Как провести карточную сортировку: практическое руководство с AI-промптами

B2B SaaS-компания, продающая программное обеспечение для управления проектами, заметила, что в её справочном центре накопилось более 400 статей, однако просмотры снижались, а объём обращений в поддержку рос. Аналитика показала: пользователи ищут помощь через строку поиска в три раза чаще, чем переходят по разделам справочного центра, и 40% запросов не давали результатов — не потому что статьи не существовало, а потому что пользователи формулировали запросы иначе, чем назывались статьи.

UX-исследователи провели открытую карточную сортировку (open card sort) с 25 клиентами, использовав 45 карточек с наиболее популярными и часто разыскиваемыми темами справки. Участники стабильно выстраивали группы, отличавшиеся от существующей структуры по двум параметрам: они организовывали материал по задачам («Настроить проект», «Пригласить команду», «Отслеживать прогресс»), а не по функциям («Диаграммы Ганта», «Kanban-доски», «Распределение ресурсов»), и использовали конкретные, действенные формулировки, а не абстрактные названия функций из справочного центра. Дендрограмма показала высокое согласие (70%+) по пяти категориям на основе задач, которые заменили исходные восемь категорий на основе функций.

Команда перестроила справочный центр по категориям карточной сортировки и приняла самые распространённые пользовательские формулировки в качестве названий разделов. После этого провели tree testing (42 участника): 85% задач стали находимы в новой структуре против 52% в старой. После запуска использование навигации справочного центра выросло на 60%, соотношение «поиск к навигации» сократилось с 3:1 до 1:1, а количество обращений в поддержку по вопросам «как сделать» снизилось на 22% за два месяца.

Именно к такому результату приводит карточная сортировка: переход от «мы организовали контент так, как думаем о нём сами» к «мы организовали контент так, как думают о нём пользователи».

Что такое карточная сортировка

Карточная сортировка (card sorting) — это метод исследования, при котором участники раскладывают карточки с подписями по группам, которые кажутся им логичными, тем самым раскрывая, как они ожидают увидеть организованную информацию. Метод даёт данные, которые напрямую определяют решения в области информационной архитектуры (IA) — названия категорий, структуры навигации и группировку контента — и опирается на ментальные модели пользователей, а не на внутреннюю логику организации.

Какие вопросы он решает

Карточная сортировка помогает ответить на вопросы о том, как пользователи ожидают увидеть организованную информацию:

Как пользователи естественным образом категоризируют и группируют контент, функции или темы на нашем сайте или в приложении?
Какие подписи и названия категорий пользователи ожидают увидеть в навигации — и какие из наших нынешних названий их путают?
Соответствует ли существующая информационная архитектура тому, как пользователи мыслят о нашем контенте, или мы организуем его по структуре внутренних отделов?
Какие элементы пользователи стабильно группируют вместе, а с какими затрудняются — что сигнализирует о неоднозначном или плохо очерченном контенте?
Как разные сегменты пользователей (новые и вернувшиеся, эксперты и новички) по-разному организуют один и тот же набор элементов?
Какая категориальная структура даёт наибольшее согласие среди участников, указывая на стабильную, ориентированную на пользователей архитектуру?

Когда применять

При проектировании или редизайне информационной архитектуры сайта, приложения или интранета, когда команде нужны эмпирические данные о том, как пользователи ожидают организованный контент, а не мнения стейкхолдеров или структура оргчарта.
Когда существующая навигация работает плохо — пользователи не находят нужное, использование поиска аномально высоко или обращения в поддержку часто содержат «я не смог найти X» — и команда подозревает, что проблема в категориальной структуре.
При добавлении значительного объёма нового контента или функций в существующий продукт, когда текущая архитектура может не справиться без реструктуризации.
При объединении контента из нескольких источников (например, после поглощения, миграции платформы или консолидации микросайтов), когда команде нужна единая структура, работающая для пользователей всех прежних систем.
Когда команда уже провела карточную сортировку и выстроила новую архитектуру и теперь хочет проверить, работают ли предложенные категории, с помощью закрытой сортировки.
Когда внутри команды есть разногласия по поводу организации контента, и для их разрешения нужны пользовательские данные, а не голос самого напористого стейкхолдера.

