Priorytetowe traktowanie wydajności jest korzystne nie tylko dla użytkowników, ale też dla firmy. Chociaż sprawdzone metody w tej kolekcji dotyczą głównie optymalizacji integracji tagu wydawcy Google (GPT), na ogólną skuteczność danej strony składa się wiele innych czynników. Po wprowadzeniu zmian należy sprawdzić ich wpływ na wszystkie aspekty skuteczności witryny.
Pomiar wydajności strony
Aby zrozumieć, jak zmiana wpływa na skuteczność witryny, musisz najpierw wyznaczyć punkt odniesienia. Najlepszym sposobem, aby to zrobić, jest utworzenie budżetu wydajności określającego punkt odniesienia dla koncepcji, jaki Twoja witryna obecnie może lub nie może osiągnąć. Jeśli jednak zależy Ci na utrzymaniu stałej skuteczności, jako punktu odniesienia możesz użyć aktualnych danych o skuteczności witryny.
Aby zacząć mierzyć skuteczność, zalecamy zastosowanie kombinacji tych metod:
- Monitorowanie syntetyczne
- Aby mierzyć wydajność strony w warunkach laboratoryjnych, możesz użyć narzędzi takich jak Lighthouse i Publisher Ads Audits for Lighthouse. Ten typ pomiaru nie wymaga interakcji użytkownika, dlatego nadaje się do testów automatycznych i można go stosować do sprawdzania wydajności zmian przed udostępnieniem ich użytkownikom.
- Monitorowanie rzeczywistych użytkowników
- Możesz używać narzędzi takich jak Google Analytics i PageSpeed Insights, aby zbierać dane o wydajności w świecie rzeczywistym bezpośrednio od użytkowników. Ten typ pomiaru opiera się na interakcjach użytkowników, dlatego jest przydatny do wykrywania problemów z wydajnością na ostatnim etapie, których nie można łatwo wykryć za pomocą testów syntetycznych.
Pamiętaj, aby regularnie wykonywać pomiary i porównywać je z wartościami wyjściowymi. Dzięki temu możesz sprawdzić, czy skuteczność Twojej witryny zmienia się w pożądanym kierunku.
Wybierz, co chcesz mierzyć
Jeśli chodzi o skuteczność, nie ma jednego rodzaju danych, który zawierałby wszystkie informacje o tym, jak radzi sobie Twoja witryna. Aby uzyskać pełny obraz, musisz sprawdzić różne dane dotyczące różnych aspektów skuteczności strony. Niektóre kluczowe obszary skuteczności i sugerowane dane znajdziesz w tabeli poniżej.
| Obszar skuteczności | |
|---|---|
| Postrzegana szybkość wczytywania |
Wskaźniki
Szybkość wczytywania i renderowania wszystkich elementów interfejsu. Sugerowane dane
Pierwsze wyrenderowanie treści (FCP) |
| Szybkość wczytywania strony |
Pomiar skuteczności
Jak szybko strona staje się responsywna po początkowym wczytaniu. Sugerowane dane
Opóźnienie przy pierwszym działaniu (FID) |
| Stabilność wizualna |
Wskaźniki
jak bardzo przesuwają się elementy interfejsu i czy te zmiany zakłócają interakcję użytkownika; Więcej informacji znajdziesz w artykule Minimalizowanie przesunięcia układu. Sugerowane dane
Zbiorcze przesunięcie reklamy |
Oprócz skuteczności strony możesz też mierzyć dane biznesowe dotyczące reklam. Informacje takie jak wyświetlenia, kliknięcia i możliwość obejrzenia reklamy w poszczególnych slotach można uzyskać z raportów Google Ad Managera.
Sprawdź zmiany
Gdy zdefiniujesz dane o skuteczności i zaczniesz je regularnie mierzyć, możesz zacząć używać tych informacji do oceny wpływu wprowadzanych zmian w witrynie na jej skuteczność. Aby to zrobić, porównaj dane zmierzone po wprowadzeniu zmiany z tymi zmierzonymi przed wprowadzeniem zmiany (lub z wartością bazową z określoną wcześniej). Dzięki temu możesz wykrywać i rozwiązywać problemy z wydajnością, zanim staną się one poważnym problemem dla Twojej firmy lub użytkowników.
