ما 208،085 صفحه وب را تجزیه و تحلیل کردیم تا اطلاعات بیشتری در مورد Core Web Vital کسب کنیم.

ابتدا معیارهایی برای تغییر چیدمان تجمعی ، تأخیر ورودی اول و بزرگترین رنگ محتوایی ایجاد کردیم.

سپس ، ما به بررسی ارتباط بین Core Web Vital و سنجه های تجربه کاربر (مانند نرخ گزاف گویی) پرداختیم.

با تشکر از اطلاعات ارائه شده توسط WebCEO، ما توانستیم برخی از یافته های جالب را کشف کنیم.

بیایید درست وارد داده ها شویم.

در اینجا خلاصه ای از یافته های اصلی ما وجود دارد:

1 77/53 درصد از سایتها نمره خوبترین محتوای رنگ آمیزی (LCP) را داشتند. 46.23٪ سایتها دارای رتبه بندی LCP “ضعیف” یا “نیاز به بهبود” بودند.

2 85/53 درصد وب سایت های مجموعه داده های ما دارای رتبه بهینه تأخیر ورودی اول (FID) هستند. فقط 8.57٪ از سایتها نمره FID “ضعیفی” داشتند.

3 65.13٪ از سایتهای مورد تجزیه و تحلیل امتیازهای بهینه چیدمان تجمعی (CLS) را به خود اختصاص داده اند.

4- میانگین LCP سایت هایی که ما در آن ها تحلیل کردیم 2،386 میلی ثانیه.

5. میانگین FID بود 137.74 میلی ثانیه.

6. میانگین نمره CLS بود 0.14. این کمی بالاتر از نمره بهینه است.

7. متداول ترین موضوعات تأثیرگذار بر LCP بود تعداد درخواست بالا و اندازه بزرگ انتقال.

8- شیفت های بزرگ ، دلیل اصلی نمرات CLS ضعیف بود.

9. رایج ترین مسئله ای که بر FID تأثیر می گذارد خط مشی ناکارآمد حافظه پنهان.

10. وجود داشت همبستگی ضعیفی بین امتیازات Core Web Vital و معیارهای UX.

11. ما متوجه شدیم که FID تمایل داشت کمی با نماهای صفحه ارتباط برقرار کند.

53.77٪ از وب سایت ها دارای بالاترین امتیاز بهینه ترین محتوای رنگ بودند

اولین هدف ما دیدن عملکرد هر سایت بر اساس بود سه عاملی که هسته اصلی وب Google را تشکیل می دهند: بزرگترین رنگ محتوایی ، تغییر چیدمان تجمعی و تأخیر ورودی اول.

هسته های اصلی وب بخشی از ارزیابی کلی Google از & # 039؛ "تجربه صفحه"

به طور خاص ، ما می خواستیم درصد صفحاتی را که در “کنسول جستجو” هر سایت “خوب” ، “نیاز به بهبود” و “ضعیف” طبقه بندی شده اند ، تعیین کنیم.

برای انجام این کار ، داده های کنسول جستجوی Google بدون نام از 208k صفحات (تقریباً 20k کل سایت) را تجزیه و تحلیل کردیم.

اولین کار ما: تجزیه و تحلیل LCP (رنگ با محتوای بزرگ). به زبان ساده ، LCP مدت زمان لازم برای بارگیری محتوای قابل مشاهده در یک صفحه را اندازه گیری می کند.

در اینجا چگونگی عملکرد سایت هایی که ما تجزیه و تحلیل کرده ایم است:

53.77٪ از وب سایت ها دارای بالاترین امتیاز نمره محتوای مطلوب بودند
  • خوب: 53.77٪
  • نیاز به بهبود: 28.76٪
  • ضعیف: 17.47٪

همانطور که می بینید ، اکثر سایتهایی که ما آنها را بررسی کردیم دارای امتیاز “خوب” LCP بودند. این امر بیش از حد انتظار بود ، به ویژه هنگامی که سایر معیارها را نیز در نظر می گیرید (مانند این توسط iProspect)

ممکن است وب سایتهای موجود در مجموعه داده ما به ویژه در مورد عملکرد صفحه بسیار کوشا باشند. یا ممکن است تا حدی به دلیل اختلاف اندازه نمونه باشد (تجزیه و تحلیل iProspect به طور مداوم 1500 سایت را رصد می کند. ما 20000+ مورد را تجزیه و تحلیل کردیم).

