起點課堂會員權(quán)益
職業(yè)體系課特權(quán)
線下行業(yè)大會特權(quán)
個人IP打造特權(quán)
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業(yè)技能直播
會員專屬社群
榮耀標識解鎖卡片分類的全過程
研究者通過卡片分類對參與者的習慣、偏好進行調(diào)查，并可以由此了解到用戶的歸類原因以及價值觀。
一、什么是卡片分類？
卡片分類是一種簡單易行的信息整理工具，它將信息系統(tǒng)中的元素組織得讓用戶易于理解，用于幫助設(shè)計或者評估信息架構(gòu)，通常在用戶研究與設(shè)計初期執(zhí)行。邀請用戶參與可以真正了解符合用戶習慣的信息架構(gòu)。研究者通過使用標有單詞、圖片的若干主題卡，鼓勵參與者按他們的偏好順序?qū)ζ溥M行整理歸類?？ㄆ诸惪梢詭椭芯空攉@得諸多洞察，甚至可以在卡片分類后進行深入的對話，了解他們歸類的原因、價值觀。
1. 主要方法
開放式卡片分類：給定待分類的主題卡。參與者根據(jù)他們的理解將主題卡聚合成若干組別，并以他們描述內(nèi)容的方式命名組別。
封閉式卡片分類：給定待分類的主題卡和組別，參與者根據(jù)他們理解將主題卡劃入既定的組別。
2. 執(zhí)行類型
一對一執(zhí)行：配備一名可用性團隊成員，參與者獨立執(zhí)行。這樣可以更深入地了解參與者的思考過程，但耗時較長。
一對多執(zhí)行：配備一名可用性團隊成員，各參與者獨立執(zhí)行。這樣可以快速收集多份分類，但需要準備更多的材料，同時對每位參與者的了解不深。
團隊共同執(zhí)行：配備一名可用性團隊成員，各參與者共同執(zhí)行。協(xié)作可以更快地完成分類，但需要將團體動力學考慮進去，如群體氣氛、群體成員間的關(guān)系、領(lǐng)導作風對群體性質(zhì)的影響。
遠程執(zhí)行：不需要配備可用性團體成員，參與者各自執(zhí)行。這樣可以跨地區(qū)執(zhí)行，但無法了解參與者思考的過程。
二、為什么要使用卡片分類？
邀請用戶參與卡片分類測試，有助于了解站在用戶的角度來理解信息的組織。了解用戶整理歸類的方式可以幫助產(chǎn)品團隊驗證分類是否符合用戶預期，并進一步優(yōu)化信息架構(gòu)。
三、如何執(zhí)行卡片分類？
1. 創(chuàng)建卡片
主題卡：根據(jù)需要測試的主題準備單詞主題卡或圖片主題卡，每張卡片只有一個主題。通常數(shù)量在?50 至 60 ，過量容易造成參與者疲勞。
空白卡：準備若干空白卡，以便參與者自行添加主題。
組別卡：考慮使用不同于空白卡的組別卡，讓參與者為組別命名。
主題卡編號：考慮在不明顯的地方編號，以便于后續(xù)研究者進行分析。
2. 執(zhí)行準備
邀請用戶：相關(guān)實驗表明，15 個樣本量得出來的分類結(jié)果與全部用戶的分類結(jié)果之間的相關(guān)系數(shù)達到?0.90?。查看報告
估算時間：提供估算時間有助于參與者建立完成時的預期。
足夠空間：以便參與者將主題卡平鋪在在桌上或者粘貼在墻上。
隨時記錄：可用性團隊成員可以隨時記錄參與者的想法、理由或挫折。
準備獎勵：如果合適，為參與者準備若干小獎品。
3. 執(zhí)行測試
說明目的：向參與者簡要說明本次開放式、封閉式卡片分類的目的。在開放式中，請說明要求參與者針對自定義的組別命名；在封閉式中，請說明想要了解參與者如何定義這些組別。
隨機演示：隨機出現(xiàn)的卡片有助于參與者進行分類。
執(zhí)行分類：盡量不要打斷參與者。并允許參與者使用空白卡添加主題，或棄置不想要的主題卡。
大聲思考：鼓勵參與者大聲思考，有助于可用性團隊成員隨時記錄。
提供獎勵：如果合適，為參與者提供若干小獎品。
及時記錄：及時拍攝分好類的主題卡，記錄分組的名稱、數(shù)量以及主題卡。為下一次測試重新洗牌。
4. 還可以線上執(zhí)行卡片分類
有很多桌面工具、在線工具可以執(zhí)行卡片分類，且多數(shù)工具都具備基本的分析能力，以下是較為常見的工具：Cart Sort（Windows?應(yīng)用程序）、xSort（Mac?應(yīng)用程序）、OptimalSort、UsabilityTest Card Sorting?等。
