Kako sprovesti sortiranje kartica: praktični vodič sa AI promptovima

Jedna B2B SaaS kompanija koja prodaje softver za upravljanje projektima primetila je da njen centar za pomoć ima više od 400 članaka, ali sve manji broj pregleda stranica i sve veći broj tiketa za korisničku podršku. Analitika je pokazala da korisnici traže termine za pomoć tri puta češće nego što se kreću kroz strukturu kategorija centra za pomoć, i da 40% pretraga ne daje rezultate — ne zato što članak ne postoji, već zato što korisnici pretražuju koristeći drugačiju terminologiju od one koja se koristi u naslovima članaka.

UX istraživački tim sproveo je otvoreno sortiranje kartica sa 25 korisnika, koristeći 45 kartica koje su predstavljale najposećenije i najtraženije teme pomoći. Učesnici su dosljedno pravili grupacije koje su se razlikovale od postojeće strukture na dva načina: organizovali su ih po zadacima (“Postavljanje mog projekta”, “Pozivanje tima”, “Praćenje napretka”), a ne po funkcionalnostima (“Gantt grafikoni”, “Kanban table”, “Alokacija resursa”), i koristili su konkretne, akciono orijentisane oznake umesto apstraktnih naziva funkcionalnosti koje koristi centar za pomoć. Dendrogram je pokazao visok stepen slaganja (70%+) za pet kategorija zasnovanih na zadacima, koje su zamenile originalnih osam kategorija zasnovanih na funkcionalnostima.

Tim je restrukturisao centar za pomoć koristeći kategorije iz sortiranja kartica i usvojio je najčešće oznake koje su generisali učesnici. Kao potvrdu, sproveo je i tree test (testiranje drvetom, 42 učesnika), koji je pokazao da je 85% zadataka bilo pronađeno u novoj strukturi, u poređenju sa 52% u staroj. Nakon pokretanja, upotreba navigacije centra za pomoć porasla je za 60%, odnos pretrage i navigacije pao je sa 3:1 na 1:1, a broj tiketa za podršku za pitanja “kako da” smanjio se za 22% u roku od dva meseca.

Taj ishod je ono što sortiranje kartica donosi: prelaz sa “organizovali smo sadržaj onako kako mi o njemu razmišljamo” na “organizovali smo sadržaj onako kako korisnici o njemu razmišljaju.”

Šta je sortiranje kartica

Sortiranje kartica (card sorting) je istraživačka metoda u kojoj učesnici organizuju pojedinačno označene kartice u grupe koje im imaju smisla, otkrivajući kako očekuju da informacije budu strukturirane. Metoda daje podatke koji direktno informišu odluke o informacionoj arhitekturi — nazive kategorija, strukture navigacije i grupisanje sadržaja — utemeljujući ih u mentalnim modelima korisnika, a ne u internoj organizacionoj logici.

Na koja pitanja odgovara

Sortiranje kartica odgovara na pitanja o tome kako korisnici očekuju da informacije budu organizovane:

Kako korisnici prirodno kategorizuju i grupišu sadržaj, funkcionalnosti ili teme na našem sajtu ili aplikaciji?
Koje oznake i nazive kategorija korisnici očekuju da vide u navigaciji — i koje od naših trenutnih oznaka ih zbunjuju?
Da li naša postojeća informaciona arhitektura odgovara načinu na koji korisnici razmišljaju o našem sadržaju, ili ga organizujemo prema internoj strukturi odeljenja?
Koje stavke korisnici dosljedno grupišu zajedno, a sa kojima imaju poteškoća — što signalizuje nejasan ili loše definisan sadržaj?
Kako se različiti segmenti korisnika (novi naspram stalnih, eksperti naspram početnika) razlikuju u načinu na koji organizuju isti skup stavki?
Koja struktura kategorija daje najveće slaganje između učesnika, što ukazuje na stabilnu arhitekturu usredsređenu na korisnike?

