Resumé

En ny metode beskrives, som kan bruges til at måle konsumenternes viden, erfaringer og ønsker omkring et bestemt produkt - oplysninger som kan bruges til produktudvikling, reklameudformning osv. Metoden bygger på kvalitative data, dvs. data som opnås gennem dybdeinterviews eller fokusgrupper. Den er ny, fordi den på tre områder adskiller sig fra mere traditionelle måder at analysere kvalitative data på: den er baseret på en eksplicit teori omkring kvalitativ dataindsamling, den bruger computeren som hjælpemiddel, og den udmunder i kvantitative resultater. Metoden vil blive illustreret ved resultater fra tre undersøgelser omkring tre meget forskellige produkter.¹

Hvorfor kvalitativ dataindsamling?

Kvalitative dataindsamlingsmetoder er meget brugt inden for markedsforskningen (se f.eks. Gordon & Langmaid, 1988). Deter metoder, som leder til data i form af naturligt sprog, dvs. data som opnås, når respondenterne får lov til at svare med egne ord. Typiske problemstillinger, hvor sådanne metoder bruges, er at finde ud af, hvilke produkt-attributter konsumenter synes er vigtige, hvilke erfaringer de harmed et givent mærke, eller hvilke produktforbedringsmuligheder de kunne forestille

En grund, til at disse metoder bliver benyttet så meget, er at de er billige i forhold til de større kvantitative undersøgelser. Udover de omkostningsmæssige grunde findes der også to substantielle grunde til at bruge kvalitative dataindsamlingsmetoder.

1. Eksploratorisk formål. Før en stor kvantitativ undersøgelse gennemføres, kører man en lille kvalitativ undersøgelse for at lære de begreber og kriterier at kende, som respondenterne bruger. Resultaterne anvendes til at udvikle spørgeskemaet til den store undersøgelse. En fokusgruppe eller en række dybdeinterviews er på den måde bare en del af forberedelsen til kvantitativ forskning. Dette syn findes i næsten alle lærebøger om markedsundersøgelser.

2. Humanistisk formål Der er folk, som siger, at hele grundideen bag kvantitativ forskning er forkert: en respondents svar kan kun fortolkes på baggrund af hans/hendes personlige livsomstændigheder, og viden om disse tabes automatisk i kvantitative undersøgelser med begrænsede svarmuligheder. Derfor skal kvalitativ forskning kun gennemføres, hvor vi har en chance for at forstå respondenten (se feks. Blumer, 1969; Garfinkel, 1967, for den teoretiske argumentation, og RE Anderson, 1986; Hirschman & Holbrook, 1986, for anvendelser i afsætningsøkonomien).

Min egen mening ligger midt imellem. Jeg er enig med humanisterne i, at man ved udelukkende at bruge spørgsmål med begrænsede svarmuligheder i spørgeskemaundersøgelser mange gange opnår forkerte resultater, fordi resultaterne ikke er blevet struktureret gennem respondentens egen viden, men gennem hvad forskeren troede, respondentens viden var. Der er altså god grund til at bruge kvalitative dataindsamlingsmetoder især i de tilfælde, hvor viden om forbrugernes tankekategorier i forvejen ikke er så stor. Men det er alligevel muligt at nå kvantitative resultater.

Det kraever lidt teoretisk baggrund at fa fuldt udbytte af kvalitative data. En teori omkring kvalitativ dataindsamling er noget, vi mangier. En sadan teori skulle indeholde udsagn om, hvad det egentlig er, vi gerne vil male gennem den kvalitative undersogelse, og hvad der sker i dataindsamlingssituationen, dvs. hvilke psykologiske processer er ansvarlige for at respondenterne svarer, som de gor.

Hvad skal måles?

For det meste ønsker vi med markedsforskningen at finde ud af noget om forbrugernes viden, erfaringer og ønsker omkring et bestemt produkt. På en mere teknisk måde kan vi sige, at vi gerne vil måle konsumenternes kognitive kategorier og deres kognitive struktur.