四、如何分析開放式卡片分類
1. 原理
通過測量所有卡片兩兩之間的距離，來研究它們之間的相似性。故可以使用任何研究距離矩陣的標準統(tǒng)計方法，如層級聚類分析（hierarchical cluster analysis）、多維標度法（multidimensional scaling）。
在數(shù)學中, 一個距離矩陣是一個包含一組點兩兩之間距離的矩陣（即二維數(shù)組）。因此給定?N?個歐幾里得空間中的點，其距離矩陣就是一個非負實數(shù)作為元素的?N × N?的對稱矩陣。
——維基百科
2. 工具
（1）Donna Spencer’s Card Sort Analysis Spreadsheets
Donna?的模板提供了?20 * 200?以及?40 * 400?的聯(lián)動數(shù)據(jù)表?。除此之外，Donna?的模板還在數(shù)據(jù)表中提供了標準化的處理。
（2）SPSS Statistics
很多商業(yè)統(tǒng)計工具可以實現(xiàn)，包括 Excel 在 Windows 上的插件?Unistat??。下面以SPSS 的操作分層聚類分析的路徑為例。
路徑：SPSS – Analyze – Classify – Hierarchical Cluster
3. 步驟
（1）將每位參與者的數(shù)據(jù)轉(zhuǎn)成 N * N 的對稱矩陣
根據(jù)不同的定義，在錄入數(shù)據(jù)的時候有兩種預處理思路，但異曲同工：
- 組內(nèi)距離為?0?，組外距離為?1?，即相異矩陣。
- 組內(nèi)距離為?1?，組外距離為?0?，即共生矩陣。
以共生矩陣為例，設(shè)定單個參與者放置在同一組的卡片之間距離為?1?，錄入?yún)⑴c者的卡片分組，可以得到一張這樣的矩陣——矩陣中的距離只能是 1 或者 0 。
（2）將所有參與者的 N * N 對稱矩陣疊加
疊加之后的對稱矩陣可以看到兩兩卡片被放到一組的頻次。因分析數(shù)據(jù)的需要，需要補齊完整的矩陣，包括對角線。
- 在相異矩陣中，對角線為0。
- 在共生矩陣中，對角線為用戶數(shù)。
以共生矩陣為例，所有參與者的對稱矩陣如下：
（3）調(diào)整數(shù)據(jù)格式
在變量視圖里面，將卡片名調(diào)整為定類變量，將卡片頻次調(diào)整為定距變量。
（4）層級聚類分析
在使用?SPSS?運行層級聚類分析時，可以使用不同的聯(lián)接方法和度量距離進行運算。根據(jù)經(jīng)驗，Between-Groups Linkage（組間聯(lián)接法）、Within-Groups Linkage（組內(nèi)聯(lián)接法）?以及Ward’s Method（Ward法）是比較行之有效的連接方法；同時，由于我們是對觀察記錄（cases） 進行分類，在選取度量區(qū)間上使用?Q?型聚類的?Euclidean distance（歐氏距離）?或?Squared Euclidean distance（歐氏距離平方）。
聯(lián)接方法：
- Between-Groups Linkage（組間聯(lián)接法）：合并兩類，使所有兩類的平均距離最小。系統(tǒng)默認選項。
- Within-Groups Linkage（組內(nèi)聯(lián)接法）：合并兩類，新類中所有項之間的平均距離最小。
- Nearest Neighbor（最近鄰法）：以兩類間最近點間的距離，代表兩類間的距離。
- Furthest Neighbor（最遠鄰法）：以兩類間最遠點間的距離，代表兩類間的距離。
- Centroid Clustering（重心聚類法）：定義類與類之間的距離為兩類中各樣本的重心之間的距離。
- Median Clustering（中位數(shù)聚類法）：定義類與類之間的距離為兩類中各樣本的中位數(shù)之間的距離。
- Ward’s Method（Ward法）：聚類中使類內(nèi)各樣本的離差平方和最小，類間的離差平方和盡可能大。
度量區(qū)間：
- Euclidean distance（歐氏距離）：即兩觀察單位間的距離為其值差的平方和的平方根。用于?Q?型聚類。
