Oy ve Ötesi
Sivil toplumun seçim süreçlerine katılımını organize eden en köklü ve güvenilir dijital platformdur. Kullanıcı dostu arayüzü ile gönüllü kayıtlarını, eğitim modüllerini ve şeffaf seçim raporlarını tek bir çatı altında toplar. Dijitalleşme ile sivil katılımı harmanlayarak seçim günlerinde operasyonel verimlilik sağlar.
- Gönüllü takip sistemi
- Seçim güvenliği raporları
- Eğitim platformu

Oy ve Ötesi, akademik tasarım denetiminde 63/100 puan alarak bağımsız denetimden geçti. En güçlü yönleri akıcılık (99) ve görsel kararlılık (91); görece geliştirilebilir alanları etkileşim tasarımı (42) ve teknik altyapı (49).
Oy ve Ötesi, Crea tarafından tasarlanan bu Yerel Seçim & Katılım platformu olarak 63/100 puan alarak "Güçlü Temel" kategorisinde değerlendirilmiştir. Oy ve Ötesi, dijital dijital alan içinde güçlü bir temel üzerine inşa edilmiş olmakla birlikte genel kullanıcı deneyimini sınırlayan belirli tasarım kararları dikkat çekmektedir. Renk kontrastı, tipografik hiyerarşi ve etkileşim yoğunluğu alanlarında odaklanmış iyileştirmeler kullanıcı deneyimini belirgin ölçüde ilerletecektir.
Tasarım Denetimi
Hasler-Süsstrunk renk teorisi, Gestalt ilkeleri ve Fitts Yasası ile hesaplamalı analiz.
Kırmızı enerji, aciliyet ve güçlü eylem çağrısı iletir. E-ticaret ve sağlık sektörlerinde dikkat çekici etkisi deneysel psikoloji çalışmalarıyla kanıtlanmıştır. (Birren, 1969)
WordPress CMS üzerine kurulu. Plugin ve tema ekosistemiyle geliştirilmiş.
"Dengeli sıcak palet güven ve yakınlık hissi veriyor; kullanıcıyla duygusal bağ kurma potansiyeli yüksek."
Bu siteye 1 ajans katkı verdi
Karşılaştır & İzle
Sektör ortalamasıyla karşılaştırma ve tarihsel skor değişimi.
Yerel Seçim & Katılım
Oy ve Ötesi bu kategoride 2 puan üzerinde — sektör ortalaması 61/100. En iyi %53 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.