در هر صورت ، دیدن اینکه فقط نیمی از وب سایت ها باید روی LCP خود کار کنند دلگرم کننده است.

85/53 درصد وب سایت هایی که ما تحلیل کردیم دارای رتبه بندی تأخیر ورودی اول خوب هستند

در مرحله بعدی ، ما گزارش Search Console را گزارش کردیم تأخیر ورودی اول (FID) رتبه بندی همانطور که از نامش مشخص است ، FIP تأخیر بین اولین درخواست و کاربر را قادر می سازد چیزی را وارد کند (مانند تایپ کردن نام کاربری) را اندازه گیری می کند.

در اینجا تجزیه و تحلیل نمرات FID از مجموعه داده های ما وجود دارد:

85/53 درصد وب سایت هایی که ما تحلیل کردیم دارای رتبه بندی تأخیر ورودی اول خوب بودند
  • خوب: 53.85٪
  • نیاز به بهبود: 37.58٪
  • ضعیف: 8.57٪

باز هم ، تقریباً بیش از نیمی از سایت هایی که مشاهده کردیم دارای امتیازات FID “خوبی” بودند.

جالب توجه است که تعداد بسیار کمی (8.57٪) نمره “ضعیف” داشته اند. این نشان می دهد که وقتی Google FID را در الگوریتم خود قرار دهد ، تعداد نسبتاً کمی سایت احتمالاً تحت تأثیر منفی قرار می گیرند.

65.13٪ از سایتها دارای امتیاز تغییر چیدمان تجمعی بهینه هستند

سرانجام ، ما به تغییر چیدمان تجمعی (CLS) رتبه بندی از Search Console.

CLS اندازه گیری نحوه حرکت عناصر موجود در صفحه هنگام بارگیری است. صفحاتی که از طریق فرآیند بارگیری نسبتاً پایدار هستند ، امتیازات CLS (خوب) بالایی دارند.

در اینجا رتبه بندی CLS در میان سایتهایی که ما تجزیه و تحلیل کردیم وجود دارد:

65.13٪ از سایتها دارای امتیاز بهینه آرایش تجمعی بهینه بودند
  • خوب: 65.13٪
  • نیاز به بهبود: 17.03٪
  • ضعیف: 17.84٪

از بین سه امتیاز Core Web Vital ، CLS کمترین مشکل را دارد. در حقیقت ، فقط حدود 35٪ از سایت هایی که ما تجزیه و تحلیل کردیم ، باید روی CLS آنها کار کنند.

میانگین LCP 2836 میلی ثانیه است

در مرحله بعدی ، ما می خواهیم معیارهایی را برای هر معیار Core Web Vital تعیین کنیم. همانطور که در بالا ذکر شد ، Google ایجاد کرده است مجموعه راهنمای خودشان برای هر Core Web Vital.

(به عنوان مثال ، LCP “خوب” زیر 2.5 ثانیه در نظر گرفته می شود.)

با این حال ، ما تجزیه و تحلیل گسترده ای را مشاهده نکرده ایم که سعی در محک زدن هر معیار اصلی Core Web Vital “در طبیعت” داشته باشد.

ابتدا امتیازات LCP را برای سایتهای موجود در پایگاه داده خود محک زدیم.

در میان سایتهایی که مورد تجزیه و تحلیل قرار گرفتیم ، میانگین LCP معادل 2836 میلی ثانیه (2.8 ثانیه) است.

میانگین LCP 2.836 میلی ثانیه است

در اینجا متداول ترین مواردی است که بر عملکرد LCP تأثیر منفی می گذارد:

مسائل مربوط به LCP
  • تعداد درخواست زیاد و اندازه انتقال زیاد (100٪ صفحات)
  • زمان رفت و برگشت شبکه بالا (100٪ صفحات)
  • زنجیره درخواست انتقادی (98.9٪ از صفحات)
  • زمان پاسخگویی اولیه سرور بالا (57.4٪ صفحات)
  • تصاویر در قالب نسل بعدی ارائه نمی شوند (44.6٪ از صفحات)

به طور کلی ، 100٪ از صفحات حداقل LCP به دلیل “تعداد درخواست زیاد و اندازه انتقال زیاد” دارای نمره LCP بالا بودند. به عبارت دیگر ، صفحاتی که با کد اضافی ، اندازه پرونده بزرگ یا هر دو سنگین هستند.