Kada koristiti

Kada projektujete ili redizajnirate informacionu arhitekturu veb sajta, aplikacije ili intraneta, a tim treba empirijske podatke o tome kako korisnici očekuju da sadržaj bude organizovan, umesto da se oslanja na mišljenja zainteresovanih strana ili logiku organizacionog dijagrama.
Kada postojeća navigacija ne funkcioniše dobro — korisnici ne mogu da nađu ono što im treba, upotreba pretrage je neuobičajeno visoka, ili tiketi za podršku često navode “nisam mogao da pronađem X” — a tim sumnja da je struktura kategorija osnovni uzrok.
Kada dodajete značajnu količinu novog sadržaja ili funkcionalnosti postojećem proizvodu, a trenutna arhitektura možda ne može da ih prihvati bez restrukturisanja.
Kada spajate sadržaj iz više izvora (npr. nakon akvizicije, migracije platforme ili konsolidacije više mikro-sajtova) i timu je potrebna jedinstvena struktura koja funkcioniše za korisnike svih starijih sistema.
Kada je tim već sproveo sortiranje kartica i izgradio novu arhitekturu, i sada želi da proveri da li predložene kategorije funkcionišu kroz zatvoreno sortiranje kartica.
Kada postoji interno neslaganje o tome kako organizovati sadržaj i tim treba podatke korisnika da reši debatu, umesto da pobedi najglasniji.

Ova metoda nije prava kada je pitanje da li korisnici mogu da pronađu određene stavke unutar postojeće strukture — to je tree testing, a ne sortiranje kartica. Sortiranje kartica generiše strukturu; tree testing je evaluira. Takođe nije prikladna kada je skup sadržaja veoma mali (manje od 15 stavki) ili veoma velik (više od 80 stavki) — mali skupovi daju trivijalno očigledna grupisanja, dok veliki skupovi prouzrokuju zamor učesnika i nepouzdane podatke. Ako je cilj razumevanje ponašanja, motivacija ili stavova, a ne organizacija sadržaja, koristite dubinske intervjue ili kontekstualno istraživanje.

Šta dobijate (rezultati)

Matrica sličnosti: tabela koja pokazuje koliko često je svaki par kartica bio smešten u istu grupu od strane svih učesnika, otkrivajući koje stavke korisnici smatraju snažno povezanim.
Dendrogram (analiza klastera): dijagram u obliku stabla koji pokazuje kako se stavke grupišu pri različitim nivoima slaganja, pomažući timu da odluči gde da povuče granice kategorija.
Predložena struktura kategorija: skup kategorija koje su generisali korisnici, sa oznakama zasnovanim na najčešćim grupacijama učesnika.
Podaci o nazivima kategorija: stvarne reči koje su učesnici koristili za označavanje svojih grupa, pružajući vokabular za oznake navigacije koji odgovara očekivanjima korisnika.
Standardizovana tabela: sirovi podaci o sortiranju za svakog učesnika, koji omogućavaju dalju statističku analizu ili poređenje između segmenata.
Inventar neslaganja: stavke koje su učesnici stavljali u različite grupe bez jasnog konsenzusa, označavajući sadržaj koji možda treba unakrsno povezati, preimenovati ili podeliti.

Učesnici i trajanje

Učesnici: 15–30 za otvoreno sortiranje kartica (NNGroup preporučuje 15+ za stabilne obrasce; veći uzorci daju pouzdanije matrice sličnosti). 15–20 za zatvoreno sortiranje kartica. Za udaljene nemoderirane studije, regrutujte prema gornjem kraju, jer će neke sesije biti nepotpune ili niskog kvaliteta.

Trajanje sesije: 15–30 minuta po učesniku za 30–50 kartica. Sesije sa više od 60 kartica nose rizik od zamora i površnog sortiranja. Lično moderirane sesije mogu trajati 30–45 minuta jer istraživač može podsticati učesnike da razmišljaju naglas.

Vreme analize: 2–5 dana, zavisno od broja učesnika i toga da li se koristi namenski softver za analizu (OptimalSort, UXtweak) ili ručna analiza u tabeli.

Ukupan vremenski okvir: 1–3 nedelje (priprema kartica i pilot: 2–3 dana; prikupljanje podataka: 3–7 dana za udaljene, 1–2 dana za lične sesije; analiza i izveštaj: 2–5 dana).

