Robotic Process Automation. Automatisierungspotenziale für Banken

Masterarbeit , 2022 , 132 Seiten , Note: 2,0

BWL - Investition und Finanzierung

Banken haben sich immer weiter zunehmenden Herausforderungen zu stellen. Um diese bestehen zu können, ist eine stetige Optimierung der eigenen Strukturen und Prozesse notwendig. Hohe Chancen verspricht die Automatisierungstechnologie Robotic Process Automation (RPA).

Das Ziel der vorliegenden Abschlussarbeit ist es, die Automatisierungspotenziale mittels RPA in kleinen und mittelgroßen Banken in Deutschland zu untersuchen. Die zugrunde liegenden Forschungsfragen lauten: Wie ist der Stand und die Bereitschaft zum Einsatz von RPA? Welche Herausforderungen gibt es bei der Einführung von RPA und wie lässt sich RPA in Banken umsetzen?

Um diese Forschungsfragen zu beantworten, wurde eine quantitative Studie in Deutschlands Banken durchgeführt. Auf dieser Basis wurden zuvor aufgestellte Hypothesen statistisch überprüft. Darüber hinaus wurde bei einer kleinen Genossenschaftsbank eine Fallstudie durchgeführt. Als Ergebnis wurde eine Scoring-Tabelle zur Identifizierung von RPA-Potenzialen ausgearbeitet. Im Anschluss wurde die Scoring-Tabelle bei den Anweisungen der Bank angewendet. Hieraus wurde eine RPA-Prozesspotenzial-Matrix sowie eine RPA-Prozesspotenzial-Heatmap abgeleitet. Des Weiteren wurden ausgewählte Muster-Use-Cases für die Automatisierung betrachtet.

Die Ergebnisse zeigen, dass sich auch in kleinen bis mittelgroßen Banken große Potenziale für die Automatisierung mittels RPA verbergen. Besonders in den Kernprozessen der Bank befinden sich die größten Potenziale. Darüber hinaus wird RPA nicht zum Abbau von Personal eingesetzt, sondern zur Steigerung der Mitarbeiterkapazitäten für wertschöpfende Tätigkeiten und Erhöhung der Nettomarktzeit von Beratern.

I. Inhaltsverzeichnis

Danksagung

Abstract

I. Inhaltsverzeichnis

II. Abbildungsverzeichnis

III. Tabellenverzeichnis

IV. Abkürzungsverzeichnis

1 Einleitung
1.1 Problemstellung
1.2 Ziel der Arbeit und Forschungsfragen
1.3 Vorgehensweise und Aufbau der Arbeit

2 Theoretische Grundlagen
2.1 Banken in Deutschland
2.1.1 Überblick Bankenlandschaft in Deutschland
2.1.2 Aktuelle Herausforderungen
2.2 Robotic Process Automation (RPA)
2.2.1 Definition
2.2.2 Beweggründe für den Einsatz von RPA
2.2.3 Nachteile und Risiken von RPA
2.2.4 RPA-Software im Vergleich

3 Aktueller Forschungsstand und Formulierung von Hypothesen
3.1 Aktueller Forschungsstand
3.2 Formulierung der Hypothesen

4 Empirische Forschung – Quantitativ
4.1 Methodenbegründung
4.2 Durchführung der Umfrage
4.2.1 Aufbau des Fragebogens
4.2.2 Umsetzung der Umfrage
4.3 Ergebnisse und Interpretation der Umfrage
4.3.1 Ergebnisse der Umfrage
4.3.2 Statistische Auswertung der Ergebnisse
4.3.3 Interpretation der Ergebnisse

5 Empirische Forschung – Qualitativ
5.1 Methodenbegründung
5.2 Durchführung der Fallstudie
5.2.1 Fallbeschreibung: Vorstellung des Forschungsobjekts
5.2.2 Entwicklung eines Kriterienkatalogs zur Automatisierung mittels RPA
5.2.3 Identifizierung von Prozessen zur Automatisierung
5.2.4 Muster-Use-Cases für die Automatisierung mit RPA
5.3 Ergebnisse und Interpretation der Fallstudie

6 Handlungsempfehlung

7 Fazit und Ausblick

V. Literaturverzeichnis

VI. Anhang

Danksagung

An dieser Stelle möchte ich mich bei allen bedanken, die mich während der Anfertigung der vorliegenden Masterarbeit unterstützt und motiviert haben.

Zuerst gebührt mein Dank Herrn Prof. Dr. Behnk, der meine Arbeit betreut und begutachtet hat. Für die hilfreichen Anregungen und die konstruktive Kritik möchte ich mich herzlich bedanken.

Besonders bedanken möchte ich mich zudem bei allen Teilnehmern und Teilnehmerinnen meiner Befragung, die eine bedeutende Grundlage für die Erstellung meiner Arbeit gebildet haben.

Darüber hinaus möchte ich mich bei meinem Arbeitgeber – der Cofinpro AG in Frankfurt am Main für die Unterstützung während des Studiums bedanken.

Auch möchte ich mich bei der Genossenschaftsbank des zugrundeliegenden Forschungsfalls für den regen Austausch, die Offenheit und die generelle Unterstützung bei der Erstellung bedanken.

Den größten Dank möchte ich meiner Freundin Malin und meiner Familie aussprechen, die mich während des gesamten Studiums unterstützt haben und stets ein offenes Ohr für mich hatten.

Philipp Zeyen Weilerswist, den 02.04.2022

Abstract

Banken haben sich immer weiter zunehmenden Herausforderungen zu stellen. Um diesen bestehenden zu können ist eine stetige Optimierung der eigenen Strukturen und Prozesse notwendig. Hohe Chancen verspricht die Automatisierungstechnologie Robotic Process Automation (RPA). Das Ziel der vorliegenden Abschlussarbeit ist es, die Automatisierungspotenziale mittels RPA in kleinen und mittelgroßen Banken in Deutschland zu untersuchen. Die zugrunde liegenden Forschungsfragen lauten: Wie ist der Stand und die Bereitschaft zum Einsatz von RPA? Welche Herausforderungen gibt es bei der Einführung von RPA und wie lässt sich RPA in Banken umsetzen? Um diese Forschungsfragen zu beantworten, wurde eine quantitative Studie in Deutschlands Banken durchgeführt. Auf dieser Basis wurden zuvor aufgestellte Hypothesen statistisch überprüft. Darüber hinaus wurde bei einer kleinen Genossenschaftsbank eine Fallstudie durchgeführt. Als Ergebnis wurde eine Scoring-Tabelle zur Identifizierung von RPA-Potenzialen ausgearbeitet. Im Anschluss wurde die Scoring-Tabelle bei den Anweisungen der Bank angewendet. Hieraus wurde eine RPA-Prozesspotenzial-Matrix sowie eine RPA-Prozesspotenzial-Heatmap abgeleitet. Des Weiteren wurden ausgewählte Muster-Use-Cases für die Automatisierung betrachtet. Die Ergebnisse zeigen, dass sich auch in kleinen bis mittelgroßen Banken große Potenziale für die Automatisierung mittels RPA verbergen. Besonders in den Kernprozessen der Bank befinden die größten Potenziale. Darüber hinaus wird RPA nicht zum Abbau von Personal eingesetzt, sondern zur Steigerung der Mitarbeiterkapazitäten für wertschöpfende Tätigkeiten und Erhöhung der Nettomarktzeit von Beratern.

Schlüsselwörter: Robotic Process Automation (RPA), Banken, Automatisierung, Potenziale

Abstract

Banks have to face ever-increasing challenges. To meet these challenges, it is necessary to constantly optimise their structures and processes. The automation technology Robotic Process Automation (RPA) promises great opportunities. This thesis aims to investigate the automation potential of RPA in small and medium-sized banks in Germany. The underlying research questions are: What is the status and willingness to use RPA? What are the challenges in introducing RPA and how can RPA be implemented in banks? To answer these research questions, a quantitative study was conducted in Germany's banks. On this basis, previously established hypotheses were statistically tested. In addition, a case study was conducted at a small cooperative bank. As a result, a scoring table was developed to identify RPA potentials. Subsequently, the scoring table was applied to the bank's instructions. From this, an RPA process potential matrix and an RPA process potential heat map were derived. Furthermore, selected sample use cases for automation were considered. The results show that even in small to medium-sized banks there is great potential for automation using RPA. The greatest potential is found particularly in the bank's core processes. Moreover, RPA is not used to reduce staff, but to increase staff capacity for value-added activities and increase the net market time of advisors.

Keywords: Robotic Process Automation (RPA), banks, automation, potentials

Hinweis:

Das in dieser Arbeit gewählte generische Maskulinum bezieht sich zugleich auf die männliche, die weibliche und andere Geschlechteridentitäten. Zur besseren Lesbarkeit wird in der gesamten Arbeit das generische Maskulinum verwendet. Alle Geschlechteridentitäten werden ausdrücklich mitgemeint, soweit die Aussagen dies erfordern.

II. Abbildungsverzeichnis

Abb. 1: Bankenstruktur in Deutschland

Abb. 2: Herausforderungen von Banken in Deutschland

Abb. 3: Entwicklungsstufen RPA

Abb. 4: Position der Befragten innerhalb der Bank

Abb. 5: Verteilung der Bankengruppen nach der Größe (Bilanzsumme) des Instituts

Abb. 6: Welche Prozesse sind für eine Automatisierung mittels RPA geeignet?

Abb. 7: Zustimmung der Befragten zu Aussagen über RPA nach Bankgröße

Abb. 8: Gründe für die Einführung von RPA

Abb. 9: Anteile der Beteiligten bei der Einführung von RPA

Abb. 10: Anteile genutzter RPA-Toolanbieter der befragten Banken

Abb. 11: RPA-Prozesspotenzial-Matrix

Abb. 12: Auszug aus der Excel-Tabelle

Abb. 13: RPA-Prozesspotenzial-Matrix des Forschungsobjekts

Abb. 14: RPA-Prozesspotenzial-Heatmap

Abb. 15: Prozessdarstellung Beraterwechsel durchführen

Abb. 16: Prozessdarstellung Freistellungsauftrag anlegen/bearbeiten

Abb. 17: Prozessdarstellung Kontokorrentkonto löschen

III. Tabellenverzeichnis

Tab. 1: Überblick Top Fünf RPA-Tools nach Marktanteilen im Jahr

Tab. 2: Berechnungsergebnisse Einstichproben-t-Test zur Überprüfung von Hypothese

Tab. 3: Berechnungsergebnisse der statistischen Auswertung von Hypothese

Tab. 4: Berechnungsergebnisse der statistischen Auswertung von Hypothese

Tab. 5: Berechnungsergebnisse Einstichproben-t-Test zur Überprüfung von Hypothese

Tab. 6: Berechnungsergebnisse statistische Auswertung Hypothese

Tab. 7: Berechnungsergebnisse statistische Auswertung Hypothese

Tab. 8: Berechnungsergebnisse t-Test zur Überprüfung von Hypothese

Tab. 9: Berechnungsergebnisse Einstichproben-t-Test zur Überprüfung von Hypothese

Tab. 10: Berechnungsergebnisse Einstichproben-t-Test zur Überprüfung von Hypothese

Tab. 11: Berechnungsergebnisse Einstichproben-t-Test zur Überprüfung von Hypothese

Tab. 12: Zusammengefasste Ergebnisse der Überprüfung der Hypothesen

Tab. 13: Scoring-Tabelle für die RPA-Prozessauswahl

Tab. 14: Potenzielle Kosteneinsparung

IV. Abkürzungsverzeichnis

BVR Bundesverband deutscher Volksbanken und Raiffeisenbank e.V.