Testowanie automatyczne
Dane, które nie zależą od interakcji użytkownika, możesz mierzyć za pomocą testów syntetycznych. Tego typu testy należy przeprowadzać tak często, jak to możliwe w trakcie procesu rozwoju, aby zrozumieć, jak wpływ na wydajność będą miały zmiany, które nie zostały jeszcze opublikowane. Takie proaktywne testowanie może pomóc w uniknięciu problemów z wydajnością, zanim zmiany zostaną udostępnione użytkownikom.
Jednym ze sposobów na osiągnięcie tego celu jest tworzenie testów syntetycznych, które są częścią procesu ciągłej integracji (CI), w ramach którego testy są wykonywane automatycznie po każdej zmianie. Za pomocą Lighthouse CI możesz zintegrować syntetyczne testy wydajności z wieloma przepływami pracy CI:
- Monitorowanie wydajności za pomocą CI Lighthouse
- Wykorzystanie narzędzia Publisher Ads Audits for Lighthouse
Testy A/B
Dane, które zależą od interakcji użytkowników, można w pełni przetestować dopiero wtedy, gdy zmiany zostaną faktycznie udostępnione użytkownikom. Może to być ryzykowne, jeśli nie masz pewności, jak ta zmiana wpłynie na jej działanie. Jedną z technik zmniejszania tego ryzyka są testy A/B.
W teście A/B różne warianty strony są wyświetlane użytkownikom losowo. Dzięki tej metodzie możesz wyświetlać zmodyfikowaną wersję strony niewielkiemu odsetkowi ogólnego ruchu, podczas gdy większość nadal widzi niezmodyfikowaną stronę. Dzięki połączeniu z RUM możesz ocenić względną skuteczność obu grup, aby określić, która z nich sprawdza się lepiej – bez narażania na ryzyko 100% ruchu.
Kolejną zaletą testów A/B jest to, że umożliwiają dokładniejsze pomiary skutków zmian. W przypadku wielu witryn trudno jest określić, czy niewielka różnica w skuteczności jest spowodowana niedawną zmianą czy normalną zmiennością ruchu. Grupa eksperymentalna w teście A/B reprezentuje stały odsetek całego ruchu, więc dane powinny się różnić od danych grupy kontrolnej o stały współczynnik. Dlatego różnice między tymi 2 grupami można z większym prawdopodobieństwem przypisać do testowanej zmiany.
Konfigurowanie i przeprowadzanie testów A/B ułatwiają narzędzia takie jak Optimizely i Google Optimize. Pamiętaj jednak, że testy A/B oparte na tagach (domyślna konfiguracja tych narzędzi) mogą negatywnie wpływać na skuteczność i uzyskiwać wyniki, które wprowadzają w błąd. Dlatego zalecamy integrację po stronie serwera:
Wyniki testów A/B
Aby zmierzyć wpływ zmiany za pomocą testu A/B, zbierasz dane z grup kontrolnej i eksperymentalnej, a potem je porównujesz. Aby to zrobić, musisz określić, jaki ruch należy do której grupy.
W przypadku danych o skuteczności strony często wystarczy umieścić na każdej stronie prosty identyfikator, który wskazuje, czy wyświetlana jest wersja kontrolna, czy eksperymentalna. Identyfikator może mieć dowolną nazwę, o ile tylko umożliwia Ci analizowanie i porównywanie danych. Jeśli używasz gotowego frameworka testowego, zwykle jest to obsługiwane automatycznie.
W przypadku danych biznesowych związanych z poszczególnymi reklamami możesz użyć funkcji GPT kierowania na klucze i wartości, aby odróżnić żądania reklam od grupy kontrolnej i eksperymentalnej:
// On control group (A) pages, set page-level targeting to:
googletag.pubads().setTargeting('your-test-id', 'a');
// On experimental group (B) pages, set page-level targeting to:
googletag.pubads().setTargeting('your-test-id', 'b');
Pary klucz-wartość można potem uwzględniać w raportach Google Ad Managera, aby filtrować wyniki według grupy.