این یافته با تحلیل دیگری که انجام دادیم مطابقت داشت و نشان داد صفحات بزرگ مقصر بیشتر صفحات کم بارگذاری هستند.

میانگین FID 137.4 میلی ثانیه است

سپس نمرات FID را در میان صفحات مجموعه داده خود بررسی کردیم.

به طور کلی ، میانگین تأخیر ورودی اول 137.4 میلی ثانیه بود:

میانگین FID 137.4 میلی ثانیه است

در اینجا شایع ترین موضوعات مربوط به FID است که ما کشف کردیم:

مسائل مربوط به FID
  • خط مشی ناکارآمد حافظه پنهان (87.4٪ از صفحات)
  • کارهای طولانی با موضوع اصلی (78.4٪ از صفحات)
  • جاوا اسکریپت استفاده نشده (54.1٪ صفحات)
  • CSS استفاده نشده (38.7٪ از صفحات)
  • اندازه مدل شیument بیش از حد سند (22.3٪ صفحات)

جالب بود که ببینید مسائل caching بیش از هر مشکل دیگری بر FID تأثیر منفی می گذارد. و جای تعجب نیست که کد ضعیف بهینه سازی شده (به صورت JS و CSS بلااستفاده) در پس بسیاری از امتیازات FID قرار دارد.

میانگین CLS .14 است

ما دریافتیم که میانگین نمره CLS 14/0 است.

میانگین CLS 14/0 است

این معیار به طور خاص نحوه تغییر محتوای یک صفحه را بررسی می کند. نمره صفر ایده آل تلقی می شود. و هر چیزی که بالاتر از 1 باشد ، در Search Console “خوب” است.

رایج ترین موضوعات تأثیرگذار بر CLS پروژه ها شامل موارد زیر است:

مسائل مربوط به CLS
  • شیفت های بزرگ (94.5٪ صفحات)
  • منابع مسدود کننده رندر (86.3٪ از صفحات)
  • متن هنگام بارگیری قلم وب پنهان است (82.6٪ از صفحات)
  • درخواست های کلیدی از قبل بارگیری نشده (26.7٪ از صفحات)
  • اندازه تصاویر نامناسب (24.7٪ از صفحات)

ارتباط LCP با رفتار کاربر چگونه است

اکنون که معیارها تنظیم شدند ، سپس تعیین کردیم که Core Web Vital چگونه تجربه کاربر واقعی را نشان می دهد.

در حقیقت ، این رابطه چیزی است که خود گوگل در مستندات “گزارش Core Web Vital” خود برجسته می کند:

Google - چرا عملکرد صفحه مهم است

برای تجزیه و تحلیل Core Web Vital و تأثیر آنها بر UX ، تصمیم گرفتیم سه معیار UX طراحی شده برای نمایش رفتار کاربر در صفحات وب را بررسی کنیم:

  • نرخ گزاف گویی (٪ کاربران هنگام بازدید از یک وب سایت صفحه آن را ترک می کنند)
  • عمق صفحه در هر جلسه (تعداد صفحاتی که کاربران قبل از ترک وب سایت مشاهده می کنند)
  • زمان در وب سایت (مدت زمانی که کاربران در یک وب سایت صرف چه زمانی می کنند)

فرضیه ما به شرح زیر بود: اگر Core Web Vital یک وب سایت را بهبود ببخشید ، بر معیارهای UX تأثیر مثبت می گذارد.

به عبارت دیگر ، سایتی با Core Web Vital “خوب” دارای نرخ پرش پایین تر ، جلسات طولانی تر و بازدید از صفحه بالاتر خواهد بود. خوشبختانه ، این مجموعه داده علاوه بر داده های Search Console ، دارای معیارهای UX از Google Analytics نیز بود.

سپس ، ما به سادگی مجبور شدیم Core Web Vital های هر وب سایت را با هر معیار UX مقایسه کنیم. در زیر می توانید نتایج ما را برای LCP بیابید:

LCP و نرخ گزاف گویی

همبستگی بین LCP و نرخ گزاف گویی

LCP و صفحات در هر جلسه

همبستگی بین LCP و صفحات در هر جلسه

LCP و زمان در سایت

همبستگی بین LCP و زمان حضور در سایت

در سه نمودار ، مشخص بود که هر سه بخش مختلف (خوب ، ضعیف و نیازها) تا حدودی به طور مساوی بر روی نمودار توزیع شده اند.

