gesuchten Informationen selbst wieder mit Stereo- typen. Die beiden Kategorien von Stereotypen werden dann mit einfachen Regeln ineinander übergeführt. Zum Beispiel würde man einem Novizen einen Text der Kategorie „einfach“ prä- sentieren [Chin89, 79 ff.].

2.3.4 Art der Informationen

Implementierungen, die in erster Linie auf harten Fakten beruhen, sind mit einem vergleichs- weise geringen Realisierungsaufwand verbunden, da sie empirisch erfassbar (deskriptive Infor- mationen wie Alter und Geschlecht) bzw. objektiv messbar (Anzahl der Fehler, Hilfeaufrufe, Reaktionszeiten) sind (s. Abbildung 2-4). Weiche Informationen, wie z. B. Ziele, zu gewinnen und einzusetzen stellt Entwickler meist vor eine anspruchsvollere Aufgabe. Woywod vertritt die Ansicht, dass sie „auf Grund der Kompliziertheit der Abbildung kognitiver Denkprozesse in einem Modell in der Praxis kaum realisierbar“ [Woyw97, 53] sind. Im Gegensatz zu harten Fakten eröffnen sie einen Interpretationsspielraum, der die Gefahr einer falschen Taxierung in sich birgt.

Deskriptive Informationen Präferenzen, Haltungen,

Einstellungen Dialogverhalten

Systemwissen Anwen- dungswissen

Ziele

Abbildung 2-4: Mögliche Inhalte eines Benutzermodells (in Anlehnung an [Bode92])

2.3.5 Veränderbarkeit

Bleibt ein Modell über eine Session hinweg konstant, so spricht man von statischen Anwendun- gen. Verändert es sich während einer Dialogsitzung, so überwiegt der dynamische Charakter. In der Regel enthält ein Benutzermodell Variablen aus beiden Kategorien, wobei die Übergänge fließend sind [Lang95, 23]. Sozio-demographische Informationen sind relativ stabil und werden deshalb statisch abgebildet. Die Kenntnisse eines Computer-based-Training-Probanden hingegen

(18)

wachsen idealerweise während eines Kurses. Das Benutzermodell sollte sich daher permanent an den Lernfortschritt anpassen.

2.3.6 Gewinnung

Implizite Modelle beobachten den Anwender und ziehen Rückschlüsse aus seinem Benutzungs- verhalten (Usage Modeling). Auf diese Art werden zwar zusätzliche Eingaben vermieden, die Modelle sind jedoch mit großer Unsicherheit behaftet.

In Systemen, die Informationen explizit gewinnen, muss der Benutzer Fragen beantworten oder Formulare ausfüllen. Sie sind einfacher zu realisieren und transparenter, da der Anwender weiß, welche persönlichen Informationen verarbeitet werden. Problematisch ist jedoch, dass sie den Benutzer von seinen ursprünglichen Zielen ablenken: Entweder muss er seine Situation ex ante beschreiben oder die präsentierten Informationen ex post bewerten. Erschwerend kommt hinzu, dass aussagekräftige Feedback-Mechanismen sehr komplex sein müssen. Bietet ein System nur die Möglichkeit, präsentierte Informationseinheiten eindimensional, d. h. mit einer Gesamtnote zu beurteilen, so ergäbe sich beispielsweise ein Konflikt, falls ein Dokument ausführliche Infor- mationen zu einem Teilproblem, ein anderes aber eher dürftige Aussagen zu dem gesamten Thema enthält [Oard97, 163 ff.].

2.3.7 Einsichtigkeit

Kann der Benutzer sich die über ihn gespeicherten Daten und/oder deren Interpretationen an- zeigen lassen, so spricht man von einem transparenten Modell. Psychologische Aspekte spre- chen dafür, zumindest manche Rückschlüsse zu verbergen (implizite Modellierung). Dürfte ein Kunde beispielsweise in einem Verkaufsunterstützungssystem seine Taxierung einsehen und darüber hinaus modifizieren, so führten Eitelkeit und terminologische Missverständnisse u. U. zu einer unrealistischen Klassifikation. Mit einer solchen Taktik stößt man in Deutschland jedoch auf restriktive Datenschutz-Regelungen (s. Kapitel 5.1).