En kognitiv kategori er en måde at sammenfatte objekter på og give dem et fælles navn. De fleste mennesker har f.eks. en kognitiv kategori »biler«, og den omfatter forskellige slags biler, bilmærker, osv. På samme måde har vi alle en kategori »vej«, og den indeholder, bl.a., motorveje, gader osv.

Igennem de erfaringer man får i løbet af livet, skabes der forbindelser mellem kognitive kategorier. Disse forbindelser kan være mere eller mindre stærke. F.eks. er der sandsynligvis en stærk forbindelse mellem »biler« og »veje«, fordi biler kører på veje. Hele netværket af kognitive kategorier og deres forbindelser betegnes som kognitiv struktur. Det er efterhånden blevet et centralt begreb i konsumentadfærdsforskningen (se f.eks. Peter & Olson, 1987).

Man kan således sige, at målet med kvalitativ dataindsamling er at måle konsumenternes kognitive kategorier og deres kognitive struktur. Det er selvfølgelig for generelt. Det ville være rart at have en mere specifik model af konsumenternes kognitive struktur over for et bestemt produkt.

En raekke sadanne modeller blev udviklet i lobet af de sidste ar (f.eks. Grunert, 1982b; Olson & Reynolds, 1983; Zinkan & Biswas, 1988). Mit forslag til en sadan model er folgende. Forst, synes jeg, at deter rimeligt at skelne mellem tre slags kognitive kategorier. Produktalternativer, som i de fleste tilfaelde vil vaere forskellige maerker, produktanvendelser, dvs. ting, som man gerne vil bruge produkterne til, og produktattributter, som konsumenterne bruger til at finde ud af, om et produkt eller et maerke er egnet til det pataenkte brug.

Hvis vi forbinder disse tre slags kategorier i et
netværk, som i Figur 1, skabes der tre slags
forbindelser:

1. Forbindelser mellem anvendelser og attributter udtrykker, at visse attributter kan bruges til at bedømme, om et produkt kan anvendes på den påtænkte måde. Den slags forbindelser kan derfor kaldes produktkrav.

2. Forbindelser mellem attributter og mærker
beskriver den viden man har om de forskellige
mærker og kan kaldes produktviden.

3. Hvis man har anvendt et givent maerke pa en bestemt made mange gange, skabes der ogsa direkte forbindelser mellem anvendelser og maerket. Disse forbindelser kaldes produkterfaringer. Erfaringer har vist, at et bestemt maerke er velegnet til en bestemt anvendelse.

De tre delområder kan være udpræget forskellige, og man kan forvente, at det hænger sammen med, hvilken slags produkt det drejer sig om. Når der er tale om et høj-involverings produkt, hvor førstegangskøbet af et produkt er karakteriseret ved en høj grad af informationssøgning, forventer man at produktkrav og produktviden skabes først, fordi disse sætter konsumenten i stand til at vurdere, om et bestemt produkt skal foretrækkes i en beslutningssituation eller ej (Grunert, 1982a). Produkterfaringer kommer senere og er et udtryk for forbrugerens vanedannelse. Med hensyn til lav-involverings produkter, hvor førstegangskøbet muligvis sker tilfældigt eller på grund af følelsesmæssige reaktioner, kan man forvente, at produkterfaringer opbygges uden at der skabes meget produktviden eller produktkrav.

Målet med undersøgelsen er altså at finde ud
af:

1. Hvilke produktalternativer (mærker) konsumenterne kender, hvilke attributter de bruger til at beskrive mærkerne, og hvilke anvendelser de påtænker,

2. på hvilken måde produktanvendelser, produktattributter og produktalternativer er forbundet gennem produktkrav, produktviden og produkterfaringer.

Især dybdeinterviews er meget velegnede til det formål (Grunert, 1987). Teorirammen kan i givet fald omformuleres til en vejledning for intervieweren, som skal udspørge om valgalternativer, attributter, anvendelser og den måde disse hænger sammen. Intervieweren skal ikke selv komme med eksempler på sådanne kognitive kategorier, fordi ellers påvirker man jo respondentens kognitive struktur.

