Optimal Workshops egen datauppsättning, hämtad från miljontals trädtestuppgifter och poster 70 % lyckad uppgift efter ett korrekt första klick och 24 % efter ett felaktigt klickDen första etiketten en person väljer bär på det mesta av resultatet. Vad den siffran inte säger dig är vilken studie de ska köra. Team sorterar kort när de redan har en meny och bara tvivlar på formuleringen, trädtestar en struktur vars ordförråd aldrig kontrollerades och argumenterar sedan om resultat som aldrig skulle avgöra frågan. Den här guiden är för UX-leads, produktchefer och CRO-team med ett navigeringsproblem och en fast forskningsbudget. I slutet kommer du att kunna matcha ett navigeringsbeslut med en av tre metoder, dimensionera studien, sätta en tröskel för att klara den innan du samlar in data och ange vad resultatet inte kan bevisa.
De tre metoderna besvarar tre olika frågor
Kortsortering är generativt. Du ger folk dina innehållsobjekt och låter dem gruppera och namnge grupperna. Det visar hur din publik delar upp domänen och vilka ord de använder. Det kan inte säga om en viss meny fungerar, eftersom det inte finns någon meny i studien.
Trädtestning är utvärderande. Man skalar bort en föreslagen hierarki till endast textetiketter, ger folk en uppgift och tittar på vart de går. Det visar om en struktur är sökbar och vilken gren som slukar folk. Som NN/g noterar tar inställningen för endast text avsiktligt bort placering, färg och bilder, så den isolerar etikett- och strukturkvalitet.
Första klick-testningen är mer begränsad. En skärm, en uppgift, ett inspelat klick. Den visar dig om ingångspunkten läses korrekt vid första anblicken och ingenting om vad som händer två nivåer längre ner.
Att köra fel är ett vanligt misslyckande. "Ingen kan hitta returpolicyn" är inte en fråga som används för kortsortering. "Vi vet inte om 'Lösningar' betyder något för köpare" är inte en fråga som används för att testa träd – ett trädtest skulle bara mäta din gissning.
Kriterietabell: välj utifrån beslutet, inte det verktyg du har licens för
| Kriterium | Kortsortering | Trädtestning | Första klick-testning |
|---|---|---|---|
| Fråga den svarar | Hur skulle folk gruppera och namnge detta innehåll? | Kan folk hitta saker i den här strukturen? | Läs ingångspunkten korrekt vid första anblicken? |
| Typ | generativ | Utvärderande, kvantitativ | Utvärderande, kvantitativ |
| Behöver en befintlig struktur | Nej | Ja, åtminstone ett utkast | Ja, en skärm eller wireframe |
| Typiska deltagare | Minst 15, 30 för höga insatser | 50+ per träd för en kvantitativ avläsning | 50+ varianter per skärm |
| Primära mätvärden | Överensstämmelse och samförekomst, etikettfrekvens | Lyckandegrad, direkthet, första klick, tid | Första klickets precision, klickvärmefördelning |
| Resultat du kan agera på | Kandidatkategorier och användarvokabulär | En rankad lista över trasiga grenar och etiketter | En dom över en etikett eller ett layoutval |
| Var det vilseledande | Individer grupperar sig olika; behöver omdöme för att lösa | Ingen visuell doft, så det smickrar dåliga layouter | Ignorerar återställning; ett felaktigt första klick är inte alltid en förlorad uppgift |
Beslutsreglerna
- Ingen struktur, eller en som ingen tror på. Kortsortering först — öppen om du vill ha ordförråd, stängd om den översta nivån är fast och endast placeringen är ifrågasatt.
- Två kandidatstrukturer och ett möte som aldrig kommer att ta slut. Trädtest båda. Det är det enda av de tre som avgör ett strukturellt argument med ett tal.
- Trafiken anländer men nästa klick är fel. Testa den skärmen först genom att klicka. Bygg inte om arkitekturen för att åtgärda en enda etikett.
- Analys visar redan var folk faller. Hoppa över upptäckten. Trädtest den läckande grenen och klicka sedan först på testet på ersättningsetiketten.
- Ny marknad eller ett nytt språk. Kortsortering på det språket med den marknadens aktörer. En översatt meny är en oprövad meny.
Urvalsstorlekar och tröskelvärden som du kan försvara i en granskning
För kortsortering testade Tullis och Wood 168 användare och analyserade slumpmässiga delmängder. Korrelationen med resultatet från hela urvalet var 0.75 vid 5 användare, 0.90 vid 15, 0.93 vid 20, 0.95 vid 30 och 0.98 vid 60. Nielsen läser det som: 15 är där det är bekvämt att stoppa, 30 är för välfinansierade projekt. Femanvändarregeln från användbarhetstestning överförs inte – en generativ metod behöver tillräckligt många personer för att mönstret ska stabiliseras.