2.3.8 Gültigkeit

Langfristige Benutzermodelle speichern die Merkmale aus einer Dialogsitzung, müssen somit - im Gegensatz zu kurzfristigen - nicht jedes Mal neu aufgebaut bzw. eingegeben werden. Dem Vorteil einer stärkeren Kundenbindung aufgrund des besseren Service stehen rechtliche Rest- riktionen (s. Kapitel 5.1) und Bedenken der Anwender, persönliche Informationen preiszugeben, entgegen. Doch selbst wenn es gelingt, langfristige Benutzermodelle in anonymisierter Form zu

(19)

realisieren, ist zu beachten, dass sich die Präferenzen der Anwender situationsabhängig bzw. im Zeitablauf verändern können.

2.3.9 Wissensakquisition

Für die Wissensakquisition ist zu klären, ob sich ein System automatisch weiterentwickeln soll, beispielsweise mit Hilfe des Maschinellen Lernens, oder ob der Anbieter das abgebildete Wis- sen und die damit verbundenen Inferenzen personell steuern möchte. So könnte es die Wissens- basis „verunreinigen“, wenn ein im Internet öffentlich zugängliches Produktberatungssystem von Benutzern lernt, welche die Anwendung nur testen möchten und deshalb kein verlässliches Feedback liefern. Außerdem mag es aus Sicht des Marketing erwünscht sein, die Kontrolle über abgebildete Regeln nicht aus der Hand zu geben [BöHM98].

2.4 Zuordnung von Objekten zu Benutzermodellen

Sind die Benutzermodelle aufgebaut, so gilt es, adäquate Objekte zuzuordnen, um individuelle Anforderungen zu befriedigen. Ändern sich die Informationsquellen häufig, die Informations- bedürfnisse jedoch nicht, kann man, basierend auf dem Information Filtering, Anfragen definie- ren, die über einen längeren Zeitraum gültig sind. Im umgekehrten Fall eignen sich Methoden des Information Retrieval, die Ad-hoc-Abfragen erleichtern, um spontane und wechselnde Be- darfe zu befriedigen (s. Abbildung 2-5; [Oard97]).

Änderungs- häufigkeit

der Informations-

quellen

Änderungshäufigkeit der Informationsbedürfnisse Information

Filtering Information

Filtering

Information Retrieval Information

Retrieval

Abbildung 2-5: Varianten der Informationssuche

(20)

Malone et al. erforschten in verschiedenen empirischen Studien, wie man in Unternehmen In- formationen sucht und verarbeitet (s. Abbildung 2-6 [Malo87]).

Das Content-based bzw. Cognitive Filtering beschreibt Anwender mit Schlüsselbegriffen der bereits abgerufenen Informationen. Ausgefeilte Retrieval-Software bewertet relevante Fundstel- len nach der Häufigkeit der Begriffe, die auch im Benutzerprofil enthalten sind, und gewichtet nach deren Position in den Dokumenten. Die Qualität der Suchergebnisse bleibt aber unberück- sichtigt.

Information Filtering Information

Filtering Information

Retrieval Information

Retrieval

Cognitive (Content-based)

Cognitive

(Content-based) Social (Collaborative)

Social

(Collaborative) EconomicEconomic

Abbildung 2-6: Strategien der Informationssuche

Das Social oder Collaborative Filtering (auch „Recommender-Systems“; [ReVa97], [Mert97]) versucht, verlässlichere Ratschläge zu erteilen, indem es Benutzer in „Communities“ einordnet und Lösungen empfiehlt, die anderen Mitgliedern dieser Interessengemeinschaften weiterhalfen [Oard97, 149 ff.]. Da Dokumente in Recommender-Systems durch Annotationen der Leser re- präsentiert werden, kann man erst Vorschläge erzeugen, wenn genügend Datensätze gespeichert sind. Fehlen Hinweise früherer Rechercheure, so sinkt die Motivation, ein solches System zu be- nutzen („Henne-Ei-Problem“). Man diskutiert deshalb über Anreize, die potenzielle Erstanwen- der anregen sollen, Collaborative-Filtering-Software mit Startwerten zu versorgen.

