Elija Clasificación de tarjetas, Prueba de árbol o Prueba de primer clic antes de redibujar su menú.

El propio conjunto de datos de Optimal Workshop, extraído de millones de tareas de prueba de árboles, registra 70% de éxito en la tarea después de un primer clic correcto y 24% después de uno incorrecto.La primera etiqueta que elige una persona determina la mayor parte del resultado. Lo que ese número no indica es qué estudio realizar. Los equipos clasifican tarjetas cuando ya tienen un menú y solo dudan de la redacción, prueban una estructura cuyo vocabulario nunca se revisó y luego discuten sobre resultados que nunca iban a resolver la cuestión. Esta guía está dirigida a líderes de UX, gerentes de producto y equipos de CRO con un problema de navegación y un presupuesto de investigación fijo. Al final, podrá relacionar una decisión de navegación con uno de los tres métodos, dimensionar el estudio, establecer un umbral de aprobación antes de recopilar datos y especificar qué no puede demostrar el resultado.

Los tres métodos responden a tres preguntas diferentes.

La clasificación de tarjetas es generativa. Se les entrega a los participantes el contenido y se les permite agruparlo y nombrar los grupos. Esto revela cómo la audiencia segmenta el tema y qué palabras utiliza. Sin embargo, no puede indicar si un menú en particular funciona, ya que no se incluyó ningún menú en el estudio.

Las pruebas de árbol son evaluativas. Se simplifica una jerarquía propuesta a etiquetas de texto, se asigna una tarea a los usuarios y se observa su recorrido. Esto indica si una estructura es fácil de encontrar y qué rama genera más confusión. Como señala NN/g, la configuración de solo texto elimina deliberadamente la ubicación, el color y las imágenes, aislando así la calidad de la etiqueta y la estructura.

Las pruebas de primer clic son más limitadas. Una pantalla, una tarea, un clic registrado. Indican si el punto de entrada se entiende correctamente a simple vista, pero no ofrecen información sobre lo que sucede dos niveles más abajo.

El error más común es usar la opción incorrecta. "Nadie encuentra la política de devoluciones" no es una pregunta de clasificación de tarjetas. "No sabemos si 'Soluciones' significa algo para los compradores" no es una pregunta de prueba de árbol; una prueba de árbol solo mediría tu suposición.

Tabla de criterios: elija según la decisión, no según la herramienta para la que tenga licencia.

Las reglas de decisión

• No hay estructura, o nadie cree en ella. Primero, ordena las tarjetas: usa la opción abierta si quieres vocabulario, y la cerrada si el nivel superior es fijo y solo está en duda la ubicación.
• Dos estructuras candidatas y una reunión que no termina. Prueba de árbol para ambos. Es el único de los tres que resuelve un argumento estructural con un número.
• Llega tráfico, pero el siguiente clic es erróneo. Prueba esa pantalla con el primer clic. No reconstruyas la arquitectura para corregir una sola etiqueta.
• Los análisis ya muestran dónde abandonan los usuarios. Omitir el descubrimiento. Prueba el árbol de la rama con fugas y luego prueba la etiqueta de reemplazo con el primer clic.
• Nuevo mercado o idioma. Clasificación de tarjetas en ese idioma con los participantes de ese mercado. Un menú traducido es un menú sin probar.

Tamaños de muestra y umbrales que puede defender en una revisión

Para la clasificación de tarjetas, Tullis y Wood probaron con 168 usuarios y analizaron subconjuntos aleatorios. La correlación con el resultado de la muestra completa fue de 0.75 con 5 usuarios, 0.90 con 15, 0.93 con 20, 0.95 con 30 y 0.98 con 60. Nielsen lo interpreta así: 15 es un punto de parada cómodo, 30 es para proyectos con buena financiación. La regla de los cinco usuarios de las pruebas de usabilidad no se aplica en este caso: un método generativo necesita suficientes personas para que el patrón se estabilice.

Para las pruebas de árboles, NN/g recomienda 50 o más participantes por árbol para una comparación significativa entre ellos, y establece umbrales de aprobación basados ​​en las bandas de Albert y Tullis en 98 estudios: menos del 40 % deficiente, entre el 41 % y el 60 % regular, entre el 61 % y el 80 % bueno, entre el 80 % y el 90 % muy bueno, y más del 90 % excelente. Acuerde el umbral antes de ver los datos. Las tareas críticas (pago, reembolso, reserva de citas) deben superar el 90 %; una tarea de navegación promocional puede funcionar con un 70 %.

Interpreta la franqueza junto con el éxito, nunca en lugar de él. Un alto éxito con poca franqueza significa que las personas llegan por casualidad: la etiqueta es errónea aunque la estructura se mantenga. Ese patrón es la señal más útil que produce una prueba de árbol.

