การให้ความสําคัญกับประสิทธิภาพการทํางานไม่ใช่แค่เรื่องดีสําหรับผู้ใช้เท่านั้น และยังดีต่อธุรกิจได้ด้วย แม้ว่าแนวทางปฏิบัติแนะนําในคอลเล็กชันนี้มุ่งเน้นที่การเพิ่มประสิทธิภาพการผสานรวมแท็กผู้เผยแพร่โฆษณาผ่าน Google (GPT) เป็นหลัก แต่ก็มีปัจจัยอื่นๆ อีกหลายอย่างที่ส่งผลต่อประสิทธิภาพโดยรวมของหน้าหนึ่งๆ เมื่อใดก็ตามที่คุณแนะนําการเปลี่ยนแปลง คุณควรประเมินผลกระทบจากการเปลี่ยนแปลงเหล่านั้นที่มีต่อประสิทธิภาพของเว็บไซต์ทุกด้าน
วัดประสิทธิภาพของหน้าเว็บ
เพื่อทําความเข้าใจว่าการเปลี่ยนแปลงส่งผลต่อประสิทธิภาพของเว็บไซต์อย่างไร คุณต้องกําหนดเกณฑ์พื้นฐานเพื่อเปรียบเทียบ วิธีที่ดีที่สุดในการดําเนินการดังกล่าวคือการสร้างงบประมาณประสิทธิภาพที่กําหนดฐานของแนวคิด ซึ่งเว็บไซต์ของคุณอาจตอบสนองหรือไม่ก็ได้ แต่หากสนใจรักษาระดับประสิทธิภาพคงที่ คุณก็ใช้เมตริกประสิทธิภาพปัจจุบันของเว็บไซต์เป็นเกณฑ์พื้นฐานได้
เราแนะนําให้รวมแนวทางต่อไปนี้เข้าด้วยกันในการวัดประสิทธิภาพ
- การตรวจสอบสังเคราะห์
- คุณใช้เครื่องมืออย่างเช่น Lighthouse และ Publisher Ads Audits for Lighthouse เพื่อวัดประสิทธิภาพของหน้าเว็บในการตั้งค่าห้องทดลองได้ การวัดผลประเภทนี้ไม่จําเป็นต้องมีการโต้ตอบของผู้ใช้ปลายทาง ดังนั้นจึงเหมาะกับการใช้ในการทดสอบอัตโนมัติและใช้เพื่อตรวจสอบประสิทธิภาพของการเปลี่ยนแปลงก่อนที่จะเผยแพร่ไปยังผู้ใช้
- การตรวจสอบผู้ใช้จริง (RUM)
- คุณใช้เครื่องมืออย่างเช่น Google Analytics และ PageSpeed Insights เพื่อรวบรวมข้อมูลประสิทธิภาพในชีวิตจริงจากผู้ใช้ได้โดยตรง การวัดประเภทนี้อิงตามการโต้ตอบของผู้ใช้ปลายทาง จึงมีประโยชน์ในการระบุปัญหาประสิทธิภาพระยะสุดท้ายที่การทดสอบได้ง่ายๆ ไม่สามารถค้นพบได้
อย่าลืมทําการวัดผลและเปรียบเทียบกับเกณฑ์พื้นฐานของคุณเป็นประจํา ข้อมูลนี้เป็นตัวบ่งชี้ที่ดีว่าประสิทธิภาพของเว็บไซต์กําลังมาแรงในทิศทางที่ถูกต้องหรือไม่
เลือกสิ่งที่จะวัด
เมื่อพูดถึงประสิทธิภาพ เราไม่มีเมตริกเดียวที่บอกทุกสิ่งทุกอย่างเกี่ยวกับประสิทธิภาพของเว็บไซต์ได้ คุณต้องดูเมตริกต่างๆ ที่ครอบคลุมแง่มุมต่างๆ ของประสิทธิภาพของหน้าเว็บเพื่อให้เห็นภาพทั้งด้าน พื้นที่ประสิทธิภาพที่สําคัญและเมตริกที่แนะนําจะแสดงอยู่ในตารางด้านล่าง
| พื้นที่ประสิทธิภาพ | |
|---|---|
