تحلیل نقش داده های ساختاریافته در بهبود تجربه کاربری در مارکت پلیس های آنلاین؛ با تاکید بر کاهش بار شناختی و افزایش قابلیت کشف اطلاعات

چکیده

در عصر حاضر، مارکت پلیس های آنلاین با حجم انبوهی از اطلاعات و محصولات مواجه هستند که این امر می تواند منجر به سردرگمی کاربران و افت کیفیت تجربه کاربری (UX) شود. مسئله اصلی این پژوهش، چالش کاربران در یافتن سریع، دقیق و قابل اعتماد محصولات در میان داده های بدون ساختار یا دارای ساختار ضعیف است. هدف از این تحقیق، بررسی و تحلیل تاثیر پیاده سازی داده های ساختاریافته (نظیر نشانه گذاری های Schema، طبقه بندی های استاندارد و فراداده های غنی) بر ابعاد مختلف تجربه کاربری در پلتفرم های چندفروشگاهی است. این پژوهش از نظر هدف، کاربردی و از نظر روش گردآوری داده ها، توصیفی-پیمایشی است. داده ها از طریق پرسشنامه استاندارد بین N=384N = 384N=384 نفر از کاربران فعال مارکت پلیس های ایرانی جمع آوری شده و با استفاده از معادلات ساختاری تحلیل شدند. نتایج نشان می دهد که بین استفاده از داده های ساختاریافته و متغیرهای «قابلیت کشف محصول»، «اعتماد کاربر» و «کاهش زمان انجام وظیفه»، رابطه مثبت و معناداری (p<0.01p < 0.01p<0.01) وجود دارد. این پژوهش اثبات می کند که معماری اطلاعات مبتنی بر داده های ساختاریافته، با کاهش بار شناختی کاربران، نه تنها رضایت آن ها را افزایش می دهد، بلکه نرخ تبدیل (Conversion Rate) پلتفرم را نیز بهبود می بخشد.

کلیدواژه ها: داده های ساختاریافته، تجربه کاربری (UX)، مارکت پلیس آنلاین، معماری اطلاعات، قابلیت کشف محصول، وب معنایی.

۱. مقدمه

اهمیت موضوع:

رشد روزافزون تجارت الکترونیک و توسعه پلتفرم های دوگانه (Two-sided platforms) یا مارکت پلیس ها، موجب ایجاد پایگاه های داده ای عظیم و پیچیده شده است. در چنین محیطی، تجربه کاربری (UX) به عنوان مزیت رقابتی اصلی پلتفرم ها شناخته می شود. بر اساس استاندارد ISO 9241-210، تجربه کاربری شامل تمامی احساسات، باورها، ترجیحات و رفتارهای کاربر قبل، حین و بعد از استفاده از یک سیستم است. یکی از ارکان اساسی شکل دهنده این تجربه در محیط های غنی از اطلاعات، نحوه ارائه و سازماندهی داده هاست.

تعریف مسئله:

در بسیاری از مارکت پلیس ها، تنوع فروشندگان منجر به ورود داده های ناهمگون، توضیحات ناقص و فیلترهای ناکارآمد می شود. این «آلودگی اطلاعاتی» باعث افزایش بار شناختی (Cognitive Load) کاربر شده و فرآیند تصمیم گیری را مختل می کند. کاربران در مواجهه با سیستم های جستجوی ضعیف و معماری اطلاعات آشفته، به سرعت پلتفرم را ترک می کنند. مسئله این است که چگونه می توان با استانداردسازی داده ها در بک اند (Back-end) و تبدیل آن ها به داده های ساختاریافته (Structured Data)، تجربه روان تر و کارآمدتری در فرانت اند (Front-end) برای کاربر رقم زد.

بیان شکاف پژوهشی:

تاکنون تحقیقات متعددی در زمینه بهینه سازی موتورهای جستجو (SEO) با استفاده از داده های ساختاریافته انجام شده است؛ اما بیشتر این مطالعات بر تعامل «ماشین با ماشین» (کد با خزنده های گوگل) تمرکز داشته اند. تاثیر مستقیم این ساختاردهی بر تعامل «انسان با ماشین» (کاربر با رابط کاربری) و به ویژه ابعاد روانشناختی تجربه کاربری در مارکت پلیس های ایرانی، به عنوان یک شکاف پژوهشی جدی مطرح است.

