בחרו מיון כרטיסים, בדיקת עץ או בדיקת לחיצה ראשונה לפני שאתם מציירים מחדש את התפריט

מערך הנתונים של Optimal Workshop, שנאסף ממיליוני משימות ורשומות של בדיקות עץ 70% הצלחה במשימה לאחר לחיצה ראשונה נכונה ו-24% לאחר לחיצה שגויההתווית הראשונה שאדם בוחר נושאת את רוב התוצאה. מה שהמספר הזה לא אומר לכם הוא איזה מחקר להריץ. צוותים ממיינים כרטיסיות כאשר כבר יש להם תפריט והם מפקפקים רק בניסוח, מבצעים בדיקות עץ על מבנה שאוצר המילים שלו מעולם לא נבדק, ואז מתווכחים על תוצאות שמעולם לא עמדו לפתור את השאלה. מדריך זה מיועד למנהיגי UX, מנהלי מוצר וצוותי CRO עם בעיית ניווט ותקציב מחקר קבוע. בסוף תוכלו להתאים החלטת ניווט לאחת משלוש שיטות, לקבוע את גודל המחקר, לקבוע סף מעבר לפני איסוף נתונים ולציין מה התוצאה לא יכולה להוכיח.

שלוש השיטות עונות על שלוש שאלות שונות

מיון כרטיסים הוא שיטת מיון יצירתית. אתם מחלקים לאנשים את פריטי התוכן שלכם ומאפשרים להם לקבץ ולמנות את הקבוצות. זה אומר לכם איך הקהל שלכם מחלק את התחום ובאילו מילים הוא משתמש. זה לא יכול להגיד לכם אם תפריט מסוים עובד, כי אין תפריט בחדר העבודה.

בדיקת עצים היא הערכה. אתם מפרקים היררכיה מוצעת לתוויות טקסטואליות בלבד, נותנים לאנשים משימה וצופים לאן הם הולכים. זה אומר לכם אם מבנה ניתן למציאה ואיזה ענף בולע אנשים. כפי שמציין NN/g, הגדרת הטקסט בלבד מסירה במכוון מיקום, צבע ותמונות, כך שהיא מבודדת את איכות התווית והמבנה.

בדיקת קליק ראשון היא מצומצמת יותר. מסך אחד, משימה אחת, קליק אחד מוקלט. היא אומרת לך אם נקודת הכניסה נקראת נכון במבט חטוף, ואינה מפרטת מה קורה שתי רמות למטה.

ניסוח לא נכון הוא הכשל הנפוץ. "אף אחד לא מצליח למצוא את מדיניות ההחזרות" אינה שאלה למיון קלפים. "אנחנו לא יודעים אם 'פתרונות' אומרים משהו לקונים" אינה שאלה לבדיקת עץ - מבחן עץ ימדוד רק את הניחוש שלך.

טבלת קריטריונים: בחרו לפי ההחלטה, לא לפי הכלי שיש לכם רישיון עבורו

כללי ההחלטה

• אין מבנה, או כזה שאף אחד לא מאמין בו. מיון כרטיסים תחילה - פתוח אם אתה רוצה אוצר מילים, סגור אם הרמה העליונה קבועה ורק המיקום מוטל בספק.
• שני מבני מועמדים ופגישה שלא תיגמר. מבחן עץ שניהם. זהו היחיד מבין השלושה שמיישב טיעון מבני עם מספר.
• תנועה מגיעה אבל הקליק הבא שגוי. לחץ תחילה על בדיקת המסך. אל תבנה מחדש את הארכיטקטורה כדי לתקן תווית אחת.
• אנליטיקס כבר מראה היכן אנשים נופלים. דלג על גילוי. בדוק את הענף הדולף, ולאחר מכן לחץ תחילה על בדיקת התווית החלופית.
• שוק או שפה חדשים. מיון כרטיסים בשפה זו עם משתתפי השוק. תפריט מתורגם הוא תפריט שלא נבדק.