EPK Ereignisgesteuerte Prozesskette

EU Europäische Union

EZB Europäische Zentralbank

IPA Intelligent Process Automation

IRPA Institute for Robotic Process Automation

OCR Optical Character Recognition

PLK Prozesslandkarte

RDA Robotic Desktop Automation

ROI Return on Investment

SLA Service-Level-Agreements

SPA Smart Process Automation

1 Einleitung

Automatisierung – ein Begriff, der bei einem Blick in die News zeigt, wie konträr Berichterstattung sein kann. So werden Innovation, Digitalisierung und Zukunft unmittelbar mit Automatisierung in Verbindung gebracht. Gleichzeitig ist Automatisierung jedoch laut diversen Berichterstattungen der ausschlaggebende Grund für Arbeitsplatzverluste in Millionenhöhe¹. Wie sich im Verlauf der Arbeit zeigen wird, ist auch für Banken die Automatisierung unumgänglich. Sie trägt dazu bei, sich den immer stärker wachsenden Herausforderungen stellen zu können.

1.1 Problemstellung

In der Bankenbranche sind unzählige Herausforderungen zu bewältigen. Hierzu zählen beispielsweise die steigende Regulierung, ein enormer Wettbewerbsdruck und neu eintretende Wettbewerber wie FinTechs sowie die Digitalisierung (Drummer et al., 2016, S. 2 ff.; Berns, 2020; Süddeutsche Zeitung, 2019). Auf diese Herausforderungen wird im späteren Verlauf dieser Arbeit noch detaillierter eingegangen. Um die Herausforderungen bewältigen zu können, müssen die Banken sich immer wieder selbst optimieren und ihre Kostenstruktur verbessern. Die Automatisierung von Prozessen trägt zur Verbesserung der Kostenstruktur bei und wirkt den sich ergebenden Problemstellungen durch verschiedene Faktoren entgegen (Smeets et al., S. 21 f.). Doch ein Automatisierungsprojekt wird oftmals mit enormen Kosten in Verbindung gebracht. Außerdem wissen viele Geschäftsführer nicht, was sich hinter der Automatisierung verbirgt, und scheuen sich daher vor einer Einführung. Gerade Arbeitnehmer verbinden Automatisierung mit dem Abbau von Arbeitsplätzen und lehnen sie daher kategorisch ab (Haufe, 2021).

Robotic Process Automation (nachfolgend RPA) verspricht hier Abhilfe. Auch wenn es sich bei RPA um ein Teilgebiet der Automatisierung handelt, kommen viele der genannten Kritikpunkte bei RPA nicht zum Tragen. Doch warum nutzt dann nicht jede Bank RPA zur Automatisierung von Prozessen? Es sind überwiegend die kleineren und mittelgroßen Bankinstitute, die RPA noch nicht eingeführt haben. Aus welchem Grund ist das der Fall? Lohnt sich die Automatisierung in kleineren Instituten nicht? In der Literatur finden sich nur wenige Antworten auf diese Fragen. Aus diesem Grund wird sich die vorliegende Arbeit mit dieser Thematik beschäftigen.

1.2 Ziel der Arbeit und Forschungsfragen

Wie zuvor beschrieben finden sich in der Literatur nur wenige Informationen über die Einführung von RPA in Banken. Es gibt jedoch am Markt eine Vielzahl von RPA-Softwareanbietern und externen Beratungshäusern, die sich auf die Implementierung von RPA spezialisiert haben. Dieser Fakt spricht dafür, dass ein relevantes Interesse an der Einführung von RPA besteht. Auch sind sowohl Softwareanbieter als auch Beratungshäuser meist am Vertrieb ihrer Dienstleistung interessiert, weshalb das in den Projekten gewonnene Wissen nur begrenzt nach außen getragen wird. Ziel dieser Arbeit soll es sein, für Banken ein Handbuch zu schaffen, in dem sie einen grundlegenden Überblick über den Einsatz von RPA in Deutschlands Banken und die wichtigsten Informationen für den Einstieg in ihr RPA-Umsetzungsprojekt erhalten. Der Fokus liegt dabei auf den kleinen bis mittelgroßen Banken in Deutschland, was jedoch nicht bedeutet, dass große Institute nicht auch von dem aufgebauten Wissen profitieren können. Um das Ziel der Forschungsarbeit zu erreichen, werden drei gleichwertige Forschungsfragen beantwortet. Auf diese Weise kann sichergestellt werden, dass das Thema vollumfänglich abgebildet wird.

Die größeren Bankinstitute nutzen die Vorteile von RPA größtenteils bereits. Es sind eher die kleinen bis mittelgroßen Institute, die RPA noch nicht eingeführt haben. In der Literatur finden sich hierüber keine Informationen. Aus diesem Grund soll sich Forschungsfrage 1 diesem Thema widmen:

Forschungsfrage 1: Wie sind der bisherige Stand und die Bereitschaft zum Einsatz von RPA in Deutschlands Banken?

Es ist davon auszugehen, dass die Mehrzahl der Bankinstitute derzeit noch keine RPA nutzt. Dies spiegelt sich auch in den im späteren Verlauf aufgestellten Hypothesen wider. Das spricht dafür, dass es Herausforderungen im Zusammenhang mit RPA gibt, die viele der Institute nicht bewältigen können oder möchten. Um diese Art der Herausforderungen zu untersuchen wird Forschungsfrage 2 gebildet:

Forschungsfrage 2: Welche Herausforderungen gibt es für Banken bei der Einführung von RPA?

Nun ist noch festzustellen, ob und auf welche Weise die Herausforderungen bei der Einführung von RPA in Banken überwunden werden können. Hierbei wird auch untersucht, ob es Institute gibt, für die der Einsatz von RPA generell nicht sinnvoll ist. Um dies zu klären, wird Forschungsfrage 3 aufgestellt:

Forschungsfrage 3: Wie lässt sich RPA in Banken umsetzen?

Nun wurden drei Forschungsfragen formuliert, die in der vorliegenden Arbeit beantwortet werden. Ihre Kombination ermöglicht es, das Thema der Arbeit umfassend abzubilden und das gesetzte Ziel zu erreichen. Wie dabei vorgegangen werden soll, wird nun erläutert.

1.3 Vorgehensweise und Aufbau der Arbeit

Um das Ziel der Arbeit zu erreichen und die aufgestellten Forschungsfragen beantworten zu können, ist eine Kombination aus Literaturarbeit und empirischer Forschung nötig. Zu Beginn der Arbeit werden die theoretischen Grundlagen gelegt. Hierdurch wird ein einheitliches Bild der verwendeten Begrifflichkeiten geschaffen. Zunächst wird ein Überblick über die Bankenlandschaft in Deutschland gegeben. Außerdem soll auf die aktuellen Herausforderungen in der Bankenbranche eingegangen werden, auf die RPA eine Antwort zu sein scheint. Im Anschluss werden die theoretischen Grundlagen für RPA gelegt. Hierzu zählt eine Definition des Begriffes. Daraufhin wird auf die Beweggründe für den Einsatz von RPA eingegangen. Neben den Vorteilen gibt es auch Nachteile in Form von Herausforderungen und Risiken, die im Anschluss beleuchtet werden. Abschließend folgt eine kurze Übersicht über die marktführenden RPA-Softwareanbieter.

Nachdem die Darlegung der theoretischen Grundlagen abgeschlossen ist, wird der aktuelle Forschungsstand zum Einsatz von RPA in Deutschlands Banken betrachtet. Sofern es hierzu bereits Studien gibt, werden diese miteinbezogen. Anschließend werden anhand der Forschungsfragen Hypothesen aufgestellt, die es in der anschließenden empirischen Forschung zu überprüfen gilt.

Im Rahmen der empirischen Forschung wird eine Mixed Method in Form des explanativen Designs verwendet (Kuckartz, 2014, S. 78). Eine genaue Erläuterung der Methodik findet im späteren Verlauf (Kapitel 5.1) der Arbeit statt. Begonnen wird mit der quantitativen empirischen Forschung. Diese dient dazu, die aufgestellten Hypothesen mittels einer Online-Umfrage zu prüfen. Zu Beginn erfolgt eine Methodenbegründung, in der die Methodik und ihr Auswahlprozess erläutert werden. Nachfolgend wird die Durchführung der Umfrage betrachtet. Hierzu zählen der Aufbau des Fragebogens und die Umsetzung der Umfrage. Nach der Untersuchung der Durchführung werden die Ergebnisse dargestellt und interpretiert. Hierzu zählen auch die statistische Auswertung der Ergebnisse und die Überprüfung der Hypothesen mittels des t-Tests. Aufbauend auf der quantitativen Forschung wird die qualitative Forschung die gewonnenen Erkenntnisse fundieren. Primär wird hierbei jedoch der Fokus auf Forschungsfrage 3 gelegt; die Umsetzung von RPA. Zu Beginn erfolgt erneut eine Methodenbegründung. Im Rahmen der qualitativen Forschung wird eine Fallstudie mit einer Bank als Forschungsobjekt durchgeführt. Hierzu zählen zu Beginn die Fallbeschreibung und die Vorstellung des Forschungsobjekts. Anhand der gewonnenen Erkenntnisse aus der Literatur und verschiedener Tests soll ein Kriterienkatalog zur Einführung von RPA aufgestellt werden. Dieser Kriterienkatalog wird anschließend genutzt, um Prozesse zur Automatisierung mittels RPA innerhalb der Prozesslandschaft des Forschungsobjekts zu identifizieren. Hieraus wird eine RPA-Prozess-Heatmap erstellt. Im Anschluss werden ausgewählte Prozesse im Rahmen von RPA-Use-Cases genauer betrachtet, um weitere Erkenntnisse zu erhalten. Ebenfalls im Rahmen der qualitativen Forschung erfolgen abschließend eine Vorstellung und Interpretation der Ergebnisse.

Um die vorliegende Arbeit abzurunden, wird aus den gewonnenen Erkenntnissen eine Handlungsempfehlung für Banken formuliert. Außerdem werden abschließend ein Fazit aufgestellt und ein Ausblick gegeben.

2 Theoretische Grundlagen

Nachdem in der vorausgegangenen Einleitung ein grundlegender Überblick über die Ziele und den Aufbau der Arbeit gegeben wurde, dienen die theoretischen Grundlagen dazu, eine einheitliche fachliche Basis für die aufbauende empirische Forschung zu schaffen. Da sich die vorliegende Arbeit auf Automatisierungspotenziale mittels RPA in Deutschlands Banken bezieht, gilt es anfangs, einen Überblick über die Bankenlandschaft in Deutschland zu geben und anschließend die Grundlagen für die Automatisierung mittels RPA zu schaffen.

2.1 Banken in Deutschland

Im nachfolgenden Kapitel wird ein Überblick über die Bankenlandschaft in Deutschland gegeben sowie auf deren aktuelle Herausforderungen eingegangen.

2.1.1 Überblick Bankenlandschaft in Deutschland

Der deutsche Bankenmarkt unterscheidet sich bedeutend von anderen Ländern. So finden sich in Deutschland eine Vielzahl kleiner Institute, während in anderen Ländern eine deutliche Konsolidierung stattgefunden hat und meist wenige große Institute bestehen. Eine Statistik aus dem Jahr 2019 zeigt dabei Deutschland mit 1533 Banken auf Platz eins der Anzahl der Banken in der EU. Auf Platz zwei und drei befinden sich Polen und Österreich mit 629 und 521 Instituten. An dieser Differenz zwischen Platz eins und zwei lässt sich schon die Sondersituation des deutschen Bankenmarkts erkennen. Schlusslicht in der EU bildet Slowenien mit nur 17 Instituten im Jahr 2019 (European Banking Federation, 2019). Doch auch der deutsche Bankenmarkt hat sich in den letzten Jahren stark konsolidiert. Im Jahr 2010 gab es in Deutschland noch 2093 Banken, während in den darauffolgenden Jahren die Anzahl durch diverse Fusionen kontinuierlich gesunken ist (Deutsche Bundesbank, 2020).