Kako sprovesti sortiranje kartica (korak po korak)

1. Odaberite vrstu sortiranja kartica

Odlučite između tri vrste na osnovu istraživačkog pitanja. Otvoreno sortiranje kartica: učesnici sami prave grupe i imenuju ih — koristite kada istražujete kako korisnici prirodno organizuju sadržaj i koje oznake očekuju. Zatvoreno sortiranje kartica: učesnici sortiraju kartice u unapred definisane kategorije — koristite kada proveravate da li postojeća ili predložena struktura kategorija funkcioniše. Hibridno sortiranje kartica: učesnici sortiraju u unapred definisane kategorije, ali mogu da prave i nove — koristite kada testirate strukturu, ostavljajući prostor korisnicima da ukažu na nedostatke.

2. Odaberite i označite kartice

Napravite 30–50 kartica, od kojih svaka predstavlja stranicu, funkcionalnost, proizvod ili stavku sadržaja. Pišite oznake na razumljivom jeziku koji učesnici mogu da razumeju bez domenskog znanja. Izbegavajte identične reči na više kartica (npr. “Toyota Camry” i “Toyota Corolla” biće grupisane po brendu, a ne po vrsti vozila). Izbegavajte žargon ili internu terminologiju koju korisnici ne bi prepoznali. Svaka kartica treba da predstavlja jedan jedini koncept — ako je oznaka dvosmislena, učesnici će sortirati nekonzistentno i podaci će biti “zašumljeni”.

3. Sprovesti pilot sa 3–5 osoba

Pre pokretanja studije u punom obimu, sprovedi mali pilot. Pazite na: kartice koje učesnici ne razumeju, kartice koje svi stavljaju u istu grupu (previše očigledne, razmotrite uklanjanje), kartice sa kojima se svi muče (možda treba preoznačiti), i sesije koje predugo traju (smanjiti broj kartica). Prilagodite oznake, uklonite nepotrebne kartice i razjasnite uputstva na osnovu rezultata pilota.

4. Postavite studiju i regrutujte učesnike

Za udaljene studije, postavite sortiranje u alatu kao što je OptimalSort, UXtweak ili Maze. Dodajte kratak uvod koji objašnjava zadatak bez uticaja na način na koji učesnici treba da sortiraju. Uključite pitanja za prosejavanje kako biste osigurali da učesnici odgovaraju ciljnoj grupi. Za lične studije, odštampajte kartice na indeks karticama ili samoljepljivim listićima i pripremite površinu stola. Regrutujte 15–30 učesnika koji predstavljaju stvarne korisnike proizvoda — ne kolege, ne UX stručnjake, ne zainteresovane strane.

5. Sprovedite sortiranje

Za udaljene nemoderirane studije, pokrenite studiju i pratite stope završetka. Očekujte 20–30% odustajanja za duža sortiranja; planirajte regrutovanje u skladu sa tim. Za lično moderirane studije, zamolite učesnike da razmišljaju naglas dok sortiraju i ispitajte njihovo rezonovanje: “Zašto ste ove zajedno stavili?” “Kako biste nazvali ovu grupu?” “Gde biste tražili X?” Snimajte zvuk i pravite beleške. Nemojte pomagati učesnicima niti predlagati grupisanja — poenta je da vidite njihov neometan mentalni model.

6. Očistite podatke

Uklonite nepotpune sesije (učesnici koji su sortirali manje od polovine kartica). Uklonite špam ili nasumična sortiranja (učesnici koji su završili za manje od 2 minuta za sortiranje od 40 kartica). Standardizujte oznake grupa: učesnici će koristiti različite reči za isti koncept (“Pomoć” naspram “Podrška” naspram “Korisnički servis”). Mapirajte sinonimne oznake na jedan kanonički termin za analizu.

7. Analizirajte grupisanja i generišite strukturu kategorija

Koristite analitičke alate u vašem softveru za sortiranje kartica da generišete: matricu sličnosti (koje kartice su najčešće grupisane zajedno), dendrogram (kako se klasteri formiraju pri različitim pragovima slaganja) i popularne kategorije (najčešća grupisanja sa imenima koje su dali učesnici). Postavite prag slaganja — obično 60–70% — da odlučite koja grupisanja su dovoljno snažna da postanu kategorije. Stavke ispod praga možda treba da se pojave u više kategorija ili da budu unakrsno povezane.

