Nadanie priorytetu skuteczności nie tylko jest korzystne dla użytkowników, ale może też korzyści dla firm. Chociaż sprawdzone metody w tej kolekcji skupiają się głównie na optymalizacji tagu wydawcy Google (GPT), na ogólną skuteczność danej strony wpływa wiele innych czynników. Wprowadzane zmiany są bardzo ważne, aby oceniać ich wpływ na wszystkie aspekty działania witryny.
Pomiar skuteczności strony
Aby zrozumieć, jak zmiana wpływa na skuteczność witryny, musisz najpierw ustalić punkt odniesienia. Najlepiej zrobić to przy użyciu budżetu wydajności, który określa podstawę koncepcji, która może być obecna w Twojej witrynie lub nie. Jeśli chcesz utrzymać określony poziom wydajności, możesz jednak wykorzystać bieżące wskaźniki skuteczności witryny jako wartość bazową.
Aby rozpocząć pomiary skuteczności, zalecamy zastosowanie tych metod:
- Monitorowanie syntetyczne
- Możesz użyć narzędzi takich jak Lighthouse i Publisher Ads Audits for Lighthouse, aby mierzyć skuteczność strony w ramach modułu. Ten typ pomiaru nie wymaga interakcji użytkownika, więc nadaje się do testów automatycznych i można go używać do weryfikowania skuteczności zmian przed ich udostępnieniem użytkownikom.
- Monitorowanie rzeczywistych użytkowników (RUM)
- Możesz użyć narzędzi takich jak Google Analytics i PageSpeed Insights, aby zbierać rzeczywiste dane o skuteczności bezpośrednio od użytkowników. Ten typ pomiaru jest oparty na interakcjach użytkowników, więc jest przydatny do wykrywania problemów z wydajnością ostatniego kilometra, których nie można łatwo wykryć za pomocą testów syntetycznych.
Wykonuj pomiary i porównuj je z wartością bazową. Dzięki temu dowiesz się, czy skuteczność witryny osiąga z upływem czasu.
Wybierz, co chcesz mierzyć
Nie ma jednego wskaźnika, który da Ci wszystko informacji o skuteczności witryny. Aby uzyskać pełny obraz, należy przeanalizować różne dane dotyczące różnych aspektów skuteczności strony. W tabeli poniżej znajdziesz kilka kluczowych obszarów skuteczności i sugerowanych danych.
Obszar skuteczności | |
---|---|
Przewidywana prędkość wczytywania |
Pomiary
Szybkość wczytywania strony i renderowania wszystkich elementów interfejsu. Sugerowane dane
Pierwsze wyrenderowanie treści (FCP) |
Reakcja na wczytanie strony |
Pomiary
czas reakcji strony po jej początkowym wczytaniu; Sugerowane dane
Opóźnienie przy pierwszym działaniu (FID) |
Stabilność wzrokowa |
Pomiary
Jak zmieniła się liczba elementów interfejsu i czy te interakcje zakłócają interakcję użytkownika. Więcej informacji znajdziesz w artykule o minimalnym przesunięciem układu. Sugerowane dane
Skumulowane przesunięcie reklamy |
Oprócz danych o skuteczności możesz także mierzyć dane biznesowe związane z reklamą. Informacje takie jak wyświetlenia, kliknięcia i widoczność w poszczególnych boksach możesz uzyskać w raportach Google Ad Manager.
Sprawdź zmiany
Gdy zdefiniujesz dane o skuteczności i zaczniesz regularnie je mierzyć, możesz zacząć używać tych danych do oceny wpływu wprowadzonych zmian na skuteczność w witrynie. Możesz to zrobić, porównując wskaźniki zmierzone po wprowadzeniu zmiany z analogicznymi przed wprowadzeniem zmiany (lub z wartościami ustalonymi wcześniej). Testy tego typu pozwalają wykryć i rozwiązać problemy z wydajnością, zanim staną się one poważnym problemem dla Twojej firmy lub użytkowników.
Automatyczne testowanie
Za pomocą testów syntetycznych możesz mierzyć wskaźniki, które nie zależą od interakcji użytkownika. Tego rodzaju testy należy przeprowadzać tak często, jak to możliwe, w celu zrozumienia, jak nieopublikowane zmiany wpłyną na wydajność. Ten rodzaj aktywnego testowania pomaga wykryć problemy z wydajnością przed wprowadzeniem zmian na urządzeniach użytkowników.
Jednym ze sposobów na to jest utworzenie testów syntetycznych w ramach ciągłej integracji, w którym testy uruchamiają się automatycznie po każdej zmianie. Lighthouse CI umożliwia integrację syntetycznego testowania wydajności z wieloma przepływami pracy CI:
- Monitorowanie skuteczności za pomocą narzędzia Lighthouse CI
- wydanie wydawcy Ads Audits for Lighthouse
Testy A/B
Wskaźników zależnych od interakcji użytkownika nie można w pełni przetestować, dopóki zmiana nie zostanie udostępniona użytkownikom. Może to być ryzykowne, jeśli nie masz pewności, jak wpłynie zmiana. Jednym ze sposobów radzenia sobie z tym ryzykiem jest testy A/B.
Podczas testu A/B różne warianty strony są wyświetlane użytkownikom losowo. Dzięki tej metodzie możesz wyświetlać zmodyfikowaną wersję strony w niewielkim odsetku całego ruchu, podczas gdy w większości nadal jest ona niezmodyfikowana. W połączeniu z RUM możesz ocenić względną skuteczność obu grup, aby określić, która z nich jest skuteczniejsza – i nie stanowi to zagrożenia dla 100% ruchu.
Inną zaletą testów A/B jest to, że pozwalają dokładniej mierzyć efekty tych zmian. W przypadku wielu witryn może być trudno określić, czy mała zmiana skuteczności jest spowodowana niedawną zmianą, czy normalnym wahaniami natężenia ruchu. Eksperymentalna grupa testu A/B stanowi stały odsetek całego ruchu, dlatego dane powinny być stałe od grupy kontrolnej. Właśnie dlatego zaobserwowane różnice między obiema grupami można z większym prawdopodobieństwem przypisać do testowanej zmiany.
W konfigurowaniu i przeprowadzaniu testów A/B mogą pomóc narzędzia takie jak Optimizely i Google Optimize. Pamiętaj jednak, że ten oparty na tagach test A/B (domyślna konfiguracja tych narzędzi) może negatywnie wpływać na skuteczność i wprowadzać w błąd. Dlatego zdecydowanie zalecamy integrację po stronie serwera:
Wyniki testu A/B
Aby zmierzyć wpływ zmiany za pomocą testu A/B, musisz zebrać dane z grupy kontrolnej i eksperymentalnej i porównać je ze sobą. Aby to zrobić, musisz wiedzieć, jaki ruch należy do której grupy.
W przypadku danych dotyczących wydajności strony wystarczy często umieścić na każdej stronie prosty identyfikator wskazujący, czy wyświetliła się wersja kontrolna czy eksperymentalna. Ten identyfikator może być dowolny, ale jest to możliwe do analizy i korelowania danych. Jeśli korzystasz z gotowej platformy testowania, zwykle zajmuje się nią automatycznie.
W przypadku danych biznesowych dotyczących każdej reklamy możesz użyć funkcji kierowania według par klucz-wartość w GPT, aby odróżnić żądania reklamy 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, do których możesz się odwoływać, podczas generowania raportów Google Ad Managera możesz filtrować według grupy.