Mở đầu — vì sao bài này quan trọng
Hãy tưởng tượng bạn vừa được giao thiết kế lại menu điều hướng cho một sàn thương mại điện tử có hơn 8.000 mã sản phẩm. Bạn ngồi cùng team, tranh luận cả buổi chiều xem "Đồ gia dụng" nên nằm dưới "Nhà cửa & Đời sống" hay tách riêng, xem "Máy hút bụi" là "Điện gia dụng" hay "Vệ sinh nhà cửa". Ai cũng có lý lẽ. Vấn đề là: không ai trong phòng họp đó là người dùng thật. Cách nhóm sản phẩm trong đầu bạn — một người làm nghề — gần như chắc chắn khác với cách một bà nội trợ ở Đà Nẵng hay một sinh viên ở TP.HCM hình dung.
Card Sorting (phân loại thẻ) chính là phương pháp để phá vỡ thế bế tắc đó. Thay vì cãi nhau trong phòng họp, bạn để người dùng thật nhóm các nội dung theo logic của chính họ, rồi rút ra cấu trúc thông tin (Information Architecture — IA) phản ánh mô hình tư duy của họ, không phải của bạn.
Nhưng đến trình độ nâng cao, "card sorting" không còn là một kỹ thuật đơn lẻ. Nó là một họ phương pháp với ba biến thể chính — Open, Closed, Hybrid — mỗi loại trả lời một câu hỏi nghiên cứu khác nhau, và ba định dạng phân tích — đặc biệt là Tree Testing để kiểm chứng ngược lại. Chọn sai biến thể, bạn sẽ thu về dữ liệu đẹp nhưng vô dụng. Bài này giúp bạn phân biệt rạch ròi khi nào dùng cái nào, và cách phân tích để ra được quyết định thiết kế thực sự.
Khái niệm cốt lõi
Card sorting yêu cầu người tham gia sắp xếp một tập "thẻ" (mỗi thẻ là một nội dung, một chức năng, một trang) vào các nhóm sao cho hợp lý với họ. Sự khác biệt giữa các biến thể nằm ở mức độ tự do bạn cho phép.
Open Card Sorting — khám phá mô hình tư duy
Ở dạng mở, người tham gia được tự do tạo nhóm bao nhiêu tùy ý và tự đặt tên cho từng nhóm. Bạn không áp đặt bất kỳ danh mục nào trước.
Đây là phương pháp generative (khám phá): bạn dùng khi chưa biết cấu trúc nên như thế nào, muốn hiểu người dùng nhóm nội dung ra sao và họ gọi các nhóm đó bằng ngôn ngữ gì. Chính phần "tự đặt tên nhóm" là mỏ vàng — nó tiết lộ từ vựng thật của người dùng, thứ mà bạn sẽ dùng để đặt nhãn menu sau này. Ví dụ, nhóm của bạn gọi là "Chính sách hậu mãi", nhưng người dùng đặt tên là "Đổi trả & bảo hành" — đó là insight trực tiếp áp dụng được.
Điểm yếu: dữ liệu open sort rất "loạn". Mỗi người tạo nhóm và đặt tên khác nhau, nên tổng hợp mất công và cần kỹ thuật phân tích thống kê để tìm ra pattern chung.
Closed Card Sorting — kiểm chứng cấu trúc có sẵn
Ở dạng đóng, bạn đã định sẵn các nhóm (danh mục) và người tham gia chỉ việc phân bổ từng thẻ vào nhóm phù hợp. Họ không được tạo nhóm mới hay đổi tên.
Đây là phương pháp evaluative (đánh giá): bạn dùng khi đã có một cấu trúc danh mục — có thể là cấu trúc hiện tại đang chạy, hoặc bản đề xuất mới — và muốn kiểm tra xem người dùng có đặt các nội dung vào đúng chỗ bạn kỳ vọng không. Nếu 70% người dùng bỏ "Chương trình khách hàng thân thiết" vào "Tài khoản" trong khi bạn xếp nó ở "Khuyến mãi", bạn biết ngay nhãn hoặc vị trí đang có vấn đề.
Closed sort thường đi sau open sort trong một quy trình hai bước: open để phát hiện cấu trúc, closed để xác nhận cấu trúc đó có ổn định với nhóm người dùng lớn hơn không.
Hybrid Card Sorting — cân bằng giữa hai thế giới
Dạng lai cho người tham gia một số nhóm định sẵn nhưng vẫn cho phép tạo nhóm mới và đặt tên nếu họ thấy các nhóm có sẵn chưa đủ. Đây là điểm giữa hoàn hảo khi bạn đã có định hướng khá rõ về vài danh mục xương sống nhưng vẫn muốn để ngỏ khả năng phát hiện những nhóm mà mình bỏ sót.