Метод не подходит, если вопрос в том, могут ли пользователи найти конкретные элементы в уже существующей структуре — это задача для tree testing, а не карточной сортировки. Карточная сортировка генерирует структуру; tree testing её оценивает. Также не подходит, когда набор контента очень мал (менее 15 элементов) или очень велик (более 80): малые наборы дают тривиально очевидные группировки, тогда как большие утомляют участников и дают ненадёжные данные. Если цель — понять поведение, мотивы или установки, а не организацию контента, используйте интервью или контекстное исследование.

Что вы получаете

Матрица сходства: таблица, показывающая, как часто каждая пара карточек оказывалась в одной группе у всех участников — позволяет увидеть, какие элементы пользователи считают тесно связанными.
Дендрограмма (кластерный анализ): древовидная диаграмма, показывающая, как элементы группируются при разных порогах согласия — помогает команде определить, где провести границы категорий.
Предлагаемая структура категорий: набор пользовательских категорий с подписями, основанный на наиболее распространённых группировках среди участников.
Данные по именованию категорий: реальные слова, которые участники использовали для обозначения своих групп — словарный запас для меток навигации, соответствующих ожиданиям пользователей.
Стандартизированная таблица: сырые данные сортировки по каждому участнику для дальнейшего статистического анализа или сравнения между сегментами.
Реестр разногласий: элементы, которые участники помещали в разные группы без чёткого консенсуса — сигнал для контента, который нужно перелинковать, переименовать или разбить.

Участники и продолжительность

Участники: 15–30 для открытой карточной сортировки (NNGroup рекомендует 15+ для устойчивых паттернов; бо́льшая выборка даёт более надёжные матрицы сходства). 15–20 для закрытой сортировки. Для удалённых немодерируемых исследований набирайте ближе к верхней границе, так как часть сессий окажется неполной или низкого качества.

Продолжительность сессии: 15–30 минут на участника при 30–50 карточках. Сессии с более чем 60 карточками рискуют вызвать усталость и поверхностную сортировку. Очные модерируемые сессии могут занимать 30–45 минут, поскольку исследователь может побуждать участников думать вслух.

Время на анализ: 2–5 дней в зависимости от числа участников и того, используется ли специализированное программное обеспечение для анализа (OptimalSort, UXtweak) или ручной анализ в таблицах.

Общие сроки: 1–3 недели (подготовка карточек и пилот: 2–3 дня; сбор данных: 3–7 дней для удалённых, 1–2 дня для очных; анализ и отчёт: 2–5 дней).

Как проводить карточную сортировку: пошаговый процесс

1. Выбрать тип сортировки

Выберите из трёх типов в зависимости от исследовательского вопроса. Открытая карточная сортировка: участники сами создают группы и придумывают им названия — используется при изучении того, как пользователи естественно организуют контент и какие подписи ожидают увидеть. Закрытая карточная сортировка: участники раскладывают карточки по заранее определённым категориям — используется при проверке того, работает ли существующая или предлагаемая категориальная структура. Гибридная карточная сортировка: участники сортируют в предопределённые категории, но могут создавать новые — используется при тестировании структуры с возможностью для пользователей выявить пробелы.

2. Отобрать и подписать карточки

Создайте 30–50 карточек, каждая из которых представляет страницу, функцию, продукт или элемент контента. Пишите подписи простым языком, понятным без профессиональных знаний. Избегайте одинаковых слов на нескольких карточках (например, «Toyota Camry» и «Toyota Corolla» будут сгруппированы по марке, а не по типу автомобиля). Избегайте жаргона или внутренних терминов, которых пользователи не знают. Каждая карточка должна представлять один концепт — если подпись неоднозначна, участники будут сортировать непоследовательно, и данные окажутся зашумлёнными.

3. Провести пилотное тестирование с 3–5 людьми

Проведите небольшой пилот перед запуском полного исследования. Следите за: карточками, которые участники не понимают; карточками, которые все кладут в одну группу (слишком очевидно — возможно, стоит убрать); карточками, с которыми все затрудняются (возможно, нужно переформулировать); сессиями, занимающими слишком много времени (сократите число карточек). По результатам пилота скорректируйте подписи, уберите лишние карточки и уточните инструкции.