- Squared Euclidean distance（歐氏距離平方）：即兩觀察單位間的距離為其值差的平方和。用于?Q?型聚類。系統(tǒng)默認項。
- Cosline（余弦相似性測度）：變量矢量的余弦，這是模型相似性的度量。
- Pearson conelation（皮爾遜相關(guān)系數(shù)）：即相關(guān)系數(shù)距離，是線性關(guān)系的測度，范圍是-1～+1。用于?R?型聚類。
- Chebychev（切比雪夫距離）：即兩觀察單位間的距離為其任意變量的最大絕對差值，用于?Q?型聚類。
- Block（Manhattan 距離）：兩項之間的距離是每個變量值之差的絕對值總和，用于?Q?型聚類。
- Minkowski（閔科夫斯基距離）：距離是一個絕對冪的度量，即變量絕對值的第?p?次冪之和的平方根。p?由用戶指定。
- Customized（自定義距離）：距離是一個絕對冪的度量，即變量絕對值的第?p?次冪之和的第?r?次根。p?與?r?由用戶指定。
4. 結(jié)果
從冰柱圖（Vertical Icicle）和系統(tǒng)樹圖（Dendrogram）查看分類結(jié)果。
（1）冰柱圖怎么看
- 觀察縱軸，通過添加切割線進行水平切分。
- 觀察0至切割線區(qū)間，白柱間的間隔，間隔即為組。
（2）系統(tǒng)樹圖怎么看
- 從左至右看，可以看到哪些卡片在最開始就聚類到一起。
- 從右往左看，通過添加切割線進行垂直切分，了解組數(shù)；組數(shù)可以是參與者的平均組數(shù)，也可以是業(yè)務(wù)方的目標組數(shù)。
通常，一個開放式卡片分類后，可以緊跟一個或多個封閉式卡片分類，通過封閉式卡片分類來驗證信息歸類是否合適。
五、如何分析封閉式卡片分類
1. 原理
定義衡量指標為把主題卡放置各組別中的參與者比例。每張主題卡在組間比例懸殊較大的，是較有把握的分類；反之，是存在分歧的分類。
2. 工具
使用 Excel 就可以完成基礎(chǔ)統(tǒng)計。
3. 步驟
- 邀請參與者將主題卡與組別匹配。
- 將每位參與者的數(shù)據(jù)轉(zhuǎn)成 N * N 的對稱矩陣。
- 將所有參與者的 N * N 的對稱矩陣疊加。
- 將頻次轉(zhuǎn)化成百分數(shù)，標記出每張主題卡的最大百分數(shù)。
- 求最大百分數(shù)的平均數(shù)，該平均數(shù)可以衡量該組組名是否有效。
當我們列舉了多種分類方式，需要驗證求其一時，則需要基于每種分類方式，邀請數(shù)量一致的不同參與者。同時需要考慮：
- 多種分類方式中組別數(shù)量一致，可以直接使用最大百分數(shù)的平均數(shù)來衡量。
- 多種分類方式中組別數(shù)量不一致，可以使用最大比例與第二比例的差值的平均數(shù)來衡量。
寫在最后的一些經(jīng)驗：
（1）主題卡編號提高錄入效率。將線下數(shù)據(jù)轉(zhuǎn)錄至線上是一個量大效率低的事，結(jié)合卡片編號可以有效提高錄入效率。
（2）主題卡的措辭盡量精準，避免偏差、歧義。無法避免時，可以在主題卡上加以解釋。否則難以理解的主題卡會被用戶分到無法解釋的類別。
（3）用戶的結(jié)果不一定是合適的。在主題卡涉及領(lǐng)域較廣且主題卡理解有不可避免的偏差時，目標用戶的分類受知識所限，可以考慮專家法，執(zhí)行封閉式卡片分類。
參考資料
- https://www.usability.gov/how-to-and-tools/methods/card-sorting.html
- http://www.designkit.org/methods/24
- https://zh.wikipedia.org/wiki/%E8%B7%9D%E7%A6%BB%E7%9F%A9%E9%98%B5
- http://blog.sina.com.cn/s/blog_777d52410101ilyz.html
作者：Shia
來源：Tencent CDC（https://cdc.tencent.com/2019/03/28/解鎖卡片分類全過程/）
本文來源于人人都是產(chǎn)品經(jīng)理合作媒體@騰訊CDC
題圖來自Unsplash, 基于CC0協(xié)議
- 目前還沒評論，等你發(fā)揮！