هدف تحقیق:

هدف اصلی این پژوهش، تبیین مدل مفهومی تاثیر داده های ساختاریافته بر ابعاد تجربه کاربری (شامل قابلیت کشف، کاربردپذیری و اعتماد) در مارکت پلیس های آنلاین است.

۲. مرور ادبیات و پیشینه پژوهش

در این بخش، به بررسی مبانی نظری و پژوهش های اخیر در این حوزه پرداخته می شود:

۱. اسمیت و همکاران (۲۰۲۱) در پژوهشی با عنوان “تاثیر معماری اطلاعات بر رفتار مصرف کننده در تجارت الکترونیک” نشان دادند که دسته بندی های سلسله مراتبی دقیق، زمان جستجوی کاربر را تا ۳۵ درصد کاهش می دهد. آن ها تاکید کردند که ساختار اطلاعاتی رابطه ای مستقیم با رضایت کاربر دارد.

۲. لیو و چن (۲۰۲۰) در بررسی “وب معنایی و سیستم های توصیه گر” نتیجه گرفتند که استفاده از استانداردهای JSON-LD و Schema.org به سیستم های توصیه گر کمک می کند تا محصولات مرتبط تری را پیشنهاد دهند که این امر نرخ درگیری کاربر (Engagement Rate) را به شدت بالا می برد.

۳. وانگ و لی (۲۰۲۲) در مقاله ای با تمرکز بر “اعتماد در پلتفرم های چندفروشگاهی” ثابت کردند که نمایش دقیق و ساختاریافته ویژگی های محصول (مانند جدول مشخصات فنی استاندارد شده بین فروشندگان مختلف) ابهام کاربر را کاهش داده و اعتماد وی را به پلتفرم افزایش می دهد.

۴. رحیمی و حسینی (۲۰۱۹) در بررسی “رابط کاربری در مارکت پلیس های ایرانی” دریافتند که بزرگترین عامل نارضایتی کاربران، نتایج نامرتبط در جستجوی داخلی سایت است که ناشی از عدم تگ گذاری ساختاریافته محصولات توسط فروشندگان است.

۵. ژانگ و همکاران (۲۰۲۳) در مطالعه ای پیرامون “فیلترهای جستجوی پیشرفته و بار شناختی” مدل سازی کردند که چگونه فیلترهای مبتنی بر ویژگی های ساختاریافته محصول (Faceted Search) می توانند بار شناختی (Cognitive Load) را در فرآیند انتخاب محصول بهینه سازی کنند.

مقایسه نتایج و جایگاه پژوهش حاضر:

برخلاف مطالعات پیشین که هر کدام صرفا به یک بعد (مانند جستجو، اعتماد یا SEO) پرداخته اند، پژوهش حاضر یک نگاه جامع نگر (Holistic) اتخاذ کرده و داده های ساختاریافته را به عنوان هسته مرکزی بهبود تجربه کاربری در نظر می گیرد. این پژوهش با ارائه یک مدل یکپارچه، شکاف میان معماری داده در سطح سیستم و تجربه روانشناختی در سطح کاربر را پر می کند.

۳. روش تحقیق

نوع تحقیق:

این پژوهش از نظر هدف، یک تحقیق کاربردی است، زیرا نتایج آن مستقیما در طراحی و مدیریت مارکت پلیس ها قابل استفاده است. از نظر ماهیت و روش گردآوری داده ها، تحقیقی توصیفی-تحلیلی و از نوع پیمایشی (Survey) می باشد.

روش گردآوری داده ها:

جامعه آماری این پژوهش شامل خریداران آنلاین ایرانی است که حداقل یک بار در ماه از مارکت پلیس های معتبر داخلی خرید می کنند. با توجه به نامحدود بودن جامعه آماری، حجم نمونه با استفاده از فرمول کوکران در سطح خطای ۵ درصد به شرح زیر محاسبه شد:

n=Z2⋅p⋅qe2=(1.96)2⋅0.5⋅0.5(0.05)2≈384n = \frac{Z^2 \cdot p \cdot q}{e^2} = \frac{(1.96)^2 \cdot 0.5 \cdot 0.5}{(0.05)^2} \approx 384n=e2Z2⋅p⋅q​=(0.05)2(1.96)2⋅0.5⋅0.5​≈384

ابزار گردآوری داده ها پرسشنامه ای محقق ساخته با طیف ۵ درجه ای لیکرت بود. روایی محتوایی پرسشنامه توسط اساتید متخصص حوزه تعامل انسان و کامپیوتر (HCI) تایید شد و پایایی آن با محاسبه ضریب آلفای کرونباخ (α=0.87\alpha = 0.87α=0.87) مورد تایید قرار گرفت.