Im Laufe der Zeit hat sich der deutsche Bankenmarkt zu einem Drei-Säulen-Modell entwickelt. Dabei lassen sich die drei Säulen nach den Eigentumsverhältnissen des Instituts unterscheiden. Die erste Säule bilden demnach die Privatbanken, die mehrheitlich von Privaten gehalten werden. Dem gegenüber stehen die öffentlichen Banken als zweite Säule, die mehrheitlich in öffentlicher Hand sind. Mit der Zeit wurden die privaten Institute, die als ‚eingetragene Genossenschaft‘ firmieren, aufgrund ihrer mitgliedschaftlichen Gesellschaftsstruktur als eigenständige dritte Säule von den Privatbanken getrennt (Tieben, 2012, S. 10). Diese drei Säulen gehören zu den Universalbanken. Universalbanken zeichnen sich dadurch aus, dass sie eine Vielzahl verschiedener Bankdienstleistungen anbieten, und machen rund 95 Prozent der deutschen Banken aus. Die restlichen Banken zählen zu den Spezialinstituten. Diese haben sich auf ein einzelnes Segment wie beispielsweise Bausparen oder Hypotheken spezialisiert. Anders als in Deutschland überwiegt in den USA beispielsweise der Anteil an Spezialbanken. Das liegt daran, dass dort die Trennung von Kredit- und Einlagengeschäft einerseits und Wertpapier anderseits gesetzlich geregelt ist (Betge, 1996, S. 35f.). Eine Zusammenfassung der deutschen Bankenstruktur findet sich in Abb. 1.

Abb. 1: Bankenstruktur in Deutschland

Abbildung in dieser Leseprobe nicht enthalten

Quelle: eigene Darstellung nach Tieben, 2012, S. 10 und Betge, 1996, S. 35f.

Beispiele für Privatbanken sind zum einen die drei größten deutschen Bankinstitute. Hierzu zählen die Deutsche Bank, die Commerzbank und die Unicredit Bank, die alle als Aktiengesellschaften geführt werden (die Bank, 2021). Aber auch kleinere, meist traditionsreiche Banken gehören zu den Privatbanken in Deutschland, wie beispielsweise die Metzler Privatbank oder die Berenberg Privatbank (WirtschaftsWoche, 2010).

Zu den öffentlich-rechtlichen Banken zählen die Sparkassen sowie deren Landesbanken, deren Träger meist Gemeinden, Kreise oder Länder sind (Seikel, 2013, S. 18). Die Sparkassen konkurrieren unmittelbar mit den Genossenschaftsbanken. Zu diesen gehören die Volks- und Raiffeisenbanken sowie deren Spezialinstitute (Pertl, 2019, S. 47f.).

Nachdem nun ein Überblick über die Bankenlandschaft in Deutschland geschaffen wurde, soll im nächsten Kapitel auf die aktuellen Herausforderungen eingegangen werden. Warum hat es in den letzten Jahren eine kontinuierliche Konsolidierung innerhalb des deutschen Bankenmarktes gegeben? Das nachfolgende Kapitel soll die Gründe hierfür aufzeigen.

2.1.2 Aktuelle Herausforderungen

Wie im vorherigen Kapitel beschrieben hat es in den letzten Jahren eine deutliche Konsolidierung innerhalb des deutschen Bankenmarktes gegeben. So ist die Anzahl der Kreditinstitute in Deutschland seit 1990 kontinuierlich gesunken (Deutsche Bundesbank, 2021). Die Gesamtzahl der deutschen Banken sank im Jahr 2019 um 66 Stück, was einem Rückgang von 3,7 Prozent entspricht (Deutsche Bundesbank, 2020). Diese Rückgänge sind überwiegend auf Mergers&Acquisitions-Vorgänge² der Banken zurückzuführen. Eine Statistik des Bundesverbandes der deutschen Volksbanken und Raiffeisenbanken (BVR) zeigt, dass es allein im Sektor der Genossenschaftsbanken zwischen den Jahren 2000 und 2020 1220 Fusionen gegeben hat (BVR, 2021). Dabei sind Fusionen Reaktionen, um Schwierigkeiten bewältigen zu können (Heumann, 2000). Doch was sind die aktuellen Herausforderungen von Banken?

In der Literatur werden zahlreiche Herausforderungen im Bankensektor aufgezählt. Es fällt auf, dass diese sich in vier Kategorien zusammenfassen lassen: Wettbewerb, Technologie, Markt und Regulierung. Im Folgenden werden die Kategorien noch einmal detailliert beschrieben.

Wettbewerb

Wie im vorherigen Kapitel geschildert zeichnet sich der deutsche Bankenmarkt durch eine Vielzahl unterschiedlicher Institute aus. Dies resultiert in einer hohen Wettbewerbsintensität. Experten bezeichnen den deutschen Bankenmarkt sogar als ‚overbanked‘ (Süddeutsche Zeitung, 2019). Doch nicht nur die Vielzahl der Institute übt Druck aus. Neben den bestehenden Wettbewerbern drängen immer mehr FinTechs als neue Intermediäre auf den Markt und erhöhen den Konkurrenzdruck zusätzlich. FinTechs zeichnen sich dadurch aus, dass sie meist flexibel und innovativ sind und sich im Vergleich zu einer Bank i. d. R. auf einzelne Glieder der Wertschöpfungskette konzentrieren (Drummer et al., 2016, S. 2ff.). Hinzu kommt, dass FinTechs ihre Produkte und Dienstleistungen oft zu günstigeren Konditionen anbieten (Rauch, 2016).

Technologie

Auch in der Bankenbranche ist das Thema Digitalisierung stets präsent. Kunden ziehen es in der gegenwärtigen Zeit vor, für die Erledigung ihrer Bankgeschäfte auf das zunehmende Online-Angebot zurückzugreifen. Im Jahr 2021 nutzten ca. 50 Prozent der Deutschen Online-Banking. Damit ist Deutschland im europäischen Vergleich ein Schlusslicht. Norwegen liegt dagegen mit einer Nutzerquote von 96 Prozent auf Platz Eins (Eurostat, 2021). Diese Statistik zeigt gleichzeitig das große Wachstumspotenzial, das in Deutschland für Online-Bankgeschäfte vorhanden ist.

Neue Technologien wie beispielsweise künstliche Intelligenz (KI) oder Machine Learning bringen Chancen mit sich, um die allgemeine Wettbewerbsfähigkeit des Instituts zu erhöhen (Berns, 2020). Gleichzeitig sind sie jedoch eine enorme Herausforderung. Vor allem aber kann es sich als Wettbewerbsnachteil erweisen, wenn Mitstreiter diese Technologien bereits nutzen. Klassischen Banken fehlt es oftmals am fachlichen Know-how zur Umsetzung solcher Technologien (Maisch, 2021).

Markt

Die Kundenbindung im Retail-Banking hat sich verändert; sie ist über die letzten Jahre kontinuierlich zurückgegangen. Dies liegt zum einen an sinkenden Wechselbarrieren durch den Gesetzgeber (Bsp. Kontenwechselhilfe), zum anderen aber auch an sich verändernden Wechselbereitschaften verschiedener Generationen.

Neue Technologien und FinTechs führen dazu, dass sich die Anforderungen der Kunden schnell ändern, da der Kunde dieses Angebot möglicherweise auch von seiner Hausbank erwartet. Diese sich schnell ändernden Kundenanforderungen stellen eine Herausforderung dar, auf die mit entsprechender Anpassungsfähigkeit reagiert werden muss (Höfelmann, 2022).

Regulierung

Banken sind von einer quantitativen und qualitativen Steigerung der regulatorischen Anforderungen betroffen (Hackethal & Inderst, 2015, S. 165). Für die Erfüllung dieser Anforderungen wird Fachwissen benötigt, das oftmals nur durch Spezialisten bereitgestellt werden kann. Vor allem kleinere und mittelgroße Banken stehen hierbei vor einer Herausforderung (Hackethal & Inderst, 2015, S. 66). Bereits Basel III hat die Anforderungen an Kapital- und Liquiditätsausstattung der Banken verschärft. Ab 2023 soll Basel IV in Kraft treten, wodurch diese Anforderungen nochmal zugespitzt werden und Banken vor enormen finanziellen Herausforderungen stehen (Zirkler et al., S. 147ff.).

Auch die Niedrigzinspolitik der Europäischen Zentralbank (EZB) findet sich in der Literatur als eine der maßgeblichen Problematiken. Durch die stark gesunkenen Margen ist es für die Banken immer schwieriger, mit ihrem klassischen Geschäftsmodell Geld zu verdienen (Börner, 2015, S. 18).

In Abbildung 2 werden die diversen aktuellen Herausforderungen, die es für Banken zu bewältigen gilt, noch einmal zusammengefasst.

Abb. 2: Herausforderungen von Banken in Deutschland

Abbildung in dieser Leseprobe nicht enthalten

Quelle: eigene Ergebnisse

2.2 Robotic Process Automation (RPA)

Nachdem nun ein Überblick über die Bankenlandschaft in Deutschland geschaffen wurde, werden in diesem Kapitel die theoretischen Grundlagen zum Thema Robotic Process Automation gelegt, um ein für die darauffolgenden Kapitel wichtiges Grundverständnis zu gewährleisten.

2.2.1 Definition

In der Literatur finden sich unzählige verschiedene Definitionen von Robotic Process Automation (RPA). Zur Schaffung eines Überblicks soll im Folgenden auf diverse Definitionen eingegangen werden. Übersetzen lässt sich Robotic Process Automation als robotergestützte Prozessautomatisierung. Doch selbst in Deutschland hat sich der englische Begriff durchgesetzt, weshalb die deutsche Übersetzung in der vorliegenden Thesis nicht verwendet wird.

Das Institute for Robotic Process Automation & Artificial Intelligence (IRPAAI) definiert RPA als die Anwendung einer Technologie, die es den Mitarbeitern eines Unternehmens ermöglicht, eine Software am Computer so zu konfigurieren, dass es bestehende Anwendungen zur Bearbeitung einer Transaktion erfasst und interpretiert, Daten verändert, Reaktionen auslöst und mit anderen digitalen Systemen kommuniziert (IRPAAI, 2019). Van der Aalst et al. (2018, S. 269) beschreiben RPA als einen Oberbegriff für Werkzeuge, die von Menschen durchgeführte Arbeitsschritte auf der Benutzeroberfläche von Computersystemen imitieren. Diese zeichnen sich im Vergleich zu anderen Automatisierungstechnologien dadurch aus, dass das Informationssystem unverändert bleibt (Alexander et al., 2018, S. 13), weshalb sie auch als non invasive Technologien bezeichnet werden (Smeets et al.2019, S. 8). ‚Non invasiv‘ bedeutet in diesem Kontext, dass die Software ‚nicht eindringend‘ ist, weil sie nur auf Basis der bestehenden Benutzeroberfläche arbeitet und nicht das System verändert. Bei RPA handelt es dabei nicht um physische Maschinen (Smeets et al., 2019, S. 8), sondern um ein Software-Programm, mit dem Software-Roboter programmiert werden können (Langmann & Turi, 2020, S. 5). Das Ziel dieser sogenannten ‚Bots‘ ist es dabei, die Menschen bei der Verrichtung ihrer Arbeit zu unterstützen oder einzelne Tätigkeiten sogar vollständig zu übernehmen (Smeets, et al., 2019, S. 8). Für den Einsatz der RPA-Technologie ist hierbei eine Regelmäßigkeit innerhalb der zu automatisierenden Prozesse von Bedeutung, da diese in der Basistechnologie nicht auf Veränderungen der Aktivitäten innerhalb des Prozesses reagieren kann. Solche immer gleichbleibenden Aufgaben werden auch als repetitiv bezeichnet (Langmann & Turi, 2020, S. 17). Aus den vorherigen Quellen lässt sich die nachfolgende Definition ableiten:

Bei Robotic Process Automation (RPA) handelt es sich um Software, in der Software-Roboter so konfiguriert werden können, dass sie die Interaktionen des Menschen auf der Benutzeroberfläche von Computersystemen imitieren können und hierbei den Menschen bei Aufgaben oder Prozessen, die einen repetitiven Charakter aufweisen, unterstützen oder vollständig ersetzen können.

Innerhalb der klassischen RPA kann zwischen zwei Unterkategorien unterschieden werden: Attended und Unattended RPA (Langmann & Turi, 2020, S. 5), übersetzt beaufsichtigte und unbeaufsichtigte RPA.