Hybrid đặc biệt hữu ích khi bạn có một cấu trúc "ứng viên" nhưng nghi ngờ nó chưa đầy đủ. Những nhóm mà người dùng tự tạo thêm chính là những khoảng trống trong IA của bạn.
Moderated vs Unmoderated
Cắt ngang cả ba biến thể là câu hỏi: có người điều phối hay không.
- Moderated (có điều phối): bạn ngồi cùng người tham gia (trực tiếp hoặc qua video call), quan sát họ sắp xếp và hỏi "vì sao anh xếp cái này vào đây?". Số lượng ít (thường 8–15 người) nhưng thu được lý do sâu — cực kỳ giá trị với open sort.
- Unmoderated (không điều phối): người tham gia tự làm trên công cụ online như OptimalSort, Maze, UXtweak. Bạn thu được số lượng lớn (50–100+ người), phù hợp để có dữ liệu định lượng đủ mạnh cho closed sort, nhưng mất phần "vì sao".
Tree Testing — người anh em không thể tách rời
Card sorting cho bạn biết người dùng muốn nhóm nội dung như thế nào, nhưng nó không nói cho bạn biết liệu người dùng có tìm thấy một nội dung trong cấu trúc bạn dựng lên hay không. Đó là việc của Tree Testing (còn gọi là reverse card sorting).
Trong tree test, bạn đưa người dùng một cây điều hướng thuần văn bản (không có giao diện, không có tìm kiếm) và giao nhiệm vụ kiểu "Bạn muốn kiểm tra chính sách đổi trả, hãy nhấp vào nơi bạn nghĩ sẽ tìm thấy nó". Bạn đo success rate (tỷ lệ tìm đúng), directness (đi thẳng hay lạc đường rồi quay lại), và time. Card sorting là bước xây (dựng cấu trúc), tree testing là bước kiểm định (cấu trúc đó có dùng được không). Một quy trình IA nghiêm túc luôn có cả hai.
Tình huống thực tế
Ví dụ 1 — Tiki tái cấu trúc danh mục điện tử (open → closed)
Giả sử đội IA của một sàn TMĐT lớn tại Việt Nam nhận thấy tỷ lệ thoát ở ngành hàng "Điện tử - Điện máy" cao bất thường: người dùng vào danh mục nhưng không tìm được sản phẩm, phải quay ra dùng thanh tìm kiếm. Nghi ngờ IA có vấn đề, họ chạy một quy trình hai bước.
Bước 1 — Open sort với 15 người (moderated). Họ chọn 50 thẻ đại diện: "tai nghe không dây", "loa bluetooth", "sạc dự phòng", "đồng hồ thông minh", "robot hút bụi"... Kết quả gây bất ngờ: đa số người dùng tách hẳn "đồng hồ thông minh" và "tai nghe không dây" ra một nhóm mà họ tự đặt tên là "Phụ kiện đeo / Wearable", thay vì để chung với "Điện thoại" như cấu trúc cũ. "Robot hút bụi" thì bị đẩy sang nhóm "Đồ gia dụng" chứ không phải "Điện tử".
Bước 2 — Closed sort với 80 người (unmoderated) trên OptimalSort. Họ lấy cấu trúc mới rút ra từ open sort làm danh mục cố định, rồi kiểm chứng ở quy mô lớn. Kết quả: 78% người dùng xếp "robot hút bụi" vào "Đồ gia dụng" — xác nhận giả thuyết. Nhóm bắt đầu bằng dữ liệu định tính (vì sao) rồi củng cố bằng định lượng (bao nhiêu %).
Bài học: Open để khám phá, closed để xác nhận. Đừng bao giờ ra quyết định IA lớn chỉ dựa trên 15 người của open sort — hãy validate lại quy mô.
Ví dụ 2 — App ngân hàng số validate menu mới bằng closed sort + tree test
Một ngân hàng số tại Đông Nam Á (kiểu Timo hay TNEX) chuẩn bị ra menu chính mới với 5 tab: "Tài khoản", "Chuyển tiền", "Thanh toán", "Tiết kiệm & Đầu tư", "Tiện ích". Họ đã khá tự tin về 5 nhóm này nên bỏ qua open sort, chạy thẳng closed sort với 60 người để xem 40 chức năng (nạp điện thoại, mở sổ tiết kiệm, chia hóa đơn, mua bảo hiểm...) rơi vào đâu.
