在重新设计菜单之前，请选择卡片分类测试、树状测试或首次点击测试

Optimal Workshop 自己的数据集，取自数百万个树测试任务，记录了 首次点击正确后任务成功率为 70%，首次点击错误后任务成功率为 24%。人们选择的第一个标签往往决定了最终结果。但这个数字并不能告诉你应该进行哪种研究。团队在已经有了菜单，只是对措辞有疑问的情况下，仍然会使用卡片分类法；或者在从未检查过词汇的情况下，对一个结构进行树状测试；最后，他们会就一些根本无法解决问题的结果争论不休。本指南面向面临导航问题且研究预算有限的用户体验负责人、产品经理和转化率优化团队。阅读完本指南后，你将能够根据导航决策选择三种方法之一，确定研究规模，在收集数据之前设定合格阈值，并说明结果无法证明什么。

这三种方法回答了三个不同的问题。

卡片分类是一种生成式方法。你将内容分发给参与者，让他们对内容进行分组并命名。它可以告诉你受众如何划分领域以及他们使用的关键词。但它无法告诉你某个特定的菜单是否有效，因为研究中并没有菜单。

树状图测试是一种评估方法。它将一个预设的层级结构简化为纯文本标签，然后给用户布置任务，观察他们的操作路径。这种方法可以判断一个结构是否易于查找，以及用户会迷失在哪个分支中。正如 NN/g 所指出的，纯文本设置刻意移除了位置、颜色和图像等信息，从而能够单独评估标签和结构的质量。

首次点击测试的范围更窄。它只测试一个屏幕、一个任务和一次点击。它能让你一眼看出入口点是否清晰易懂，但无法了解两层之后的操作。

运行错误的测试是常见的失败原因。“没人能找到退货政策”并非卡片分类测试题。“我们不知道‘解决方案’对买家来说是否有意义”也并非树状图测试题——树状图测试只能检验你的猜测。

标准表：根据决策结果选择，而不是根据您拥有许可证的工具选择。

标准	卡分类	树测试	首次点击测试
它解答的问题	人们会如何对这些内容进行分组和命名？	人们能在这种结构中找到东西吗？	入口点是否一目了然？
类型	生成	评价性的、定量的	评价性的、定量的
需要现有结构	没有	是的，至少得有个草稿。	是的，屏幕或线框图
典型参与者	最低15人，高额赌注30人	每棵树50个以上用于定量读取	每屏50+个变体
主要指标	一致性和共现性，标签频率	成功率、直接性、首次点击率、时间	首次点击精度，点击热分布
您可以采取行动的输出	候选类别和用户词汇	已损坏分支和标签的排名列表	对某个标签或布局选择的评价
它具有误导性	个体分组方式不同；需要判断才能解决问题。	没有视觉上的气味，所以它能掩盖糟糕的布局。	忽略恢复；第一次点击错误并不总是意味着任务丢失。

决策规则

没有组织结构，或者说没有一个组织结构，没人相信它。 首先进行卡片分类——如果想要词汇，则采用开放式分类；如果最高层级已固定，仅需确定卡片放置位置，则采用封闭式分类。
两种候选方案，一场永无止境的会议。 树状图测试两种方法。它是三种方法中唯一一种用数字解决结构性论证的方法。
流量来了，但接下来的点击却是错误的。 首次点击测试该屏幕。不要为了修复一个标签而重建架构。
分析数据已经显示了用户流失的位置。 跳过发现步骤。对泄漏的分支进行树状测试，然后首先点击测试替换标签。
新市场或新语言。 用该语言与该市场的参与者进行卡片分类。翻译后的菜单未经测试。

你可以在审查中捍卫的样本量和阈值

对于卡片分类测试，Tullis 和 Wood 测试了 168 位用户，并分析了随机抽取的子集。与完整样本结果的相关性在 5 位用户时为 0.75，15 位用户时为 0.90，20 位用户时为 0.93，30 位用户时为 0.95，60 位用户时为 0.98。尼尔森认为：15 位用户是比较合适的停止点，30 位用户则适用于资金充足的项目。可用性测试中的五用户规则并不适用于生成式方法——生成式方法需要足够的用户才能使模式稳定下来。