| ความเร็วในการโหลดที่รับรู้ |
มาตรการ
หน้าเว็บโหลดและแสดงผลองค์ประกอบ UI ทั้งหมดได้อย่างรวดเร็วเพียงใด เมตริกที่แนะนํา
Largest Contentful Paint (FCP) |
| การตอบสนองของการโหลดหน้าเว็บ |
มาตรการ
หน้าเว็บตอบสนองได้รวดเร็วเพียงใดหลังจากการโหลดครั้งแรก เมตริกที่แนะนํา
การหน่วงเวลาแรกเข้า (FID) |
| ความเสถียรของภาพ |
มาตรการ
ปริมาณการเปลี่ยนแปลงของ UI และการเปลี่ยนแปลงเหล่านี้รบกวนการโต้ตอบของผู้ใช้หรือไม่ ดูข้อมูลเพิ่มเติมที่หัวข้อลดการเปลี่ยนแปลงเลย์เอาต์ เมตริกที่แนะนํา |
นอกจากประสิทธิภาพของหน้าเว็บแล้ว คุณยังอาจต้องการวัดเมตริกธุรกิจที่เจาะจงโฆษณาอีกด้วย คุณอาจดูข้อมูลอย่างเช่น การแสดงผล การคลิก และการมองเห็นโฆษณาในแต่ละช่องได้จากการรายงานของ Google Ad Manager
ทดสอบการเปลี่ยนแปลง
เมื่อกําหนดเมตริกประสิทธิภาพและเริ่มวัดข้อมูลเป็นประจําแล้ว คุณจะเริ่มใช้ข้อมูลนี้เพื่อประเมินผลกระทบด้านประสิทธิภาพจากการเปลี่ยนแปลงที่มีในเว็บไซต์ได้ โดยเปรียบเทียบเมตริกที่วัดหลังจากทําการเปลี่ยนแปลงกับเมตริกที่วัดก่อนการเปลี่ยนแปลง (และ/หรือเกณฑ์พื้นฐานที่คุณสร้างก่อนหน้านี้) การทดสอบประเภทนี้จะช่วยให้คุณตรวจจับและแก้ไขปัญหาด้านประสิทธิภาพได้ก่อนจะกลายเป็นปัญหาสําคัญสําหรับธุรกิจหรือผู้ใช้
การทดสอบอัตโนมัติ
คุณสามารถวัดเมตริกที่ไม่ได้ต้องอาศัยการโต้ตอบของผู้ใช้ผ่านการทดสอบสังเคราะห์ การทดสอบประเภทนี้ควรดําเนินการบ่อยที่สุดในกระบวนการพัฒนาเพื่อทําความเข้าใจว่าการเปลี่ยนแปลงที่ยังไม่ได้เผยแพร่จะส่งผลต่อประสิทธิภาพอย่างไร การทดสอบเชิงรุกประเภทนี้ช่วยให้ทราบถึงปัญหาด้านประสิทธิภาพก่อนที่จะเผยแพร่การเปลี่ยนแปลงให้แก่ผู้ใช้
วิธีหนึ่งที่ช่วยให้บรรลุผลได้คือการทําให้การทดสอบสังเคราะห์เป็นส่วนหนึ่งของเวิร์กโฟลว์การผสานรวมอย่างต่อเนื่อง (CI) โดยการทดสอบจะทํางานโดยอัตโนมัติทุกครั้งที่มีการเปลี่ยนแปลง คุณใช้ Lighthouse CI เพื่อผสานรวมการทดสอบประสิทธิภาพสังเคราะห์ในเวิร์กโฟลว์ CI จํานวนมากได้โดยทําดังนี้
การทดสอบ A/B
เมตริกที่อาศัยการโต้ตอบของผู้ใช้นั้นไม่สามารถทดสอบได้อย่างสมบูรณ์จนกว่าการเปลี่ยนแปลงจะเผยแพร่แก่ผู้ใช้จริง ซึ่งอาจเป็นความเสี่ยงหากคุณไม่แน่ใจว่าการเปลี่ยนแปลงจะส่งผลอย่างไร เทคนิคหนึ่งในการลดความเสี่ยงนั้นคือการทดสอบ A/B