8. Pretvorite nalaze u informacionu arhitekturu

Pretvorite analizu u predloženu strukturu sajta. Koristite najsnažnije klastere kao kategorije najvišeg nivoa. Koristite oznake koje su generisali učesnici kao polaznu tačku za nazive navigacije (potvrđene kroz testiranje preferencija ili A/B testiranje ako je potrebno). Dokumentujte stavke sa niskim slaganjem — to su stavke koje će uzrokovati probleme sa pronalaženjem bez obzira na to gde su smeštene, i treba ih unakrsno povezati ili dati im sekundarne navigacione puteve.

9. Proverite sa tree testingom

Nakon što izgradite predloženu arhitekturu iz podataka sortiranja kartica, pokrenite tree test da procenite da li korisnici zaista mogu da pronađu stavke unutar nove strukture. Sortiranje kartica vam govori kako korisnici grupišu stavke; tree testing vam govori da li mogu da naviguju do određenih stavki unutar tih grupa. Ove dve metode zajedno — prvo sortiranje, zatim testiranje — daju arhitekturu koja je i korisnički organizovana i korisnički navigabilna.

Kako AI menja ovu metodu

Kompatibilnost sa AI: delimična — AI može ubrzati analizu podataka sortiranja kartica (matrice sličnosti, klasterizacija, standardizacija oznaka) i čak može simulirati preliminarna sortiranja kao dopunu učesnicima. Međutim, AI ne može zameniti stvarne korisnike koji sortiraju stvarne kartice, jer je cilj sortiranja kartica da se otkrije kako razmišljaju stvarni korisnici ciljne grupe — a kategorizacija jednog LLM-a odražava njegove podatke za obuku, a ne mentalni model bilo koje specifične populacije korisnika. Istraživanje MeasuringU-a pokazalo je da rezultati sortiranja ChatGPT-a koreliraju sa rezultatima ljudi na umerenom nivou, ali se razilaze na dvosmislenim stavkama — tačno tamo gde su korisnički podaci najvažniji.

Šta AI može da uradi

Standardizacija oznaka: LLM može obraditi sirove oznake grupa svih učesnika i mapirati sinonimne termine na kanonične oznake (npr. grupisati “Pomoć”, “Podrška”, “Korisnički servis” i “Dobijte pomoć” pod jednu kategoriju), smanjujući sate ručnog čišćenja oznaka.
Interpretacija dendrograma: Nakon generisanja dendrograma, AI može opisati šta svaki klaster predstavlja razumljivim jezikom, pomažući timu koji nije upoznat sa dendrogramima da razume rezultate analize.
Simulacija preliminarnog sortiranja: Pre regrutovanja stvarnih učesnika, LLM može sortirati kartice da identifikuje problematične oznake (kartice koje ni AI ne može dosljedno da kategorizuje), što služi kao brzi pre-pilot za poboljšanje kvaliteta kartica.
Poređenje između segmenata: Na osnovu podataka o sortiranju iz više segmenata korisnika, AI može identifikovati gde se segmenti slažu, a gde se razilaze, proizvodeći strukturirano poređenje koje bi ručnom analizom matrica zahtevalo sate rada.
Izrada nacrta izveštaja: AI može generisati nacrt izveštaja iz podataka analize — rezimirati najsnažnija grupisanja, navesti stavke sa niskim slaganjem i predložiti strukturu kategorija — koji istraživač zatim proverava i usavršava.

Šta zahteva istraživača

Predstavljanje stvarnih korisnika: Cela poenta sortiranja kartica je da se uhvati način na koji stvarni korisnici razmišljaju. Sortiranje LLM-a odražava osrednjene obrasce iz njegovog korpusa za obuku, a ne mentalni model specifičnog segmenta korisnika (npr. korisnika koji prvi put kupuju, starijih korisnika, domenskih eksperata). Samo ljudski učesnici pružaju ove podatke.
Facilitacija moderiranih sesija: Lično moderirana sortiranja proizvode kvalitativne podatke — zašto su učesnici grupisali stavke na taj način — koje nijedno automatizovano sortiranje ne može da uhvati. Istraživač istražuje rezonovanje, primećuje oklijevanje i prati neočekivana grupisanja u realnom vremenu.
Odluke o dvosmislenim stavkama: Stavke koje generišu nisko slaganje među učesnicima su strateški najvažnije — one predstavljaju stvarnu zbunjenost oko toga gde sadržaj pripada. Odlučivanje kako postupiti sa ovim stavkama (unakrsno ih povezati, preimenovati, podeliti ili restrukturisati) zahteva dizajnersko rasuđivanje zasnovano na poslovnom kontekstu.
Arhitektonske odluke: Prevođenje klastera u navigabilnu informacionu arhitekturu uključuje kompromise između dubine i širine, između očekivanja korisnika i poslovnih zahteva, i između idealne strukture i tehničkih ograničenja. To su odluke o dizajnu, a ne problemi sa podacima.