גדלי מדגם וספים שניתן להגן עליהם בסקירה

לצורך מיון כרטיסים, טוליס וווד בדקו 168 משתמשים וניתחו תת-קבוצות אקראיות. המתאם עם תוצאת המדגם המלא היה 0.75 ב-5 משתמשים, 0.90 ב-15, 0.93 ב-20, 0.95 ב-30 ו-0.98 ב-60. נילסן קורא זאת כך: 15 הוא המקום שבו עצירה נוחה, 30 הוא לפרויקטים ממומנים היטב. כלל חמשת המשתמשים מבדיקות שמישות אינו מועבר - שיטה גנרטיבית זקוקה למספיק אנשים כדי שהתבנית תתייצב.

עבור בדיקת עצים, NN/g ממליץ על 50 משתתפים או יותר לכל עץ לצורך השוואה משמעותית בין עצים, וקובע ספי מעבר לפי טווחי אלברט וטוליס על פני 98 מחקרים: מתחת ל-40% גרוע, 41-60% בינוני, 61-80% טוב, 80-90% טוב מאוד, מעל 90% מצוין. הסכימו על הסף לפני שאתם רואים את הנתונים. משימות קריטיות למשימה - תשלום, החזר כספי, קביעת פגישות - צריכות לעבור 90%; משימת גלישה לקידום מכירות יכולה לעמוד ב-70%.

קראו ישירות לצד הצלחה, לעולם לא במקומה. הצלחה גבוהה עם ישירות נמוכה פירושה שאנשים מגיעים על ידי שיטוט: התווית שגויה למרות שהמבנה שורד. דפוס זה הוא הסימן השימושי ביותר שמבחן עץ מייצר.

דוגמה מעשית

בית מרקחת מקוון עם פריט עליון מסוג "בריאות" ומאמר תמיכה קבור מתחתיו. המספרים הם להמחשה בלבד, לא נתוני לקוחות.

1. מבחן עצים, 60 משתתפים, 8 משימות. "ברר אם המרשם שלך מכוסה." הצלחה 58%, ישירות 22% - סביר ברצועות, ופער הישירות מצביע על התווית.
2. קרא את טבלת הקליק הראשון. 41% ל"בריאות", 33% ל"תמיכה", 18% ל"חשבון": שלושה בתים סבירים פירושם שגבול הקטגוריה אינו נמצא בראשם של המשתמשים.
3. מיון קלפים סגור, 20 משתתפים, תוך שימוש בכותרות המאמרים וברמה העליונה הקיימת. אם פריטי הסיקור מפוזרים על פני שלוש קבוצות, הרמה העליונה שגויה, לא הניסוח.
4. כתוב מחדש ובחן שוב. עץ חדש, אותן 8 משימות, 60 משתתפים חדשים. הצלחה ביעד מעל 80% וישירות מעל 60%.
5. בדיקת התווית החדשה בלחיצה ראשונה בדף האמיתי לפני המשלוח. בבדיקת העץ לא היה ריח חזותי; בדף החי כן.

[נתונים פנימיים נדרשים: החלף רצף המחשה זה במבחן עץ Switas לא מזוהה לפני/אחרי, הכולל נתוני הצלחה וישירות ומספר המשימות.]

תוויות בטורקית, ומדוע המקרה האזורי אינו קוסמטי

שני דברים מקשים על בדיקת תוויות בטורקית ובכמה שפות שכנות, ושניהם חשובים לכל מי שמוכר לאזור ולא רק ממנו.

ראשית, טורקית היא אגלוטינטיבית: משמעותה מצטברת על גבי גזע מילים כסיומות, כך שקטגוריה שהיא שתי מילים קצרות באנגלית היא לרוב מילה אחת ארוכה בטורקית. תפריטים שמתאימים באנגלית גולשים, וצוותים מתקנים זאת על ידי קיצוץ - שזה בדיוק המשתנה שבדיקת עץ מודדת. בדקו תוויות באורך שהן יעבדו בפועל.