4. Настроить исследование и набрать участников

Для удалённых исследований настройте сортировку в инструменте типа OptimalSort, UXtweak или Maze. Добавьте краткое введение с объяснением задачи, не влияя на то, как участники должны сортировать. Включите скрининговые вопросы, чтобы участники соответствовали целевой аудитории. Для очных исследований распечатайте карточки на карточках или стикерах и подготовьте поверхность. Набирайте 15–30 участников, которые действительно представляют пользователей продукта — не коллег, не UX-специалистов, не стейкхолдеров.

5. Провести сортировку

Для удалённых немодерируемых сортировок запустите исследование и следите за процентом завершения. Ожидайте 20–30% отказов при длинных сортировках — планируйте рекрутинг с учётом этого. Для очных модерируемых сортировок просите участников думать вслух и уточняйте их мотивацию: «Почему вы положили их вместе?», «Как бы вы назвали эту группу?», «Где вы стали бы искать X?». Записывайте звук и делайте заметки. Не помогайте участникам и не предлагайте группировки — цель в том, чтобы увидеть их ментальную модель без влияния извне.

6. Очистить данные

Удалите незавершённые сессии (участники, рассортировавшие менее половины карточек). Удалите спамные или случайные сортировки (участники, завершившие за менее чем 2 минуты при 40-карточной сортировке). Стандартизируйте подписи групп: участники будут использовать разные слова для одного понятия («Помощь» vs. «Поддержка» vs. «Служба клиентов»). Свяжите синонимичные подписи с единым каноническим термином для анализа.

7. Проанализировать группировки и сформировать категориальную структуру

Используйте аналитические инструменты вашего программного обеспечения для карточной сортировки, чтобы получить: матрицу сходства (какие карточки чаще всего группировались вместе), дендрограмму (как формируются кластеры при разных порогах согласия) и популярные категории (наиболее распространённые группировки с пользовательскими названиями). Установите порог согласия — обычно 60–70% — для определения того, какие группировки достаточно устойчивы, чтобы стать категориями. Элементы ниже порога, возможно, потребуют перелинковки.

8. Перевести результаты в информационную архитектуру

Преобразуйте анализ в предлагаемую структуру сайта. Используйте наиболее устойчивые кластеры как категории верхнего уровня. Используйте пользовательские подписи как отправную точку для названий навигации (при необходимости проверьте через тестирование предпочтений или A/B тестирование). Зафиксируйте элементы с низким согласием — именно они будут вызывать проблемы с находимостью независимо от того, куда их поместить; для них нужна перелинковка или дополнительные навигационные пути.

9. Провести валидацию с помощью tree testing

После построения предлагаемой архитектуры по данным карточной сортировки проведите tree test, чтобы проверить, могут ли пользователи на самом деле находить элементы в новой структуре. Карточная сортировка говорит о том, как пользователи группируют элементы; tree testing — о том, могут ли они найти конкретные элементы внутри этих групп. Два метода вместе — сначала сортировка, потом тест — дают архитектуру, которая одновременно организована по-пользовательски и удобна для навигации.

Как AI меняет этот метод

Совместимость с AI: частичная — AI может ускорить анализ данных карточной сортировки (матрицы сходства, кластеризация, стандартизация меток) и даже моделировать предварительные сортировки в дополнение к реальным участникам. Однако AI не может заменить реальных пользователей, сортирующих реальные карточки, потому что цель карточной сортировки — раскрыть, как думают реальные целевые пользователи, а категоризация LLM отражает его обучающие данные, а не ментальную модель конкретной пользовательской группы. Исследование MeasuringU показало, что результаты сортировки ChatGPT умеренно коррелируют с результатами людей, но расходятся на неоднозначных элементах — именно там, где пользовательские данные важнее всего.