För trädtestning rekommenderar NN/g 50 eller fler deltagare per träd för en meningsfull jämförelse mellan träd, och sätter tröskelvärden för godkänt resultat från Albert och Tullis band över 98 studier: under 40 % dåligt, 41–60 % okej, 61–80 % bra, 80–90 % mycket bra, över 90 % utmärkt. Kom överens om tröskelvärdet innan du ser data. Verksamhetskritiska uppgifter – utcheckning, återbetalning, bokning av möten – bör klara 90 %; en reklambaserad bläddringsuppgift kan klara 70 %.
Läs direkthet bredvid framgång, aldrig istället för den. Hög framgång med låg direkthet innebär att människor når fram genom att vandra: etiketten är fel trots att strukturen överlever. Det mönstret är den mest användbara signalen ett trädtest producerar.
Utarbetat exempel
Ett onlineapotek med en "Hälsa"-artikel på toppnivå och en supportartikel dold under den. Siffrorna är illustrativa, inte klientdata.
- Trädtest, 60 deltagare, 8 uppgifter. "Ta reda på om ditt recept täcks." Framgång 58 %, direkthet 22 % — rimligt på banden, och skillnaden i direkthet pekar på etiketten.
- Läs tabellen för första klicket. 41 % till "Hälsa", 33 % till "Stöd", 18 % till "Konto": tre rimliga hem innebär att kategorigränsen inte finns i användarnas huvuden.
- Sluten kortsortering, 20 deltagare, med hjälp av artikeltitlarna och den befintliga toppnivån. Om bevakningsobjekten är spridda över tre grupper är toppnivån fel, inte formuleringen.
- Skriv om och testa igen. Nytt träd, samma 8 uppgifter, 60 nya deltagare. Målframgång över 80 % och direkthet över 60 %.
- Första klicktestet för den nya etiketten på den riktiga sidan före leverans. Trädtestet hade ingen visuell doft; det gör den levande sidan.
[INTERNA DATA BEHÖVS: ersätt denna illustrativa sekvens med ett avidentifierat Switas-trädtest före/efter, inklusive framgångs- och direkthetssiffror samt antalet uppgifter.]
Etiketter på turkiska, och varför det regionala fallet inte är kosmetiskt
Två saker gör etiketttestning svårare på turkiska och flera angränsande språk, och båda är viktiga för alla som säljer till regionen snarare än bara från den.
För det första är turkiska agglutinativt: betydelsen staplas på en stam som suffix, så en kategori som är två korta ord på engelska är ofta ett långt ord på turkiska. Menyer som får plats på engelska svämmar över, och team fixar det genom att trunkera – vilket är just den variabel som ett trädtest mäter. Testa etiketter med den längd de faktiskt kommer att rendera.
För det andra har turkiska fyra I-tecken: punkterade İ (U+0130) och i (U+0069), punktlös I (U+0049) och ı (U+0131). Enligt turkiska regler, gemener i kartor till İ, Inte I, så skiftlägesobegränsad matchning skriven för engelska misslyckas — en sökning efter "iptal" kommer inte att matcha en lagrad "IPTAL". Om webbplatssökning, filterchips eller breadcrumb-skiftläge passerar genom ett språknivt versalanrop får användarna en tom resultatuppsättning för en term som finns. Uteslut det innan du skyller på etiketten.
Det finns också en fördel med efterlevnaden. WCAG 2.2 Framgångskriterium 2.4.6, Rubriker och etiketter, är nivå AA och kräver att rubriker och etiketter beskriver ämne eller syfte. En etikett som testats med 40 % framgång är inte bara ett konverteringsproblem; det är bevis mot ett påstående om efterlevnad.
Vad dessa siffror inte bevisar
Den mest citerade siffran här är 87 % lyckad uppgift efter ett korrekt första klick jämfört med 46 % efter ett felaktigt, från Bailey och Wolfsons arbete 2006–2009. Var försiktig: Optimal Workshops egen, mycket större datauppsättning ger 70 % och 24 % för samma jämförelse. Samma riktning, väsentligt olika magnituder – och båda är korrelationer mätta inuti instrumentet, inte bevis på att ett klicktest förutsäger beteende på en live-site.
På den punkten jämförde Sauro, Schiavone, Du och Lewis 130 deltagare år 2023 de första klick på statiska bilder med de aktiva webbplatserna: beteendet var likartat, cirka 6 % genomsnittlig absolut skillnad mellan hotspot-regioner. De uppgav också att de inte mätte framgången för uppgifter nedströms, och att responsiva layouter och muspekarmenyer producerade verkliga skillnader. Det ärliga påståendet är att klicktester återger var folk klickar, inte att de förutsäger om folk avslutar.