Radni tok poboljšan AI-em

Najdugotrajna faza analize sortiranja kartica je čišćenje oznaka. U otvorenom sortiranju kartica sa 30 učesnika i 40 kartica, učesnici mogu da naprave 150–200 jedinstvenih oznaka grupa, od kojih su mnoge sinonimi ili skoro-sinonimi. Istraživač tradicionalno provodi 3–6 sati čitajući svaku oznaku, odlučujući koje od njih znače istu stvar i standardizujući listu pre nego što može da počne ikakva analiza klasterisanja. LLM može da napravi prvobitan prikaz mapiranja sinonimnih oznaka za nekoliko minuta, svodeći posao istraživača na pregled i ispravku AI rezultata — obično 30–60 minuta umesto pola dana.

Faza analize takođe ima koristi. Alati kao što je OptimalSort automatski generišu matrice sličnosti i dendrograme, ali njihova interpretacija zahteva statističku pismenost koju mnogi timovi nemaju. LLM može uzeti sirove rezultate analize, opisati ključne klastere razumljivim jezikom i sastaviti preporučenu strukturu kategorija o kojoj tim može da razgovara bez potrebe da direktno čita dendrogram. To čini rezultate sortiranja kartica dostupnim zainteresovanim stranama koje bi se inače distancirali od statističke prezentacije.

Gde AI zakazuje jeste u samom prikupljanju podataka. Iako je primamljivo preskočiti regrutovanje i imati LLM da sortira kartice, to daje rezultate koji odražavaju opšte jezičke obrasce, a ne specifične mentalne modele ciljnih korisnika. Pacijenti zdravstvene kompanije kategorizuju medicinske informacije drugačije od opšte populacije — i ta razlika je upravo ono što sortiranje kartica treba da otkrije. Sortiranja simulirana AI-em korisna su kao pre-piloti (za testiranje kvaliteta kartica pre nego što ih vide stvarni učesnici), ali nikada ne bi trebalo da zamene stvarne podatke učesnika.

Dobro funkcioniše sa

Mapiranje mentalnog modela (Mental Model Mapping, Mm): Mapiranje mentalnog modela otkriva kako korisnici organizuju svoje razmišljanje o domenu; sortiranje kartica operacionalizuje to razumevanje testiranjem kako organizuju određene stavke sadržaja unutar tog domena. Mentalni prostori iz dijagrama mentalnog modela mogu da informišu koje kartice uključiti u sortiranje.
Dubinski intervju (In-depth Interview, Di): Moderirane studije sortiranja kartica prirodno generišu podatke kvaliteta intervjua kada učesnici razmišljaju naglas. Kombinovanje sortiranja kartica sa naknadnim intervjuima daje i strukturne podatke (grupisanja) i kvalitativne podatke (rezonovanje iza grupisanja).
Izgradnja persone (Persona Building, Ps): Podaci sortiranja kartica segmentirani prema tipu persone otkrivaju da li različite grupe korisnika organizuju informacije drugačije, informišući da li arhitektura treba da prilagodi više mentalnih modela ili da optimizuje za primarnu personu.
Testiranje koncepta (Concept Testing, Ct): Nakon što sortiranje kartica daje strukturu kategorija, testiranje koncepta može proceniti da li korisnici razumeju šta svaka kategorija sadrži samo na osnovu njene oznake — brza potvrda pre izgradnje pune arhitekture.
Participativni dizajn (Participatory Design, Pd): Sortiranje kartica je jedna od najjednostavnijih aktivnosti participativnog dizajna. Kombinovanje sa širim participativnim dizajn radionicama omogućava korisnicima da oblikuju i organizaciju sadržaja i interfejs koji ga prezentuje.