Der er altsa tale om ikke-direktiv interviewforelse.
Hele interviewet bliver optaget pa band
og transkriberet.

Hvordan analyseres dataene?

Metoden, som jeg foreslår, har to hovedelementer:

1. Konsumenternes kognitive kategorier opnås ved en computerbaseret indholdsanalyse af de tekster som blev til i fokusgrupperne eller i dybdeinterviewene.

2. Konsumenternes kognitive struktur estimeres
gennem en sekvensanalyse af indholdsanalysens

Computerbaseret indholdsanalyse

Indholdsanalyse er selvfølgelig ikke noget nyt. Den er et meget gammelt instrument til at analysere alle slags tekster, herunder også tekster fra dybdeinterviews (se f.eks. Kassarjian, 1977; Krippendorff, 1980). Teksten fordeles i analyseenheder, og disse sorteres i en række kategorier. Metoden bliver dog ikke brugt så meget, fordi den er besværlig, og fordi den kræver et kategorisystem, før man begynder selve analysen. Ved en kvalitativ undersøgelse vil vi hellere udvikle kategorierne på basis af data, og ikke have dem først. Vi har valgt en kvalitativ metode, fordi vi gerne vil være åbne for, hvad respondenterne har at sige.

Computerbaseret indholdsanalyse tillader en anderledes fremgangsmåde. Vi ved alle at computeren ikke kan forstå ordenes betydning.Hvis vi gerne vil have, at teksten kodes i computeren, skal kategorierne defineres ekstensionelt.I den almindelige indholdsanalysedefineres kategorierne intensionelt. Intensioneltbetyder, at kategorierne defineres abstrakt. F.eks. kan vi sige, at en kategori kaldet»mærker« skal indeholde alle mærkenavne.Ekstensionelt betyder, at kategorierne defineres ved en liste af alle de ord, som kategorienskal omfatte. I eksemplet skal vi så have en liste af alle mærkenavne. Ekstensioneltdefinerede

neltdefineredekategorier sætter computeren
i stand til at gennemføre kodningen, dvs. den
mest besværlige del af indholdsanalysen.

Det i sig selv er ikke så spændende, fordi man bare bytter besværet ved kodningen med et lignende besvær i at oprette et system af ekstensionelt definerede kategorier. Men vi opnår en anden fordel: Da kodning foregår automatisk, kan vi kode hele teksten flere gange, mens vi efterhånden forbedrer kategorisystemet. Vi kan starte med nogle temmelig generelle teoretiske ideer, gennemgå teksten, og bygge et foreløbigt kategorisystem op. Vi kan kode teksten på basis af dette system og bruge resultaterne til at forbedre kategorisystemet. Det kan vi gøre flere gange, indtil vi er sikre på, at kategorisystemet er godt nok til at udnytte og kategorisere tekstens indhold på en ordentlig måde. Med denne iterative procedure udvikler vi kategorisystemet ved at arbejde med teksten - og ikke omvendt, som det sker i en traditionel indholdsanalyse (Grunert & Bader, 1986).

Der er programpakker (f.eks. TEXTPACK, Mohler & Ziill, 1984) til at gennemføre computerbaserede indholdsanalyser. Disse programpakker har nogle faciliteter til at lette denne iterative procedure. De tre vigtigste hjælpemidler er:

1. KWIC (»keyword-in-context«) lister: for hvert ord i definitionerne af kategorierne søger programmet alle sætninger, hvori ordet forekommer og printer dem ud. Deter en stor hjælp til at undersøge, om kodningen foregår, på den måde man ønsker.

2. Leftover lists: computeren kan også finde og printe alle de sætninger, som ingen kode fik. På denne måde kan man sikre, at der er ikke nogle vigtige ting i teksten, som er blevet glemt ved kodningen.

