Denebunu
Türkiye'de 'deneme kutusu' modelini en başarılı şekilde ölçeklendiren ve sadık bir topluluk oluşturan platformdur. Veri odaklı eşleştirme algoritması sayesinde hem markalar için pazar araştırması hem de kullanıcılar için ürün keşfi noktasında benzersiz bir değer sunar. UX tasarımı, ürün keşfini bir oyunlaştırma deneyimine dönüştürerek yüksek etkileşim oranları yakalamaktadır.
- Profil tabanlı kişiselleştirilmiş ürün eşleşmesi
- Ücretsiz deneme kutusu modeli
- Premium üyelik ve exclusive kutu ayrıcalıkları

Denebunu, akademik tasarım denetiminde 72/100 puan alarak bağımsız denetimden geçti. En güçlü yönleri akıcılık (93) ve görsel kararlılık (85); görece geliştirilebilir alanları marka kimliği (44) ve estetik (44).
Denebunu, Rafineri tarafından tasarlanan bu Kozmetik & Güzellik Kutusu platformu olarak 72/100 skorla "Üst Düzey" düzeyine ulaşmıştır. Görsel tutarlılık ve teknik performans temel kriterleri karşılamakta; kullanıcıların genel beklentilerine yanıt verebilmektedir. genel kullanıcı deneyimini daha da güçlendirmek için renk hiyerarşisi, tipografik ölçek ve etkileşim noktalarında odaklanılmış iyileştirmeler etkili olacaktır.
Tasarım Denetimi
Hasler-Süsstrunk renk teorisi, Gestalt ilkeleri ve Fitts Yasası ile hesaplamalı analiz.
Camgöbeği tazelik ve yenilik hissi verir. Teknoloji girişimlerinde geleneksel maviden farklılaşarak özgün ve çağdaş bir marka sesi oluşturur. (Birren, 1969)
6 teknoloji bileşeni tespit edildi.
"Soğuk minimal palet berraklık ve hassasiyet mesajı veriyor; premium B2B algısı güçlü."
Bu siteye 2 ajans katkı verdi
Karşılaştır & İzle
Sektör ortalamasıyla karşılaştırma ve tarihsel skor değişimi.
Kozmetik & Güzellik Kutusu
Denebunu bu kategoride 12 puan üzerinde — sektör ortalaması 60/100. En iyi %10 dilimindedir.
Benzer Skorlu Siteler
Ölçüm ortamı hakkında: Teknik performans için öncelik CrUX (Chrome User Experience Report — gerçek kullanıcıların canlı saha verisi); CrUX verisi yoksa Lighthouse(kontrollü lab/test ortamı) kullanılır. Bu iki ortam farklı koşullarda ölçtüğü için bazı metrikler birbirinden ayrışabilir — örneğin sunucu yanıtı (TTFB) lab'da hızlı görünürken, gerçek kullanıcıların içerik boyaması (LCP) ağ ve cihaz koşulları nedeniyle daha yavaş çıkabilir. Her iki değer de doğrudur; yalnızca farklı pencerelerden bakar.