Vấn đề lộ ra: "mua bảo hiểm" bị chia đôi — 45% xếp vào "Tiết kiệm & Đầu tư", 40% vào "Tiện ích". Không có nhóm nào chiếm đa số rõ rệt, nghĩa là nhãn hoặc mô hình tư duy chưa rõ ràng.
Họ chốt phương án đặt "bảo hiểm" ở "Tiết kiệm & Đầu tư" rồi chạy tree test với 90 người để kiểm định: nhiệm vụ "mua bảo hiểm xe máy" chỉ đạt success rate 52% và directness 38% — quá thấp. Nhiều người vào "Tiện ích" trước, không thấy, mới quay lại. Kết luận: cần thêm một lối vào phụ (cross-link) cho bảo hiểm ở cả hai nhóm, thay vì ép nó vào một chỗ.
Bài học: Khi closed sort cho kết quả "chia đôi" không có nhóm nào thắng rõ, đó là dấu hiệu một nội dung thuộc về nhiều nơi. Tree test giúp bạn định lượng hậu quả và quyết định có cần cross-link không.
Ví dụ 3 — Cổng thông tin nội bộ dùng hybrid sort để lấp khoảng trống
Một tập đoàn sản xuất ở Bình Dương làm lại intranet (cổng nội bộ) cho 2.000 nhân viên. Đội dự án đã có sẵn 6 danh mục "chắc chắn đúng" như "Nhân sự", "IT Support", "Chính sách công ty". Nhưng họ lo mình bỏ sót nhu cầu của công nhân nhà máy — nhóm ít khi được hỏi ý kiến.
Họ chọn hybrid sort với 40 nhân viên đa dạng phòng ban: cho 6 nhóm có sẵn nhưng cho phép tạo nhóm mới. Kết quả: nhóm công nhân sản xuất liên tục tạo một nhóm mới tên "Ca kíp & Chấm công" gom các thẻ như "đăng ký nghỉ phép", "xem lịch ca", "đổi ca" — những thứ mà đội dự án đã rải rác trong "Nhân sự". Rõ ràng với công nhân, đây là một nhu cầu độc lập, dùng hằng ngày, đáng được tách thành mục riêng ngay trang chủ.
Bài học: Hybrid sort tỏa sáng khi bạn tự tin ~80% nhưng cần một mạng lưới an toàn để bắt những nhóm mà mình mù không thấy. Những nhóm người dùng tự tạo chính là khoảng trống trong IA của bạn.
Hướng dẫn từng bước
Bước 1 — Xác định câu hỏi nghiên cứu và chọn biến thể. Hỏi: mình đang khám phá cấu trúc (chưa biết → open), kiểm chứng cấu trúc có sẵn (đã biết → closed), hay vừa có định hướng vừa muốn mở (→ hybrid)? Viết ra một câu mục tiêu rõ ràng trước khi làm gì khác.
Bước 2 — Chuẩn bị bộ thẻ. Chọn 30–60 thẻ. Dưới 30 quá ít để lộ pattern; trên 60 gây mệt và bỏ cuộc. Mỗi thẻ là một nội dung/chức năng cụ thể, dùng đúng ngôn ngữ người dùng (không dùng thuật ngữ nội bộ như "module CRM"). Tránh thẻ chứa từ khóa trùng tên danh mục vì sẽ "mớm" đáp án.
Bước 3 — Với closed/hybrid, thiết kế bộ danh mục. Đặt tên nhóm bằng ngôn ngữ tự nhiên. Với hybrid, quyết định có cho phép đổi tên nhóm có sẵn hay không.
Bước 4 — Chọn moderated hay unmoderated và cỡ mẫu. Open moderated: 8–15 người là đủ để bão hòa insight định tính. Closed/hybrid unmoderated để định lượng: nhắm 30 người trở lên mỗi nhóm người dùng để similarity matrix ổn định.
Bước 5 — Chạy pilot với 2–3 người. Luôn test thử để phát hiện thẻ khó hiểu, nhiệm vụ mơ hồ. Bước này tiết kiệm cả buổi làm lại.
Bước 6 — Thu thập và phân tích. Đây là phần nâng cao:
- Similarity matrix (ma trận tương đồng): đo % số người xếp mỗi cặp thẻ chung nhóm. Cặp nào >50% là "đi cùng nhau".
- Dendrogram (biểu đồ cây phân cụm): trực quan hóa các cụm thẻ theo mức độ đồng thuận. Đọc dendrogram để tìm "điểm cắt" tự nhiên — nơi các cụm tách ra rõ ràng.