对于树测试，NN/g 建议每棵树至少有 50 名参与者，以便进行有意义的树之间比较。他们根据 Albert 和 Tullis 在 98 项研究中提出的等级划分标准，设定了及格阈值：低于 40% 为差，41-60% 为一般，61-80% 为良好，80-90% 为优秀，高于 90% 为卓越。在查看数据之前，请务必确定好阈值。关键任务（例如结账、退款、预约）的及格率应达到 90%；促销浏览任务的及格率可以达到 70%。

将直接性与成功并列看待，切勿取而代之。如果成功率很高但直接性很低，则意味着人们是通过摸索才找到方向的：即使结构依然存在，标签也是错误的。这种模式是树状测试产生的最有用的信号。

示例

一家在线药房，其顶级栏目为“健康”，而支持文章却隐藏在其下方。此处数据仅供参考，并非客户数据。

树状测试，60 名参与者，8 项任务。 “查询您的处方是否在医保范围内。”成功率 58%，直接性 22%——各方面表现尚可，而直接性方面的差距则体现在标签上。
请阅读首次点击率表格。 41% 的用户归类到“健康”，33% 的用户归类到“支持”，18% 的用户归类到“账户”：这三个可能的类别意味着类别边界并不存在于用户的认知中。
封闭式卡片分类，20名参与者使用文章标题和现有的顶级分类。如果报道内容分散在三个分类中，则顶级分类有误，而不是措辞错误。
重写并重新测试。 新的学习树，同样的8个任务，60名新参与者。目标成功率高于80%，直接性高于60%。
首次点击测试新标签 在发货前，实物页面上有香味。树状测试样品没有香味，但实物页面上有。

【内部数据需求：请将此示例序列替换为匿名化的Switas树测试前后对比图，包括成功率、直接性数据以及任务数量。】

土耳其语标签，以及为什么地区性案例并非表面现象

有两个因素使得土耳其语和几个邻近语言的标签测试更加困难，而对于任何向该地区销售产品（而不仅仅是从该地区销售产品）的人来说，这两个因素都很重要。

首先，土耳其语是黏着语：意思是词干上以后缀的形式堆叠起来，因此英语中两个短词组成的类别，在土耳其语中通常是一个长词。英语菜单的长度会超出文本范围，团队会通过截断来解决这个问题——而这正是树状测试所衡量的变量。测试标签时，要确保它们在实际渲染时的长度与文本长度一致。

其次，土耳其语有四个 I 字符：点状的 İ （U+0130）和 i (U+0069)，无点 I （U+0049）和 ı （U+0131）。根据土耳其规则，小写 i 映射到 İ，不 I因此，为英语编写的不区分大小写的匹配功能会失效——搜索“iptal”不会匹配到已存储的“IPTAL”。如果网站搜索、筛选器或面包屑导航中的大小写规则使用了不区分大小写的调用，用户即使搜索到已存在的词条，也会得到一个空结果集。在指责标签之前，请先排除这种可能性。

此外，还存在合规性方面的问题。WCAG 2.2 成功标准 2.4.6“标题和标签”属于 AA 级，要求标题和标签必须描述主题或用途。如果标签的测试成功率仅为 40%，这不仅会造成转化率问题，还会成为不符合合规性声明的证据。

这些数字并不能证明什么

这里最常被引用的数据是 Bailey 和 Wolfson 在 2006-2009 年的研究中得出的：首次点击正确后任务成功率为 87%，首次点击错误后任务成功率为 46%。但请谨慎对待这一数据：Optimal Workshop 自身规模更大的数据集显示，在相同的对比条件下，首次点击正确后任务成功率分别为 70% 和 24%。方向相同，但数值差异显著——而且这两个数据都是仪器内部测量的相关性，并不能证明点击测试能够预测实际网站的行为。