שנית, בטורקית יש ארבעה תווים של I: נקודות İ (U+0130) ו i (U+0069), ללא נקודות I (U+0049) ו ı (U+0131). על פי הכללים הטורקיים, אותיות קטנות i מפות ל İ, לא I, כך שהתאמה שאינה תלוית רישיות שנכתבה לאנגלית נכשלת - חיפוש אחר "iptal" לא יתאים ל-"IPTAL" המאוחסן. אם חיפוש באתר, שבבי סינון או רישיות של פירורי לחם עוברים דרך קריאה לאותיות גדולות שאינה תלוית מיקום, המשתמשים מקבלים קבוצת תוצאות ריקה עבור מונח קיים. שללו זאת לפני שאתם מאשימים את התווית.

יש גם יתרון תאימות. קריטריון הצלחה 2.4.6 של WCAG 2.2, כותרות ותוויות, הוא ברמה AA ודורש שכותרות ותוויות יתארו נושא או מטרה. תווית שנבדקה ב-40% הצלחה אינה רק בעיית המרה; היא ראיה כנגד טענת תאימות.

מה שהמספרים האלה לא מוכיחים

הנתון המצוטט ביותר כאן הוא 87% הצלחה במשימה לאחר קליק ראשון נכון לעומת 46% לאחר קליק שגוי, מעבודתם של ביילי וולפסון בשנים 2006–2009. יש להתייחס לזה בזהירות: מערך הנתונים הגדול בהרבה של Optimal Workshop נותן 70% ו-24% לאותה השוואה. אותו כיוון, סדרי גודל שונים באופן מהותי - ושניהם קורלציות הנמדדות בתוך המכשיר, לא הוכחה שבדיקת קליקים מנבאת התנהגות באתר חי.

בנושא זה, סאורו, שיאבונה, דו ולואיס ערכו מחקר על 130 משתתפים בשנת 2023, והשוו קליקים ראשונים על תמונות סטטיות עם אתרים חיים: ההתנהגות הייתה דומה, כ-6% הבדל מוחלט ממוצע בין אזורי גישה חמה. הם גם ציינו שלא מדדו את הצלחת המשימות במורד הזרם, וכי פריסות רספונסיביות ותפריטי ריחוף יצרו פערים של ממש. הטענה הכנה היא שמבחני קליקים משחזרים היכן אנשים לוחצים, ולא שהם מנבאים אם אנשים מסיימים.

לבדיקת עצים יש אזהרה מקבילה. קוריץ', דמצ'אק וקראיקוביץ' השוו שלושה גרסאות של בדיקת עצים מול אבות טיפוס בעלי נאמנות גבוהה של אותה ארכיטקטורה על פני 180 משתתפים ו-1,800 משימות, והגרסאות לא תאמו זו את זו; הגרסה הנראית לעין של העץ עקבה אחר התנהגות האבטיפוס בצורה המדויקת ביותר, ומדדי המעקב לאחור היו שונים באופן משמעותי. אם הכלי שלך מעבד את העץ בצורה שונה מזה שממנו הגיעה נקודת המידה, נקודת המידה לא מועברת.

איפה זה מתפרק

• אתרים דומיננטיים בחיפוש. אם רוב הסשנים מתחילים בתיבת החיפוש, אתם מבצעים אופטימיזציה של נתיב שמעטים משתמשים בו. בדקו תחילה את שיעור הסשנים עם אירוע חיפוש.
• ניווט מותאם אישית. בדיקת עץ מניחה היררכיה קבועה אחת. אם התפריט שונה לפי מקטע, אתה בודק פיקציה.
• אוכלוסיות קטנות מאוד. קהלים עסקיים וקליניים לעיתים קרובות אינם יכולים לספק 50 משתתפים מתאימים. דווחו על ספירות ולא על אחוזים וציינו זאת.
• אף אחד משלושת מבחני ההבנה לא מבחין בהבנת רמת הקורס. הם מעריכים את המציאה, לא את ההבנה לאחר המציאה. זה דורש בדיקות שמישות.
• שום דבר מזה לא מודד הכנסות. תיקון ניווט הוא השערה לניסוי, לא עלייה מוכחת. שלח אותו מאחורי בדיקה.

שאלות נפוצות

האם ניתן להריץ מיון כרטיסים ומבחן עץ על אותם משתתפים?