Bei Attended RPA werden einzelne Aufgaben oder Teilprozesse innerhalb eines Prozesses durch den Bot übernommen, nachdem diese von einem Menschen ausgelöst wurden. Die Bots interagieren somit innerhalb des Prozesses mit dem Menschen (UiPath, 2021). Daher können sie mit einem virtuellen Assistenten verglichen werden (Automation Anywhere, 2022).

Unattended RPA hingegen benötigt keine direkte Interaktion mit einem Benutzers, sondern führt eine Automatisierung vollkommen selbstständig aus und hat das Ziel, eine End-to-End Automatisierung von ganzen Prozessen darzustellen. Dabei werden die Bots bei Unattended RPA durch fest definierte Zeitpläne oder eine Logik innerhalb der Prozessabläufe ausgelöst (Automation Anywhere, 2022).

Eine weitere Unterscheidung innerhalb von RPA kann nach dem Installationsort der Software getroffen werden. So kann die Software auf dem Arbeitsplatzrechner eines Mitarbeiters oder auf Servern (private Server oder Cloud-basiert) installiert werden (Automation Anywhere, 2022). Ersteres wird auch als Robotic Desktop Automation (RDA) bezeichnet (Langmann & Turi, 2020, S. 5). Dabei wird Robotic Desktop Automation oftmals direkt mit Attended RPA gleichgesetzt (Langmann & Turi, 2020, S. 5), was jedoch bei modernen Systemen nicht der Fall sein muss. Für die direkte Interaktion mit einem Mitarbeiter ist die Installation auf dem Rechner eines einzelnen Arbeitsplatzes nicht mehr zwingend erforderlich (Automation Anywhere, 2022). Die Nachteile von RDA sind evident: Durch die Installation der Software auf dem Arbeitsplatzrechner eines Mitarbeiters wird eine direkte Abhängigkeit zur Einschaltung des Computers und somit zur Anwesenheit des Mitarbeiters geschaffen. Server-basierte RPA – auch Enterprise-RPA genannt – bietet im Vergleich dazu eine permanente Verfügbarkeit und eine nahezu unbegrenzte Skalierbarkeit (Smeets et al., 2019, S. 9).

Eine Weiterentwicklung der klassischen RPA bildet die Intelligent Process Automation (IPA), auch Smart Process Automation (SPA) genannt. Hierbei handelt es sich um einen Oberbegriff, der in der einschlägigen Literatur noch keine einheitliche Definition gefunden hat. Zwei Aspekte werden jedoch wiederholt genannt: So soll es sich bei IPA zum einen um klassische RPA handeln, die mit anderen Technologien (z. B. Machine Learning³ oder Optical Character Recognition⁴ ) kombiniert wird (Langmann & Turi, 2020, S. 17) und zum anderen um RPA, die selbst mit den zuvor genannten intelligenten Möglichkeiten ausgestattet und weiterentwickelt wird (Smeets et al., 2019, S. 140). Auch wenn es sich um technisch verschiedene Darstellungsweisen handelt, resultieren sie letztlich in einem ähnlichen Produkt. Da die Toolhersteller von RPA‑Lösungen auf die technologischen Entwicklungen reagieren müssen, um am Markt der Konkurrenz bestehen zu können, haben sie sich meist schon in Richtung von IPA weiterentwickelt und diese in ihre Suites inkludiert.

Die zuvor gewonnenen Erkenntnisse über die verschiedenen Entwicklungsstufen von RPA werden in Abb. 3 zusammengefasst.

Abb. 3: Entwicklungsstufen RPA

Abbildung in dieser Leseprobe nicht enthalten

Quelle: eigene Darstellung in Anlehnung an Langmann & Turi, 2020, S. 6 und Automation Anywhere, 2022

2.2.2 Beweggründe für den Einsatz von RPA

Ziel dieser Arbeit ist es unter anderem, auf Basis der quantitativen Forschung die Motivation für den Einsatz von RPA bei Banken in Deutschland in Erfahrung zu bringen und mithilfe der Fallstudie qualitativ zu fundieren. Im Folgenden wird auf die in der einschlägigen Literatur genannten Beweggründe für den Einsatz von RPA eingegangen.

Grundsätzlich lassen sich die Gründe für den Einsatz von RPA in zwei Kategorien einteilen: die technologischen und die operativen bzw. wirtschaftlichen Beweggründe.

Technologische Beweggründe: Nicht selten haben sich im Laufe der Zeit innerhalb der Prozesse einer Bank diverse voneinander getrennte IT-Systeme entwickelt, die für die Durchführung eines Prozesses genutzt werden müssen. Der Prozess weist somit eine hohe Anzahl an Systembrüchen auf, die eine Automatisierung mit herkömmlichen Methoden nur mit entsprechenden Schnittstellen oder starken Veränderungen der bestehenden IT-Infrastruktur ermöglichen. RPA bietet sich hierbei als ideale Brückentechnologie an, da sie an der Benutzeroberfläche ansetzt und somit keine Schnittstellen oder Veränderungen der IT-Infrastruktur benötigt (Langmann & Turi, 2020, S. 8).

Der Fakt, dass für den Einsatz von RPA die bestehende IT-Infrastruktur nicht verändert werden muss, führt zu einem weiteren Vorteil. Die Kosten für die Einführung und den Betrieb von RPA sind vergleichsweise gering, weshalb der Return on Investment (ROI)⁵ eines RPA-Projektes verhältnismäßig hoch ausfällt (Smeets et al., 2019, S. 22). Laut einem Interview von McKinsey & Company beträgt der ROI für den Einsatz von RPA bereits im ersten Jahr zwischen 30 und 200 Prozent (McKinsey&Company, 2016). Eine Fallstudie der Telefónica O2 aus dem Jahr 2015 berichtet sogar von einem 3-Jahres-ROI zwischen 650 und 800 Prozent (Lacity, Willcocks, & Craig, 2015a).

Auch die Skalierbarkeit der Software-Bots stellt einen enormen Vorteil dar. So werden gemäß der Fallstudie eines Energieversorgers aus Europa 300 Roboter eingesetzt, die die Arbeit von 600 Mitarbeitern erledigen. Gleichzeitig werden für die Betreuung und Pflege der Bots nur zwei Mitarbeiter benötigt (Lacity, Willcocks, & Craig, 2015b). Die im Vergleich zum Menschen hohe Skalierbarkeit ist auf die schnelle Arbeitsgeschwindigkeit und die hohe Verfügbarkeit zurückzuführen. Im Vergleich zum Menschen benötigen Software-Bots keine Pausen und stehen theoretisch 24 Stunden an sieben Tagen der Woche zur Verfügung (Langmann & Turi, 2020, S. 9).

Operative bzw. wirtschaftliche Beweggründe: Auch den operativen bzw. wirtschaftlichen Beweggründen kann der Vorteil der Einsparpotenziale zugeordnet werden. Diese Einsparpotenziale kommen nicht nur durch geringe Anpassungen der IT-Infrastruktur zustande. Durch die Automatisierung können innerhalb eines Prozesses die Mitarbeiterkapazitäten erheblich reduziert werden. Dies hat zur Folge, dass die direkten Prozesskosten unmittelbar sinken (Smeets et al., 2019, S. 21). An dieser Stelle ist jedoch noch einmal zu differenzieren: Die Reduzierung von Mitarbeiterkapazitäten innerhalb des Prozesses hat grundsätzlich keine Freisetzung von Mitarbeitern zur Folge. Vielmehr dient sie dazu, die Mitarbeiter von repetitiven und zeitintensiven Prozessen zu befreien, wodurch im Anschluss mehr Zeit für wertschöpfende Tätigkeiten zur Verfügung steht (Steiner, 2020).

Besonders in der Finanzbranche besitzen einige Prozesse eine Null-Fehler-Toleranz. Hierzu zählen z. B. Wertpapiertransaktionen. Ein weiterer wesentlicher Grund für die Einführung von RPA ist die Steigerung der Qualität, und diese kommt genau bei solchen Prozessen zum Tragen (Alexander et al., 2018, S. 16). Menschliche Arbeit, insbesondere wenn sie sich sehr häufig wiederholt und gleichbleibend ist, ist für Fehler besonders anfällig. Auf die Bearbeitung durch Software-Roboter hingegen trifft dies nicht zu – vorausgesetzt, dass diese richtig konfiguriert wurden. Unsystematische Fehler, also solche, die durch menschliche Einflüsse entstehen, werden durch RPA vollständig ausgeschlossen. Ein wesentliches Risiko können jedoch systematische Fehler darstellen, da diese häufig große Volumina an fehlerhaft bearbeiteten Prozessen zur Folge haben können (Smeets et al., 2019, S. 24). Ein besonderer Fokus muss daher auf der Konfiguration der Software-Roboter liegen, um systematische Fehler zu vermeiden. Gelingt dies, kann die Prozess- und Ergebnisqualität durch den Einsatz von RPA grundlegend positiv beeinflusst werden. Die Steigerung der Qualität und die Verhinderung von Fehlern durch Unaufmerksamkeiten oder Fehleinschätzungen führen zudem dazu, dass die operationellen Risiken⁶ reduziert werden können. Bei RPA werden die vorher definierten Prozessschritte nach festen Vorgaben durch den Software-Roboter ausgeführt. Diese klaren Regeln sind die Basis zur Reduzierung der operationellen Risiken und tragen darüber hinaus zu einer besseren Einhaltung der Compliance bei (Alexander et al., 2018, S. 16 und Smeets et al., 2019, S. 25).

Ein weiterer Grund für den Einsatz von RPA ist die Einsparung von Zeit. Diese geht zwar eng mit der Reduktion der Kosten einher, kann jedoch durchaus als eigenständiger Punkt aufgeführt werden (Alexander et al., 2018, S. 16). Im Vordergrund stehen hierbei Prozesse, bei denen ein externer Kunde direkt oder indirekt involviert ist. Bei diesen Prozessen können Geschwindigkeitssteigerungen unmittelbar die Wettbewerbsvorteile erhöhen und zu einer Steigerung der Kundenzufriedenheit führen (Smeets et al., 2019, S. 24). Doch nicht nur der externe Kunde ist von Geschwindigkeitssteigerungen innerhalb des Prozesses betroffen. In Unternehmen gibt es diverse interne Kunden, die von einer kürzeren Bearbeitungszeit profitieren. Wie eine Fallstudie des IRPA aus dem Jahr 2016 zeigt, konnte in einer großen Finanzdienstleistungsgruppe aus Italien die durchschnittliche Bearbeitungszeit um 82 Prozent gesenkt werden, was es ermöglichte, die in der Servicegruppe vereinbarten Service-Level-Agreements (SLA)⁷ vollständig einzuhalten (IRPA, 2016).

Wie nun dargelegt, gibt es diverse Beweggründe für den Einsatz von RPA. Darüber hinaus finden sich in der Literatur noch zahlreiche weitere, diese sind jedoch grundsätzlich den oben genannten Kategorien zuteilbar oder resultieren unmittelbar aus ihnen. Abschließend soll eine kurze Auflistung der nun definierten Vorteile das Kapitel zusammenfassen:

- Dient als Brückentechnologie bei Prozessen mit diversen Systembrüchen
- Geringe Einführungskosten und hoher Return on Investment (ROI)
- Hohe Skalierbarkeit der Software-Bots
- Befreiung der Mitarbeiter von repetitiven, fehleranfälligen Tätigkeiten zur Schaffung zusätzlicher Kapazitäten für wertschöpfende Tätigkeiten
- Qualitätssteigerungen der Prozesse, Reduzierung von operationellen Risiken und Einhaltung der Compliance
- Erhöhung der Prozessdurchlaufzeiten mit resultierender Steigerung der Wettbewerbsfähigkeit und der Kundenzufriedenheit

Wo sich Chancen und Vorteile bieten, dort gibt es grundsätzlich auch Nachteile. Diese sollen in der vorliegenden Thesis nicht vernachlässigt werden, weshalb im nachfolgenden Kapitel auf sie eingegangen wird.