Ejemplo trabajado

Una farmacia en línea con un producto principal de "Salud" y un artículo de soporte oculto debajo. Las cifras son ilustrativas, no datos de clientes.

1. Prueba de árboles, 60 participantes, 8 tareas. "Averigua si tu receta está cubierta." Éxito 58%, franqueza 22%: aceptable en las bandas, y la brecha de franqueza apunta a la etiqueta.
2. Lea la tabla del primer clic. 41% para "Salud", 33% para "Soporte", 18% para "Cuenta": tres posibles categorías significa que el límite de la categoría no está en la mente de los usuarios.
3. Clasificación de tarjetas en formato cerrado, 20 participantes., utilizando los títulos de los artículos y el nivel superior existente. Si los elementos de cobertura se distribuyen entre tres grupos, el nivel superior es incorrecto, no la redacción.
4. Reescribe y vuelve a probar. Nuevo árbol, las mismas 8 tareas, 60 participantes nuevos. Objetivo de éxito superior al 80 % y de comunicación directa superior al 60 %.
5. Prueba la nueva etiqueta con un primer clic. En la página real antes del envío. La prueba del árbol no tenía olor visible; la página en vivo sí.

[DATOS INTERNOS NECESARIOS: reemplazar esta secuencia ilustrativa con una prueba de árbol Switas anonimizada antes/después, incluyendo cifras de éxito y franqueza y el número de tareas.]

Etiquetas en turco y por qué el caso regional no es superficial.

Hay dos factores que dificultan las pruebas de etiquetado en turco y en varios idiomas vecinos, y ambos son importantes para cualquiera que venda productos en la región, no solo desde ella.

En primer lugar, el turco es aglutinante: el significado se añade a la raíz como sufijos, por lo que una categoría que en inglés consta de dos palabras cortas suele ser una palabra larga en turco. Los menús que caben en inglés se desbordan, y los equipos lo solucionan truncándolos, que es precisamente la variable que mide una prueba de árbol. Pruebe las etiquetas con la longitud que realmente mostrarán.

Segundo, el turco tiene cuatro caracteres I: punteados İ (U+0130) y i (U+0069), sin puntos I (U+0049) y ı (U+0131). Según las normas turcas, minúscula i mapas a İno, IPor lo tanto, la coincidencia sin distinción de mayúsculas y minúsculas escrita para inglés falla: una búsqueda de "iptal" no coincidirá con un "IPTAL" almacenado. Si la búsqueda del sitio, los filtros o la configuración de mayúsculas de la ruta de navegación pasan por una llamada a mayúsculas sin tener en cuenta la configuración regional, los usuarios obtienen un conjunto de resultados vacío para un término que existe. Descarte esto antes de culpar a la etiqueta.

También existe una ventaja en cuanto al cumplimiento normativo. El criterio de éxito 2.4.6 de las WCAG 2.2, "Encabezados y etiquetas", es de nivel AA y requiere que los encabezados y las etiquetas describan el tema o el propósito. Una etiqueta que obtuvo un 40 % de éxito en las pruebas no solo representa un problema de conversión, sino que también constituye una evidencia en contra de una afirmación de conformidad.

Lo que estas cifras no demuestran

La cifra más citada aquí es el 87 % de éxito en la tarea tras un primer clic correcto, frente al 46 % tras uno incorrecto, según el trabajo de Bailey y Wolfson de 2006-2009. Conviene interpretarla con precaución: el conjunto de datos propio de Optimal Workshop, mucho más amplio, arroja un 70 % y un 24 % para la misma comparación. La misma dirección, pero magnitudes sustancialmente diferentes; y ambas son correlaciones medidas dentro del instrumento, no pruebas de que una prueba de clics prediga el comportamiento en un sitio web real.

En este sentido, Sauro, Schiavone, Du y Lewis realizaron un estudio con 130 participantes en 2023, comparando los primeros clics en imágenes estáticas con los de los sitios web en vivo: el comportamiento fue similar, con una diferencia absoluta promedio de alrededor del 6 % en las zonas de mayor actividad. También afirmaron no haber medido el éxito en las tareas posteriores, y que los diseños adaptables y los menús emergentes generaron discrepancias reales. La afirmación honesta es que las pruebas de clics reproducen dónde hacen clic los usuarios, no que predicen si completarán la tarea.

Las pruebas de árbol presentan una advertencia similar. Kuric, Demcak y Krajcovic compararon tres variantes de pruebas de árbol con prototipos de alta fidelidad de la misma arquitectura en 180 participantes y 1,800 tareas, y las variantes no coincidieron entre sí; la variante con árbol visible se ajustó mejor al comportamiento del prototipo, y las métricas de retroceso difirieron significativamente. Si su herramienta representa el árbol de forma diferente al original de la prueba de referencia, esta última no es transferible.

