Приоритет производительности полезен не только для пользователей, но и для бизнеса . Несмотря на то, что рекомендации в этой подборке сосредоточены в первую очередь на оптимизации интеграции с тегом Google Publisher Tag (GPT), на общую производительность данной страницы влияет множество других факторов. Всякий раз, когда вы вносите изменения, важно оценить влияние этих изменений на все аспекты производительности вашего сайта.
Измеряйте производительность страницы
Чтобы понять, как изменение влияет на производительность вашего сайта, вам сначала нужно установить базовый уровень для сравнения. Лучший способ сделать это — создать бюджет производительности , который определяет базовый план идеи, которому ваш сайт может соответствовать или не соответствовать в настоящее время. Однако, если вы заинтересованы в поддержании фиксированного уровня производительности, вы можете использовать текущие показатели производительности вашего сайта в качестве базового уровня.
Чтобы начать измерение производительности, рекомендуется сочетание следующих подходов:
- Синтетический мониторинг
- Вы можете использовать такие инструменты, как Lighthouse и Publisher Ads Audits для Lighthouse , чтобы измерить производительность страницы в лабораторных условиях. Этот тип измерения не требует взаимодействия с конечным пользователем, поэтому он хорошо подходит для использования в автоматизированных тестах и может использоваться для проверки производительности изменений перед их выпуском для пользователей.
- Мониторинг реальных пользователей (RUM)
- Вы можете использовать такие инструменты, как Google Analytics и PageSpeed Insights , для сбора реальных данных о производительности непосредственно от пользователей. Этот тип измерения основан на взаимодействиях с конечными пользователями, поэтому он полезен для выявления проблем с производительностью последней мили, которые не могут быть легко обнаружены с помощью синтетических тестов.
Обязательно регулярно проводите измерения и сравнивайте с исходным уровнем. Это даст вам хорошее представление о том, меняется ли производительность вашего сайта в правильном направлении с течением времени.
Выберите, что измерять
Когда дело доходит до производительности, нет единого показателя, который мог бы сказать вам все, что вам нужно знать о том, как работает ваш сайт. Чтобы получить полную картину, вам нужно изучить множество показателей, охватывающих различные аспекты производительности страницы. Некоторые ключевые области эффективности и рекомендуемые показатели перечислены в таблице ниже.
| Зона производительности | |
|---|---|
| Воспринимаемая скорость загрузки | Меры Насколько быстро страница может загружать и отображать все элементы пользовательского интерфейса. Предлагаемые показатели Первая содержательная краска (FCP) |
| Реагирование на загрузку страницы | Меры Как быстро страница становится отзывчивой после первоначальной загрузки. Предлагаемые показатели Задержка первого входа (FID) |
| Визуальная стабильность | Меры Насколько сильно смещаются элементы пользовательского интерфейса и мешают ли эти сдвиги взаимодействию с пользователем. Дополнительную информацию см. в разделе Минимизация смещения макета . Предлагаемые показатели |
Помимо производительности страницы, вы также можете измерить бизнес-показатели, связанные с рекламой. Такие данные, как показы, клики и видимость для каждого рекламного места, можно получить из отчетов Google Ad Manager .
Тестовые изменения
После того как вы определили свои показатели производительности и начали регулярно их измерять, вы можете начать использовать эти данные для оценки влияния изменений на производительность вашего сайта по мере их внесения. Вы делаете это, сравнивая показатели, измеренные после внесения изменения, с показателями, измеренными до внесения изменения (и/или с базовым уровнем, который вы установили ранее). Такое тестирование позволит вам обнаружить и устранить проблемы с производительностью до того, как они станут серьезной проблемой для вашего бизнеса или пользователей.
Автоматизированное тестирование
Вы можете измерять метрики, которые не зависят от взаимодействия с пользователем, с помощью синтетических тестов. Такого рода тесты следует запускать как можно чаще в процессе разработки, чтобы понять, как невыпущенные изменения повлияют на производительность. Такого рода упреждающее тестирование может помочь выявить проблемы с производительностью до того, как изменения будут выпущены для пользователей.
Один из способов добиться этого — сделать синтетические тесты частью рабочего процесса непрерывной интеграции (CI) , где тесты запускаются автоматически всякий раз, когда вносятся изменения. Вы можете использовать Lighthouse CI для интеграции синтетического тестирования производительности во многие рабочие процессы CI:
- Мониторинг производительности с Lighthouse CI
- Аудит рекламы издателя для использования Lighthouse CI
A/B-тестирование
Метрики, которые зависят от взаимодействия с пользователем, не могут быть полностью протестированы до тех пор, пока изменение не будет фактически выпущено для пользователей. Это может быть рискованно, если вы не уверены в том, как поведет себя изменение. Одним из методов снижения этого риска является A/B-тестирование .
Во время A/B-тестирования пользователям случайным образом показываются разные варианты страницы. Вы можете использовать этот метод, чтобы обслуживать измененную версию своей страницы для небольшого процента от общего трафика, в то время как большая часть продолжает обслуживаться неизмененной страницей. В сочетании с RUM вы можете затем оценить относительную производительность двух групп, чтобы определить, какая из них работает лучше, не подвергая риску 100% трафика.
Еще одно преимущество A/B-тестов заключается в том, что они позволяют более точно измерить последствия изменений. Для многих сайтов бывает сложно определить, вызвана ли небольшая разница в производительности недавним изменением или обычным изменением трафика. Поскольку экспериментальная группа A/B-теста представляет собой фиксированный процент от общего трафика, метрики должны отличаться от контрольной группы на постоянный коэффициент. Таким образом, различия, наблюдаемые между двумя группами, можно с большей уверенностью отнести к тестируемым изменениям.
Такие инструменты, как Optimizely и Google Optimize , могут помочь в настройке и проведении A/B-тестов. Однако имейте в виду, что A/B-тестирование на основе тегов (конфигурация по умолчанию для этих инструментов) само по себе может негативно сказаться на производительности и привести к вводящим в заблуждение результатам. Поэтому настоятельно рекомендуется интеграция на стороне сервера:
Результаты A/B-тестирования
Чтобы измерить влияние изменения с помощью A/B-теста, вы собираете показатели как из контрольной, так и из экспериментальной групп и сравниваете их друг с другом. Для этого вам нужен способ определить, какой трафик является частью какой группы.
Для показателей производительности страницы часто бывает достаточно включить на каждой странице простой идентификатор, указывающий, была ли использована контрольная или экспериментальная версия. Этот идентификатор может быть чем угодно, если вы можете анализировать и сопоставлять метрики с ним. Если вы используете предварительно созданную среду тестирования, это обычно выполняется автоматически.
Для бизнес-показателей, специфичных для рекламы, вы можете использовать функцию таргетинга по ключу-значению GPT, чтобы различать запросы объявлений из контрольной и экспериментальной групп:
// 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');
Затем эти пары "ключ-значение" можно использовать при создании отчетов Google Ad Manager для фильтрации результатов по группам.