Abbildung 2-7 skizziert den Ablauf des Collaborative Filtering. Zunächst teilt ein Benutzer (in der Grafik A) dem System seine Präferenzen mit, indem er Objekte (Produkte, Informationen usw.) auswählt und/oder beurteilt (n). Beispielsweise könnte er in einem News-Dienst bewerten, welche Nachrichten für ihn besonders interessant waren. Ein Matching-Algorithmus sucht nun nach dem Benutzer mit dem ähnlichsten Geschmack (in der Grafik B), dessen Präferenzen (bzw. Auswahl) sich am stärksten mit denen des ersten Users überschneiden (o). Als Ergebnis des Collaborative Filtering werden Objekte empfohlen, die dem zweiten Anwender (B) über die Präferenzen des ersten hinaus gefielen (p).

(21)

3 Bestandsaufnahme der Benutzermodellierung 15

O n: Objekt n (z. B. Thema, Produkt)

22 „Ähnlichsten“ Benutzer suchen

11 Objekte wählen

Zusätzliches Angebot an A 33 Empfehlung

Auswahl Benutzer A

O 2

O 3 O 4

O 5

O 6 O 1

O 7

O 8

O 9 O 10

O 11

Angebotsspektrum

Auswahl Benutzer B

Abbildung 2-7: Collaborative Filtering

Einer impliziten Kosten-Nutzen-Analyse trägt der Ansatz des Economic Filtering Rechnung.

Laut Malone werden Nachrichten am häufigsten nach ihrer Länge und dem zu erwartenden In- formationsgehalt bewertet. Da dieses Vorgehen aber nur schwer zu automatisieren ist, konnte es sich bisher nicht etablieren.

3 Bestandsaufnahme der Benutzermodellierung

3.1 Anwendungsbeispiele

3.1.1 Informationen für Fach- und Führungskräfte

3.1.1.1 Information Retrieval

Unter den laut Search Engine Watch [Sear99] im Dezember 1998 am meisten frequentierten Suchmaschinen des Internets war keine, die Recherchen in besonderer Weise an die Anforde- rungen der Benutzer anpasst. Unterschiede ergeben sich lediglich im Bedienungskomfort, in der Leistungsfähigkeit der Abfragesprache und in der Ergebnispräsentation. Lycos Pro Search [Lyco99] bietet die Möglichkeit, verschiedene Anfrageparameter, wie die Position eines Wortes im Text, zu gewichten (s. Abbildung 3-1). Excite [Exci99] und AltaVista [Alta99] schlagen ähn- liche Begriffe vor, um den Suchraum einzugrenzen. Darüber hinaus kann man in AltaVista ei-

(22)

16 3 Bestandsaufnahme der Benutzermodellierung

nige grundlegende Voreinstellungen, wie die bevorzugte Sprache, wählen. Tabelle 3-1 gibt einen Überblick über die Individualisierungsfunktionen der populärsten Suchmaschinen.

Abbildung 3-1: Parametrisierung der Suche in Lycos Pro Search

Ähnlich dem Social Filtering reiht das Recherche-System von Direct Hit [Dire99], das u. a. in die Suchmaschinen HotBot [HotB99a] und Lycos integriert ist, die Treffer nach ihrer Populari- tät. Ausschlaggebend für die Empfehlung ist, wie oft die präsentierten Links von früheren Be- nutzern verfolgt wurden [O.V.98g]. Die Software von Direct Hit berücksichtigt aber weder Merkmale des Benutzers, noch liefert das Programm eine Aussage über die Qualität der Fund- stellen.