Aquí es donde se produce el fallo

• Sitios web dominados por las búsquedas. Si la mayoría de las sesiones comienzan en el cuadro de búsqueda, estás optimizando una ruta que pocas personas utilizan. Primero, verifica el porcentaje de sesiones que comienzan con una búsqueda.
• Navegación personalizada. Las pruebas de árbol presuponen una jerarquía fija. Si el menú difiere por segmento, estás probando una ficción.
• Poblaciones muy pequeñas. Los públicos B2B y clínicos a menudo no pueden proporcionar 50 participantes cualificados. Informe el número de participantes en lugar de porcentajes y menciónelo claramente.
• Ninguna de las tres pruebas evalúa la comprensión. Evalúan el hallazgo, no la comprensión una vez encontrado. Eso requiere pruebas de usabilidad.
• Nada de esto mide los ingresos. Una solución de navegación es una hipótesis para un experimento, no un sistema probado. Hay que implementarla tras realizar pruebas.

Preguntas frecuentes

¿Puedo realizar una prueba de clasificación de tarjetas y una prueba de árbol con los mismos participantes?

No en la misma sesión. La clasificación les enseña a las personas tu modelo, de modo que luego encuentran cosas que un visitante nuevo no encontraría. Recluta grupos separados o deja pasar varias semanas entre ellos.

¿Cuántos participantes necesito para un juego de clasificación de tarjetas?

Con 15 se obtiene una correlación de 0.90 con el resultado de la muestra completa en los datos de Tullis y Wood, y con 30 se obtiene 0.95. Por debajo de 15, el patrón es inestable. Superar los 30 no ofrece muchas ventajas.

¿Realmente son necesarios 50 participantes para una prueba con árboles?

Para una comparación cuantitativa entre dos árboles, sí, esa es la recomendación de NN/g. Para un solo árbol donde solo se buscan las ramas claramente dañadas, entre 20 y 30 mostrarán las más problemáticas, pero se informan recuentos en lugar de porcentajes.

¿Qué se considera un índice de éxito satisfactorio?

Decide antes de empezar. Usa las escalas de Albert y Tullis como referencia: por encima del 80% es muy bueno, entre el 61% y el 80% es bueno, y por debajo del 40% es malo. Sube el listón al 90% para tareas relacionadas con dinero, medicamentos o derechos legales.

El éxito es alto, pero la franqueza es baja. ¿Qué puedo solucionar?

La etiqueta, no la estructura. Los usuarios llegan al lugar correcto tras explorar, lo que significa que la categoría existe en su modelo, pero la redacción no lo indica. Reescribe la etiqueta y vuelve a realizar las mismas pruebas.

¿Elimina una herramienta de IA la necesidad de participantes?

No para estos métodos. Miden lo que una población específica cree y hace; la suposición de un modelo sobre esa población es una hipótesis, no datos. Utilice modelos para elaborar tareas y agrupar etiquetas abiertas con mayor rapidez.

El próximo paso

Si tiene un argumento de navegación que el análisis no puede resolver, la solución más económica es una prueba de árbol en ambas estructuras candidatas con umbrales acordados de antemano. Escriba las tareas, establezca los límites y ejecútela, o Déjanos ejecutarlo y le entregaremos la lista clasificada de ramas rotas.

Fuentes

• Jakob Nielsen, Clasificación de tarjetas: ¿Cuántos usuarios se deben probar?, Nielsen Norman Group, 2004
• Tom Tullis y Larry Wood, ¿Cuántos usuarios son suficientes para un estudio de clasificación de tarjetas?, UPA 2004
• Page Laubheimer, Pruebas de árboles, Parte 2: Interpretación de los resultados, Nielsen Norman Group, 19 de enero de 2024
• Samhita Tankala, Clasificación de tarjetas frente a pruebas de árbol, Nielsen Norman Group, 23 de febrero de 2024
• Nielsen Norman Group, Pruebas de árbol: Evaluación de etiquetas y categorías de menú
• Taller óptimo: los primeros clics correctos conducen a un éxito tres veces mayor en las tareas, 13 de abril de 2015
• Jeff Sauro, Will Schiavone, David Du y Jim Lewis, ¿Predicen las pruebas de clics los clics en sitios web reales?, MeasuringU, 21 de marzo de 2023
• Eduard Kuric, Peter Demcak y Matus Krajcovic, Validación de la arquitectura de la información: comparación intermetodológica de variantes de pruebas de árbol y pruebas de usuario de prototipos, Information and Software Technology 183, julio de 2025
• W3C, Comprensión del criterio de éxito 2.4.6: Encabezados y etiquetas, WCAG 2.2
• Tex Texin, Internacionalizando el turco: La letra I turca con y sin puntos