3. Tekst med indføjede kodetal: hver gang programmet finder et ord i teksten, som står i kategoridefinitionerne, bliver det tilsvarende kodetal indføjet i teksten. På den måde kan vi nøjagtigt kontrollere kodningsprocessen og opdage enhver fejl.

Computerbaseret indholdsanalyse kan så hjælpe med til en grundig analyse af, hvilke kategorier af fokusgrupper eller dybdeinterviews der forekommer. Figur 2 viser et eksempel fra en undersøgelse om forskellige opvarmningsmuligheder for parcelhuse. I figuren ses alle de attributter, som en stikprøve på 90 parcelhusejere brugte i dybdeinterviews til at beskrive deres erfaringer og ønsker omkring opvarmning (af det samlede antal nævnte attributter blev de attributter, der var nævnt i mindre end 5% af tilfældene, udeladt). Der kan tydelig ses, at attributterne er på forskellige abstraktions-niveauer, og det er derfor hensigtsmæssigt at gruppere dem i en taksonomi som i figur 2. På samme måde kan alternativerne (i det tilfælde opvarmningsalternativer) og anvendelserne (forskellige måder at bruge opvarmningen på) analyseres. Vi får så et meget detaljeret billede af respondenternes kognitive kategorier (undersøgelsen er nærmere beskrevet i Grunert, under udgivelse a).

Indholdsanalysen kan altså løse den første af de to opgaver, som blev stillet i begyndelsen: at finde ud af, hvilke kognitive kategorier konsumenterne bruger i deres viden om et bestemt produkt. Den anden opgave er at finde ud af, på hvilken måde disse kategorier er forbundet i konsumenternes hukommelse, dvs. at estimere deres kognitive struktur.

Sekvensanalyse

Sekvensanalyse kalder jeg den metode, som skal løse opgaven at estimere kognitiv strukturpå. Ideen er ganske simpel: Jo tættere to kategorier er i teksten, og jo hyppigere det forekommer,desto mere sandsynlig bliver det, at disse to kategorier har en stærk forbindelse med hinanden i konsumentens kognitive struktur. Teknisk foregår sekvensanalysen således,at teksten først bliver oversat til en række kodetal, svarende til indholdsanalysens

kategorier. Og så beregnes afstandene mellemalle mulige par af kategorier. Ved at trække afstandstallene fra en konstant opnår vi proksimiteter. På denne måde får vi en proksimitetsmatrice,hvori der står proksimitetsværdier,som for hver par af kategorier estimerer,hvor stor deres forbindelse i respondentens kognitive struktur er.

Denne simple idé er baseret på en psykologisk model af, hvad der foregår i respondentens hoved under dataindsamlingssituationen. Respondentens viden er modelleret som et netværk af kognitive kategorier. I dataindsamlingssituationen bruger respondenten så denne viden til at formulere svar på interviewerens spørgsmål. Denne proces kan forklares på følgende måde.

Interviewerens spørgsmål aktiverer nogle kognitive kategorier i netværket. Hvis intervieweren spørger om opvarmning, så bliver den kognitive kategori »opvarmning« aktiveret. Denne aktivering udbreder sig nu i netværket langs forbindelserne mellem kategorierne, således at de kategorier, som har de stærkeste forbindelser med »opvarmning«, får den højeste aktivering. De højstaktiverede kategorier bliver hentet ind i arbejdshukommelsen, og dermed bliver de bevidste: man har »husket« noget. Da det er veldokumenteret at arbejdshukommelsens kapacitet er meget begrænset, vil kun kategorier med særlig stærke forbindelser mellem hinanden blive »husket« på denne måde. Disse kategorier kan respondenten så bruge til at formulere svar (den psykologiske baggrund bag modellen er nærmere beskrevet i blandt andet J.R. Anderson, 1983; Friendly, 1979; Grunert, under udgivelse b. Selve grundidéen bag sekvensanalysen går dog tilbage til Osgood, 1959).