2.2.3 Nachteile und Risiken von RPA

Eine Herausforderung für RPA stellen nichtdigitale oder nur unzureichend digitalisierte Prozesse dar. Da es sich bei RPA um eine softwarebasierte Lösung handelt, können ausschließlich digitale Eingaben verarbeitet werden (Penttinen et al., 2018, S. 4). Sollte ein Prozess also unzureichend digitalisiert sein, stellt dies ein unüberwindbares Hindernis für die Implementierung von RPA dar, das es vor der Einführung zu beseitigen gilt (Brettschneider, 2020, S. 1103). Zwar kann ein Roboter einen Prozess schneller und qualitativ hochwertiger bearbeiten als ein Mensch, jedoch ist die Durchführungsgeschwindigkeit des gesamten Prozesses begrenzt (Penttinen et al., 2018, S. 4). Ein Grund hierfür ist, dass RPA an der Benutzeroberfläche ansetzt. Die Eingaben in dieser Oberfläche können zwar schneller durchgeführt werden, die Geschwindigkeit wird jedoch erheblich von den Ladezeiten der zugrundeliegenden Software bestimmt. Eine vollständig im Kernsystem verankerte Automatisierung ist demzufolge deutlich schneller, da sie Aufgaben auf Systemebene erledigen kann (Gerbert et al., 2017). Auch wenn Software-Bots die Möglichkeit haben, rund um die Uhr zu arbeiten, können die bestehenden Prozesse und Gegebenheiten die effektive Zeit erheblich einschränken (Penttinen et al., 2018, S. 4). Ein Beispiel hierfür ist, dass automatische Wertpapierorders nur während der Handelszeiten an der Börse ausgeführt werden können.

Durch die Anknüpfung des Software-Bots an die Benutzeroberfläche des Systems ergibt sich ein weiterer Nachteil: Releases in den beteiligten Systemen der automatisierten Prozesse wie z. B. des Kernbanksystems, der Office-Anwendungen oder der CRM-Systeme können viele unterjährige Prüfungen und Anpassungen erfordern. Hierfür sind entsprechende Kapazitäten einzuplanen (Smeets et al., S. 29). Bei nicht regelmäßig durchgeführten Überprüfungen oder nicht ordnungsgemäßer Konfiguration des Software-Bots können systematische Fehler auftreten, die ein erhebliches operationelles Risiko darstellen (Hindle et al., 2018, S. 7). Besonders kritisch an diesen systematischen Fehlern ist, dass sie nicht einmalig auftreten, sondern bei jedem Prozessdurchlauf, bei dem der Fehler noch nicht behoben wurde. Je nach Prozess kann dies zu einer hohen Anzahl an fehlerhaften Prozessdurchläufen führen, die zeitintensive Nacharbeiten oder sogar Schadensfälle nach sich ziehen (Kirchmer, 2017, S. 3).

Neben der Voraussetzung, dass die Prozesse digital vorliegen, sind eindeutige Definitionen ebenso bedeutend. RPA geht bei der Automatisierung nach klar dokumentierten Regeln vor und hat keine Möglichkeiten zur Entscheidungsfindung. Bei nicht oder unzureichend definierten Prozessen gilt es, diese zuvor zu definieren, da eine Implementierung ansonsten nicht möglich ist (Penttinen et al., 2018, S. 4).

Weitere Risiken finden sich innerhalb des Einführungsprozesses von RPA. Die Anbieterauswahl bezüglich des passenden RPA-Tools ist eine nicht zu unterschätzende Herausforderung. Wird hierbei eine falsche Entscheidung getroffen, kann dies schnell zu sehr hohen Kosten führen. Da das Thema Automatisierung und RPA aktuell sehr relevant ist, gibt es eine Vielzahl verschiedener Tools, die von ihren jeweiligen Anbietern als optimale Optionen beworben werden. Für die meisten Unternehmen ist es besonders herausfordernd, die tatsächliche Eignung und die Fähigkeiten eines Anbieters und dessen Software-Lösung zu bewerten. Gleiches gilt auch für die Auswahl des richtigen Partners zur Umsetzung des Projektes, bei der viele Unternehmen auf externe Berater zurückgreifen. Kommt es hierbei zu einer Fehlentscheidung, können viel Zeit und Geld verschwendet werden (Hindle et al., 2018, S. 6).

Die zuvor gewonnenen Erkenntnisse über die möglichen Nachteile von RPA und die Herausforderungen sollen nachfolgend noch einmal zusammengefasst werden:

- Unzureichend digitalisierte und unzureichend definierte Prozesse stellen ein enormes Hindernis für die Automatisierung dar.
- Die vorhandenen Prozesse und Gegebenheiten können die Automatisierungspotenziale stark einschränken.
- Nicht durchgeführte Anpassungen bei Software-Releases und eine falsche Konfiguration des Software-Bots können zu systematischen Fehlern führen und resultieren in einem operationellen Risiko.
- Eine falsch ausgewählte RPA-Software und ein falscher Partner für die Umsetzung können enorme Kostensteigerungen des Projektes bedeuten.

Um diesen Herausforderungen frühzeitig entgegenzuwirken und die Risiken zu reduzieren, sind laut Smeets et al. die Aufstellung einer RPA-Strategie und die Einführung einer RPA-Governance von entscheidender Bedeutung (2019, S. 61 und S. 101f.).

2.2.4 RPA-Software im Vergleich

In den letzten Jahren ist die Anzahl der Anbieter von RPA-Software deutlich gestiegen. Dies liegt unter anderem daran, dass weiterhin viele Unternehmen nach Lösungen für schnelle Kostensenkungen durch Automatisierung suchen und RPA-Tools diese Nachfrage optimal bedienen können. Eine grundsätzliche Unterscheidung kann dabei nach dem Spezialisierungsgrad des Herstellers getroffen werden. So gibt es zum einen Tool-Anbieter, die sich ausschließlich auf das RPA-Tool konzentrieren, und zum anderen solche, die ihr bestehendes Produktportfolio um eine RPA-Komponente erweitern (van der Aalst et al., 2018, S. 269). Beispiele für ausschließliche RPA-Anbieter sind Automation Anywhere, Blue Prism und UiPath, während IBM, Microsoft und Pegasystems RPA als Baustein eines umfangreichen Produktportfolios besitzen (Gartner, 2021).

Auf die Vorstellung und den Vergleich verschiedener RPA-Tools wird im Rahmen dieser Arbeit verzichtet. Zum einen würde dies den Umfang der Arbeit übersteigen, zum anderen kann eine nachhaltige Aktualität der gewonnenen Erkenntnisse nicht gewährleistet werden. Der Grund dafür ist, dass die Anbieter meist mehrfach im Jahr verschiedenste Updates herausbringen und sich der Funktionsumfang der einzelnen Tools hierdurch nach kurzer Zeit ändern kann. Um einen schnellen, unabhängigen und aktuellen Überblick über die unterschiedlichen Anbieter und deren Lösungen zu erhalten, können verschiedene Berichte von Marktforschungsunternehmen herangezogen werden, die meist jährlich einen Marktüberblick veröffentlichen. Beispiele hierfür sind der ‚Gartner Magic Quadrant for Robotic Process Automation‘ oder der ‚IDC MarketScape: Worldwide Robotic Process Automation Software‘. Diese Marktüberblicke können jedoch nicht dazu genutzt werden, eine Toolentscheidung bei der Einführung von RPA im Unternehmen zu treffen. Die Auswahl der richtigen Software muss dabei immer im Kontext der verfolgten Zielen geschehen, was eine unternehmensindividuelle Prüfung erfordert (Smeets et al., 2019, S. 49).

Um einen Überblick über die meistgenutzten Tools zu geben, finden sich in Tab. 1 die Top Fünf RPA‑Tools nach Marktanteilen aus dem Jahr 2018.

Tab. 1: Überblick Top Fünf RPA-Tools nach Marktanteilen im Jahr 2018

Abbildung in dieser Leseprobe nicht enthalten

Quelle: eigene Darstellung in Anlehnung an (ECMguide.de, 2019)

Nachdem nun auch die theoretischen Grundlagen zu RPA vorgestellt wurden, soll im nachfolgenden Kapitel auf den aktuellen Forschungsstand, die Forschungsfragen und die Formulierung der Hypothesen eingegangen werden.

3 Aktueller Forschungsstand und Formulierung von Hypothesen

Aufbauend auf den zuvor gewonnenen theoretischen Erkenntnissen wird nun der aktuelle Forschungsstand zum Einsatz von RPA in Deutschlands Banken betrachtet. Nachdem ein Überblick hierüber geschaffen wurde, werden anhand der aufgestellten Forschungsfragen die Hypothesen abgeleitet.

3.1 Aktueller Forschungsstand

Automatisierung spielt schon seit langer Zeit eine Rolle. Ihren Ursprung fand sie mit dem Beginn der Umwandlung von handwerklicher Manufakturarbeit in die industrielle Produktion (IGZA, 2022) und sie hat sich bis heute zu einem weitreichenden und vielfältigen Thema entwickelt. Auch RPA ist keine Neuerscheinung, vielmehr geht sie auf die frühen 2000er Jahre zurück. Der RPA-Anbieter BluePrism wurde im Jahr 2001 gegründet und veröffentlichte sein erstes Produkt im Jahr 2003 (Bots&People, 2021). Dagegen wurden Automation Anywhere und UiPath 2003 und 2005 gegründet (Automation Anywhere, 2022 und UiPath, 2022). Automatisierung mittels RPA weckt das Interesse vieler Unternehmen. Aus diesem Grund gibt es mittlerweile diverse Beratungshäuser, die sich auf RPA spezialisiert und umfangreiches Wissen aufgebaut haben. Da für sie jedoch der Vertrieb der eigenen Dienstleistungen im Vordergrund steht, existieren hier nur wenige Veröffentlichungen auf wissenschaftlichem Niveau. Im Rahmen von Vertriebsaktivitäten finden sich jedoch immer wieder Fallstudien und Whitepapers zum Einsatz von RPA. Diese sind allerdings branchenweit verteilt und besitzen meist keinen wissenschaftlichen Ansatz.

Aufgrund der thematischen Eingrenzung dieser Thesis steht auch bei der Wiedergabe des aktuellen Forschungsstands der Einsatz von RPA bei Banken in Deutschland im Vordergrund. Um eine noch spezifischere Eingrenzung vorzunehmen, wird der Schwerpunkt auf kleine bis mittelgroße Banken gesetzt.

Neben Beratungshäusern sind es vor allem auch die RPA-Toolanbieter, die eine Vielzahl von Fallstudien veröffentlichen. Auch bezogen auf den Bankenmarkt findet sich eine große Auswahl. Bei den Top Drei RPA-Anbietern wurden in einer Internetrecherche 39 Fallstudien aus dem Banking Sektor gefunden⁸. Auffällig hierbei ist, dass nur eine der 39 Fallstudien über eine Bank in Deutschland berichtet. Bei dieser handelt es sich allerdings nicht um eine klassische Bank, sondern um eine Förderbank. Doch auch hier ist ähnlich wie bei den Studien der Beratungshäuser kein wissenschaftlicher Ansatz gegeben und die Betrachtung bleibt oberflächlich. Auch hier steht Marketing im Vordergrund.

Es liegen durchaus einige zunächst passend erscheinende wissenschaftliche Fallstudien vor. Eine tiefergehende Beschäftigung mit ihnen zeigt allerdings, dass sie meist nicht dem Anspruch an eine vollumfängliche Fallstudie gerecht werden. Oftmals wird nur ein einzelner Prozess betrachtet, was die Aussagekraft stark einschränkt.

