Kako sprovesti tree testing: praktičan vodič sa AI promptovima

Veliki univerzitet je redizajnirao sajt koji je narastao na preko 4.000 stranica: akademski programi, studentski servisi, upis, istraživanja i kampus život. Studenti su se žalili da ne mogu da pronađu rokove za finansijsku pomoć, prijave za smeštaj i uputstva za registraciju kurseva. UX tim je sproveo otvoreno sortiranje kartica sa 40 učesnika i predložio navigacionu strukturu sa 8 kategorija prvog nivoa i 35 potkategorija — ali pre prelaska na vizuelni dizajn, sproveli su tree testing sa 60 učesnika.

Rezultati su pokazali da 7 od 10 zadataka prelazi prag od 70% uspeha, ali tri su pala: rok za finansijsku pomoć (48%), smeštaj za studente koji prelaze sa drugog fakulteta (52%) i dodavanje sporednog studijskog programa (41%). Analiza putanja pokazala je da je finansijska pomoć bila razdvojena između dve kategorije, smeštaj je bio na trećem nivou ugneždavanja, a promena studijskog programa bila je skrivena u kategoriji koju su učesnici povezivali sa transkriptima, ne sa planovima studija. Tim je objedinio finansijsku pomoć u jednu kategoriju prvog nivoa, podigao smeštaj i premestio upravljanje programima među akademske programe. Ponovljeni tree testing potvrdio je da sva tri zadatka sada prelaze 70% — pre bilo kakvog vizuelnog dizajna.

To je ono što tree testing pruža: validaciju navigacione strukture zasnovanu na podacima, za delić cene i vremena punog testa upotrebljivosti.

Šta je tree testing

Tree testing je istraživačka metoda zasnovana na zadacima koja procenjuje da li korisnici mogu da pronađu informacije unutar predložene navigacione hijerarhije tako što im prikazuje samo tekstualnu verziju kategorijske strukture sajta — bez vizuelnog dizajna, rasporeda i sadržaja — i traži od njih da pronađu konkretne stavke. Uklanjanjem svega osim naziva kategorija i njihovog ugneždavanja, tree testing izoluje navigacionu strukturu od vizuelnih signala i otkriva da li informaciona arhitektura ima smisla za korisnike ili je potrebno preraditi nazive, grupisanja i nivoe.

Na koja pitanja odgovara

Mogu li korisnici pronaći ključne resurse u ovoj navigacionoj strukturi i koje kategorije izazivaju najviše zabune?
Da li su nazivi kategorija razumljivi korisnicima ili očekuju drugačije nazive za isti sadržaj?
Na kom nivou hijerarhije se korisnici gube — na prvom, drugom ili dublje?
Postoje li kategorije u kojima korisnici sistematski odlaze na pogrešno mesto, što ukazuje na problem sa nazivom ili grupisanjem?
Kako jedna predložena struktura funkcioniše u poređenju sa alternativnom?
Koji delovi navigacije dobro funkcionišu i treba ih sačuvati pri redizajnu?

Kada koristiti tree testing

Kada predložena informaciona arhitektura postoji (iz sortiranja kartica, od zainteresovanih strana ili iz dizajn istraživanja) i timu treba da proveri da li korisnici mogu pronaći sadržaj u njoj pre pravljenja rasporeda i stranica.
Kada tim redizajnira navigaciju sajta ili aplikacije i želi brzo i jeftino da uporedi više strukturnih opcija pre nego što se opredeli za jednu.
Kada analitika ili povratne informacije ukazuju da korisnici ne nalaze važan sadržaj, ali je nejasno da li je problem u strukturi navigacije, vizuelnom dizajnu ili sadržaju stranica — tree testing izoluje strukturu.
Kada je potrebna brza, lagana metoda koja se može sprovesti za nekoliko dana bez prototipa, vizuelnog dizajna i kreiranja sadržaja.
Kada se mere bazne metrike pronalaženja sadržaja pre redizajna kako bi se poboljšanje moglo izmeriti nakon promene.

Metoda nije prava kada predložena hijerarhija ne postoji — ako tim tek generiše ideje o organizaciji sadržaja, sortiranje kartica je odgovarajuća metoda. Takođe nije prikladna kada se istraživačko pitanje tiče vizuelnog dizajna, obrazaca interakcije ili kvaliteta sadržaja — tree testing namerno uklanja sve to. Ako korisnici moraju videti realističan interfejs, koristite first-click test ili moderisani test upotrebljivosti.

