Hãy chọn Sắp xếp thẻ, Kiểm thử cây hoặc Kiểm thử nhấp chuột đầu tiên trước khi bạn vẽ lại menu của mình.

Bộ dữ liệu riêng của Optimal Workshop, được thu thập từ hàng triệu tác vụ kiểm thử cây quyết định, ghi lại... Tỷ lệ thành công nhiệm vụ là 70% sau lần nhấp chuột đầu tiên chính xác và 24% sau lần nhấp chuột đầu tiên không chính xác.Nhãn đầu tiên mà một người chọn sẽ quyết định phần lớn kết quả. Điều mà con số đó không cho bạn biết là nên thực hiện nghiên cứu nào. Các nhóm sử dụng phương pháp sắp xếp thẻ khi họ đã có sẵn menu và chỉ nghi ngờ về cách diễn đạt, kiểm tra cấu trúc cây khi chưa từng kiểm tra từ vựng, rồi tranh luận về kết quả mà không bao giờ giải quyết được vấn đề. Hướng dẫn này dành cho các trưởng nhóm UX, quản lý sản phẩm và nhóm CRO đang gặp vấn đề về điều hướng và có ngân sách nghiên cứu cố định. Sau khi hoàn thành, bạn sẽ có thể ghép quyết định điều hướng với một trong ba phương pháp, xác định quy mô nghiên cứu, đặt ngưỡng đạt trước khi thu thập dữ liệu và nêu rõ kết quả không thể chứng minh được điều gì.

Ba phương pháp này trả lời ba câu hỏi khác nhau.

Phân loại thẻ là một phương pháp tạo sinh. Bạn đưa cho mọi người các mục nội dung của mình và để họ nhóm và đặt tên cho các nhóm đó. Nó cho bạn biết cách khán giả của bạn phân chia lĩnh vực này và những từ ngữ họ sử dụng. Nó không thể cho bạn biết liệu một thực đơn cụ thể có hiệu quả hay không, bởi vì không có thực đơn nào được sử dụng trong nghiên cứu này.

Kiểm thử cây là một phương pháp đánh giá. Bạn lược bỏ các nhãn văn bản khỏi cấu trúc phân cấp được đề xuất, giao cho người dùng một nhiệm vụ và quan sát xem họ đi đến đâu. Phương pháp này cho bạn biết liệu cấu trúc đó có dễ tìm thấy hay không và nhánh nào dẫn người dùng đi sai hướng. Như NN/g đã lưu ý, thiết lập chỉ sử dụng văn bản cố tình loại bỏ vị trí, màu sắc và hình ảnh, do đó nó cô lập chất lượng của nhãn và cấu trúc.

Kiểm thử nhấp chuột đầu tiên có phạm vi hẹp hơn. Một màn hình, một tác vụ, một lần nhấp chuột được ghi lại. Nó cho bạn biết liệu điểm vào có hiển thị chính xác hay không chỉ trong nháy mắt mà không cho biết gì về những gì xảy ra ở hai cấp độ tiếp theo.

Việc sử dụng sai phương pháp là lỗi thường gặp. "Không ai tìm thấy chính sách hoàn trả" không phải là câu hỏi sắp xếp thẻ. "Chúng ta không biết liệu 'Giải pháp' có ý nghĩa gì với người mua hay không" không phải là câu hỏi kiểm thử cây — kiểm thử cây chỉ đo lường phỏng đoán của bạn.

Bảng tiêu chí: lựa chọn dựa trên quyết định, chứ không phải dựa trên công cụ bạn có giấy phép sử dụng.