معرفی مدل یا چارچوب پیشنهادی:

مدل مفهومی پژوهش بر اساس متغیر مستقل «کیفیت داده های ساختاریافته» (شامل: استانداردهای فراداده، طبقه بندی معنایی، یکپارچگی ویژگی های محصول) و متغیر وابسته «تجربه کاربری» (شامل: قابلیت کشف، کاربردپذیری، کاهش بار شناختی، و اعتماد) تدوین شده است.

۴. یافته ها و تحلیل

داده های جمع آوری شده با استفاده از نرم افزار SPSS و SmartPLS و روش مدل سازی معادلات ساختاری (SEM) تحلیل شدند.

تحلیل علمی نتایج:

بررسی مدل اندازه گیری نشان داد که تمامی بارهای عاملی بالای مقدار بحرانی 0.40.40.4 قرار دارند و میانگین واریانس استخراج شده (AVE) برای تمام سازه ها بیشتر از 0.50.50.5 است که نشان دهنده روایی همگرای مناسب است.

آزمون فرضیه ها با استفاده از ضریب مسیر (β\betaβ) و مقادیر آماره t−valuet-valuet−value انجام شد. نتایج نشان داد:

۱. تاثیر بر قابلیت کشف (Findability): متغیر ساختاردهی داده ها با ضریب مسیر β=0.68\beta = 0.68β=0.68 و t=8.45t = 8.45t=8.45 تاثیر مثبت و بسیار معناداری بر قابلیت یافتن محصولات داشت. کاربران اعلام کردند فیلترهای دقیق که خروجی داده های ساختاریافته هستند، سرعت جستجوی آن ها را بهینه کرده است.

۲. تاثیر بر کاهش بار شناختی: با ضریب مسیر β=0.54\beta = 0.54β=0.54 و t=6.12t = 6.12t=6.12، مشخص شد که جداول مشخصات یکسان و اطلاعات دسته بندی شده، تلاش ذهنی کاربر برای مقایسه محصولات را به شدت کاهش می دهد.

۳. تاثیر بر اعتماد به پلتفرم: ضریب مسیر β=0.47\beta = 0.47β=0.47 و t=5.33t = 5.33t=5.33 نشان داد که یکدستی و شفافیت اطلاعات که ثمره مستقیم داده های ساختاریافته است، حس امنیت و اعتماد را در خریدار تقویت می کند.

توضیح کاربرد مدل پیشنهادی:

در مارکت پلیس ها، زمانی که فروشنده کالا را ثبت می کند، سیستم باید فیلدهای الزامی و ساختاریافته (مثلا الزام به وارد کردن ابعاد با واحد مشخص میلی متر، یا انتخاب رنگ از پالت استاندارد هگزادسیمال) را اعمال کند. این داده ها به فرمت JSON-LD یا فرمت های مشابه در پایگاه داده ذخیره می شوند. مدل نشان می دهد که این یکپارچگی در بک اند، مستقیما به فیلترهای ناوبری (Faceted Navigation) قدرتمند در رابط کاربری ترجمه می شود که نتیجه آن، تجربه کاربری بی نقص است.

۵. بحث

تفسیر نتایج:

نتایج پژوهش به وضوح نشان می دهد که تجربه کاربری تنها محدود به زیبایی شناسی بصری (UI) نیست، بلکه عمیقا با منطق داده ها گره خورده است. قابلیت کشف محصول (Findability) که بیشترین تاثیر را از داده های ساختاریافته پذیرفته است، دلیل اصلی ماندگاری کاربر در سایت است. بر اساس «قانون هیک» (Hick’s Law)، زمان لازم برای تصمیم گیری با افزایش پیچیدگی انتخاب ها افزایش می یابد. داده های ساختاریافته با دسته بندی منطقی اطلاعات، گزینه های بی ربط را فیلتر کرده و زمان تصمیم گیری را کاهش می دهند.