Hvis to kategorier således står tæt på hinanden i teksten, så er det meget sandsynligt, at de begge på et eller andet tidspunkt fandtes i arbejdshukommelsen samtidig. Og det gør det mere sandsynlig, at der er en stærk forbindelse mellem to kategorier i respondentens kognitive struktur.

Tekstudsnittet i Figur 3 skal illustrere sekvensanalysen. Det er et udsnit af en fokusgruppe om kameraer. De ord, som blev brugt til at definere kategorier, er understreget, og de tilsvarende kodetal står oven over ordene. Under tekstudsnittene ses i Figur 3 den samme tekst men oversat til en sekvens af kodetal. Nu kan vi simpelt hen tælle, hvor langt to kategorier står fra hinanden. Der er f.eks. en afstand på 3 mellem 69 og 57, og en afstand på 2 mellem 69 og 57. Hvis vi trækker begge tal fra 10 og summerer, så opnår vi 15 i matricen som står nederst i figuren. Samme procedure gennemføres for alle mulige par af kategorier.

Hvilke resultater opnås?

Hvad kan vi så bruge en sådan matrice til? Jeg vil gennemgå tre analysemuligheder: 1. beregning af nogle nøgletal for dele af matricen, 2. »planer«, 3. flerdimensionel skalering.

Til at beregne nogle nøgletal som sammenfatter grundlæggende egenskaber af matricen, er det hensigtsmæssig af kigge på de tre dele af matricen, svarende til de tre før omtalte forbindelser mellem kognitive kategorier: produktkrav, produktviden og produkterfaringer.

Figur 4 viser en grafisk måde at vise nogle nøgletal på, dvs. nogle generelle egenskaber for den målte kognitive struktur. Størrelsen af kredsene svarer til antallet af anvendelser, attributter og alternativer, respondenterne havde kendskab til. Tykkelsen af forbindelserne mellem kredsene svarer til antallet af positive proksimiteter i den tilsvarende del af proksimitetsmatricen, dvs. giver udtryk for hvor meget produktkrav, produktviden og produkterfaring der foreligger. Figur 4 sammenfatter resultater fra to undersøgelser om to meget forskellige produkter: øl og opvarmning.

Sådanne informationer kan bruges til at beskrive markedsegmenter med implikationer især for kommunikationspolitikken. Konsumenter med veldefinerede produktkrav men uden stor produktviden eller produkterfaringer kan bedst påvirkes gennem informationer om produktattributter. Konsumenter uden veldefinerede produktkrav kan påvirkes gennem generelle produktinformationer eller gennem en informationsløs fremgangsmåde, som bygger på betingningsteorien (dvs. ved at skabe en positiv holdning over for produktet gennem en gentaget association mellem produktet og noget som de fleste folk reagerer positiv på, f.eks. smukke landskaber eller flotte piger, se Allen 8c Madden, 1985). Konsumenter med store produkterfaringer vil være de mest vanskelige at påvirke.

Øl-eksemplet i figur 4 viser altså, at respondenterne havde meget veludformede produktkrav på den ene side, og kendskab til et stort antal mærker på den anden side, mens forbindelserne mellem produktkrav og mærkerne er forholdsvis svage. Det betyder, at kommunikationspolitiken (og også selve produktudviklingen) godt kunne bygge på de krav, forbrugerne stiller og derfor relatere mærket dertil, dvs. en forholdsvis informationsrig reklame. Det synes muligvis overraskende for et produkt af den slags, men forklaringen er, at øl i hvert fald i denne stikprøve, er et høj-involverings produkt.

Opvarmnings-eksemplet viser en kognitiv struktur, som er domineret gennem attributterne. Alternativerne var i det tilfælde ikke mærker, men forskellige opvarmningsmuligheder (olie, elvarme, fjernvarme osv.). Igen er produktkrav veludformede, men kendsgerningen, at produkterfaringer også er veludformede, betyder, at en informationsrig reklame muligvis kunne påvirke valg af et bestemt mærke eller leverandør, men ikke nødvendigvis få folk til at skifte fra f.eks. olie til fjernvarme.