Šta dobijate kao rezultat

Stope uspeha po zadacima: procenat učesnika koji su pronašli tačnu lokaciju, raščlanjen na direktan uspeh (otišli pravo na odgovor) i indirektan (pronašli nakon vraćanja).
Tačnost prvog klika: da li je prvi izbor kategorije bio tačan put — jak prediktor konačnog uspeha.
Vreme završetka: koliko je učesnicima trebalo da pronađu ili odustanu od svake stavke.
Analiza putanja: sekvenca klikova svakog učesnika, otkrivajući tačno gde su korisnici skrenuli pogrešno.
Pietree ili treemap vizualizacije: vizuelni prikaz distribucije tačnih i netačnih putanja svih učesnika.
Izveštaj o problematičnim kategorijama: prioritetizovana lista kategorija sa niskim uspehom i preporukama za preimenovanje, pregrupisanje ili restrukturiranje.

Učesnici i trajanje

Za kvalitativni tree testing (identifikacija problema) dovoljno je 5-8 učesnika. Za kvantitativni (benčmarking, statističko poređenje dve strukture) potrebno je 50+ učesnika po varijanti stabla. NNGroup preporučuje kvalitativni pristup za iterativna poboljšanja i kvantitativni za sumativno poređenje.

Nemoderirani tree testing obično traje 10-15 minuta po učesniku za studiju sa 8-10 zadataka. Moderisane sesije traju 20-30 minuta. Priprema traje 1-2 dana, analiza 1-2 dana, a ukupan rok je 3-7 dana.

Kako sprovesti tree testing (korak po korak)

1. Pripremite stablo iz predložene navigacije

Eksportujte predloženu informacionu arhitekturu u ravnu listu sa uvlačenjima — svaki red je jedna kategorija, uvlačenje predstavlja nivo ugneždavanja. Uključite sve nivoe do lokacije gde se nalazi ciljani resurs. Ne uključujte pojedinačne stranice sadržaja — samo navigacione kategorije i potkategorije.

2. Napišite zadatke koji ne otkrivaju odgovor

Kreirajte 8-12 zadataka koji pokrivaju najvažnije tipove sadržaja i kategorije u kojima ste najmanje sigurni. Svaki zadatak treba da opisuje potrebu korisnika bez korišćenja tačnog naziva kategorije. Uključite mešavinu tipova zadataka i jedan lak zadatak za zagrevanje na početku. Za svaki zadatak definišite tačnu lokaciju odgovora.

3. Izaberite moderisan ili nemoderisan format

Moderisan — za kvalitativnu evaluaciju: facilitator može pitati „Šta ste očekivali da ćete ovde pronaći?” Nemoderisan — za kvantitativni benčmarking: lako se skalira na velike uzorke. Birajte na osnovu cilja.

4. Podesite studiju u alatu

Importujte stablo i zadatke u izabrani alat (Treejack, Maze, UserZoom ili UX Metrics). Konfigurišite tačne odgovore. Omogućite randomizaciju redosleda zadataka (osim zadatka za zagrevanje). Pri poređenju dva stabla koristite between-subjects dizajn.

5. Sprovedite pilot

Pokrenite sa 2-3 kolege koje nisu učestvovale u kreiranju navigacije. Pronađite dvosmislene zadatke, nedostajuće kategorije i slučajno korišćenje reči iz naziva. Pilot takođe procenjuje vreme završetka — treba biti ispod 15 minuta.

6. Regrutujte i pokrenite

Za nemoderirane studije — distribuirajte link. Za moderisane — zakažite sesije od 20-30 minuta. Regrutujte učesnike koji odgovaraju stvarnoj publici sajta.

7. Analizirajte rezultate po zadacima

Za svaki zadatak pregledajte: stopu uspeha, direktnost, tačnost prvog klika i vreme. Označite zadatke sa uspehom ispod 70% ili direktnošću ispod 50%. Koristite analizu putanja da vidite koje kategorije privlače pogrešne klikove.

8. Identifikujte obrasce i preporučite promene

Tražite zakonitosti: iste kategorije zbunjuju u više zadataka, jedan nivo je sistematski problematičan, kategorije privlače klikove ali nikada nisu tačan odgovor. Klasifikujte probleme: imenovanje, grupisanje ili dubina. Preporučite konkretne promene i planirajte ponovljeni tree testing.

Kako AI menja tree testing

AI kompatibilnost: delimična — AI pomaže u generisanju scenarija zadataka, analizi podataka o putanjama, predlaganju alternativnih naziva kategorija i izradi izveštaja, ali ključne odluke o informacionoj arhitekturi zahtevaju ljudsko razumevanje domena, korisnika i organizacionog konteksta.

Šta AI može

Generisati scenarije zadataka iz liste sadržaja i ciljnih kategorija, kreirajući realistične korisničke potrebe bez korišćenja tačnih naziva.
Analizirati podatke o putanjama i identifikovati obrasce — koje kategorije privlače najviše pogrešnih klikova, gde se najčešće dešava vraćanje.
Predlagati alternativne nazive za loše kategorije.
Sastavljati izveštaje iz stopa uspeha, podataka o putanjama i beleški iz sesija.
Porediti dve varijante stabla, sumirajući koja struktura bolje funkcioniše.