به عبارت دیگر ، هیچ رابطه مستقیمی بین معیارهای LCP و UX وجود نداشت.

FID با نمایش صفحه رابطه کمی دارد

بعد ، ما به رابطه بالقوه بین تأخیر ورودی اول و رفتار کاربر نگاه کردیم.

مانند LCP ، منطقی است که FID ضعیف بر معیارهای UX (به ویژه نرخ گزاف گویی) تأثیر منفی بگذارد.

کاربری که باید منتظر بماند تا از منو انتخاب کند یا رمز ورود خود را تایپ کند ، احتمالاً ناامید شده و گزاف گویی خواهد کرد. و اگر این تجربه از چندین صفحه عبور کند ، ممکن است منجر به کاهش کل بازدیدهای صفحه شود.

با این کار ، در اینجا چگونگی ارتباط FID با معیارهای رفتاری آنها آمده است.

FID و نرخ گزاف گویی

همبستگی بین FID و نرخ گزاف گویی

FID و صفحات در هر جلسه

همبستگی بین FID و صفحات در هر جلسه

توجه داشته باشید: ما دریافتیم که FID بالا تمایل به ارتباط با تعداد کمی از صفحات در هر جلسه دارد. عکس این نیز صادق بود.

FID و زمان در سایت

همبستگی بین FID و زمان در محل

به طور کلی ، تنها نمونه ای که ما شاهد نکات همبستگی هستیم ، زمانی است که FID را با تعداد صفحات مشاهده شده در هر جلسه مقایسه می کنیم. هنگامی که نوبت به نرخ پرش و زمان در سایت می رسد ، به نظر می رسد FID یک وب سایت هیچ تاثیری در رفتار کاربر ندارد.

CLS چگونه بر رفتار کاربر تأثیر می گذارد

در مرحله بعدی ، ما می خواهیم یک رابطه بالقوه بین CLS و فعالیت کاربر را بررسی کنیم.

منطقی به نظر می رسد که یک CLS ضعیف باعث ناامیدی کاربران شود. و بنابراین می تواند نرخ گزاف گویی را افزایش دهد و زمان جلسه را کاهش دهد.

با این حال ، ما قادر به یافتن هیچ مورد موردی یا تجزیه و تحلیل گسترده ای نبودیم که نشان دهد نمرات CLS بالا بر رفتار کاربر تأثیر می گذارد. بنابراین تصمیم گرفتیم تحلیلی را انجام دهیم که به دنبال روابط بالقوه بین CLS ، نرخ پرش ، “زمان ساکن” و صفحات مشاهده شده باشد. این چیزی است که ما پیدا کردیم:

CLS و نرخ گزاف گویی

همبستگی بین CLS و نرخ گزاف گویی

CLS و صفحات در هر جلسه

همبستگی بین CLS و صفحات در هر جلسه

CLS و زمان در سایت

همبستگی بین CLS و زمان در سایت

به طور کلی ، هیچ ارتباط معنی داری بین CLS ، نرخ پرش ، زمان حضور در سایت یا بازدید از صفحه مشاهده نکردیم.

خلاصه

امیدوارم این تحلیل برای شما جالب و مفید واقع شده باشد (مخصوصاً با صفحه تجربه Google به روزرسانی کنید در راه).

در اینجا پیوندی به مجموعه داده های خام که ما استفاده کردیم همراه با روش های ما.

می خواهم سپاسگزاری کنم WebCEO برای ارائه داده هایی که این مطالعه در صنعت را ممکن کرده است.

به طور کلی ، جالب بود که ببینید اکثر سایتهایی که ما تجزیه و تحلیل کردیم عملکرد نسبتاً خوبی داشتند. و تا حد زیادی برای به روزرسانی گوگل آماده هستند. و جالب بود که متوجه شدیم ، در حالی که Core Web Vital معیارهای UX مثبت را در یک وب سایت نشان می دهد ، ما هیچ ارتباطی با معیارهای رفتاری مشاهده نکردیم.

حالا دوست دارم از شما بشنوم:

غذای اصلی شما از مطالعه امروز چیست؟ یا شاید در مورد چیزی از تجزیه و تحلیل س haveالی داشته باشید. در هر صورت ، همین حالا در زیر نظر بگذارید.



Source link