ในระหว่างการทดสอบ A/B ระบบจะแสดงหน้าเว็บรูปแบบต่างๆ แก่ผู้ใช้แบบสุ่ม คุณสามารถใช้เทคนิคนี้เพื่อแสดงหน้าเว็บเวอร์ชันที่แก้ไขแล้วในการเข้าชมเพียงไม่กี่เปอร์เซ็นต์ ขณะที่หน้าส่วนใหญ่จะแสดงหน้าที่ไม่มีการแก้ไขต่อไป เมื่อรวมกับ RUM คุณจะประเมินประสิทธิภาพที่เกี่ยวข้องของทั้ง 2 กลุ่มได้เพื่อดูว่ากลุ่มใดมีประสิทธิภาพมากกว่า โดยไม่ต้องเสี่ยงต่อการเข้าชม 100%
ประโยชน์อีกอย่างของการทดสอบ A/B คือช่วยให้คุณวัดผลกระทบของการเปลี่ยนแปลงได้อย่างแม่นยํายิ่งขึ้น สําหรับเว็บไซต์จํานวนมาก การตรวจสอบว่าประสิทธิภาพที่แตกต่างกันเล็กน้อยเกิดจากการเปลี่ยนแปลงล่าสุดหรือการเข้าชมที่ผิดปกติตามปกตินั้นทําได้ยากหรือไม่ เนื่องจากกลุ่มทดสอบของการทดสอบ A/B แสดงถึงเปอร์เซ็นต์คงที่ของการเข้าชมทั้งหมด เมตริกจึงควรแตกต่างจากกลุ่มควบคุมตามปัจจัยคงที่ ดังนั้น ความแตกต่างที่สังเกตได้ระหว่าง 2 กลุ่มนี้ ระบุได้อย่างมั่นใจกว่าการเปลี่ยนแปลงที่กําลังทดสอบ
เครื่องมืออย่างเช่น Optimizely และ Google Optimize ช่วยในการตั้งค่าและเรียกใช้การทดสอบ A/B ได้ อย่างไรก็ตาม โปรดทราบว่าแท็กนั้นอิงตามการทดสอบ A/B (การกําหนดค่าเริ่มต้นสําหรับเครื่องมือเหล่านี้) อาจส่งผลเสียต่อประสิทธิภาพและให้ผลลัพธ์ที่ทําให้เข้าใจผิดได้ ดังนั้น เราขอแนะนําให้ใช้การผสานรวมฝั่งเซิร์ฟเวอร์
ผลการทดสอบ A/B
หากต้องการวัดผลลัพธ์ของการเปลี่ยนแปลงโดยใช้การทดสอบ A/B คุณรวบรวมเมตริกจากทั้งกลุ่มควบคุมและกลุ่มทดสอบและเปรียบเทียบกัน การทําเช่นนั้นคือ คุณต้องบอกให้คุณทราบว่าการเข้าชมใดเป็นส่วนหนึ่งของกลุ่มใด
สําหรับเมตริกประสิทธิภาพของหน้าเว็บ การใส่ตัวระบุแบบง่ายในแต่ละหน้ามักจะบ่งบอกได้ว่าจะแสดงเวอร์ชันควบคุมหรือเวอร์ชันทดลองหรือไม่ ตัวระบุนี้จะเป็นอะไรก็ได้ที่คุณต้องการ ตราบใดที่คุณแยกวิเคราะห์และเชื่อมโยงเมตริกได้ หากใช้เฟรมเวิร์กการทดสอบที่สร้างไว้ล่วงหน้า ซึ่งระบบมักจะจัดการให้คุณโดยอัตโนมัติ
สําหรับเมตริกธุรกิจที่เจาะจงโฆษณา คุณสามารถใช้ฟีเจอร์การกําหนดเป้าหมายคีย์-ค่าของ GPT เพื่อแยกความแตกต่างระหว่างคําขอโฆษณากับกลุ่มควบคุมกับกลุ่มทดสอบ
// 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');
จากนั้น คุณจะอ้างอิงคีย์-ค่าเหล่านี้ได้เมื่อเรียกใช้รายงาน Google Ad Manager เพื่อกรองผลลัพธ์ตามกลุ่ม