Denna studie görs i samarbete och på uppdrag av Indentive Operations AB. Detta är ett företag med målet att koppla upp hem, bostadsområden och samhällen. Detta gör de bland annat genom sin Connective-platform. Denna tjänst hjälper
konsumenter göra sitt hem smart genom att koppla upp smarta enheter mot deras platform. Produkten levereras i samarbeten med kunder, som i sin tur säljer
produkten vidare till slutkunder (se 2.1.2 Slutkund, kund och användare). Företaget lanserade nyligen även en app åt fastighetsbolaget Uppsalahem och har just nu bland annat ett pågående projekt som ska hjälpa konsumenter att bli mer aktiva i arbetet för hållbar konsumtion vid namn Vägvisaren. I nuläget har Indentive inga konversationsagenter men vill via denna studie undersöka huruvida detta kan implementeras för att hjälpa deras användare.
I appens nuvarande version kan användaren bland annat installera och para ihop enheter, skapa rutiner och scener, samt styra sina enheter manuellt.
Installationsprocessen ser olika ut för olika enheter men med hjälp av den medföljande manualen ska användaren utföra rätt steg för att kunna lägga till enheten till systemet, även kallat para. Dessa enheter kan vara allt från lampor till
4 rörelsesensorer. När enheten parats kan de sedan styras manuellt via ett knapptryck i appen eller via mer avancerade funktioner. En av dessa funktioner är rutiner, vilket låter användaren sätta en lista av kommandon (exempelvis tända alla lampor) som ska köras vid en viss händelse, såsom att solen går upp eller att rörelsesensorn blir aktiverad. En annan funktion är scener, vilket gör att användaren kan styra grupper av enheter genom ett klick, såsom alla lampor i ett rum. Användaren kan även använda sig av tjänster såsom larm eller värmestyrning.
2 Bakgrund 2.1 Begrepp
2.1.1 Chattbotar, konversationsagenter, digitala assistenter I denna studie används konversationsagent som term. Detta då termen anses bredare än sådana som “digitala assistenter” eller “chattbotar” och då tanken är att gå in i projektet med en bred syn kring hur implementeringen kan se ut. I annan litteratur finns en mängd olika benämningar. Vid referens till denna litteratur benämns det i största mån på samma sätt som det gjorts i originalstudien, ibland översatt från engelska. I kommande stycke berörs de olika definitionerna som finns av de olika termerna.
Det finns många olika benämningar för konversationsagenter såsom
chattbotar, digitala assistenter och intelligenta assistenter. Dessa har i sin tur många olika definitioner. Enlig Khan och Das (2018) är definitionen av en chattbot ett
mjukvaruprogram som använder användarens naturliga språkinmatning för att
generera responser kopplade till användarens inmatning. Budiu från Nielsen Norman Group definierar en chattbot som en guide som vägleder användaren genom enkla linjära flöden (Budiu, 2018). Rangkarasamee och Yodmalai (2019) har en aningen mer abstrakt definition och menar att det helt enkelt kan definieras som något som har mjukvarukomponenter som användaren kan interagera med.
Rangkarasamee och Yodmalai (2019) introducerar även en viss
kategorisering av botar. En av dessa kategorier är konsumentbotar. Dessa typer av botar har som mål att avlasta mänsklig personal från supportärenden. Botarna måste kunna hantera konversation genom att bland annat kunna förstå och hantera
5 skiftandet mellan olika ämnen. De nämner även något som kallas “business bots”
eller “enterprise bots”. Dessa typer av botar ger användaren möjlighet att nyttja företagstjänster, såsom att beställa en pizza, eller boka en resa.
Det finns även olika krav och kriterier för att något ska räknas som en chattbot eller intelligent assistent. Budiu (2018) identifierar sex olika krav som finns för att något ska kunna räknas som en intelligent assistent, vilket i Budius studie ses som en mer avancerad typ av chattbot. Dessa krav inkluderar agens, röstsyntestesering, intelligent tolkning, röststyrning, naturlig språkprocessering, samt integreringen av samtliga funktioner. För att något ska räknas som en chattbot räcker det däremot med att inneha intelligent tolkning av naturlig språkprocessering. I ett rent funktionellt tankesätt gör detta att det räcker med att boten förstår och kan handla i relation till användarens naturliga språk. Vilket, för att koppla till inledningen, låter mer som Clippy snarare än Alexa.