Что может AI

Стандартизация меток: LLM может обработать сырые подписи групп от всех участников и привести синонимичные термины к каноническим (например, объединив «Помощь», «Поддержка», «Служба клиентов» и «Получить помощь» в одну категорию), сократив часы ручной очистки меток.
Интерпретация кластеров: После построения дендрограммы AI может описать простым языком, что представляет каждый кластер, помогая команде без статистического опыта понять результаты анализа.
Предварительное моделирование сортировки: До рекрутинга реальных участников LLM может рассортировать карточки, чтобы выявить явно проблемные подписи (карточки, с которыми AI тоже не может последовательно справиться), — это быстрый пре-пилот для повышения качества карточек.
Сравнение между сегментами: Имея данные сортировки от нескольких пользовательских сегментов, AI может определить, где сегменты согласны, а где расходятся, создав структурированное сравнение, которое при ручном анализе матриц заняло бы часы.
Подготовка чернового отчёта: AI может сгенерировать первый вариант отчёта по данным анализа — резюмируя наиболее устойчивые группировки, перечисляя элементы с низким согласием и предлагая категориальную структуру, которую исследователь затем проверяет и дорабатывает.

Что требует исследователя

Представление реальных пользователей: Вся суть карточной сортировки в том, чтобы зафиксировать, как думают реальные пользователи. Сортировка LLM отражает усреднённые паттерны из его обучающего корпуса, а не ментальную модель конкретного сегмента (например, новых клиентов, пожилых пользователей, экспертов в предметной области). Только реальные участники дают эти данные.
Модерирование очных сессий: Очные модерируемые сортировки дают качественные данные — почему участники группируют элементы именно так, — которые никакая автоматизированная сортировка не способна получить. Исследователь уточняет мотивацию, замечает колебания и в режиме реального времени следует за неожиданными группировками.
Решения по неоднозначным элементам: Элементы с низким согласием среди участников наиболее стратегически важны — они отражают реальную неопределённость относительно принадлежности контента. Решение о том, как с ними обращаться (перелинковать, переименовать, разбить или реструктурировать), требует дизайн-суждения с учётом бизнес-контекста.
Архитектурные решения: Перевод кластеров в удобную для навигации информационную архитектуру предполагает компромисс между глубиной и шириной, между ожиданиями пользователей и бизнес-требованиями, между идеальной структурой и техническими ограничениями. Это дизайн-решения, а не задача для данных.

AI-усиленный рабочий процесс

Самый трудоёмкий этап анализа карточной сортировки — очистка меток. В открытой сортировке с 30 участниками и 40 карточками участники могут создать 150–200 уникальных подписей групп, многие из которых являются синонимами или почти синонимами. Традиционно исследователь тратит 3–6 часов на чтение каждой подписи, решая, какие из них означают одно и то же, и стандартизируя список до начала кластерного анализа. LLM может подготовить первичное отображение синонимичных меток за минуты, сведя работу исследователя к проверке и коррекции результата AI — как правило, 30–60 минут вместо полдня.

Этап анализа тоже выигрывает. Инструменты типа OptimalSort генерируют матрицы сходства и дендрограммы автоматически, но их интерпретация требует статистической грамотности, которой у многих команд нет. LLM может взять сырой результат анализа, описать ключевые кластеры простым языком и составить рекомендуемую структуру категорий, которую команда может обсуждать, не читая дендрограмму напрямую. Это делает результаты карточной сортировки доступными для стейкхолдеров, которые иначе бы отстранились от статистической презентации.

Там, где AI не справляется, — это непосредственный сбор данных. Велико искушение пропустить рекрутинг и попросить LLM рассортировать карточки, но это даёт результаты, отражающие общие языковые паттерны, а не конкретные ментальные модели целевых пользователей. Пациенты медицинской компании категоризируют медицинскую информацию иначе, чем генеральная совокупность, — и именно эту разницу призвана выявить карточная сортировка. Симулируемые AI сортировки полезны как пре-пилоты (для проверки качества карточек до того, как их увидят реальные участники), но никогда не должны заменять данные реальных участников.