Auf dem Banking-Hub des Beratungshauses zeb findet sich ein Artikel mit dem Titel ‚Es funktioniert! – RPA und KI in mittelständischen Banken‘, der im Februar 2020 erschienen ist. In diesem Artikel wird über die Volksbank RheinAhrEifel eG mit einer Bilanzsumme von rund 4,4 Milliarden Euro (Stand: Januar 2022) berichtet. Diese ist im Rahmen von Prozessoptimierungen und -automatisierungen an die Grenzen des Kernbanksystems gestoßen und im Zuge dessen wurde geplant, über weitere Optimierungsmaßnahmen die Kosten erheblich zu senken. Darüber hinaus sollte eine Lösung gefunden werden, dem immer stärker werdenden Fachkräftemangel entgegenzuwirken. Laut dem Artikel wurde das Projekt erfolgreich durchgeführt und die Implementierung von RPA habe sich erheblich gelohnt. Doch auch hier finden sich keinerlei detaillierte Informationen über die Prozesse oder über die quantitativ gemessenen Erfolge. Zudem gibt es keinerlei Informationen darüber, welcher RPA-Toolanbieter genutzt wird (Douqué et al., 2020). Dennoch lässt der Artikel darauf schließen, dass das Thema der Thesis eine gewisse Relevanz hat und der Einsatz von RPA bei mittelständischen Banken ebenfalls Potenziale besitzt.

Für das große bestehende Interesse am Einsatz von RPA in Banken spricht die breite Masse an Toolanbietern und Beratungshäusern, die sich auf diesen Bereich spezialisiert und – wie angenommen werden kann – eine umfangreiche Wissenssammlung aufgebaut haben. Dieses Wissen ist jedoch nicht öffentlich zugänglich und trägt daher nicht zur Forschung bei. Umso relevanter wird also der Forschungsbeitrag der vorliegenden Thesis. Mit quantitativen und qualitativen wissenschaftlichen Forschungsmethoden wird Wissen gesammelt, das in Zukunft für viele Banken einen wertvollen Beitrag bei ihrer Entscheidungsfindung bezüglich der Einführung von RPA leisten kann. Im nachfolgenden Kapitel werden basierend auf den Forschungsfragen die Hypothesen aufgestellt.

3.2 Formulierung der Hypothesen

Nachdem nun der aktuelle Stand der Wissenschaft beleuchtet wurde, werden auf Basis der Forschungsfragen der Thesis in diesem Kapitel die Hypothesen aufgestellt. Diese dienen dazu, die Forschungsfragen zu untersuchen.

Bei Hypothesen handelt es sich um widerlegbare Behauptungen über einen beobachteten Sachverhalt. Damit Hypothesen als wissenschaftlich gelten, müssen vier Faktoren erfüllt sein:

- Ableitung und Begründung aus theoretischen Überlegungen
- Aufweisen eines allgemeingültigen Charakters
- Falsifizierbarkeit (Widerlegbarkeit) der Hypothesen muss gegeben sein
- Operationalisierbarkeit (Messbarkeit) der Variablen innerhalb der Hypothese muss gegeben sein (Lemmer & Gollwitzer, 2018, S. 245 f.)

Bei den nun aufzustellenden Hypothesen gilt es, diese vier Faktoren zu beachten, sodass die Wissenschaftlichkeit gewährleistet ist.

Forschungsfrage 1 Wie sind der bisherige Stand und die Bereitschaft zum Einsatz von RPA in kleinen bis mittelgroßen Banken in Deutschland?

Die erste Forschungsfrage ist zweigeteilt. Auch bei der Aufstellung der Hypothesen gilt es, diese Zweiteilung zu beachten. Aus den bisher gewonnenen Erkenntnissen ist hervorgegangen, dass RPA kein neues Thema ist und offensichtlich ein großes Interesse an ihr besteht. Dennoch lassen verschiedene Faktoren, wie z. B. die geringe Anzahl an Fallstudien über den Einsatz in Banken in Deutschland, darauf schließen, dass RPA bisher von wenigen genutzt wird. Da dies allerdings noch nicht bewiesen werden konnte, wird hieraus die erste Hypothese aufgestellt:

Hypothese 1.1 Die absolute Mehrheit der Banken nutzt derzeit noch kein RPA.

Wie in den theoretischen Grundlagen dargestellt, handelt es sich bei RPA um eine Technologie, die die Investitionskosten meist schnell wieder einbringt, da der Return on Investment (ROI) verhältnismäßig hoch ist. Trotzdem benötigt das Projekt der Einführung von RPA zu Beginn Investitionen, die automatisch ein gewisses Risiko beinhalten. Kleinere Institute scheuen solche Investitionen eher als größere. Um diese Erfahrungen hinsichtlich RPA zu überprüfen, werden die folgenden Hypothesen aufgestellt:

Hypothese 1.2 Je größer die Bilanzsumme einer Bank ist, desto höher ist die Wahrscheinlichkeit, dass RPA bereits genutzt wird.

Hypothese 1.3 Je kleiner die Bilanzsumme einer Bank ist, desto geringer ist die Bereitschaft zum Einsatz von RPA.

Hypothese 1.1 und 1.2 zielen dabei auf den ersten Teil der Forschungsfrage ab und werden den bisherigen Stand zum Einsatz von RPA in Deutschlands Banken beleuchten. Hypothese 1.3 bezieht sich hingegen auf den zweiten Teil und wird eine Aussage zur Bereitschaft zum Einsatz von RPA ermöglichen.

Forschungsfrage 2 Welche Herausforderungen gibt es für kleine bis mittelgroße Banken bei der Einführung von RPA?

Die zweite Forschungsfrage widmet sich den Herausforderungen bei der Einführung von RPA. In der theoretischen Literaturrecherche (Kapitel 2.2.3) wurden bereits einige Herausforderungen genannt. Hierzu zählen auch die benötigten Kompetenzen und die Kosten. Auf dem Markt existiert ein beinahe unbegrenztes Angebot an Beratungsdienstleistern für die Einführung von RPA. Aus diesem Grund wird die nachfolgende Hypothese aufgestellt:

Hypothese 2.4 Der absoluten Mehrheit der Banken fehlen die Kompetenzen zur Einführung von RPA.

Bereits bei der Aufstellung der Hypothesen 1.2 und 1.3 wurde das Thema Investitionskosten genannt. Da diese bei größeren Instituten erfahrungsgemäß eine untergeordnete Rolle spielen, wird davon ausgegangen, dass für zahlreiche kleinere Banken die Investitionskosten eine wesentliche Herausforderung darstellen. Um dies zu überprüfen, wird folgende Hypothese aufgestellt.

Hypothese 2.5 Je kleiner die Bilanzsumme einer Bank ist, desto eher sind die Investitions- kosten bei der Einführung von RPA ein entscheidender Faktor.

Mit der dritten Forschungsfrage soll der Kreis der Forschung innerhalb der vorliegenden Thesis geschlossen werden. Während Forschungsfrage 1 den Fokus auf die Gegenwart setzt und Forschungsfrage 2 zukunftsgerichtet ist, soll Forschungsfrage 3 Aufschlüsse über die Umsetzung geben und einen Impuls setzen.

Forschungsfrage 3 Wie lässt sich RPA in kleinen bis mittelgroßen Banken umsetzen?

In den theoretischen Grundlagen wurde herausgearbeitet, dass sich RPA vor allem für die Automatisierung von Prozessen mit vielen repetitiven Aufgaben eignet. Demzufolge handelt es sich um Prozesse, die eine geringe Komplexität aufweisen. Aber nicht nur der Grad an repetitiven Aufgaben lässt auf die Komplexität eines Prozesses schließen. Auch die Anzahl an Schnittstellen und Medienbrüchen kann die Komplexität eines Prozesses in die Höhe treiben. Um dies zu überprüfen, wird folgende Hypothese aufgestellt:

Hypothese 3.6 Je komplexer ein Prozess ist, desto weniger wird er für die Automatisierung mittels RPA in Betracht gezogen.

Auch die Beteiligung eines Kunden kann die Komplexität eines Prozesses beeinflussen. Gleichzeitig erschwert sie möglicherweise zusätzlich die Chancen, den Prozess zu automatisieren, weil die Kommunikation mit dem Kunden meist sehr individuell ist. Auch diese Annahme wird mit einer Hypothese überprüft:

Hypothese 3.7 Je weniger direkte Beteiligung des Kunden im Prozess vorhanden ist, desto eher wird eine Automatisierung mittels RPA in Betracht gezogen.

Wenn davon ausgegangen wird, dass die Komplexität eines Prozesses durch die Beteiligung des Kunden am Prozess erhöht wird und Hypothese 3.7 besagt, dass Prozesse mit wenig Kundenbeteiligung eher für eine Automatisierung mittels RPA in Betracht kommen, muss an dieser Stelle noch die Differenzierung zwischen Front- und Backoffice betrachtet werden. Backoffice-Prozesse zeichnen sich dadurch aus, dass sie meist eine geringe oder gar keine Kundenbeteiligung am Prozess aufweisen. Wenn sich also Hypothese 3.7 als korrekt erweist, sollte die nächste Hypothese ebenfalls zutreffen:

Hypothese 3.8 Für die absolute Mehrheit kommen Backoffice-Prozesse für die Automatisierung mittels RPA in Frage.

Zu den herausgearbeiteten Chancen von RPA zählt die Entlastung von Mitarbeitern von repetitiven Aufgaben, damit sie anschließend mehr Zeit für wertschöpfende Tätigkeiten haben. Die Alternative hierzu wäre, RPA einzusetzen, um die freigewordenen Kapazitäten zum Personalabbau zu nutzen. Doch welche Annahme ist zutreffend? Um das zu überprüfen, wird Hypothese 3.9 aufgestellt:

Hypothese 3.9 Die absolute Mehrheit der Banken würde RPA nicht zum Abbau von Personal nutzen.

Doch wie wird ein RPA-Projekt in einer Bank umgesetzt? Hypothese 2.4 besagt bereits, dass bei der Mehrheit der Banken die Kompetenzen für die Einführung von RPA fehlen. Darüber hinaus wurde schon festgestellt, dass es neben den zahlreichen RPA-Toolanbietern eine Vielzahl von Beratern für die Einführung gibt. Diesbezüglich wird die letzte Hypothese aufgestellt:

Hypothese 3.10 Die absolute Mehrheit der Banken würde die Einführung von RPA mittels externer Unterstützung (Bsp. externer Berater) durchführen.

Nun wurden insgesamt zehn Hypothesen aufgestellt, um die drei aufeinander aufbauenden Forschungsfragen zu beantworten. In den nachfolgenden Kapiteln wird es darum gehen, mittels der empirischen Forschung diese Hypothesen zu überprüfen. Hierbei wir quantitativ und qualitativ vorgegangen.

4 Empirische Forschung – Quantitativ

Nachdem in den vorherigen Kapiteln die theoretischen Grundlagen gelegt wurden und die Hypothesen aufgestellt wurden, soll im Folgenden auf die quantitative empirische Datenerhebung und die Überprüfung der zuvor aufgestellten Hypothesen eingegangen werden. Dabei stehen die Methode und das Vorgehen, die Durchführung und die Ergebnisse im Vordergrund.

4.1 Methodenbegründung

Ziel der empirischen Forschung soll es sein, die Forschungsfragen und die Hypothesen zu beantworten bzw. zu überprüfen. Dabei soll ein möglichst genaues Abbild der Meinungen und Einschätzungen der Banken in Deutschland zum Thema RPA entstehen, insbesondere bezüglich der in den Forschungsfragen und Hypothesen angesprochenen Aspekte. Um dies zu erreichen, genügt es nicht, die Meinung eines einzelnen Instituts oder Individuums abzufragen. Vielmehr gilt es, das Gesamtbild einzufangen. Hierzu dient die quantitative Forschung, bei der allgemeingültige Aussagen und Gesetzmäßigkeiten mittels Daten (Zahlen) unter Verwendung statistischer Analysemethoden überprüft werden. Die Daten werden dabei anhand von Untersuchungen gewonnen. Ein wichtiges Merkmal der quantitativen Forschung ist daher die hypothesenprüfende Ausrichtung (Lemmer & Gollwitzer, 2018, S. 245). Die quantitative Forschung weist laut Winter (2000) die folgenden Vorteile auf:

- Exakt messbare Ergebnisse
- Messung von statistischen Zusammenhängen möglich
- Vergleichsweise geringe Kosten
- Größere Objektivität und Vergleichbarkeit

Der quantitativen Forschung werden aber auch diverse Nachteile nachgesagt. So ist die Flexibilität aufgrund der hohen Standardisierung sehr eingeschränkt. Dies liegt daran, dass meist nur vordefinierte Antworten gegeben werden können. Aus diesem Grund ist auch keine tiefergehende Ursachenanalyse möglich (Röbken & Wetzel, 2020, S. 15).

