调研与分析的整个过程我把它看成，为了了解用户需求，对用户进行调研，接着对调研的数据和记录进行分析与归纳，最终得到可指导行动的结论。那这个过程具体怎么进行？我把它分为了以下两个问题：
--用户调研如何进行？
--如何根据样本分析归纳出有用的需求？
结合以前的经验，经过一番思考，以下是延伸和总结。
首先，开始用户调研之前，先要明确这次调研的目的是什么？我指的是放在具体环境中的目的是什么？
比如，在做女鞋垂直电商产品的前期，我们对用户进行调研，
目的是
(1)了解用户购买女鞋的习惯、情景
(2)了解用户对当下购买女鞋的方式、质量、服务等的看法
(3)了解用户购买女鞋的痛点和需求
等等
然后就可以根据目的（这些想要了解的方面）去进行问题设置。
举个例子，调研一位朋友Ta的生活是否过的开心，过得不错。通过朋友圈去分析，发现Ta发的动态都是一些愉快的生活经历，由此判断Ta的生活最近过的很好，甚至亲口问Ta最近怎样，Ta的回答是没有烦恼，也借此判断Ta过的不错。但事实上可能并非如此。很可能Ta工作不顺利，或可能刚分手，心情不愉快，但这些Ta是不会说出来的。如果作为朋友，我们当然不能去过问Ta的隐私。但作为PM和用户的关系来说，我们就要思考调研的结果是否客观，是否能指导产品的方向，如果发现结果不准确，我们该如何避免回收无效的答案。
避免用户调研结果的不准确或不客观，其实就是避免用户对我们进行隐瞒或撒谎，不管是有意还是无意。很多时候用户对我们撒谎，是因为我们跟用户对话或让用户填问卷时，说出实话会有意无意地伤害了用户，很多时候用户对我们隐瞒，是因为我们不了解Ta，没有给出Ta心目中真实答案的那个选项，用户省的麻烦，就不说。
如何改善这种情况？
(2)在获取答案的方式上，由用户匿名地单独一个人地填写答案比当面访谈问问题或当面填写答案更能使用户表达自己真实的内心想法，因为前者为用户创造了保护隐私的环境；
(3)而在问题的设置上，尽量多地设置范围广的多选项问题，我的意思是多选项的问题占多数，问题的选项要多要全。拿刚才的例子，我们这样问用户，您最近的生活有遇到以下烦恼吗？a工作压力大b感情不顺c人际关系出现烦恼d家庭生活给我压力e学习遇到不顺f自身感到缺陷有烦恼g没有特别的烦恼h其他__________
相比直接问你最近过得好吗？如果该用户是一位微笑抑郁症患者（打比方而已），Ta可能只回答过得不错。但如果拿上面的问题问Ta，并让Ta匿名回答的话，Ta就很有可能根据内心真实想法而选择f。（这样我们才有可能真正地做好一个产品，帮助这位用户过上更健康地生活。有点扯远了。）所以前者提供更多有可能符合用户内心想法的选项供用户选择，得到的答案可信度会更高。而能够想象得到这些选项，其实是由第一点的基础保证的。
问卷调研与用户访谈各有各的优点，比如访谈能了解更多用户使用产品的细节，而问卷调研能方便的获取大量范围广的信息。在实际操作中，有条件的话我建议两种方法结合调研。
进行了用户调研后，下一个问题就来了。
心智模型图（mentalmodeldiagram）是IndiYoung总结的一种直观的信息归纳方法。最早被她自己用于分析产生用户行为的内在心理动机的工作中。这图样子类似如下
上图浅蓝区域，紫色区域，黄色区域分别被I.Y.称为box，tower，mentalspace。
当我了解了这张图后，事实上由于它的独立性，它可以被用在任何需要归纳大量凌乱信息的工作当中，远不止在建立心智模型的工作中。由此，根据它的形象和普适性，我更愿意把它称为“积木归纳图”，这种方法称为“积木归纳法”。以上三个区域根据意义则称为“摘要”，“共性”，“属性”。