Figur 5 viser et andet eksempel fra en undersøgelseom

søgelseomkameraer. Her sammenlignes hovedkendetegnenefor den kognitive struktur som hobbyfotografer og folk som fotograferermeget sjældent har. Vi ser her nogle forskellemellem den kognitive struktur for eksperterog den for lægmænd. Vi ser f.eks. at forskellen mellem antallet af anvendelsesmulighederog attributter de kender ikke er stor, mens der er en forskel med hensyn til antallet af mærker de kender. Vi ser, at lægmænd forbinderattributter med anvendelsesmuligheder,dvs. har veludformede produktkrav, i næstenligeså høj grad som eksperterne har det. Forskellen er større med hensyn til produktviden:i eksperternes kognitive struktur er der flere forbindelser mellem mærker og attributterend i lægmændenes kognitive struktur. Den største forskel findes med hensyn til produkterfaring:lægmænd har ingen produkterfaring,mens eksperterne selvfølgelig har det. Implikationen er, at lægmænd måske mod forventningerne godt kan påvirkes gennem informativ reklame, og muligvis i en endnu større udstrækning end eksperterne, hvor der ifølge figur 5 forventes en større mærkeloyalitet(denne undersøgelse er nærmere beskreveti Grunert, 1988).

I mange tilfælde er vi ud over disse generelle oplysninger interesseret i konsumenternes kognitive struktur med hensyn til et bestemt mærke. I dette tilfælde bruger jeg »planer«. »Plan« er et begreb fra psykologien og betyderet udsnit af den kognitive struktur. Det er

defineret som omfattende alle direkte forbindelserudgående fra en bestemt kognitiv kategori.Figur 6 viser et eksempel fra undersøgelsenom kameraer, nemlig planet for mærket »Canon«, både for eksperter og lægmænd.Forskellen er entydig. Eksperterne forbinder Canon med mange attributter, dvs. de har en stor produktviden omkring Canon. De forbinder også Canon med nogle anvendelsesmuligheder,dvs. der er også produkterfaring.Lægmændenes plan ser helt anderledesud: Der er kun lidt produktviden, og der er ingen produkterfaringer.

Planer kan godt bruges til detailplanlægning og til evaluering af kommunikationskampagner. Vi kan først måle konsumenters nuværende plan omkring et mærke. Vi kan så fastlægge et målplan, dvs. fastlægge hvilke forbindelser mellem mærket og dets attributter eller anvendelser, vi gerne vil skabe. Senere kan målingen gentages, for at se, om planet har forandret sig i den ønskede retning.

Planer giver meget detaljerede informationer omkring en bestemt kategori, f.eks. et maerke. I mange tilfselde vil vi gerne sammenligne flere maerker eller produktalternativer med hensyn til deres forbindelser til attributter eller anvendelser. I dette tilfaelde kan vi bruge matricen eller dele deraf som input til fierdimensionel skalering. Der opnas sa en konfiguration som den i Figur 7, som viser et udsnit af resultaterne fra undersogelsen orn opvarmning. Vi ser pa taetheden af tre produktalternativer, nemlig oliefyr, gasfyr og elvarme, for de produktattributter som vedrorer betjeningskomforten. Det ses, at gasfyret er meget laengere vaek fra disse attributter end de to andre opvarmningsmader, dvs. at respondenterne ikke i sa h.oj grad forbinder gasfyr med attributter om betjeningskomfort. Det kan sa give anledning til produktforandringer eller til andre justeringer i marketing-mixet.

Generelt kan man sige, at metoden rader over en raekke instrumenter, som kan bruges til at give svar på markedsføringsspørgsmål især omkring kommunikations- og produktpolitikken. Analysemulighederne er meget fleksible, og fordelen ved at være åben over for respondenternes tanker, som opnås gennem den kvalitative dataindsamling, kombineres med en præcision af resultaterne, som normalt kun opnås gennem kvantitative undersøgelser med lukkede spørgsmål.