(23)

Suchmaschine Quelle Individualisierung

AltaVista [Alta99] 1. Voreinstellungen des Browsers, Sprache, mediale Präferenzen, kein inhaltlicher Bezug (AltaVista Preferences)

2. Zeigt Suchwörter zusammen mit ähnlichen Begriffen und deren inhaltlicher Interpretation an (AltaVista Refinde)

3. Nicht-jugendfreie Seiten ausschließen 4. Web Portal (s. Kapitel 3.1.1.2)

Excite [Exci99] 1. Schlägt ähnliche Begriffe vor, um die Suche zu erweitern 2. Bewertet Seiten nach der Anzahl der Links, die auf sie zeigen 3. Web Portal (s. Kapitel 3.1.1.2)

Infoseek [Info99] 1. Bewertet Seiten nach der Anzahl der Links, die auf sie zeigen 2. Nicht-jugendfreie Seiten ausschließen

3. Web Portal (s. Kapitel 3.1.1.2) Google [Goog99] Popularität der Links

HotBot [HotB99a] 1. Gewichtung verschiedener Suchparameter

2. Listet die Suchergebnisse nach der Popularität der Fundstellen (Di- rect Hit)

Lycos [Lyco99] 1. Gewichtung verschiedener Suchparameter (Lycos Pro Search) 2. Listet die Suchergebnisse nach der Popularität der Fundstellen (Di-

rect Hit)

3. Bewertet Seiten nach der Anzahl der Links, die auf sie zeigen 4. Web Portal (s. Kapitel 3.1.1.2)

Planet Search [Plan99] 1. Voreinstellungen der Ergebnispräsentation

2. Search Alert: Man kann ein Suchprofil abspeichern und erhält eine Nachricht, wenn passende Dokumente ins WWW gestellt werden 3. Web Portal (s. Kapitel 3.1.1.2)

Tripod [Trip99] Community Building: Homepages nach Interessengebieten sortiert Tabelle 3-1: Individualisierungsfunktionen populärer Suchmaschinen

3.1.1.2 Content-based Filtering

Ein Trend zur Individualisierung zeichnet sich in Form parametrisierbarer Web Portals ab. Es handelt sich dabei um Übersichtsseiten im WWW, auf denen man Links zu verschiedenen The- men findet, die als Ausgangspunkte des regelmäßigen Surfens dienen. In ihrer zweiten Genera- tion können viele der Web Portals an persönliche Präferenzen angepasst werden [Mill98]. So mag der Anwender selbst festlegen, welche Informationen ihm beim Start der Seite automatisch offeriert werden, indem er WWW-Seiten, Usenet- oder Chat-Foren angibt und aus einem Ange- bot von thematisch untergliederten News-Diensten selektiert (Content-based Filtering).

(24)

Ebenso wie viele der führenden Suchmaschinen bieten auch Microsoft [Micr99], Netscape [Nets99] und AOL [AOL99] individuell konfigurierbare Web Portals als zentrale Einstiegsseiten an, um ihre Besucher an ihren Dienst zu binden [O.V.98e]. So belegen Marktforschungsstudien, dass 95 Prozent der User ihrer Suchmaschine treu bleiben, wenn sie individuelle Profile berück- sichtigt. Geschieht dies nicht, legen sich nur 13 Prozent der Internet-Nutzer auf einen Anbieter fest [Heij98].

Abbildung 3-2: Personalisierungsformular in My Yahoo

Im Web Portal von Yahoo kann man mit einem so genannten Clipping-Service nach dem Bau- kasten-Prinzip Nachrichten verschiedener Themenbereiche, Wettervorhersagen, Börseninfor- mationen usw. zusammenstellen (s. Abbildung 3-2; [Yaho98]). Ein besonderes Ausstattungs- merkmal ist der Pager, der z. B. Aktienkurse beobachtet und bei signifikanten Schwankungen seinen Auftraggeber alarmiert. Für derartige Anwendungen lässt sich im Internet ein Reihe wei- terer Beispiele finden, wobei sich keines der Systeme durch ausgefeilte Benutzermodellierung auszeichnet.