Denna stora mängden termer, kategorier, och krav skapar en viss problematik då det kan leda till ett mer splittrat konsensus kring vad som egentligen är en
chattbot, eller intelligent assistent, vilket då blir en av anledningarna till att just konversationsagent används som huvudterm i denna studie.
2.1.2 Slutkund, kund och användare
I denna text nämns begreppen slutkund, kund och användare kontinuerligt. En kund definieras som ett företag (exempelvis fastighetsbolag eller elbolag) som är kund hos Indentive. En slutkund är en person som nås av Indentives produkter via deras
kunder, vilket då kan vara någon som köpt kundens version av Indentives
Connective-app. Begreppet användare har en bredare bemärkelse och används när det handlar om generella brukare av system, möjliga slutkunder samt testdeltagare.
2.2 Relevans
Konversationsagenternas resa på marknaden har under de senaste åren varit väldigt framgångsrik och det går att se en stor utbredning i dess användning. I en
undersökning av Gartner (2019) uppdagades det att 52% av telekombolag använder sig av chatbotar, denna siffra låg på 38% inom hälsovård. Denna ökning ser ut att
6 fortsätta, bland annat tros chattbotsmarknaden vara värderad ungefär 1.3 miljarder dollar år 2024 (Bhutani & Wadhwani, 2019). Utbredningen tror Budiu (2018) bland annat beror på möjligheten att minska kostnaden för kundservice, samt den enorma framgång man kan se i chattbaserad appar. Enligt Yin (2019) har chattbotar hjälpt företagsledare att öka kundernas betyg av kundservice med 24%. Kundservice är däremot inte det mest vanliga området för chattbotar. Kundservice har en
marknadsandel på 37% medan förstaplatsen som består av försäljning ligger på 41%. Förutom dessa marknadsfokuserade områdena har chattbotar även setts kunnat hjälpa till inom områden som kan förbättra folkhälsan såsom coachning för att sluta röka. Detta uppdagades i en studie av där 28.9% av deltagarna lyckades
minska sin rökning i linje med det planerade målet (se 2.4 Social Network Chatbots for Smoking Cessation) (Calvaresi et al., 2019). Denna ökning tros även till stor del bero på dess möjlighet att vara tillgängliga 24-timmar om dygnet (Akhtar, Neidhardt
& Werthner, 2019). Detta är något som skiljer den från kundservice utförd av
människor, som ofta har öppet vanliga kontorstider, om ens det. Utöver det har den nästintill obefintlig svarstid och kan dessutom även återkomma med en personlig respons (Akhtar, Neidhardt & Werthner, 2019). Svarstidens betydelse är stor då man i ett dataset analyserat av Akhtar, Neidhardt & Werthner (2019) kunde se att
konversationen pågick kortare än en minut i 122540 chattsamtal av 215859.
Chattbotar har även ingen begränsning på hur många de kan hjälpa simultant (Carter & Knol, 2019). Om boten dessutom har en välintegrerad språkmjukvara kan den förstå och svara på nästan alla av världens språk (Ivanov & Webster, 2017). Ett annat vanligt argument är att företag sparar in stora summor pengar på
implementeringen ur ett långsiktigt perspektiv. Yin (2019) påstår att företagsledare under 2019 i snitt sparade ungefär 300 000 dollar genom användningen av
chattbotar. Detta gjordes främst genom minskningen av svarstid, vilket hade minskat trefaldigt. Detta resulterade i en ökad försäljning på cirka 67%.
2.2.1 Kostnaden för konversationsagenter
Som tidigare nämnt så är ett vanligt argument för implementeringen av
konversationsagenter dess låga långsiktiga pris jämfört med en mänsklig anställd.
Priset för implementeringen samt driften av en konversationsagent skiljer sig
7 markant mellan olika aktörer. En tumregel är att dyrare implementeringskostnad resulterar i lägre driftskostnad och vice versa. Vissa lösningar är så kallade “open-source” exempelvis Rasa (https://rasa.com/), vilket betyder att de har öppen källkod och är därmed gratis att använda. Googles lösning DialogFlow
(https://dialogflow.com/) har skiftande pris beroende på bland annat mängden av skickad data och varierar mellan 0-0.0004 dollar per textinmatning. Själva
implementeringskostnaden skiljer sig såklart även stort beroende på om
utvecklingen sker inom företaget eller beställs externt. Priset skiljer sig även om konversationsagenten ska vara helt skräddarsydd eller en instans av ett redan befintlig skelett. Juhan Kaarma (2020) rapporterar att en bot med
standardintegrationer kostar mellan 2000-5000 dollar att implementera. Det går även att hyra konversationsagenter vilket då inte innebär någon implementationskostnad.