简单来讲，3个要素
--摘要：把一大堆事实和数据浓缩成一个个要点，这些要点就是摘要；
--共性：把描述相似的或有关系的摘要凑到一组，这组里描述这些摘要的相似性就是共性；
--属性：从更深更广的维度对共性进行分类，得到属性；
积木归纳法的过程即
(1)将已有的大量事实和数据无遗漏地浓缩成相互独立的一个个摘要（MECE原则）；
(2)找出相似摘要间的联系，分组得到共性；
(3)将共性按根本的区别再分类，得到属性；
积木归纳法的关键在于提取摘要。
当积木归纳法用于需求的分析与归纳时，3个要素可以灵活的转换为“摘要”、“需求”、“需求类别”。
进行了用户访谈之后，我们可能会得到录音，又或者是现场的问答笔记记录。那根据积木归纳法，首先我们要把这堆记录变成一个个摘要，IndiYoung个人网站上有一个很好的例子：
上图是将积木分析法的过程制作成电子表格，如何操作已经是一目了然。而在实际过程中，我们可以准备便利贴以及大白板，把每个摘要写在一张便利贴上，然后找出有联系的摘要归纳成一个具体的需求，在白板上贴在一块，最后用电子表格记录下来。就像下图。
(1)提取摘要
在这项工作中，给人第一印象是困难在于提取摘要。而其实，除了一些了解用户基本信息的题外，每一道题，就可以得到一个摘要。然后把这些摘要归纳成不同的需求，再分类，便得到了问卷调研的结论。这是最简单做法。
而如果要根据不同用户基本信息分类用户，并以此作为不同维度解析每一题，会得到不同细分的摘要以及不同的需求。以简单的情况举个例子，假设有8份问卷关于用户买鞋的调研，其中第3题关于用户收入，第7题关于用户买鞋价位，于是我们根据收入区分3组用户，并解析第7题，得到摘要，如下图
注意，这里的摘要a，b，c不能放在一起进行归纳需求（共性）。因为在这里我们已经有意将8份问卷按收入分成3组，能够在一起进行归纳需求的是同一组的摘要，比如第1组的不同题目得到的摘要。举个极端的例子，A博士研究短跑运动员根据数据得到一摘要：博尔特跑的很快；B博士研究鸟类根据数据得到一摘要：尖尾雨燕飞得很快。这两个摘要是不能放在一起进行归纳共性的，因为它们来自不同的研究数据（不同组）（除非根据需要从一个更大范围去考察）。
(2)原则
理由有两点
2）增加我们处理样本数据的效率；
而当你认为同一题能提取多于一个摘要的时候，事实上，你就应该分组或分维度去解析同一题了。
最终，运用积木归纳法后，我们得到的产物便是有分类的需求列表。
（注：这里所说的用户画像指的是AlanCooper提出的Persona，而不是Profile。）
简单的用户画像的样子如下图：
简单的用户画像
用户画像是代表目标用户特点的、描述特定情境的、虚拟的人物画像。用户画像为我们提供目标和方向，使我们在设计产品的时候保持专注，提高效率，使团队有了统一的决策依据，达成共识，减少有关不必要的争论。最后，它可以让我们对目标用户形成更加具体的认识，方便换位思考，从而减少主观臆测，更好地评估用户需求，也能更方便地发现用户使用流程、细节。
举个例子，星巴克的咖啡师每天直接接触上百位顾客，以至于一个熟练的咖啡师对每类客户在心里已经有一个很清晰的模型，根据这认识，咖啡师看到具体用户时会有不同的推荐。如看到一孕妇走进来，咖啡师会推荐低咖啡因饮品，看到一刚健身完的女士，咖啡师会推荐低糖类脱脂奶饮品，看到小朋友，直接具体地推荐热巧克力外加一棒棒糖。这种情况下，制作用户画像给咖啡师看是毫无意义且多此一举的，因为Ta心中已经有相当完备的画像。但是，对于星巴克远在伙伴支持中心或者非零售门店的伙伴来说，用户画像就可以帮助他们了解用户需求、具体情境，以制定合适的新品或促销策略等等。