Eine den Web Portals vergleichbare Funktionalität bieten News-Dienste, bei denen man zwar verschiedene Filter hinterlegen, aber auch nicht von einer echten Benutzermodellierung sprechen kann.

(25)

3.1.2 Marketing und Verkauf

3.1.2.1 Information Retrieval

Entweder als eigenständige Applikationen oder als Ergänzung zu einer Suchmaschine unterstüt- zen so genannte Preis-Agenten bei der Suche nach Produkten (vgl. z. B. Product Finder [WebC98], Shopping Agent [HotB99b], Smart Shopper [Look98]). Diese „Agenten“ oder auch

„Robots“ arbeiten in der Regel mit den Daten einiger weniger Produktkataloge von Online-An- bietern und ermöglichen Anfragen mit frei formulierbaren Merkmalen [Tura98]. Als Ergebnis erhält man nach Preisen sortierte Produktvorschläge zusammen mit den Adressen der Anbieter oder mit einer direkten Bestellmöglichkeit. Der Einkaufsführer BizRate findet Anbieter, die bestimmte Service-Anforderungen erfüllen. In einem Shopping-Profil hinterlegt man beispielsweise Erwartungen bezüglich Lieferfristen, Zahlungsweisen sowie Funktionen der WWW-Sei- ten, etwa Suche und Sicherheitsmechanismen (s. Abbildung 3-3; [BizR99]).

Abbildung 3-3: Shopping-Profil von BizRate

(26)

3.1.2.2 Content-based Filtering

Innovativere Systeme wie One-To-One von BroadVision [Broa98] nutzen Informationen aus den Geschäftsbeziehungen mit ihren Kunden, um Inhalte zu präsentieren, die zu bereits vor- handenen Produkten passen. Ebenso protokolliert man, welche Links der Benutzer bisher verfolgt hat, um seinen Interessen entsprechende Seiten dynamisch zu generieren oder aber um Werbebanner einzublenden. Den Anwendungen liegen meist regelbasierte Mechanismen zu Grunde.

Die Kidata AG möchte mit NeuroMatch die Streuverluste von Online-Werbung durch Künstli- che Neuronale Netze (KNN) reduzieren [Glam98]. Das KNN merkt sich sowohl das inhaltliche Umfeld, in dem „erfolgreiche“ Werbeflächen standen, als auch die persönlichen Präferenzen der Surfer, um Banner gezielt zu platzieren.

Einen interessanten – wenn auch aus Gründen des Datenschutzes fragwürdigen – Ansatz verfolgt DoubleClick mit seinem Localizer [Doub98]. Dieser greift auf die Adresse (URL) der Internet- Nutzer zu, um deren geografischen Standort herauszufinden und anschließend Werbung von regionalen Anbietern einzublenden [Clar98].

3.1.2.3 Collaborative Filtering

Der Internet-Buchhändler amazon.com verwendet in seinem Recommendation Center das Col- laborative Filtering, um für seine Kunden individuelle Leseanregungen zu erzeugen [amaz98].

Als Neukunde wird man aufgefordert, 20 Bücher zu bewerten (s. Abbildung 3-4). Das System findet in seiner Datenbank dann die Kunden mit dem ähnlichsten Geschmack und empfiehlt Literatur, die diesen „verwandten“ Kunden gefällt, von der man aber annimmt, dass sie dem aktuellen Benutzer nicht bekannt ist.