Trädtestning har en parallell förbehåll. Kuric, Demcak och Krajcovic jämförde tre trädtestningsvarianter mot högkvalitativa prototyper med samma arkitektur över 180 deltagare och 1 800 uppgifter, och varianterna överensstämde inte med varandra; den trädsynliga varianten följde prototypens beteende närmast, och bakåtspårningsmåtten skilde sig avsevärt. Om ditt verktyg renderar trädet annorlunda än det som ett riktmärke kom ifrån, överförs inte riktmärket.
Var detta bryts ner
- Sökdominanta webbplatser. Om de flesta sessioner börjar i sökrutan optimerar du en sökväg som få använder. Kontrollera först andelen sessioner med en sökhändelse.
- Personlig navigering. Trädtestning förutsätter en fast hierarki. Om menyn skiljer sig åt mellan olika segment testar du en fiktion.
- Mycket små populationer. B2B- och kliniska målgrupper kan ofta inte tillhandahålla 50 kvalificerade deltagare. Rapportera antal snarare än procentandelar och ange det.
- Inget av de tre testerna är förståelse. De utvärderar vad man hittar, inte att förstå vad man har hittat. Det kräver användbarhetstester.
- Inget av det mäter intäkter. En navigationsfix är en hypotes för ett experiment, inte en bevisad lyft. Lägg den bakom ett test.
Vanliga frågor och svar
Kan jag köra en kortsortering och ett trädtest på samma deltagare?
Inte i samma session. Sortering lär folk din modell, så att de sedan hittar saker som en ny besökare inte skulle hitta. Rekrytera separata grupper, eller låt det gå flera veckor mellan dem.
Hur många deltagare behöver jag för en kortsortering?
Femton ger dig en korrelation på 0.90 med ett fullständigt urval i Tullis och Woods data, och 30 ger dig 0.95. Under 15 är mönstret instabilt. Att gå över 30 köper väldigt lite för kostnaden.
Är det verkligen nödvändigt med 50 deltagare för ett trädtest?
För en kvantitativ jämförelse mellan två träd, ja – det är NN/gs rekommendation. För ett enskilt träd där du bara vill hitta de uppenbart trasiga grenarna, kommer 20 till 30 att visa de värsta syndarna, men rapportera antal snarare än procentandelar.
Vad räknas som en godkänd framgångsgrad?
Bestäm dig innan du springer. Använd Albert- och Tullis-banden som standard: över 80 % är mycket bra, 61–80 % är bra, under 40 % är dåligt. Höj ribban till 90 % för uppgifter kopplade till pengar, medicinering eller en juridisk rättighet.
Framgången är hög men direktheten är låg. Vad ska jag åtgärda?
Etiketten, inte strukturen. Människor når rätt plats efter att ha utforskat, vilket innebär att kategorin finns i deras modell men din formulering signalerar det inte. Skriv om etiketten och testa samma uppgifter igen.
Tar ett AI-verktyg bort behovet av deltagare?
Inte för dessa metoder. De mäter vad en specifik population tror och gör; en modells gissning om den populationen är en hypotes, inte data. Använd modeller för att utarbeta uppgifter och klustra öppna etiketter snabbare.
Nästa steg
Om du har ett navigeringsargument som analyserna inte kan lösa är den billigaste lösningen ett trädtest på båda kandidatstrukturerna med tröskelvärden som överenskommits i förväg. Skriv uppgifterna, sätt staplarna och kör det – eller låt oss köra det och ge dig den rangordnade listan över brutna grenar.
Källor
- Jakob Nielsen, Kortsortering: Hur många användare ska testas, Nielsen Norman Group, 2004
- Tom Tullis och Larry Wood, Hur många användare räcker det för en kortsorteringsstudie?, UPA 2004
- Page Laubheimer, Trädtestning del 2: Tolkning av resultaten, Nielsen Norman Group, 19 januari 2024
- Samhita Tankala, Kortsortering kontra trädtestning, Nielsen Norman Group, 23 februari 2024
- Nielsen Norman Group, Trädtestning: Utvärdera menyetiketter och kategorier
- Optimal workshop, korrekta första klick leder till 3 gånger högre framgång med uppgifter, 13 april 2015
- Jeff Sauro, Will Schiavone, David Du och Jim Lewis, Förutsäger klicktester klick på livewebbplatser?, MeasuringU, 21 mars 2023
- Eduard Kuric, Peter Demcak och Matus Krajcovic, Validering av informationsarkitektur: Metodövergripande jämförelse av trädtestningsvarianter och prototypanvändartester, Information and Software Technology 183, juli 2025
- W3C, Förstå framgångskriterium 2.4.6: Rubriker och etiketter, WCAG 2.2
- Tex Texin, Internationalisering av turkiska: Punkterad och punktlös turkisk bokstav I