Хорошо сочетается с

Mental Model Mapping (Mm): Построение ментальных моделей показывает, как пользователи организуют своё мышление о предметной области; карточная сортировка операционализирует это понимание, проверяя, как они организуют конкретные элементы контента внутри этой области. Ментальные пространства из диаграммы ментальных моделей могут подсказать, какие карточки включить в сортировку.
In-depth Interview (Di): Модерируемые карточные сортировки естественно генерируют данные, сопоставимые с интервью, когда участники думают вслух. Сочетание карточной сортировки с последующими интервью даёт одновременно структурные данные (группировки) и качественные данные (мотивацию группировок).
Persona Building (Ps): Данные карточной сортировки, разбитые по типам персон, показывают, по-разному ли разные группы пользователей организуют информацию, — это подсказывает, должна ли архитектура учитывать несколько ментальных моделей или оптимизироваться под основную персону.
Concept Testing (Ct): После того как карточная сортировка даёт категориальную структуру, концептуальное тестирование позволяет проверить, понимают ли пользователи, что входит в каждую категорию, только по её названию — быстрая валидация перед построением полной архитектуры.
Participatory Design (Pd): Карточная сортировка — одна из простейших активностей в партисипативном дизайне. Сочетание её с более широкими воркшопами по партисипативному дизайну позволяет пользователям влиять как на организацию контента, так и на интерфейс, который его представляет.

Пример из практики

UX-исследователи провели открытую карточную сортировку с 25 клиентами, использовав 45 карточек с наиболее популярными и часто разыскиваемыми темами справки. Участники стабильно выстраивали группы, отличавшиеся от существующей структуры по двум параметрам: они организовывали материал по задачам («Настроить проект», «Пригласить команду», «Отслеживать прогресс»), а не по функциям («Диаграммы Ганта», «Kanban-доски», «Распределение ресурсов»), и использовали конкретные, действенные формулировки, а не абстрактные названия функций из справочного центра. Дендрограмма показала высокое согласие (70%+) по пяти категориям на основе задач, которые заменили исходные восемь категорий на основе функций.

Типичные ошибки новичков

Слишком много или слишком мало карточек

Начинающие либо включают каждую страницу сайта (получая сортировку из 100+ карточек, которая изматывает участников), либо берут так мало карточек (меньше 15), что группировки становятся тривиально очевидными. Оптимальный диапазон — 30–50 карточек. Выбор правильных карточек сам по себе является исследовательским решением — включайте элементы, которые отражают широту пространства контента и с которыми вы действительно не знаете, как пользователи поступят. Исключите элементы с очевидным местом («Войти» всегда оказывается в «Аккаунт»).

Предвзятость подписей из-за внутреннего жаргона

Если подписи на карточках используют внутреннюю терминологию или названия отделов, участники будут сортировать по словам, а не по пониманию контента. Карточка с надписью «Интеграция с CRM» будет рассортирована теми, кто знает, что такое CRM, но запутает всех остальных. Перепишите подписи на понятный пользователям язык: «Подключите к своей базе клиентов» вместо «Интеграция с CRM». Карточная сортировка проверяет, как пользователи думают, а не знают ли они ваши аббревиатуры.

Пропуск пилота

Проведение карточной сортировки без пилота означает обнаружение проблем (неясные подписи, слишком много карточек, непонятные инструкции) после того, как 30 участников уже прошли дефектное исследование. Пилот из 3–5 человек выявляет эти проблемы, пока их ещё дёшево исправить. Наблюдайте за тем, как участники пилота сортируют — если они колеблются на одних и тех же карточках, эти подписи нужно переписать.

Отношение к результатам как к готовой архитектуре

Карточная сортировка даёт группировки, а не структуру навигации. Начинающие иногда берут наиболее распространённые группировки и сразу выпускают их как финальную информационную архитектуру, не задумываясь о компромиссах между глубиной и шириной, потребностях в перелинковке, бизнес-требованиях или удобстве навигации. Данные карточной сортировки — это вводные для дизайна архитектуры, а не сам результат. Всегда дополняйте карточную сортировку tree testing, чтобы проверить, действительно ли предлагаемая структура работает для поиска конкретного контента.

Только закрытая сортировка там, где нужна открытая

Закрытая карточная сортировка валидирует существующую структуру — она не может сгенерировать новую. Если проблема в текущей архитектуре, закрытая сортировка лишь скажет, могут ли пользователи раскладывать по этим нерабочим категориям. Начинайте с открытой сортировки, чтобы узнать, как пользователи организуют информацию естественным образом, затем используйте закрытую для валидации полученной структуры. Начинать с закрытой сортировки — наиболее распространённое неправильное применение метода.

AI-промпты для этого метода

4 готовых AI-промптов с placeholder’ами — скопируйте и подставьте свой контекст. Все промпты для «карточной сортировки» →.