Các quy tắc quyết định

• Không có cấu trúc nào cả, hoặc có một cấu trúc mà không ai tin tưởng. Sắp xếp thẻ trước — sử dụng kiểu mở nếu bạn muốn tìm từ vựng, kiểu đóng nếu cấp độ cao nhất đã cố định và chỉ cần xác định vị trí.
• Hai cấu trúc ứng cử viên và một cuộc họp tưởng chừng không bao giờ kết thúc. Cả hai phương pháp đều được kiểm tra bằng cây. Đây là phương pháp duy nhất trong ba phương pháp giải quyết tranh luận về cấu trúc bằng một con số.
• Lưu lượng truy cập đến nhưng cú nhấp chuột tiếp theo lại sai. Hãy kiểm tra màn hình đó ngay từ lần nhấp chuột đầu tiên. Đừng xây dựng lại toàn bộ kiến ​​trúc chỉ để sửa một nhãn.
• Dữ liệu phân tích đã cho thấy người dùng thường bỏ cuộc ở đâu. Bỏ qua bước tìm kiếm. Kiểm tra cấu trúc cây để tìm nhánh bị rò rỉ, sau đó kiểm tra nhãn thay thế bằng thao tác nhấp chuột đầu tiên.
• Thị trường hoặc ngôn ngữ mới. Sắp xếp thẻ bằng ngôn ngữ đó với những người tham gia thị trường đó. Một thực đơn được dịch là một thực đơn chưa được kiểm chứng.

Kích thước mẫu và ngưỡng bạn có thể bảo vệ trong một cuộc đánh giá

Đối với phương pháp phân loại thẻ, Tullis và Wood đã thử nghiệm trên 168 người dùng và phân tích các tập con ngẫu nhiên. Hệ số tương quan với kết quả trên toàn bộ mẫu là 0.75 ở mức 5 người dùng, 0.90 ở mức 15 người dùng, 0.93 ở mức 20 người dùng, 0.95 ở mức 30 người dùng và 0.98 ở mức 60 người dùng. Nielsen hiểu điều đó như sau: 15 là mức dừng hợp lý, 30 là dành cho các dự án được đầu tư tốt. Quy tắc năm người dùng từ thử nghiệm khả năng sử dụng không thể áp dụng được – một phương pháp tạo sinh cần đủ người để mô hình ổn định.

Để kiểm thử cây quyết định, NN/g khuyến nghị có từ 50 người tham gia trở lên cho mỗi cây để có sự so sánh ý nghĩa giữa các cây, và thiết lập ngưỡng đạt từ các dải của Albert và Tullis trong 98 nghiên cứu: dưới 40% kém, 41–60% trung bình, 61–80% tốt, 80–90% rất tốt, trên 90% xuất sắc. Hãy thống nhất ngưỡng trước khi xem dữ liệu. Các tác vụ quan trọng – thanh toán, hoàn tiền, đặt lịch hẹn – cần đạt trên 90%; tác vụ duyệt sản phẩm khuyến mãi có thể đạt 70%.

Hãy đọc sự trực tiếp song song với thành công, chứ đừng bao giờ thay thế nó. Thành công cao nhưng thiếu sự trực tiếp có nghĩa là mọi người đạt được mục tiêu bằng cách đi lạc: nhãn mác sai dù cấu trúc vẫn tồn tại. Mô hình đó là tín hiệu hữu ích nhất mà một bài kiểm tra cây quyết định tạo ra.

Ví dụ đã làm việc

Một hiệu thuốc trực tuyến với mục "Sức khỏe" ở cấp độ cao nhất và một bài viết hỗ trợ được giấu bên dưới. Các con số chỉ mang tính minh họa, không phải dữ liệu khách hàng.

1. Thử nghiệm cây, 60 người tham gia, 8 nhiệm vụ. "Hãy tìm hiểu xem đơn thuốc của bạn có được bảo hiểm chi trả hay không." Tỷ lệ thành công 58%, độ chính xác 22% — khá tốt ở các mức độ khác nhau, và sự thiếu chính xác nằm ở phần ghi chú trên nhãn sản phẩm.
2. Hãy đọc bảng thông tin khi nhấp chuột lần đầu. 41% dành cho "Sức khỏe", 33% cho "Hỗ trợ", 18% cho "Tài khoản": ba lựa chọn khả thi này cho thấy ranh giới giữa các danh mục không chỉ nằm trong suy nghĩ của người dùng.
3. Phân loại thẻ kín, 20 người tham giaSử dụng tiêu đề bài viết và cấp độ cao nhất hiện có. Nếu các mục tin tức phân tán trong ba nhóm, thì cấp độ cao nhất bị sai, chứ không phải cách diễn đạt.
4. Viết lại và kiểm tra lại. Cấu trúc mới, vẫn 8 nhiệm vụ như cũ, 60 người tham gia mới. Mục tiêu là đạt tỷ lệ thành công trên 80% và độ chính xác trên 60%.
5. Kiểm tra lần nhấp chuột đầu tiên của nhãn mới Trên trang sản phẩm thực tế trước khi giao hàng. Mẫu thử trên cây không có mùi hương rõ rệt; còn trang sản phẩm thực tế thì có.