(27)

Abbildung 3-4: Analyse der literarischen Präferenzen im Recommendation Assistant von amazon.com

Nach demselben Prinzip arbeitet der Passport des Unternehmens Firefly [Fire98a]. Unter [Fire98b] ist eine Liste von Anbietern zu finden, die mit Hilfe des Passports Empfehlungssys- teme in den Bereichen Sport, Literatur, Film und Musik erstellt haben. Das Besondere an dieser Lösung ist, dass die Daten des Anwenders zentral gespeichert sind und - nach dessen Genehmi- gung - auch von weiteren Unternehmen genutzt werden dürfen.

Wie bei amazon.com muss der Benutzer beim ersten Aufruf einer Passport-Anwendung (etwa ein virtueller Blumenladen) seinen Geschmack beschreiben, indem er verschiedene Produkte bewertet. Surft er später auf die Site eines weiteren Firefly-basierten Anbieters (z. B. ein Online- CD-Shop), bei dem er seine persönlichen Präferenzen noch nicht spezifiziert hat, so greift das System auf einen „Gesinnungsgenossen“ aus der ersten Anwendung (Blumenladen) zurück.

Firefly unterstellt also, dass die Präferenzen von Kunden, deren Geschmäcker sich in einem Bereich ähneln (z. B. Blumen), auch bei ganz anderen Produkten (z. B. CDs) übereinstimmen (s.

Abbildung 3-5).

(28)

Start Start

Der Kunde meldet sich bei

Anbieter 1 an Der Kunde meldet sich bei

Anbieter 1 an

Profil bei Anbieter 1 vor-

handen?

Profil bei Anbieter 1 vor-

handen?

Profil bei Anbieter x vor-

handen?

Profil bei Anbieter x vor-

handen?

Ähnlichsten Kunden bei Anbieter 1

finden Ähnlichsten Kunden

bei Anbieter 1 finden

Empfehlung (Delta aktueller und ähn- lichster Kunde) Empfehlung (Delta

aktueller und ähn- lichster Kunde)

Ähnlichsten Kunden bei Anbieter x finden, der gleichzei-

tig auch Kunde bei Anbieter 1 ist Ähnlichsten Kunden

bei Anbieter x finden, der gleichzei-

tig auch Kunde bei Anbieter 1 ist

Stopp Stopp

Kunde bewertet Produkte Kunde bewertet

Produkte N

J

N

J

Abbildung 3-5: Empfehlungsstrategie von Firefly

3.1.2.4 Produktberatung

Viele der Produktberatungssysteme im Internet sind wenig anspruchsvoll. So ermittelt eine An- wendung von Beate Uhse die Konfektionsgrößen ihrer Kunden aufgrund der Körpermaße [BeUh98]. Ein Hersteller von Haarpflegemitteln generiert Empfehlungen, die geeignet sein sollen, kosmetische Probleme der Benutzer zu lösen [Curt98]. Da in nur einem Dialogschritt lediglich der Haartyp anzugeben ist, bewegt sich die Anwendung auf der Ebene problemorientierter Inhaltsverzeichnisse. Ein weiteres Beispiel ist bei TOX Dübeltechnik zu finden [TOXD98]:

Nach drei Fragen über den Einsatzzweck werden die passenden Dübel präsentiert.

Personalogic [Pers98a] ist Anbieter von dialogorientierten Beratungssystemen, die – im Gegen- satz zum Collaborative Filtering – detaillierte Anforderungsprofile erstellen. In einer Beispiel- Applikation aus der Fahrrad-Branche werden in erster Linie Produkteigenschaften erfragt [Pers98b]. Auf höchster Ebene muss der Anwender eingeben, wie viel er für das Fahrrad ausge- ben möchte und welche Kategorie er bevorzugt (Mountain Bike, Rennrad usw.). Fehlt dem Kunden das technische Know-how, so hilft das System durch problemorientierte Fragen. In weiteren Dialogschritten kann man mit Hilfe von Schiebereglern beispielsweise gewichten, wie wendig oder wie haltbar das Fahrrad sein soll (s. Abbildung 3-6). Das Ergebnis der Beratung ist

(29)

ein Ranking mit den Optionen, verschiedene Modelle zu vergleichen und genaue Erklärungen der Bewertungen abzurufen.