Primer iz prakse

B2B SaaS kompanija koja prodaje softver za upravljanje projektima primetila je da njen centar za pomoć ima više od 400 članaka, ali sve manji broj pregleda stranica i sve veći broj tiketa za korisničku podršku. Analitika je pokazala da korisnici traže termine za pomoć tri puta češće nego što se kreću kroz strukturu kategorija centra za pomoć, i da 40% pretraga ne daje rezultate — ne zato što članak ne postoji, već zato što korisnici pretražuju koristeći drugačiju terminologiju od one koja se koristi u naslovima članaka.

Tim je restrukturisao centar za pomoć koristeći kategorije iz sortiranja kartica i usvojio je najčešće oznake koje su generisali učesnici. Kao potvrdu, sproveo je tree test (42 učesnika), koji je pokazao da je 85% zadataka bilo pronađeno u novoj strukturi, u poređenju sa 52% u staroj. Nakon pokretanja, upotreba navigacije centra za pomoć porasla je za 60%, odnos pretrage i navigacije pao je sa 3:1 na 1:1, a broj tiketa za podršku za pitanja “kako da” smanjio se za 22% u roku od dva meseca.

Greške početnika

Previše ili premalo kartica

Početnici ili uključuju svaku stranicu na sajtu (pravljeći sortiranje od 100+ kartica koje iscrpljuju učesnike) ili uključuju toliko malo kartica (manje od 15) da su grupisanja trivijalno očigledna. Ciljni opseg je 30–50 kartica. Odabir pravih kartica je sam po sebi istraživačka odluka — birajte stavke koje predstavljaju širinu prostora sadržaja i za koje zaista ne znate kako bi ih korisnici kategorizovali. Isključite stavke sa očiglednim mestom (npr. “Prijava” uvek ide u “Nalog”).

Predrasuda oznaka kartica sa internim žargonom

Ako oznake kartica koriste internu terminologiju ili nazive odeljenja, učesnici će sortirati na osnovu reči, a ne na osnovu razumevanja sadržaja. Kartica sa oznakom “CRM Integracija” biće sortirana od strane onih koji znaju šta CRM znači, ali će zbuniti sve ostale. Prepišite oznake razumljivim korisničkim jezikom: “Povežite se sa bazom podataka korisnika” umesto “CRM Integracija.” Sortiranje kartica testira kako korisnici razmišljaju, a ne da li znaju vaše akronime.

Preskakanje pilota

Pokretanje sortiranja kartica bez pilota znači da probleme (zbunjujuće oznake, previše kartica, nejasna uputstva) otkrijete tek nakon što je 30 učesnika već završilo studiju sa greškom. Pilot sa 3–5 osoba otkriva ove probleme dok su ih još jeftino ispraviti. Posmatrajte kako pilot učesnici sortiraju — ako oklijevaju na istim karticama, te oznake treba prepisati.

Tretiranje rezultata kao gotove arhitekture

Sortiranje kartica daje grupisanja, a ne navigacionu strukturu. Početnici ponekad uzmu najčešća grupisanja i isporuče ih kao završnu informacionu arhitekturu, ne uzimajući u obzir kompromise dubina/širina, potrebe za unakrsnim povezivanjem, poslovne zahteve ili navigabilnost. Podaci sortiranja kartica su ulaz u dizajn arhitekture, a ne izlaz. Uvek pratite sortiranje kartica tree testingom da biste potvrdili da predložena struktura zaista funkcioniše za pronalaženje određenog sadržaja.

Provođenje samo zatvorenog sortiranja kada je potrebno otvoreno

Zatvorena sortiranja kartica proveravaju postojeću strukturu — ne mogu da generišu novu. Ako je trenutna arhitektura problem, zatvoreno sortiranje vam samo može reći da li korisnici mogu da sortiraju u te pokvarene kategorije. Počnite sa otvorenim sortiranjem da otkrijete kako korisnici prirodno organizuju, a zatim koristite zatvoreno sortiranje da potvrdite rezultirajuću strukturu. Prvo pokretanje zatvorenog sortiranja je najčešća pogrešna primena metode.

AI prompti za ovaj metod

4 spremnih AI prompta sa placeholderima — kopirajte i popunite svojim kontekstom. Svi prompti za sortiranje kartica →.