[CẦN DỮ LIỆU NỘI BỘ: Thay thế chuỗi minh họa này bằng kết quả kiểm tra cây Switas đã được ẩn danh trước/sau, bao gồm số liệu về mức độ thành công, độ trực tiếp và số lượng tác vụ.]

Nhãn mác bằng tiếng Thổ Nhĩ Kỳ, và lý do tại sao vấn đề khu vực không chỉ đơn thuần là vấn đề thẩm mỹ.

Có hai yếu tố khiến việc kiểm tra nhãn mác trở nên khó khăn hơn bằng tiếng Thổ Nhĩ Kỳ và một số ngôn ngữ lân cận, và cả hai đều quan trọng đối với bất kỳ ai bán hàng vào khu vực này chứ không chỉ bán hàng từ khu vực này.

Thứ nhất, tiếng Thổ Nhĩ Kỳ là một ngôn ngữ chắp dính: nghĩa được chồng lên gốc từ dưới dạng hậu tố, vì vậy một loại từ gồm hai từ ngắn trong tiếng Anh thường là một từ dài trong tiếng Thổ Nhĩ Kỳ. Các menu phù hợp với tiếng Anh thường bị tràn, và các nhóm khắc phục điều này bằng cách cắt ngắn — đây chính xác là biến số mà phép kiểm định cây đo lường. Kiểm định nhãn ở độ dài mà chúng thực sự sẽ hiển thị.

Thứ hai, tiếng Thổ Nhĩ Kỳ có bốn chữ I: dấu chấm İ (U+0130) và i (U+0069), không dấu chấm I (U+0049) và ı (U+0131). Theo quy tắc của Thổ Nhĩ Kỳ, chữ thường i bản đồ tới İ, Chứ không phải IVì vậy, việc so khớp không phân biệt chữ hoa chữ thường được viết cho tiếng Anh sẽ thất bại — tìm kiếm "iptal" sẽ không khớp với kết quả "IPTAL" đã lưu. Nếu tìm kiếm trên trang web, các bộ lọc hoặc cách viết hoa dấu chấm câu đi qua lệnh gọi viết hoa không phân biệt ngôn ngữ, người dùng sẽ nhận được tập kết quả trống cho một thuật ngữ tồn tại. Hãy loại trừ khả năng đó trước khi đổ lỗi cho nhãn.

Ngoài ra còn có khía cạnh tuân thủ. Tiêu chí thành công WCAG 2.2 2.4.6, Tiêu đề và Nhãn, thuộc cấp độ AA và yêu cầu các tiêu đề và nhãn phải mô tả chủ đề hoặc mục đích. Một nhãn được kiểm tra với tỷ lệ thành công 40% không chỉ là vấn đề về chuyển đổi; mà còn là bằng chứng chống lại tuyên bố tuân thủ.

Những con số này không chứng minh điều gì.

Con số được trích dẫn nhiều nhất ở đây là 87% tỷ lệ thành công nhiệm vụ sau lần nhấp chuột đầu tiên chính xác so với 46% sau lần nhấp chuột sai, từ nghiên cứu của Bailey và Wolfson năm 2006–2009. Hãy xem xét kỹ con số này: Tập dữ liệu lớn hơn nhiều của Optimal Workshop cho kết quả 70% và 24% cho cùng một phép so sánh. Cùng chiều, nhưng độ lớn khác biệt đáng kể — và cả hai đều là hệ số tương quan được đo lường bên trong công cụ, chứ không phải bằng chứng cho thấy thử nghiệm nhấp chuột có thể dự đoán hành vi trên trang web thực tế.