---

Note 1 Undersøgelserne blev gennemført i Tyskland med støtte fra Deutsche Forschungsgemeinschaft.

Referencer

Allen, C.T. & Madden, TJ. (1985) A closer look at
classical conditioning. Journal of Consumer Research,
12, 301-315.

Anderson, J.R. (1983). The architecture of cognition.
Cambridge, MA: Harvard University Press.

Anderson, P.E (1986). On method in consumer research:
A critical relativist perspective. Journal of
Consumer Research, 13, 155-173.

Blumer, H. (1969). Symbolic interactionism: Perspective
and method. Englewood Cliffs, NT: Prentice
Hall.

Friendly, M. (1979). Methods for finding graphic representations of associative memory structures. In: C.R. Puff (Ed.), Memory organization and structure, pp. 85-179. New York: Academic Press.

Garfinkel, H. (1967). Studies in ethnomethodology.
Englewood Cliffs, NJ: Prentice Hall.

Gordon, W. & Langmaid, R. (1988). Qualitative
market research. Aldershot: Gower.

Grunert, K.G. (1982a). Linear processing in a semantic network: An alternative view of consumer product evaluation. Journal of Business Research, 10, 31-42.

Grunert. K.G. (1982b). Informationsverarbeitungsprozesse
bei der Kaufentscheidung: Ein gedachtnispsychologischer
Ansatz. Frankfurt: Lang.

Grunert, K.G. (1987). Estimating cognitive structure from qualitative data: A comparison of three methods. In: Micro and macro market modeling, pp. 221-240. Amsterdam: ESOMAR.

Grunert, K.G. (1988). A method to estimate cognitive structure from qualitative data in market research. Arbejdsrapport nr. 12, Institut for Markedsøkonomi, Handelshøjskolen i Århus.

Grunert, K.G. (under udgivelse a). Attributes, attribute values and their characteristics: A unifying approach and an example involving a complex household investment. Journal of Economic rsychology,

Grunert, K.G. (under udgivelse b). Die Erhebung von Produktanforderungen, Produkterfahrungen und Produktwissen: Ein Schåtzverfahren fur qualitative Daten. Jahrbuch der Absatz- und Verbrauchsforschung,

Grunert, K.G. & Bader, M. (1986). Die Weiterverarbeitung
qualitativer Daten durch computerunterstiitzte
Inhaltsanalyse. Marketing - ZFP, 4, 238-247.

Hirschman, E.C. & Holbrook, M.B. (1986). Expanding the onthology and methodology of research on the consumption experience. In: D. Brinberg & R. J. Lutz (Eds.), Perspectives on methodology in consumer research, pp. 213-251. New York: Springer.

Kassarjian, H. W. (1977). Content analysis in consumer
research. Journal of Consumer Resarch, 4,
8-18.

Krippendorff, K. (1980). Content analysis. Beverly
Hills, CA: Sage.

Mohler, P. Ph. & Ziill, C. (1984). TEXTPACK Version
V, Release 2. Mannheim: ZUMA.

Olson, J.C. & Reynolds, TJ. (1983). Understanding consumers cognitive structures: Implications for advertising strategy. In: L. Percy & A.G. Woodside (Eds.), Advertising and consumer psychology, pp. 77-90. Lexington, MA: Lexington.

Osgood, C.E. (1959). The representational model and relevant research methods. In: I. de Sola Pool (Ed.), Trends in content analysis, pp. 33-38. Urbana, IL: U. of Illinois Press.

Peter, J.P. & Olson, J.C. (1987). Consumer behavior.
Homewood, IL: Irwin.

Zinkan, G.M. Se Biswas, A. (1988). Using the repertory grid to assess the complexity of consumers cognitive structures. In: Michael J. Houston (Ed.): Advances in consumer research, voL 15, pp. 493-497. UT: ACR.