Då finns bland annat en lösning av Chatbot.com där man kan få obegränsat antal chatbotar för 499 dollar i månaden (https://www.chatbot.com/).
2.3 Kritik mot konversationsagenter
Trots det ökade intresset som går att identifiera på marknaden finns det viss kritik mot implementeringen av konversationsagenter. Vissa anser bland annat att chattbotar är begränsade i de områden de kan assistera inom (Budiu & Whitenton, 2018). Enligt duon passar de bäst i ofta återkommande problem som inte är särskilt avancerade. Trots agentens etablerade plats i supportlandskapet finns det många som tror att den har en lång väg att gå för att nå upp till nivån av mänsklig
kundservice. I Yins (2019) undersökning så föredrog 87% av deltagarna mänsklig interaktion. Detta då den mänskliga respondenten ansågs ha större möjligheter att förstå komplexa situationer samt svara på en bredare mängd frågor.
Implementeringen av botar kan även kritiseras ur ett etiskt perspektiv. Vid implementeringen finns det alltid en risk att användaren är skeptisk till lösningen och upplever obehag och skräck enligt Ivanov & Webster (2017). Duon tror även att chattbotarnas framfart kan leda till att människor förlorar jobbet. Dess fördel rent kostnad- och produktivitetmässigt menar de kan leda till att företag föredrar
lösningen framför deras mänskliga anställda. Carter och Knol (2019) anser att detta
8 inte är fallet just nu då botar endast assisterar de mänskliga anställda i nuläget, men att detta kan komma att ändras på grund av den snabba utvecklingen.
2.4 Tidigare studier
Här presenteras tidigare studier som undersöker användarupplevelsen vid interaktion med konversationsagenter samt tidigare studier i samarbete med Indentive
2.4.1 The User Experience of Chatbots
En studie av Raluca Budiu (2018) undersökte användarupplevelsen vid interaktion med chattbaserad mjukvara. I studien lät de åtta deltagare ta del av chattupplevelser där samtalspartnern antingen var människa eller bot. De undersökte sedan hur användaren upplevt interaktionen och hur de olika samtalspartnerna jämförde sig med varandra. Resultatet visade att deltagarnas upplevelse med botarna antingen var neutral eller något positiv. De ansåg generellt att botarna var mindre hjälpsamma än människor, men att botinteraktionen ändå hade en del fördelar, såsom
möjligheten till snabba svar. Studien undersökte även hur gränssnittet skilde sig mellan de olika chattbaserade apparna samt dess för- och nackdelar. En av de stora nyckelaspekterna i gränssnittsgranskningen var att varje gränssnitt bör inkludera både responsförslag och fritext, då dessa används för olika syften. Denna studie ger en inblick i chattbotars styrkor och svagheter, hur de skiljer sig från människor, hur de bör utformas, samt konkreta exempel på botar tillgängliga på marknaden.
2.4.2 Social Network Chatbots for Smoking Cessation
En studie som fokuserar mer på en specifik chattbots möjligheter utfördes 2019 av Calvaresi, Calbimonte, Dubosson, Najjar samt Schumacher. Denna undersökte hur chattbotar kan användas för att hjälpa människor att sluta röka. Studien involverade 270 deltagare där samtliga uppgav att de rökte, varav 200 rapporterade att de aktivt använt boten i ett sorts förberedelse-stadie för att sluta röka. Boten i studien
utvecklades i bland annat Python och integrerades sedan i Facebooks
Messenger-9 applikation. Resultatet från studien visade att 28.9% av deltagarna uppfyllde sitt mål tre månader efter att ha rökt sin sista cigarett. Denna studie visar på botars möjlighet att sträcka sig förbi marknadsfokuset för att istället fokusera på folkhälsa och
individens välmående.
2.4.3 Umeå Energis Datainsamling
Umeå Energi är en kund till Indentive som 2018 gjorde en datainsamling där de lät tio testdeltagare använda Connective-produkten. Testdeltagarna fick sedan svara på en mängd frågor kring deras uppfattningar om produkten. Frågorna inkluderade bland annat förväntningar på produkten, om den uppfyllde dessa förväntningar, samt åsikter kring installation och funktioner. Undersökningen innehåller en blandning av statistiksiffror och åsikter formulerade via text (se citat 1 - 7).