再举个例子帮助理解，想象这个电视剧场景，警察局里的警官们围在一起，白板上贴着嫌疑人照片，以及他的特征，个人基本信息，日常活动范围等等，警官们根据这些信息针对性地制定抓捕策略。（例子可能不太妥当，但给人的感觉是相似的。）只是嫌疑人是具体的人，我们的用户画像是虚拟的人物。
上图表灰色部分我直接称之为要素。（网上有的人把它分得很细，又分常量，又分变量，又什么维度等等。）
如果将要素进行分类，可以分成以下几类：
由于每个业务或每个产品它们的目标用户是不一样的，所以不同情况下构成用户画像的要素会不一样。我们根据产品、制作画像的目的来选择应该具备的要素。比如，金融行业产品的用户画像会需要信用评分和信用历史的要素，电商行业产品会需要购买习惯的要素等等。
而有一些要素是对于每个用户画像都必不可少的。以下说明。
(1)需求情境
用户画像是用来指导我们设计产品的，方便我们换位思考，理解用户情绪、感受、需求，加强我们同理心，实现“共情”。而情境则是连接用户和产品的枢纽。需求情境帮助我们达到以上目的。所以情境对于用户画像至关重要，是核心，没有它，用户画像就没有价值。举个例子，如果一个人出于商务目的乘坐飞机，他属于一个用户画像，但当他带着全家度假时，他就转换成了另一个用户画像。
为了实现“共情”，需求情境应尽可能完善细节，并且我建议用第一人称描述。
(2)动机
动机是应该加在用户画像上的一个重要的要素。它来自我们对情境里用户需求的内在心里因素的洞察。动机的意义是辅助我们以创新性的想法思考用户需求。
拿福特造汽车举个例子，回到100多年前的美国，倘若当时调研用户的不是亨利福特，而是一个没多少机械工程经验的人哈利波特，调研后他得到以下画像情境，
（这位用户很夸张，马斯克也未必能满足他的需求）
当哈利波特看着这情境去寻找解决方案，他可能一直在寻找优秀的马匹。而如果他把动机一起记录下来，
从动机出发去寻找解决方案，即使他没有机械工程经验，他是不是也很有可能异想天开地想到制造汽车？这就是动机的重要性。
(3)标题
给每个用户画像取个标题或主题，方便记忆与沟通。
(4)其他基本要素
基本要素也是要有的，包括相片、姓名、年龄、城市等等，这里我就不多说了。
首先认识一个基础，用户画像代表的是占多数的目标用户，而不是个别用户。举个例子，做一个适合老人使用的手机，访谈过程中发现一位90岁老人眼疾手快，思维敏捷，凭自己实力拿到王者荣耀王者段位。就那么一位，但我们是不会为他制作用户画像的。
(1)根据目的事先指定；
(2)样本量多的地方；
比如像年龄，这个一般不是根据我们的样本和数据，如果想要做母婴类产品，这时年龄可能就被指定为28岁。（你不可能做母婴类产品，然后找来一堆八九十岁的老人访谈，最后制作用户画像把年龄定为80岁。）
而如兴趣，购买习惯，需求情境等就由样本量多的结果来决定。如果制作3个用户画像，样本量多的第1组，样本量次多的第2组，样本量次次多的第3组。事实上我们直接拿积木归纳法的产物填写画像就好了。注意在问卷和访谈中有的问题是针对其他方面而不是需求的，这些问题归纳后就得到如兴趣，购买习惯这些要素。它们跟需求一样，按样本量从多到少排，然后被我们选在用户画像当中。
关于需求的优先级排序，行内已经由很多方法，比如运用KANO模型等等。这里不多说了。
(1)需求列表是用研后的产物，而用户画像既是产物也是方法。以上总结的用户画像方法只是最简单的一种情况，更多有关画像如何构建和运用的方法，可阅读下面的参考资料。重要的是实际情况中要灵活运用。