Die hohe Standardisierung von quantitativen Forschungsmethoden führt jedoch dazu, dass sie sich meist für große Stichprobengrößen eignen, wodurch es möglich ist, repräsentative Erkenntnisse über eine Population zu gewinnen. Als Methoden können hierfür die schriftliche Befragung mit einem Fragebogen oder das quantitative Interview genutzt werden (Winter, 2000).

Im Rahmen der vorliegenden Forschungsarbeit wurde eine standardisierte schriftliche Befragung in Form einer Online-Umfrage eingesetzt. Das Ziel hierbei war es, die Antworten der Teilnehmer möglichst quantifizierbar darzustellen, um sie im Anschluss statistisch auswerten zu können. Mit dieser statistischen Auswertung sollen Ursache-Wirkungs-Zusammenhänge analysiert werden können, um die aufgestellten Hypothesen zu überprüfen. Auf die genaue Vorgehensweise der Online-Umfrage und den Aufbau des Fragebogens wird in den nachfolgenden Kapiteln eingegangen.

4.2 Durchführung der Umfrage

In den nachfolgenden Kapiteln steht die Durchführung der zuvor erwähnten Online-Umfrage im Mittelpunkt. Hierzu zählt zum einen der Aufbau des Fragebogens und zum anderen die Umsetzung der Umfrage.

4.2.1 Aufbau des Fragebogens

Bei der Entwicklung eines Fragebogens geht es darum, die inhaltlich relevanten Fragen methodisch richtig zu stellen. Der Aufbau des Fragebogens und die Formulierung der Fragen sind ausschlaggebend und entscheiden über den Erfolg einer Befragung (Porst, 2014, S. 13). Aus diesem Grund wird sich dieses Kapitel vollumfänglich mit den Fragebogen der quantitativen Online-Umfrage beschäftigen.

Die Art der Fragen ist entscheidend für das Ergebnis eines Fragebogens. Sofern ein Skalenniveau gewählt wird, spielt dieses ebenfalls eine erhebliche Rolle (Porst, 2014, S. 53 ff.). Bei der Art der Frage kann grundsätzlich zwischen geschlossenen, halboffenen und offenen Fragen unterschieden werden (Hollenberg, 2016, S. 12). Bei der offenen Frage kann der Teilnehmer eine selbst formulierte Antwort eintragen. Demzufolge gibt es keine vorgegebenen Antwortmöglichkeiten. Bei der halboffenen Frage sind Antwortmöglichkeiten vorgegeben, zusätzlich existiert jedoch eine offene Kategorie, unter der ein Freitext eingetragen werden kann. Zuletzt gibt es die geschlossenen Fragen. Bei diesen werden vorgegebene Kategorien als Antwortoptionen zur Auswahl gestellt, in denen sich der Teilnehmer wiederfinden muss (Steiner & Benesch, 2018, S. 52 ff.). Geschlossene Fragen haben den erheblichen Vorteil, dass sie im Rahmen der Datenauswertung schnell zu verarbeiten sind. Gleichzeitig bergen sie aber auch das Risiko, dass sich der Befragte in den vorgegebenen Antwortoptionen nicht wiederfindet. Dies tritt laut Porst jedoch nur gelegentlich auf (Porst, 2014, S. 55). Die statistische Auswertbarkeit von geschlossenen Fragen ist ein wesentlicher Vorteil (Hollenberg, 2016, S. 12), der auch in der vorliegenden Arbeit entscheidend ist. Aus diesem Grund war der Fragebogen der quantitativen Umfrage primär mittels geschlossener Fragen aufgebaut. Für geschlossene Fragen spielt darüber hinaus das Skalenniveau (auch Messniveau genannt) eine erhebliche Rolle. Dieses entscheidet ebenfalls über die statistische Auswertbarkeit der Antworten (Steiner & Benesch, 2018, S. 27). Unterschieden wird zwischen der Nominal-, der Ordinal-, der Intervall- und der Verhältnisskala (Hollenberg, 2016, S. 19 f.). In der Praxis ist die Unterscheidung zwischen Intervall- und Verhältnisskala oft nicht relevant. Beide eignen sich besonders gut für statistische Auswertungen, weshalb sie auch als metrisches Niveau bezeichnet werden. Eine Intervallskala zeichnet sich dadurch aus, dass die einzelnen Antwortmöglichkeiten sich in eine sinnvolle Reihenfolge bringen lassen und die Abstände zwischen den einzelnen Punkten gleich sind. Beispiele für eine Intervallskala sind der Intelligenzquotient oder die Temperatur in Grad Celsius. Die Verhältnisskala zeichnet sich dadurch aus, dass sie neben den Eigenschaften der Intervallskala auch noch einen absoluten Nullpunkt besitzt. Beispiele hierfür sind das Körpergewicht in Kilogramm oder das Alter (Steiner & Benesch, 2018, S. 27 ff. und Hollenberg, 2016, S. 18 ff.). Ein weiteres Ziel beim Aufbau des Fragebogens war es also neben dem Einsatz geschlossener Fragen, ein metrisches Skalenniveau zu schaffen, um die Hypothesen mit statistischen Methoden überprüfen zu können.

Zu Beginn des Fragebogens wurde eine Startseite eingeblendet, auf der eine kurze Einleitung und eine Beschreibung der Umfrage zu sehen waren. Außerdem gab es einen Hinweis auf den Datenschutz, die Rechte der Teilnehmer und darauf, dass aufgrund der besseren Lesbarkeit das generische Maskulinum verwendet wird. Um an der Umfrage teilnehmen zu können, musste die Datenschutzerklärung bestätigt werden. Das Aussehen der Startseite (auch Titelblatt genannt) und deren Inhalt entscheiden mit darüber, ob eine Person an der Umfrage teilnimmt und die gestellten Fragen wahrheitsgemäß beantwortet. Auch eine allgemeine Einführung in den Themenbereich der Umfrage ist sinnvoll. Diese darf allerdings keinen Einfluss auf das Antwortverhalten der Teilnehmer ausüben (Hollenberg, 2016, S. 9). Aus diesem Grund fand sich im Anschluss auf der nächsten Seite der Umfrage eine kurze Definition von RPA. Hierbei handelte es sich um die in Kapitel 2.2.1 aufgestellte Definition.

Die ersten Fragen innerhalb des Fragebogens waren relativ einfach gestaltet, um dem Teilnehmer einen unkomplizierten Einstieg in den Fragebogen zu ermöglichen. Außerdem waren sie für den weiteren Verlauf des Fragebogens entscheidend.

Frage 1: Haben Sie bereits von Robotic Process Automation (RPA) gehört?

Antwortmöglichkeiten: Ja, ich habe davon gehört.

Ja, ich habe bereits Erfahrungen mit RPA.

Nein, weder von gehört noch Erfahrungen gesammelt.

Bei Frage 1 handelt es sich um eine geschlossene Frage mit einer Nominalskala. Diese diente als Einstiegsfrage. Sie sollte die generelle Bekanntheit von RPA abfragen und ob der Teilnehmer bereits selbst Erfahrungen gesammelt hat. Sie verfolgte jedoch keinen tieferen Zweck.

Frage 2: Die Möglichkeiten von Robotic Process Automation (RPA) finde ich grundsätzlich…

Antwortmöglichkeiten: …eine gute Idee und kommt für mich/meine Bank auch in Frage.

…grundsätzlich keine schlechte Idee.

…keine gute Idee, bin dagegen.

Frage 2 ist ebenfalls eine geschlossene Frage mit einer zugrunde liegenden Nominalskala. Auch hierbei handelte es sich noch um eine Einstiegsfrage, wobei die grundsätzliche Einstellung des Teilnehmers zu RPA abgefragt werden sollte.

Frage 3: Wird in Ihrer Bank Robotic Process Automation (RPA) bereits genutzt?

Antwortmöglichkeiten: Ja

Nein

Auch bei Frage 3 handelt es sich um eine geschlossene Frage mit einer Nominalskala. Neben der Abfrage, ob in der Bank des Teilnehmers bereits RPA genutzt wird, entschied diese Frage über den weiteren Verlauf des Fragebogens. Wurde sie mit ‚Nein‘ beantwortet, erhielt der Teilnehmer im weiteren Verlauf Fragen zu seiner Einschätzung der Potenziale von RPA. Wurde die Frage mit ‚Ja‘ beantwortet, erhielt der Teilnehmer Fragen zum Einsatz von RPA in seiner Bank und zu den Gründen der Einführung. Außerdem überprüft die Frage Hypothese 1.1 und in Kombination mit einer weiteren Frage zur Größe der Bank (Frage 23) auch Hypothese 1.2.

Frage 4: Wofür würden Sie Robotic Process Automation (RPA) nutzen?

Antwortmöglichkeiten: …zur Automatisierung einzelner Schritte

…zur Automatisierung einzelner Prozesse

…zur Automatisierung komplexer Prozesse

RPA kommt für mich nicht in Frage.

Bei Frage 4 handelt es sich um eine geschlossene Frage mit einer Ordinalskala, da die Antwortmöglichkeiten in eine Reihenfolge gebracht werden können (Hollenberg, 2016, S. 19). Zum einen diente sie dazu, eine erste Indikation darüber zu gewinnen, welche Potenziale der Teilnehmer RPA zutraut, zum anderen entschied sie ebenfalls über den weiteren Verlauf des Fragebogens. Wenn der Teilnehmer die Antwortmöglichkeit ‚RPA kommt für mich nicht in Frage‘ auswählte, erhielt er im weiteren Verlauf gezielte Fragen zu den Gründen der Abneigung gegenüber RPA.

Frage 5: Welche Prozesse sind Ihrer Meinung nach für eine Automatisierung mittels Robotic Process Automation (RPA) geeignet?

Skalenbewertung zu: Teilprozess: Kreditsachbearbeitung

Prozess: Erstellen eines Reportings
Prozess: Interne Rechnungsbearbeitung
Prozess: Kontoauflösung
Prozess: Know-Your-Customer-Compliance-Prozess
Prozess: Kontoanlage durch Kundenberater inkl. Backoffice-Tätigkeiten
Prozess: Wertpapieranlage durch Robo-Advisor inkl. Anlageempfehlung
Prozess: Wertpapieranlage durch Kundenberater inkl. Depotanlage u. Order

Frage 5 ist eine geschlossene Frage. In diesem Fall wurde allerdings bewusst ein metrisches Skalenniveau in Form einer Intervallskala genutzt. Dies wurde durch die Einführung einer endpunktbenannten Skala realisiert. Diese zeichnet sich dadurch aus, dass an den Endpunkten der Skala eine Bezeichnung steht und die Abstände zwischen den einzelnen Punkten somit gleichgesetzt werden (Porst, 2014, S. 81). In diesem Fall wurde die Zustimmung des Befragten zu den einzelnen Optionen abgefragt, weshalb das eine Ende für ‚stimme ich gar nicht zu‘ und das andere Ende für ‚stimme ich voll zu‘ steht. Eine grundlegende Entscheidung bei der Nutzung der endpunktbenannten Skala ist darüber zu treffen, welche Skalenbreite verwendet werden soll und ob diese gerade oder ungerade ist (Porst, 2014, S. 83 ff.). Eine ungerade Skala birgt das Risiko, dass sich der Befragte eher für den Mittelpunkt entscheidet. Während eine zu breite Skala das Risiko der intellektuellen Überforderung beinhaltet, kann eine zu geringe Auswahl dazu führen, dass der Befragte sich in keinem der Punkte wiederfindet (Hollenberg, 2016, S. 14 f.). Auch die Richtung einer Skala, also auf welcher Seite der geringste Wert und auf welcher der höchste steht, ist laut Porst von Bedeutung (Porst, 2014, S. 85 f.). Im Rahmen der Umfrage wurde sich bewusst für eine Skala mit einem Mittelpunkt entschieden, in dem der Befragte sich wiederfinden kann. Die Skalenbreite wurde auf fünf Punkte gesetzt, da dies im Rahmen der Umfrage als angemessen und nicht überfordernd bewertet wurde. Bei der Richtung der Skala wurde die linke Seite als die Seite der geringsten Zustimmung gewählt und die rechte Seite für die höchste Zustimmung. Dieses Vorgehen wurde innerhalb der gesamten Umfrage bei allen genutzten Intervallskalen angewendet, um einen einheitlichen Stil abzubilden und den Befragten nicht zu irritieren.