Abbildung 3-6: Gewichtung von Produktmerkmalen bei Personalogic

Ein weiteres Beispiel für etwas anspruchsvollere Beratungssysteme ist der HomeAdvisor von Microsoft [Micr98]. In einigen Formularen spezifiziert der Anwender seine Präferenzen zum Hauskauf (Lage, Wohnfläche usw.). Neben einer Liste geeigneter Immobilien bietet Home- Advisor eine Finanzierungsberatung.

3.1.3 Schulung und Beratung

Wiewohl die Benutzermodellierung sich ursprünglich stark aus der Lehr-Software bzw. dem Computer-based Training entwickelt hat, findet man wenig Systeme mit fortschrittlichen adaptiven Konzepten, die man der Wirtschaftsinformatik zuordnen könnte (vgl. aber Abschnitt 4.3.1, AMPreS).

Ohne direkten Bezug zur Wirtschaftsinformatik, aber dennoch erwähnenswert, ist das Lernpro- gramm Expert System der Temple University. Es erkennt anhand einer Reihe von Testfragen, welchen Stoff der Student kennt und wie er am liebsten lernt. Das Programm ist High-School- und College-Studenten über das Internet zugänglich. [O.V.98f]

Auf den WWW-Seiten der Universität Trier erfasst die Teachware AST (Adaptiver Statistik Tutor; [AST98]) in einem ersten Schritt einige allgemeine Informationen, z. B. Kenntnisse im Umgang mit Computern und mit dem WWW. Anschließend ist ein Test zu bearbeiten, der das Statistik-Know-how des Probanden überprüft. Das Kursmaterial wird dann dem aktuellen Wis- sensstand ebenso angepasst wie verschiedene Hilfen zur Navigation.

(30)

AOL verwendet das in Kapitel 3.1.2.3 beschriebene Werkzeug von Personalogic, um angehende Studenten bei der Auswahl eines geeigneten Colleges zu unterstützen. Die Empfehlung berück- sichtigt u. a. regionale Präferenzen, ob man in einem privaten oder einem öffentlichen Institut studieren möchte und wo die Obergrenze der Ausgaben liegen soll.

3.2 Benutzermodellierungs-Shells

Aptex und Engage Technologies kombinieren ihre Systeme, um WWW-Seiten individuell an die Präferenzen der Anwender anzupassen [O.V.98h]. Beiden Programmen ist gemeinsam, dass sie anonymisierte Clickstream-Daten protokollieren. Während der Schwerpunkt von Aptex auf der Prognose des Benutzungsverhaltens liegt, besitzt Engage seine Stärke in der Site-übergrei- fenden Beobachtung und in der Typisierung der Anwender.

Die Software von Aptex speichert Benutzerprofile einschließlich der betrachteten Inhalte und verknüpft beide durch KNN. Die Realtime-Applikation beobachtet abgerufene Inhalte, eingege- bene Abfragen, angeklickte Werbebanner sowie gekaufte Produkte. Ziel von Aptex ist es, das Verhalten des Anwenders vorherzusagen, um WWW-Seiten anzugleichen.

Das Programm von Engage generiert vor der Benutzung allgemein gültige Profile, die später mit den Daten der Anwender gefüllt werden. Engage.Knowledge database, eine Komponente der Software, speichert diese Informationen anonymisiert ab, um Profile für One-to-one-Marketing zu entwickeln oder Communities zu bilden.

Das Tool Learn Sesame von Open Sesame kann in einen WWW-Server integriert werden, der dynamische Seiten erzeugt und außerdem Meta-Daten über die abgespeicherten Inhalte enthält [Open98]. Ein Dialogmonitor beobachtet den Benutzer und speist ein Neuronales Netz mit dessen Aktionen. Das Verhalten des Anwenders wird in einer relationalen Datenbank abgelegt und analysiert. Weitere Funktionen umfassen eine Learn Engine, welche die Benutzermodelle wäh- rend der Dialogsitzungen permanent anpasst, und ein Reporting-Modul, das Berichte über die Präferenzen der Benutzer erstellt. Individuelle Inhalte findet Learn Sesame sowohl durch Con- tent-based als auch durch Collaborative Filtering.

