建议性问题：
建议性问题是不用用户角色给我们提出的要求，他们可能提出一些非全局的变量问题。比如，对于老年用户，可能会提出应用设计中存在放大镜功能，但这个功能明显不适合年轻人。建议性问题的很多可以设置成开放性问题，不用角色的用户可以将自己的想法写出来，如果大家都需要，那就变成了新需求，也就是产品功能的发展方向。
按照我们刚才的例子，给出2个建议性问题： J1. 您作为用户还希望我们的应用添加什么样的功能？
?
语音服务功能
? ?
24小时服务电话
? ?
中英文
? ?
其他_______
?
J2. 您希望我们用什么方式和您联系？
?
电话
? ?
? ?
写信（哈哈，这里来个复古的方式）
? ?
直接上门
? ?
其他_______
?
到这里，我们的一套问卷就搭建完成了。
最后再说一句，在问卷的最后，要给出一个综合评价性的问题哦！！！！
综合满意度：
您对我们的应用满意度是什么？请用1-100分给出（1代表很不满意求，100代表非常满意）好啦，大功告成，这就是一套完整persona问卷。
上图描述了这一过程，其中每个颜色的小人，代表通过甄别问题后，区分出的用户角色。 最后用上面的问卷对10个用户进行访问，得到数据如下: 说明：
?
P1、P2、P3…P10代表10个用户；
? ?
Z1、Z2、Z3代表3个甄别性问题；
? ?
B1、B2、B3…B5代表5个变量性问题；
? ?
J1、J2代表2个建议性问题
? ?
?
甄别性问题结果：
按甄别问题对用户分类如下:
?
细心护理型：P1、P2、P4、P5、P10
? ?
粗放型：P6、P7、P9
? ?
数据异常问卷：P3、P8
? ?
?
异常数据的产生通常是由2个原因造成的，第一个是甄别逻辑设置不完善，比如我们这个例子甄别性问题少，很多情况都没有考虑清楚，所以在设计甄别问题时，尽量将所有情况思考清楚，以免出现过多无效数据；第二个是被调查用户填写不认真，这也是个很常见的问题，在设置问题时，尽量减少繁琐问题，使被调查用户能够比较准确的完成所有问题。
变量性问题结果：
用户的调查结果以数表的形式展示出来，这样有利于进行多元回归分析。
建议性问题结果：
综合满意度：
二、数据处理
数据的常规处理
对于刚才得到的数据，可以进行常规的处理。即求出平均值或者份额进行相应比较分析，所得到的结果如下。
对于样本量为10的上述调查结果经计算，细心护理型占50%，粗放型30%，异常数据20%。
变量性问题平均值：
对于各个角色均值数据如下：
从上述数据结论可知，对呀B1-B4问题，两个用户角色观点相差不大。但是对于B5（产品交互）问题粗放型用户比细心护理型用户更为重视。
经过对建议性问题分析结果可以得到如下图表：
由此可得出结论，细心护理型用户对email的要去较为强烈；粗放型的用户倾向与写信的方式。对于添加的服务项，这两种角色均有需求。
问卷调查与数据分析，对于创建用户模型方法