לא באותו מפגש. מיון מלמד אנשים את המודל שלך, כך שהם ימצאו דברים שמבקר חדש לא ימצא. גייסו קבוצות נפרדות, או השאירו מספר שבועות בין לבין.

כמה משתתפים אני צריך למיון כרטיסים?

חמש עשרה מקבלים קורלציה של 0.90 עם תוצאה של מדגם מלא בנתוני טוליס וווד, ו-30 מקבלים 0.95. מתחת ל-15 הדפוס אינו יציב. מעבר ל-30 קונה מעט מאוד ביחס לעלות.

האם באמת יש צורך ב-50 משתתפים למבחן עצים?

להשוואה כמותית בין שני עצים, כן - זוהי ההמלצה של NN/g. עבור עץ בודד שבו רוצים למצוא רק את הענפים השבורים בבירור, 20 עד 30 יציגו את העבריינים הגרועים ביותר, אך דווח על ספירות ולא על אחוזים.

מה נחשב כאחוז הצלחה במעבר?

החליטו לפני שאתם רצים. השתמשו ברמות של אלברט וטאליס כברירת מחדל: מעל 80% זה טוב מאוד, 61-80% זה טוב, מתחת ל-40% זה גרוע. העלו את הרף ל-90% עבור משימות הקשורות לכסף, תרופות או זכות חוקית.

ההצלחה גבוהה אבל הישירות נמוכה. מה עליי לתקן?

התווית, לא המבנה. אנשים מגיעים למקום הנכון לאחר חקירה, מה שאומר שהקטגוריה קיימת במודל שלהם אבל הניסוח שלך לא מאותת על כך. כתוב מחדש את התווית ובחן שוב את אותן משימות.

האם כלי בינה מלאכותית מבטל את הצורך במשתתפים?

לא עבור שיטות אלה. הן מודדות מה אוכלוסייה ספציפית מאמינה ועושה; ניחוש של מודל לגבי אוכלוסייה זו הוא השערה, לא נתונים. השתמשו במודלים כדי לנסח משימות ולאשכול תוויות פתוחות מהר יותר.

שלב הבא

אם יש לכם טיעון ניווט שניתוח הנתונים לא יכול ליישב, הפתרון הזול ביותר הוא בדיקת עץ על שני המבנים המועמדים עם ספים מוסכמים מראש. כתבו את המשימות, קבעו את הסרגלים והפעילו את התהליך - או תנו לנו להפעיל את זה ומסירת לך את הרשימה המדורגת של ענפים שבורים.

מקורות

• יעקב נילסן, מיון כרטיסים: כמה משתמשים לבדוק, קבוצת נילסן נורמן, 2004
• טום טאליס ולארי ווד, כמה משתמשים מספיקים למחקר מיון כרטיסים?, UPA 2004
• פייג' לאובהיימר, בדיקת עצים חלק 2: פירוש התוצאות, קבוצת נילסן נורמן, 19 בינואר 2024
• סמיטה טנקאלה, מיון כרטיסים לעומת בדיקת עצים, קבוצת נילסן נורמן, 23 בפברואר 2024
• קבוצת נילסן נורמן, בדיקות עצים: הערכת תוויות וקטגוריות של תפריטים
• סדנה אופטימלית, קליקים ראשונים נכונים מובילים להצלחה גבוהה פי 3 במשימה, 13 באפריל 2015
• ג'ף סאורו, וויל שיאבונה, דיוויד דו וג'ים לואיס, האם מבחני קליקים מנבאים קליקים באתרים חיים?, MeasuringU, 21 במרץ 2023
• אדוארד קוריץ', פיטר דמצ'אק ומאטוס קרייצ'וביץ', אימות של ארכיטקטורת מידע: השוואה בין-מתודולוגית של גרסאות בדיקת עצים ובדיקות משתמש אב טיפוס, טכנולוגיית מידע ותוכנה 183, יולי 2025
• W3C, הבנת קריטריון הצלחה 2.4.6: כותרות ותוויות, WCAG 2.2
• טקס טקסין, בינלאומיות טורקית: אות א' בטורקית עם נקודות וללא נקודות