3.3 Beurteilung

Während unserer Recherchen im Internet erhielten wir den Eindruck, dass kaum Systeme zu finden sind, deren Benutzermodelle über Basismechanismen des Information Retrieval und Filte- ring hinausgehen. Es werden zwar, wie in Kapitel 3.2 skizziert, einige Werkzeuge angeboten, die

(31)

es ermöglichen, komplexere Benutzermodelle zu erstellen. Der praktische Einsatz dieser Shells scheint sich aber auf einige Innovatoren zu beschränken.

Wahlster strukturiert die Anwendungssysteme des WWW in drei Generationen (s. Abbildung 3-7; [Wahl99]), wobei die von uns gesammelten Beispiele in erster Linie der zweiten zuzuordnen sind.

Interaktive Web-Sites

Dynamische Web-Sites 2. Generation

JavaScripts, Applets Datenbanken, Templates Statische

Web-Sites 1. Generation

HTML

Virtuelle Web-Sites

Adaptive Web-Sites 3. Generation

Netbots, Information Extraction,

Präsentations-Planer Benutzermodellierung,

Maschinelles Lernen, Online Layout

Abbildung 3-7: Drei Generationen von Web-Sites [Wahl99]

1. Generation: Statische Web-Sites werden vor ihrem Abruf in HTML „gemeißelt“, d. h., Inhalt und Layout sind unabhängig vom jeweiligen Benutzer.

2. Generation: Etwas stärker orientieren sich dynamische WWW-Sites am aktuellen An- wender. Sie basieren in der Regel auf vorgefertigten Templates und fügen zum Zeitpunkt des Zugriffs Inhalte, die sich häufig ändern (z. B. Aktienkurse), aus einer Datenbank ein.

Oftmals werden diese Seiten als Ergebnisse von Suchanfragen generiert. Sind Pro- gramme, geschrieben in Skriptsprachen, oder Applets eingebettet, so erhält man Seiten, die auch noch auf Aktionen der Anwender reagieren, nachdem sie vollständig in den Browser geladen wurden (interaktive Web-Sites).

3. Generation: Adaptiven Web-Sites liegen Benutzermodelle zu Grunde. Sie stellen sich individuell auf den Anwender ein und lernen aus seinem Verhalten (Maschinelles Ler- nen). Virtuelle Web-Sites sammeln anbieterübergreifend Informationen im Auftrag des Benutzers und präsentieren ihre Suchergebnisse integriert. Für den Anwender ist auf den ersten Blick nicht zu erkennen, dass diese aus verschiedenen Quellen stammen.

(32)

26 4 Eigene Experimente

4 Eigene Experimente

Ein „Blick in die eigene Werkstatt“ skizziert verschiedene Projekte des Bereichs Wirtschaftsin- formatik I³ der Universität Erlangen-Nürnberg aus Sicht der Benutzermodellierung. Grundlage der Ausführungen ist der Rahmenplan aus Kapitel 2.3.

Die Tabelle auf den folgenden beiden Seiten stellt die Projekte gegenüber.

3 Dem Bereich Wirtschaftsinformatik I gehören der Lehrstuhl für Betriebswirtschaftslehre, insbesondere Wirtschaftsinformatik I, die Informatik-Forschungsgruppe B (Betriebliche Anwendungen) der Universität Erlangen-Nürnberg sowie die Forschungsgruppe Wirtschaftsinformatik des Bayerischen Forschungszen- trums für Wissensbasierte Systeme (FORWISS) an. Diese Einrichtungen werden vom Mitverfasser Mer- tens in Personalunion geleitet.