- Agreement/standardization score: OptimalSort cho điểm mức đồng thuận. Điểm cao = mô hình tư duy nhất quán; điểm thấp = nội dung gây tranh cãi, cần cross-link.
Lỗi thường gặp & mẹo
Lỗi 1 — Chọn sai biến thể theo mục tiêu. Dùng closed sort trong khi bạn thật sự chưa biết cấu trúc nên như thế nào là sai lầm phổ biến nhất: bạn ép người dùng vào cái khung sai và mất luôn cơ hội học được từ vựng của họ. Nếu chưa chắc, hãy bắt đầu bằng open.
Lỗi 2 — Quá nhiều thẻ. 80–100 thẻ khiến người tham gia kiệt sức, chất lượng phân loại tụt dốc ở nửa sau. Nếu nội dung nhiều, hãy lấy mẫu đại diện thay vì đưa hết.
Lỗi 3 — Thẻ "mớm" đáp án. Nếu thẻ tên "Chính sách bảo hành" và có sẵn nhóm "Chính sách", người dùng ghép máy móc chứ không phản ánh tư duy thật. Diễn đạt lại thẻ theo góc nhìn tình huống người dùng.
Lỗi 4 — Bỏ qua tree testing. Card sort nói người dùng muốn nhóm ra sao, nhưng không đảm bảo họ tìm thấy. Rất nhiều IA "đẹp trên card sort" lại thất bại khi điều hướng thật. Luôn đóng vòng bằng tree test.
Lỗi 5 — Trộn nhiều nhóm người dùng thành một. Nếu công nhân và nhân viên văn phòng có mô hình tư duy khác nhau, gộp dữ liệu sẽ ra một "trung bình" không phục vụ ai. Hãy phân tích tách theo persona.
Mẹo: Với thẻ bị "chia đôi" (không nhóm nào chiếm đa số), đừng cố ép vào một chỗ — đó là ứng viên tự nhiên cho cross-linking (xuất hiện ở nhiều nơi). Đồng thời, hãy đọc kỹ phần người dùng tự đặt tên nhóm trong open sort: đó là nguồn nhãn menu tốt nhất bạn có.
Bài tập thực hành
- Chọn biến thể: Bạn đang thiết kế lại trang trợ giúp (Help Center) cho một ví điện tử. Bạn hoàn toàn chưa biết nên nhóm 45 bài viết trợ giúp thế nào. Chọn biến thể nào (open/closed/hybrid) và giải thích trong 3–4 câu vì sao.
- Thiết kế bộ thẻ: Viết ra 15 thẻ cho một ứng dụng đặt đồ ăn (kiểu ShopeeFood/GrabFood). Kiểm tra lại: có thẻ nào đang "mớm" đáp án bằng cách trùng tên danh mục không? Sửa lại những thẻ đó.
- Đọc dữ liệu: Giả sử trong closed sort, thẻ "Ưu đãi thành viên VIP" được 44% xếp vào "Khuyến mãi", 41% vào "Tài khoản", 15% rải rác. Bạn kết luận gì và sẽ hành động ra sao? (Gợi ý: nghĩ tới cross-link và tree test.)
- Đóng vòng: Phác thảo một cây điều hướng 2 cấp cho ứng dụng đặt đồ ăn ở bài tập 2, rồi viết 3 nhiệm vụ tree test để kiểm định nó.
Tóm tắt
Card sorting nâng cao không phải một kỹ thuật mà là một bộ công cụ. Open sort là generative — dùng khi bạn cần khám phá cấu trúc và học từ vựng của người dùng. Closed sort là evaluative — dùng khi bạn cần kiểm chứng một cấu trúc có sẵn ở quy mô lớn. Hybrid sort là điểm giữa — dùng khi bạn có định hướng nhưng muốn bắt những khoảng trống mình bỏ sót. Cắt ngang cả ba là lựa chọn moderated (ít người, sâu về lý do) hay unmoderated (nhiều người, mạnh về định lượng).
Quy trình IA vững chắc thường đi hai bước: open để dựng, closed để xác nhận — rồi luôn đóng vòng bằng tree testing để chắc chắn người dùng không chỉ muốn nhóm như vậy mà còn thật sự tìm thấy nội dung. Khi phân tích, đừng dừng ở việc "đếm nhóm": hãy đọc similarity matrix, dendrogram và điểm đồng thuận; và hãy coi những thẻ "chia đôi" là tín hiệu cho cross-linking chứ không phải lỗi cần ép cho gọn. Làm đúng, bạn sẽ có một cấu trúc thông tin phản ánh tư duy người dùng thật — thứ giúp họ không bao giờ phải "quay ra dùng thanh tìm kiếm" vì lạc đường.