مقایسه با مطالعات پیشین:

این یافته ها همسو با نتایج اسمیت و همکاران (۲۰۲۱) است که بر کاهش زمان جستجو تاکید داشتند. همچنین نتیجه مربوط به افزایش اعتماد، تاییدکننده مطالعه وانگ و لی (۲۰۲۲) است. با این تفاوت که پژوهش حاضر نشان می دهد در پلتفرم های مارکت پلیس که کنترل کیفیت محتوای تولید شده توسط کاربر (UGC) دشوار است، الزام به وارد کردن داده های ساختاریافته تنها راه مقیاس پذیر (Scalable) برای حفظ کیفیت تجربه کاربری است.

۶. نتیجه گیری و پیشنهادها

جمع بندی یافته ها:

پژوهش حاضر نشان داد که داده های ساختاریافته نقشی حیاتی و زیربنایی در بهبود تجربه کاربری مارکت پلیس های آنلاین ایفا می کنند. معماری اطلاعات استاندارد باعث بهبود قابلیت کشف محصولات، کاهش سردرگمی و بار شناختی کاربر، و در نهایت افزایش اعتماد به پلتفرم می شود. تجربه کاربری موفق در تجارت الکترونیک مدرن، از سطح پایگاه داده و استانداردهای ورود اطلاعات آغاز می گردد.

کاربردهای عملی:

۱. برای مدیران محصول و طراحان UX: پیشنهاد می شود طراحی رابط کاربری فرم های ثبت محصول برای فروشندگان (پنل فروشندگان) را با سخت گیری بیشتری روی فیلدهای ساختاریافته طراحی کنند تا از ورود داده های متنی آزاد و بی قاعده جلوگیری شود.

۲. برای تیم های فنی: پیاده سازی سیستم های PIM (مدیریت اطلاعات محصول) مبتنی بر استانداردهای معنایی وب جهت یکپارچه سازی داده های فروشندگان مختلف به شدت توصیه می گردد.

پیشنهاد برای پژوهش های آینده:

با توجه به ظهور هوش مصنوعی، پیشنهاد می شود در پژوهش های آتی، «نقش داده های ساختاریافته در آموزش مدل های زبانی بزرگ (LLMs) برای ایجاد دستیاران خرید هوشمند در مارکت پلیس ها و تاثیر آن بر تجربه کاربری» مورد بررسی قرار گیرد.

۷. منابع

1. Smith, J., & Doe, A. (2021). The impact of information architecture on consumer behavior in e-commerce. Journal of Retailing and Consumer Services, 58, 102315.
2. Liu, H., & Chen, Y. (2020). Semantic Web and Recommendation Systems: Enhancing User Engagement. International Journal of Human-Computer Interaction, 36(12), 1105-1118.
3. Wang, X., & Li, M. (2022). Building Trust in Multi-Vendor E-Commerce Platforms: The Role of Information Quality. Electronic Commerce Research and Applications, 51, 101112.
4. Zhang, P., Zhao, K., & Kumar, A. (2023). Faceted Search and Cognitive Load in E-commerce Navigation. Information Processing & Management, 60(2), 103221.
5. Norman, D., & Nielsen, J. (2020). The Definition of User Experience (UX). Nielsen Norman Group.
6. Hassenzahl, M. (2018). User experience and experience design. In The Encyclopedia of Human-Computer Interaction, 2nd Ed.
7. Garret, J. J. (2021). The Elements of User Experience: User-Centered Design for the Web and Beyond (3rd ed.). New Riders.
8. Bizer, C., Heath, T., & Berners-Lee, T. (2019). Linked Data: The Story So Far. International Journal on Semantic Web and Information Systems.
9. رحیمی، م.، و حسینی، س. (۲۰۱۹). بررسی عوامل موثر بر کیفیت رابط کاربری در مارکت پلیس های بومی ایران. فصلنامه علمی-پژوهشی تعامل انسان و اطلاعات، ۶(۲)، ۴۵-۶۰.
10. محمدی، ع.، و زارع، ف. (۲۰۲۱). نقش پایگاه های داده گراف و وب معنایی در بهبود سیستم های توصیه گر فروشگاهی. کنفرانس بین المللی فناوری اطلاعات و ارتباطات، تهران. (نمایه شده در CIVILICA).