Šta zahteva istraživača

Dizajniranje same strukture stabla — grupisanje sadržaja, kreiranje kategorija i odlučivanje o dubini zahteva poznavanje domena.
Pisanje realističnih i nepristrasnih zadataka — AI generisani zadaci često slučajno uključuju reči iz naziva kategorija.
Tumačenje zašto su korisnici izabrali pogrešne putanje — u moderisanim sesijama facilitator postavlja pitanja u realnom vremenu.
Donošenje konačnih odluka o restrukturiranju — izbor između preimenovanja, pregrupisanja, spljoštavanja i razdvajanja zahteva razumevanje odnosa sadržaja.

Radni tok sa AI-jem

Pre AI-ja, ciklus tree testinga uključivao je ručno pisanje svakog scenarija, ručni pregled vizualizacija putanja i ručno sastavljanje izveštaja. Pisanje zadataka za studiju od 10 zadataka trajalo je pola dana, a analiza kvantitativne studije — ceo dan.

Sa AI-jem, ciklus se ubrzava na oba kraja. Istraživač daje stablo i listu sadržaja, LLM za nekoliko minuta kreira nacrte scenarija — istraživač proverava „curenje” naziva i realizam. Za analizu, sirovi podaci učitani u LLM daju identifikaciju obrazaca za nekoliko minuta. Vreme istraživača se pomera od obrade podataka ka tumačenju i odlučivanju.

Alati

Specijalizovane platforme:

Optimal Workshop (Treejack) — najpoznatiji alat za tree testing sa pietree vizualizacijama, analizom putanja i poređenjem varijanti.
Maze — platforma za istraživanje proizvoda sa tree testingom, integrisanim sa sortiranjem kartica i testiranjem prototipova.
UserZoom (UserTesting) — korporativna platforma sa tree testingom i statističkim poređenjem.
UX Metrics — lagan alat za sortiranje kartica i tree testing.
Lyssna (ranije UsabilityHub) — tree testing uz first-click testove.

Prateći alati:

Miro / FigJam — za vizualizaciju i uređivanje strukture stabla pre importa.
Google Sheets / Excel — za pripremu stabla u formatu sa uvlačenjima.
Google Analytics / Mixpanel — za identifikaciju sadržaja koji korisnici ne nalaze.

AI alati:

ChatGPT / Claude — generisanje zadataka, analiza putanja, predlozi naziva, izrada izveštaja.

Česte greške početnika

Korišćenje naziva kategorija u formulaciji zadataka

Najčešća i najštetnija greška. Ako zadatak kaže „Pronađite informacije o pokretanju posla” a stablo ima kategoriju „Pokretanje posla” — zadatak testira čitanje, ne pronalaženje. Uvek opisujte potrebu korisnika bez naziva kategorije.

Premalo ili previše zadataka

Manje od 5 zadataka ne pokriva dovoljno navigacije. Više od 15 izaziva zamor učesnika. NNGroup preporučuje 8-12, svaki testira drugu kategoriju ili putanju.

Bez zadatka za zagrevanje

Učesnici koji prvi put vide akordeon interfejs mogu se zbuniti. Lak zadatak za zagrevanje ih upoznaje sa formatom. Bez njega, prvi pravi zadatak apsorbuje krivu učenja.

Mešanje tree testinga sa sortiranjem kartica

Tree testing evaluira postojeću strukturu; sortiranje kartica kreira novu. Ispravni redosled: prvo sortiranje, pa tree testing.

Gledanje samo stope uspeha bez podataka o putanjama

Zadatak sa 75% uspeha može skrivati da se 60% učesnika više puta vraćalo. Direktnost i tačnost prvog klika su jednako važni. Niska direktnost sa visokim uspehom znači da je struktura popraviva ali zbunjujuća.

Dobro se kombinuje sa

Sortiranje kartica: kreira strukturu, tree testing je proverava. Prvo sortiranje za otkrivanje grupisanja, pa tree testing za verifikaciju pronalaženja.
First-click testing: dodaje vizuelni kontekst koji tree testing uklanja. Nakon potvrde strukture, first-click proverava da li korisnici nalaze pravu tačku ulaska u stvarnom rasporedu.
Test upotrebljivosti (moderisani): nakon validacije strukture, test upotrebljivosti evaluira celokupno iskustvo navigacije uključujući vizuelni dizajn i sadržaj.
Toplotne mape i mape klikova: otkrivaju gde korisnici klikaju u trenutnoj navigaciji — podaci za fokusiranje zadataka tree testinga.
Analitika i klikstrim: pokazuju koje stranice korisnici nalaze preko pretrage (zaobilazeći navigaciju) i koji interni upiti ukazuju na navigacione probleme.

AI prompti za ovaj metod

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