Về điểm này, Sauro, Schiavone, Du và Lewis đã thực hiện một nghiên cứu với 130 người tham gia vào năm 2023, so sánh những lần nhấp chuột đầu tiên vào hình ảnh tĩnh với các trang web trực tuyến: hành vi tương tự nhau, với sự khác biệt tuyệt đối trung bình khoảng 6% trên các vùng tương tác. Họ cũng cho biết họ không đo lường sự thành công của các tác vụ tiếp theo, và rằng bố cục đáp ứng và menu di chuột tạo ra sự khác biệt thực sự. Điều thẳng thắn cần khẳng định là các bài kiểm tra nhấp chuột chỉ tái tạo lại vị trí người dùng nhấp chuột, chứ không phải dự đoán liệu người dùng có hoàn thành tác vụ hay không.

Việc kiểm thử cây cũng có một hạn chế tương tự. Kuric, Demcak và Krajcovic đã so sánh ba biến thể kiểm thử cây với các nguyên mẫu có độ chính xác cao của cùng một kiến ​​trúc trên 180 người tham gia và 1,800 nhiệm vụ, và các biến thể này không nhất quán với nhau; biến thể hiển thị cây theo sát hành vi của nguyên mẫu nhất, và các chỉ số quay lui khác nhau đáng kể. Nếu công cụ của bạn hiển thị cây khác với cây được sử dụng làm chuẩn, thì chuẩn đó không thể áp dụng được.

Điểm mấu chốt nằm ở đây.

• Các trang web chiếm ưu thế trong tìm kiếm. Nếu hầu hết các phiên truy cập bắt đầu từ ô tìm kiếm, bạn đang tối ưu hóa một đường dẫn mà ít người sử dụng. Trước tiên, hãy kiểm tra tỷ lệ các phiên truy cập bắt đầu bằng thao tác tìm kiếm.
• Điều hướng cá nhân hóa. Kiểm thử cây giả định một cấu trúc phân cấp cố định. Nếu menu khác nhau giữa các phân đoạn, bạn đang kiểm thử một cấu trúc giả định.
• Số lượng cá thể rất ít. Khách hàng doanh nghiệp và khách hàng trong lĩnh vực lâm sàng thường không thể cung cấp đủ 50 người tham gia đủ điều kiện. Hãy báo cáo số lượng thay vì tỷ lệ phần trăm và nêu rõ điều đó.
• Không bài kiểm tra nào trong ba bài kiểm tra đánh giá khả năng hiểu bài. Họ đánh giá việc tìm ra đáp án, chứ không phải việc hiểu đáp án sau khi đã tìm ra. Điều đó cần đến việc kiểm tra khả năng sử dụng.
• Không có chỉ số nào đo lường doanh thu cả. Việc khắc phục lỗi định vị chỉ là giả thuyết cho một thí nghiệm, chứ không phải là một giải pháp đã được chứng minh. Hãy thử nghiệm trước khi đưa ra kết luận.

Các câu hỏi thường gặp

Tôi có thể thực hiện cả thuật toán sắp xếp thẻ và kiểm tra cây trên cùng một nhóm người tham gia không?

Không nên thực hiện trong cùng một phiên. Việc phân loại giúp mọi người hiểu mô hình của bạn, để sau đó họ có thể tìm thấy những thứ mà người truy cập mới không thể. Hãy tuyển các nhóm riêng biệt, hoặc để cách nhau vài tuần.

Tôi cần bao nhiêu người tham gia cho trò chơi phân loại thẻ?

Ở mức 15, hệ số tương quan là 0.90 với kết quả trên toàn bộ mẫu dữ liệu của Tullis và Wood, và ở mức 30, hệ số tương quan là 0.95. Dưới 15, mô hình không ổn định. Vượt quá 30 thì lợi ích thu được rất ít so với chi phí bỏ ra.

Liệu có thực sự cần 50 người tham gia cho một thử nghiệm về cây trồng?