关于这一点，Sauro、Schiavone、Du 和 Lewis 在 2023 年对 130 名参与者进行了一项研究，比较了用户首次点击静态图片和实时网站的行为：结果显示，两种情况下用户的行为相似，热点区域的平均绝对差异约为 6%。他们还指出，他们并未测量后续任务的成功率，并且响应式布局和悬停菜单确实会造成差异。他们坦诚地指出，点击测试能够重现用户点击的位置，但并不能预测用户是否会完成操作。

树状测试也存在类似的局限性。Kuric、Demcak 和 Krajcovic 对三种树状测试变体与相同架构的高保真原型进行了比较，共有 180 名参与者完成了 1,800 项任务，结果发现这些变体彼此并不一致；树状结构可见的变体与原型行为的匹配度最高，且回溯指标存在显著差异。如果你的工具渲染树状结构的方式与基准测试所用的树状结构不同，那么基准测试的结果就无法直接应用到你的测试中。

问题出在哪里？

搜索主导型网站。 如果大多数会话都从搜索框开始，说明你优化的路径很少有人使用。请先检查包含搜索事件的会话比例。
个性化导航。 树状测试假设层级结构是固定的。如果菜单因类别而异，那么你测试的就是一个虚构的概念。
人口数量极少。 B2B 和临床受众通常无法提供 50 位合格的参与者。请报告具体人数而非百分比，并明确说明。
这三项测试均未考察理解能力。 他们评估的是发现的过程，而不是发现之后的理解。这需要进行可用性测试。
这些指标都不能衡量收入。 导航修正方案只是实验中的一个假设，并非已验证的方案。务必在测试后再发布。

常见问题

我可以对同一批参与者进行卡片分类测试和树状图测试吗？

不要在同一场活动中进行。分类可以帮助人们了解你的模型，从而让他们发现新访客看不到的内容。可以招募不同的小组，或者间隔几周时间。

卡片分类游戏需要多少参与者？

在Tullis和Wood的数据中，15这个值与全样本结果的相关性为0.90，30这个值则为0.95。低于15时，这种模式不稳定。超过30则得不偿失。

树状图测试真的需要 50 名参与者吗？

如果要对两棵树进行定量比较，是的——这是 NN/g 的建议。如果只对一棵树进行分析，只想找出明显断裂的分支，那么 20 到 30 个分支就能找出最严重的错误分支，但要报告分支数量而不是百分比。

怎样的成功率才算合格？

行动前先做决定。以阿尔伯特和图利斯的评分标准为基准：80%以上为优秀，61%-80%为良好，40%以下为差。对于与金钱、药物或合法权益相关的任务，标准提高到90%。

成功率高，但坦诚度低。我该如何改进？

问题在于标签，而不是结构。人们在探索后找到了正确的位置，这意味着该类别存在于他们的认知模型中，但你的措辞没有体现出来。请重写标签并重新测试相同的任务。

人工智能工具是否能取代参与者？

这些方法并非如此。它们衡量的是特定人群的信念和行为；模型对该人群的猜测只是假设，而非数据。使用模型可以更快地制定任务和对开放式标签进行聚类。

下一步

如果导航论证分析无法解决，最经济的解决方案是对两个候选结构进行树状测试，并预先设定阈值。编写任务，设置标准，然后运行测试——或者让我们来运行它然后把断枝的排名列表交给你。

来源

作者

因奇·丁达尔

她拥有软件开发背景，曾领导金融科技、媒体、电子商务和旅游等行业的设计、用户体验和产品团队。过去三年，她一直从事用户体验和设计方面的全职咨询工作，包括担任一家全球管理咨询公司的外部用户体验顾问，帮助品牌和初创公司进行审计、转化率优化和设计流程改进。

LinkedIn 所有文章

在重新设计菜单之前，请选择卡片分类测试、树状测试或首次点击测试。