Bei Frage 5 soll sich die Komplexität der einzelnen Prozesse von oben nach unten steigern. Das Erstellen eines Reportings ist dementsprechend weniger komplex als der gesamte Prozess einer Wertpapieranlage. Außerdem unterscheidet sich innerhalb der Prozesse der Grad der Kundenbeteiligung. Ein internes Reporting kann ohne Kundenbeteiligung erstellt werden, während eine Wertpapieranlage viele Schnittstellen mit dem Kunden aufweist. Um dem Befragten diese Zusammenhänge schnell klarzumachen, stand unter jedem Prozess eine Bewertung zu Kundenbeteiligung, Anzahl der Schnittstellen, Anzahl der Systembrüche und Strukturiertheitsgrad. Aus Gründen der Übersichtlichkeit wurden diese Informationen in der obigen Darstellung nicht aufgeführt. Frage 5 dient dazu, die Hypothesen 3.6 und 3.7 zu überprüfen.

Frage 6: Bitte entscheiden Sie, ob Sie den nachfolgenden Aussagen zustimmen oder nicht zustimmen.

Skalenbewertung zu: Die Kosten für die Einführung von RPA stellen ein Risiko dar.

Die benötigten Kompetenzen für die Einführung von RPA sind in meiner Bank aktuell nicht vorhanden.

RPA ist eine gute Möglichkeit, um Personal langfristig abzubauen und hierdurch Geld zu sparen.

RPA kann zur Automatisierung von Backoffice-Prozessen genutzt werden.

Bei Frage 6 handelt es sich erneut um eine geschlossene Frage mit einer Intervallskala. Aus Gründen der Übersichtlichkeit wurden die oben aufgeführten Aussagen gekürzt. Im eigentlichen Fragebogen waren weitere Aussagen enthalten, die jedoch nicht zur Beurteilung der Hypothesen beitragen. Die Aussagen dienen dazu, die Hypothesen 2.4, 2.5, 3.8 und 3.9 zu überprüfen. Zur Überprüfung von Hypothese 2.5 wird zusätzlich eine Information über die Größe des Instituts benötigt.

Frage 7: Wie ist die Bereitschaft zur Einführung von RPA in Ihrer Bank?

Schieberegler zwischen: RPA wird für uns keine Rolle spielen.

RPA ist für die Zukunft meiner Bank unumgänglich.

Frage 7 ist eine geschlossene Frage mit einer Verhältnisskala. Diese wurde durch einen Schieberegler dargestellt, mit dem der Befragte den Grad seiner Bereitschaft angeben konnte. Der Schieberegler konnte dabei zwischen –10 (RPA wird für uns keine Rolle spielen) und +10 (RPA ist für die Zukunft meiner Bank unumgänglich) verschoben werden. In der Mitte befand sich ein natürlicher Nullpunkt, wodurch die Skala zu einer Verhältnisskala wurde. Die Frage wurde nur Teilnehmern angezeigt, die nicht gegen den Einsatz von RPA waren (siehe Frage 4) und in deren Bank RPA noch nicht genutzt wurde. In Kombination mit einer Frage zur Größe der Bank (Frage 23) dient sie dazu, Hypothese 1.3 zu prüfen.

Die Fragen 7 bis 11 sollten weitere Erkenntnisse über Institute liefern, die aktuell noch kein RPA nutzen. Sie dienten jedoch nicht dazu, die aufgestellten Hypothesen zu prüfen, weshalb sie hier nicht näher betrachtet werden.

Frage 12: Welchen Anteil hätten die unten Aufgeführten bei der Einführung von RPA in Ihrer Bank?

Skalenbewertung zu: Organisationsabteilung
Inhouse-Beratung
Externe Berater
Verband

Frage 12 ist wieder eine geschlossene Frage mit einer Intervallskala. Auch diese Frage wurde nur Teilnehmern angezeigt, die nicht gegen den Einsatz von RPA waren und deren Bank aktuell noch kein RPA nutzt. Es gibt jedoch eine ähnliche Frage (Frage 17), die Befragten angezeigt wurde, in deren Bank RPA bereits genutzt wurde. Diese Frage unterscheidet sich dadurch von Frage 12, dass sie in die Vergangenheit gerichtet ist und abfragt, welchen Anteil die Aufgeführten bei ihrer RPA‑Einführung hatten. Beide Fragen können dazu genutzt werden, Hypothese 3.10 zu überprüfen.

Wie zuvor beschrieben gab es auch Fragen, die nur bei Teilnehmern eingeblendet wurden, wenn RPA in ihrer Bank bereits genutzt wurde. Hierbei handelt es sich um die Fragen 13 bis 17. Bei ihnen stand ebenfalls die Gewinnung weiterer Erkenntnisse im Vordergrund. Diese Fragen dienten nicht zur Überprüfung der Hypothesen. Sie deckten ab, in welchem Jahr RPA eingeführt wurde, mit welchem Toolanbieter zusammengearbeitet wird, was die Gründe für die Einführung gewesen sind und wer an der Einführung zu welchen Anteilen beteiligt gewesen ist. Primär handelte es sich hierbei um geschlossene Fragen mit Nominal- und Intervallskalen. Es waren jedoch auch eine halboffene und eine offene Frage vorhanden. Da die Fragen nicht für die statistische Analyse benötigt werden, kann dies jedoch vernachlässigt werden.

Die Fragen 18 bis 21 wurden nur Befragten eingeblendet, die gegen den Einsatz von RPA waren (Beantwortung Frage 4). Auch bei diesen Fragen ging es um die Gewinnung weiterer Erkenntnisse. Sie deckten ab, aus welchen Gründen RPA für den Teilnehmer nicht in Frage kam und ob stattdessen anderweitige Automatisierungslösungen in Betracht gezogen wurden.

Bei den Fragen 22 bis 25 handelte es sich um allgemeine Fragen zur Bank des Befragten. Frage 22 thematisierte die zugehörige Bankengruppe nach dem Drei-Säulen-Modell. Die Fragen 23 und 24 zielten auf die Größe der Bank ab, um in Kombination mit anderen Fragen die von der Größe abhängigen Hypothesen zu untersuchen. Frage 25 sollte in Erfahrung bringen, in welchem Bundesland die Bank ihren Hauptsitz hat.

Zuletzt gab es noch einige Fragen zum Teilnehmer selbst. Die Fragen 26 bis 29 sollten dabei Auskunft darüber geben, in welcher Position der Befragte tätig ist, wie lange er bereits in dieser Position tätig ist, welchem Geschlecht er angehört und in welchem Jahr er geboren ist. Auch sie dienten nicht der Überprüfung von Hypothesen, sondern sollten die gewonnenen Erkenntnisse erweitern. Frage 29 (Jahrgang des Befragten) war dabei die einzige optionale Frage. Aufgrund ihres persönlicheren Charakters wurde die Beantwortung freigestellt, um die Abbruchquote nicht zu erhöhen. Bei allen anderen Fragen handelte es sich um Pflichtfragen.

4.2.2 Umsetzung der Umfrage

Nachdem nun der Aufbau und der Inhalt des der Umfrage zugrundeliegenden Fragebogens erläutert wurden, soll in diesem Kapitel auf die Umsetzung der Umfrage eingegangen werden. Ziel der Umfrage war es, eine möglichst hohe Teilnehmerzahl zu erhalten. Als Zielgruppe der Umfrage wurden zunächst einmal alle Banken Deutschlands betrachtet, da schließlich ein Gesamtbild über den Einsatz von RPA in Deutschlands Banken entstehen soll. Primäre Zielgruppe waren jedoch bestimmte Mitarbeiter innerhalb der deutschen Banken. Hierzu zählen Vorstände, Bereichs- und Teamleiter der Organisationsabteilung oder ähnlicher Abteilungen sowie Mitarbeiter innerhalb dieser Abteilungen. Favorisiert wurden jedoch Mitarbeiter auf Managementebene, da sie meist einen strategischen Blick auf das Unternehmen haben und wissen, welche Projekte in Zukunft geplant sind.

[...]

---

¹ Google-News-Recherche zum Thema ‚Automatisierung‘ vom 08.02.2022

² Unter Mergers&Acquisitions-Vorgängen werden alle Vorgänge im Rahmen von Fusionen und Unternehmenskäufen verstanden. ‚Merger‘ bedeutet übersetzt Fusion, was eine Kombination von zwei oder mehr Instituten zu einem bedeutet. Im Rahmen von ‚Acquisitions‘ werden meist einzelne Vermögenswerte eines Unternehmens durch ein anderes erworben (Sherman, 2011, S. 2f.).

³ Machine Learning gilt als ein Teilgebiet der Informatik, das sich mit der Entwicklung von Algorithmen befasst. IT-Systeme werden hierbei in die Lage versetzt, auf Basis von Beispielen für ein bestimmtes Phänomen Gesetzmäßigkeiten zu erkennen und hierdurch Lösungen zu entwickeln. Die gewonnenen Erkenntnisse lassen sich für neue Problemlösungen nutzen (Burkov, 2019, S. 4).

⁴ Optical Character Recognition (OCR), auf Deutsch optische Zeichenerkennung, ist eine Technik zur automatischen Erkennung von Schriftzeichen durch einen optischen Mechanismus innerhalb eines Computersystems. Diese ist von der Funktion her vergleichbar mit der menschlichen Fähigkeit des Lesens, kann mit dieser aktuell jedoch noch nicht konkurrieren (Mithe, Indalkar, & Divekar, 2013, S. 72).

⁵ Der Return on Investment (ROI) ist eine Finanzkennzahl aus dem Rechnungswesen, welche den Gewinn ins direkte Verhältnis zu der Investition setzt und somit Auskunft über den Erfolg einer Investition geben kann. Je höher der ROI ausfällt, desto mehr hat sich die Investition gerechnet (McNulty & Tharenou, 2005).

⁶ Operationelle Risiken sind Risiken, die außerhalb der eigentlichen unternehmerischen Risiken liegen. Hierzu zählen beispielsweise menschliche Fehler, Systemfehler oder Fehler innerhalb der internen Abläufe (Smeets et al., 2019, S. 25).

⁷ Unter Service-Level-Agreements (SLA) verstehen sich auf Kennzahlen basierende Vereinbarungen zwischen einem Dienstleister und seinem Kunden, um eine Servicequalität zu definieren und zu gewährleisten. Auch Prozessgeschwindigkeiten gehören zu den SLA (Fröschle, Schrey, & Burr, 2012, S. 39).

⁸ Internet-Recherche von 02.02.2022 zu Fallstudien von RPA-Anbietern im Banking-Sektor: UiPath 17 Stück, Blue Prism 18 Stück und Automation Anywhere 4 Stück

• Hochschule: (IU Internationale Hochschule)
• Note: 2,0
• Autor: Philipp Zeyen (Autor:in)
• Erscheinungsjahr: 2022
• Seiten: 132
• Katalognummer: V1271478
• ISBN (eBook): 9783346749635
• ISBN (Buch): 9783346749642
• Sprache: Deutsch
• Schlagworte: Robotic Process Automation (RPA), Banken, Automatisierung, Potenziale, RPA, Muster-Use-Cases, Prozesse, Return on Investment