Để so sánh định lượng giữa hai cây, thì đúng vậy — đó là khuyến nghị của NN/g. Đối với một cây duy nhất mà bạn chỉ muốn tìm những nhánh bị gãy rõ ràng, 20 đến 30 nhánh sẽ làm nổi bật những nhánh bị lỗi nghiêm trọng nhất, nhưng báo cáo số lượng chứ không phải tỷ lệ phần trăm.

Tỷ lệ đạt yêu cầu được đánh giá như thế nào?

Hãy quyết định trước khi bắt đầu. Sử dụng thang điểm Albert và Tullis làm mặc định: trên 80% là rất tốt, 61–80% là tốt, dưới 40% là kém. Nâng mức kỳ vọng lên 90% đối với các nhiệm vụ liên quan đến tiền bạc, thuốc men hoặc quyền lợi pháp lý.

Tỷ lệ thành công cao nhưng tính thẳng thắn lại thấp. Tôi cần khắc phục điều gì?

Vấn đề nằm ở nhãn mác, chứ không phải cấu trúc. Mọi người đã tìm đến đúng nơi sau khi khám phá, điều đó có nghĩa là danh mục đó tồn tại trong mô hình của họ nhưng cách diễn đạt của bạn không thể hiện điều đó. Hãy viết lại nhãn mác và kiểm tra lại các nhiệm vụ tương tự.

Liệu công cụ trí tuệ nhân tạo có thể loại bỏ sự cần thiết của người tham gia?

Không phải đối với các phương pháp này. Chúng đo lường những gì một nhóm người cụ thể tin tưởng và làm; dự đoán của mô hình về nhóm người đó chỉ là giả thuyết, không phải dữ liệu. Hãy sử dụng mô hình để soạn thảo nhiệm vụ và nhóm các nhãn mở nhanh hơn.

Bước tiếp theo

Nếu bạn gặp vấn đề về điều hướng mà phân tích dữ liệu không thể giải quyết, giải pháp tiết kiệm nhất là sử dụng kiểm tra cây trên cả hai cấu trúc ứng cử viên với ngưỡng đã được thống nhất trước. Viết ra các nhiệm vụ, đặt ra các tham số và chạy thử — hoặc Hãy để chúng tôi điều hành nó. và đưa cho bạn danh sách các cành cây bị gãy theo thứ tự xếp hạng.

nguồn

• Jakob Nielsen, Phân loại thẻ: Cần thử nghiệm với bao nhiêu người dùng, Nielsen Norman Group, 2004
• Tom Tullis và Larry Wood, Cần bao nhiêu người dùng là đủ cho một nghiên cứu phân loại thẻ?, UPA 2004
• Page Laubheimer, Thử nghiệm cây quyết định Phần 2: Giải thích kết quả, Nielsen Norman Group, ngày 19 tháng 1 năm 2024
• Samhita Tankala, So sánh phương pháp phân loại thẻ và phương pháp kiểm thử cây, Nielsen Norman Group, ngày 23 tháng 2 năm 2024.
• Nielsen Norman Group, Thử nghiệm cấu trúc cây: Đánh giá nhãn và danh mục thực đơn
• Hội thảo Tối ưu hóa, Những cú nhấp chuột đầu tiên chính xác dẫn đến tỷ lệ thành công cao gấp 3 lần, ngày 13 tháng 4 năm 2015
• Jeff Sauro, Will Schiavone, David Du và Jim Lewis, Liệu các bài kiểm tra nhấp chuột có dự đoán được số lượt nhấp chuột trên trang web thực tế?, MeasuringU, ngày 21 tháng 3 năm 2023
• Eduard Kuric, Peter Demcak và Matus Krajcovic, Xác thực kiến ​​trúc thông tin: So sánh phương pháp luận giữa các biến thể kiểm thử cây và kiểm thử người dùng nguyên mẫu, Công nghệ Thông tin và Phần mềm 183, tháng 7 năm 2025
• W3C, Hiểu tiêu chí thành công 2.4.6: Tiêu đề và nhãn, WCAG 2.2
• Tex Texin, Quốc tế hóa tiếng Thổ Nhĩ Kỳ: Chữ I trong tiếng Thổ Nhĩ Kỳ có dấu và không dấu