1. “Inte användarvänlig i början, framför allt rutiner.”
2. (Rutiner) “Inte speciellt användarvänligt. Har inte fungerat varje gång”.
3. “Den följer inte riktigt min logik när jag ska sätta upp ett scenario.”
4. “Instruktionsboken har använt för tekniska termer”
5. “Att sätta upp rutinerna första gången upplevdes svårt.”
6. “Har fortfarande inte riktigt kommit på hur man skall göra utan känns som att det i misstag kopplar ihop sig på nått sätt.”
7. “Lite för dåliga instruktioner.”
Denna datainsamling visade främst på problematiken som finns med installeringsprocessen samt rutinskapandet. Hälften av användarna angav att de skulle vilja ha hjälp med att sätta upp saker och problem med installering kom upp flertalet gånger i undersökningen. Skapandet och underhållet av rutiner ansågs även vara ett stort problem, där flera användare kände att systemet inte var tillräckligt
10 användarvänligt. Sammanfattningsvis visar detta på problem med systemets
användbarhet.
2.4.4 Smart users, smart homes, and the search for a smarter application
Detta är en tidigare studie gjord i samarbete med Indentive av Alicia Hagelberg (2018). Studien är av kvalitativ form och syftar på att undersöka Connectives användbarhet och hur den kan förbättras. Studien inkluderar observationer där användare får använda appen, genom att bland annat installera enheter och skapa rutiner. Användarnas beteende antecknades och det hölls även semistrukturerade intervjuer där användarna frågades om processerna inkluderas. Även förslag på förbättringar av de huvudproblem som uppstått presenteras. Hagelbergs studie är en kontextuell undersökning, då den kombinerar kvalitativa intervjuer med observationer (Arvola, 2014). Då studien testar Connectives befintliga system ger det en insikt i vad som fungerar och inte, vilket är en bra grund vid utformandet av ett nytt gränssnitt (Kruger, 2014). Studien presenterar citat som visar på brister i plattformens användarvänlighet (se citat 8 - 15).
8. “I don’t think I can do this, there’s just too much information in these manuals... To be honest I feel a bit defeated, how am I supposed to know what to start with?”
9. “Oh, the outlet plug is a sensor? I thought you were supposed to plug in the gateway to it! They should tell you that in the app, not in the middle of the manual.”
10. “Well, you want it to be quick and easy and clear as soon as you open up the package and start the app, which it’s not at the moment. Some kind of ”quick-start guide” for both the application and the sensors would be very helpful”
11. “I’d like to get some help from the app here, but there doesn’t seem to be any... There should be a FAQ or something like that,
11 perhaps a chat or a phone number. I don’t want to contact the
company to get help with something this trivial.”
12. “I don’t think I can do this, is there some sort of help I could get? I can’t find anything on here, the only way is to send an email to the company and that doesn’t feel right!”
13. “Why does it timeout after a certain time? How am I supposed to have time to do this before it stops working, when it’s not working properly?”
14. “Oh, that’s a fun sound! Does that mean I did it right?”
15. “Wait, what was that noise? Did I do it? I did it!”
Huvudteman inom problematiken var brist på information och instruktioner, support, samt feedback vid eventuella misstag. Denna studie använde sig av System Usability Scale för att ranka systemets användbarhet. Här får användaren ranka systemet utifrån en mängd kriterier, vilket resulterar i ett slutbetyg mellan F-A+
(Usability.gov, 2020). Betyget blev här D, vilket placerar den på 2 på en 11 gradig skala, vilket är uppenbart problematiskt. Detta visar på att det finns behov av förbättring inom dessa områden.
2.5 Teori
2.5.1 Jakobs law
Jakob’s law lyder i korta drag att människor förstår ett system bättre om de upplevt liknande system innan (Nielsen Norman Group 2017). Detta betyder från en
designers perspektiv att den upplevelse man skapar bör på olika sätt efterlikna andra kända system. Detta baserar sig på att användare spenderat mer tid på andra
systemet vilket leder till att de lärt sig de systemen. När de sedan använder det nyskapade systemet kan de återanvända de heuristiker och tankesätt de skapat och lärt sig under användandet av de andra systemen. Detta är relevant för
konversationsagenter då den typen av interaktion efterliknar den struktur som
12 återfinns i SMS och andra meddelandetjänster. Dessa system är väletablerade och används dagligen av användare i ett brett åldersspann. Detta typ av tänk med liknelser ingår även i Apples designtänk, som menar att användare lär sig snabbare om systemet innehåller metaforer som kopplas till saker användaren varit med om tidigare (Apple, 2020). Att användaren lätt förstår och kommer ihåg stämmer även överens med Nielsens definition kring en bra användarupplevelse, då två av
punkterna handlar om lärbarhet samt hur väl användaren kommer ihåg det den lärt sig (Nielsen, 1993).
2.5.2 Informationsuppdelning
Steve Krugs (2014) teori kring hur vägledning fungerar som bäst stämmer överens med hur konversationsagenter fungerar. Enligt Krug bör vägledning komma i små mängder av information, under rätt tid, och på ett sätt som gör att användaren inte kan missa det. Detta går att koppla till det sekventiella flöde som en
konversationsagent innehar. Utöver detta stämmer det även överens med konceptet progressive disclosure, vilket innebär att applicera en modell som bara visar den informationen som användaren behöver vid det specifika tillfället (Weinschenk, 2011). Denna modell prioriterar inte att minimera antalet klick, då den antar att
användare inte bryr sig om hur mycket de behöver klicka om de vid varje klick får rätt information i rätt mängd. Detta blir ett sätt att vägleda användaren genom att bidra med den mängd information som krävs för att användaren ska kunna göra rätt handling. Handlingen leder sedan till att användaren får ytterligare information och så fortsätter processen. Denna modell appliceras ofta på konversationsagenter där meddelanden har en begränsad mängd information som ger användaren en idé om vad de kan skriva för att få ut mer relevant information. Detta görs ibland genom att ge användaren förslag på vad den kan fråga härnäst.
2.5.3 Produktanthropomorphism
Anthropomorphism är fenomenet att uppleva och attribuera mänskliga egenskaper till omänskliga föremål (Huang, Wan, & Wong, 2020). Produktanthropomorphism är när detta fenomen används inom produktdesign. Detta skulle exempelvis vara att
13 prata om en docka som “hon” eller en enarmad bandit som “lömsk”.
Produktanthropomorphism har visat sig ha en stor påverkan på hur konsumenter upplever, interagerar och fattar beslut kring produkten. Detta har lett till studier som exempelvis visat hur det gör konsumenter mer benägna till att behålla
bilkomponenter (Huang, Wan, & Wong, 2020) och spela bort mer pengar på
enarmade banditer (Brambilla, Riva, & Sacchi, 2015). Detta är alltså ett effektivt sätt att få användaren mer investerad och dragen till produkten. Don Norman (2013) tar även upp hur vi tenderar att projicera mänskliga egenskaper såsom övertygelser eller känslor till den maskinen vi interagerar med. Detta menar han betyder att vi vid en lyckad interaktion applicerar den härliga känslan som uppstår till maskinen, och tvärtom vid en misslyckad interaktion.
Dessa typer av antropomorphistiska projiceringar kunde Budiu & Laubheimer (2018) observera under sin studie som undersökte hur användare interagerar med chattbotar. Detta identifierades bland annat genom att deltagarna pratade om boten med ett könsbundet pronomen såsom “han” eller “hon”. Detta uppmärksammades även genom att deltagarna ibland inledde fraser med “tror du” eller “kan du” samt lade till artighetsmarkörer såsom “tack” eller “snälla”.
Denna antropomorfiska effekt kan uppnås genom att exempelvis låta en skrivbubbla uppstå när agenten pratar (se Figur 1). Ett annat exempel skulle kunna vara att agentens meddelande innehåller en vardaglig ton samt innehåller emojis (se Figur 2). Det bör dock undvikas att göra agenten för mänsklig då man riskerar att hamna i den så kallade Uncanny valley, vilket är en brytpunkt då användaren bara tycker att de antropomorphistiska dragen blir obehagliga (Muentener, Strait, & Urry, 2019).
Figur 1. Skrivbubbla
😂
Figur 2. Emoji
14 3
Metod
Den metodansats som valts för denna studie är tätt kopplat till designmetoden
Den metodansats som valts för denna studie är tätt kopplat till designmetoden