สิ่งที่เราเรียนรู้เกี่ยวกับ Core Web Vitals และ UX จาก 208,000 เว็บไซต์

เราวิเคราะห์หน้าเว็บ 208,085 หน้าเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับ Core Web Vitals

อันดับแรก เรากำหนดเกณฑ์มาตรฐานสำหรับ Cumulative Layout Shift, First Input Delay และ Largest Contentful Paint

จากนั้น เราตรวจสอบความสัมพันธ์ระหว่าง Core Web Vitals กับตัวชี้วัดประสบการณ์ผู้ใช้ (เช่น อัตราตีกลับ)

ต้องขอบคุณข้อมูลที่จัดทำโดยWebCEOเราจึงสามารถค้นพบข้อค้นพบที่น่าสนใจบางอย่างได้

มาดำดิ่งลงไปในข้อมูลกัน

นี่คือบทสรุปของการค้นพบที่สำคัญของเรา:

1. 53.77% ของไซต์มีคะแนน Largest Contentful Paint (LCP) ที่ดี 46.23% ของไซต์มีคะแนน LCP “แย่” หรือ “ต้องปรับปรุง”

2. 53.85% ของเว็บไซต์ในชุดข้อมูลของเรามีการจัดอันดับ First Input Delay (FID) ที่เหมาะสมที่สุด ไซต์เพียง 8.57% เท่านั้นที่มีคะแนน FID “แย่”

3. 65.13% ของไซต์ที่วิเคราะห์มีคะแนน Cumulative Layout Shift (CLS) ที่ดีที่สุด

4. LCP เฉลี่ยของเว็บไซต์ที่เราวิเคราะห์โอเวอร์คล็อกที่2,386 มิลลิวินาที

5. เฉลี่ย FID เป็น137.74 มิลลิวินาที

6. CLS มีค่าเฉลี่ย0.14 ซึ่งสูงกว่าคะแนนที่เหมาะสมเล็กน้อย

7. ปัญหาที่พบบ่อยมากที่สุดส่งผลกระทบต่อ LCP ได้นับคำขอสูงและขนาดใหญ่การถ่ายโอน

8. การเปลี่ยนเลย์เอาต์ขนาดใหญ่เป็นสาเหตุอันดับ 1 ของคะแนน CLS ที่แย่

9. ปัญหาที่พบมากที่สุดที่มีผลต่อ FID เป็นนโยบายแคชที่ไม่มีประสิทธิภาพ

10. มีความสัมพันธ์ที่อ่อนแอระหว่างหลักเว็บคะแนนสำคัญและตัวชี้วัด UX

11. เราไม่พบว่าFID ไม่มีแนวโน้มที่จะมีความสัมพันธ์เล็กน้อยกับเพจวิว

53.77% ของเว็บไซต์มีคะแนนสีที่มีเนื้อหาเหมาะสมที่สุด

เป้าหมายแรกของเราคือดูว่าแต่ละไซต์ทำงานเป็นอย่างไรโดยพิจารณาจากปัจจัยสามประการที่ประกอบเป็น Core Web Vitals ของ Googleได้แก่ Largest Contentful Paint, Cumulative Layout Shift และ First Input Delay

โดยเฉพาะอย่างยิ่ง เราต้องการกำหนดเปอร์เซ็นต์ของหน้าเว็บที่จัดอยู่ในประเภท “ดี” “ต้องปรับปรุง” และ “แย่” ภายใน Search Console ของแต่ละเว็บไซต์

ในการทำเช่นนี้ เราได้วิเคราะห์ข้อมูล Google Search Console ที่ไม่เปิดเผยชื่อจากหน้า 208k (ไซต์ทั้งหมดประมาณ 20,000 ไซต์)

งานแรกของเรา: วิเคราะห์LCP (Contentful สีขนาดใหญ่) พูดง่ายๆ ก็คือ LCP จะวัดว่าหน้าเว็บหนึ่งๆ ใช้เวลานานเท่าใดในการโหลดเนื้อหาที่มองเห็นได้

นี่คือวิธีที่เว็บไซต์ที่เราวิเคราะห์มีอาการ:

• ดี: 53.77%
• ต้องการการปรับปรุง: 28.76%
• แย่: 17.47%

อย่างที่คุณเห็น เว็บไซต์ส่วนใหญ่ที่เราดูมีคะแนน LCP ที่ “ดี” ซึ่งสูงกว่าที่คาดไว้ โดยเฉพาะอย่างยิ่งเมื่อพิจารณาถึงความพยายามเปรียบเทียบอื่นๆ (เช่นiProspect นี้ )

อาจเป็นไปได้ว่าเว็บไซต์ในชุดข้อมูลของเรามีความขยันหมั่นเพียรเป็นพิเศษเกี่ยวกับประสิทธิภาพของหน้า หรือส่วนหนึ่งอาจเป็นเพราะความแตกต่างของขนาดตัวอย่าง (การวิเคราะห์ iProspect ตรวจสอบไซต์ 1,500 อย่างต่อเนื่อง เราวิเคราะห์ 20,000+)

ไม่ว่าจะด้วยวิธีใด ขอแนะนำให้เห็นว่ามีเว็บไซต์เพียงครึ่งเดียวเท่านั้นที่ต้องทำงานบน LCP ของตน

53.85% ของเว็บไซต์ที่เราวิเคราะห์มีการให้คะแนนความล่าช้าในการป้อนข้อมูลครั้งแรกที่ดี

ต่อไป เราดูที่ Search Console ที่รายงานการให้คะแนนFirst Input Delay (FID) ตามชื่อที่แนะนำ FIP วัดความล่าช้าระหว่างคำขอแรกและผู้ใช้สามารถป้อนข้อมูลบางอย่างได้ (เช่นการพิมพ์ชื่อผู้ใช้)

นี่คือรายละเอียดของคะแนน FID จากชุดข้อมูลของเรา:

• ดี: 53.85%
• จำเป็นต้องปรับปรุง: 37.58%
• แย่: 8.57%

อีกครั้ง กว่าครึ่งของไซต์ที่เราดูมีคะแนน FID ที่ “ดี”

ที่น่าสนใจคือมีน้อยมาก (8.57%) ที่มีคะแนน “แย่” นี่แสดงให้เห็นว่าไซต์จำนวนค่อนข้างน้อยมีแนวโน้มที่จะได้รับผลกระทบในทางลบเมื่อ Google รวม FID ไว้ในอัลกอริทึม

65.13% ของไซต์มีคะแนนการเปลี่ยนเลย์เอาต์สะสมที่เหมาะสมที่สุด

สุดท้าย เราดูการให้คะแนนCumulative Layout Shift (CLS)จาก Search Console

CLS คือการวัดว่าองค์ประกอบบนหน้าเว็บเคลื่อนที่อย่างไรขณะโหลด หน้าที่ค่อนข้างเสถียรตลอดกระบวนการโหลดจะมีคะแนน CLS สูง (ดี)

ต่อไปนี้คือคะแนน CLS ของไซต์ที่เราวิเคราะห์:

• ดี: 65.13%
• ต้องการการปรับปรุง: 17.03%
• แย่: 17.84%

ในบรรดาคะแนน Core Web Vitals ทั้งสามคะแนน CLS มีแนวโน้มที่จะมีปัญหาน้อยที่สุด อันที่จริง มีเพียงประมาณ 35% ของไซต์ที่เราวิเคราะห์เท่านั้นที่จำเป็นต้องทำงานใน CLS

LCP เฉลี่ยคือ 2,836 มิลลิวินาที

ต่อไป เราต้องการสร้างการวัดประสิทธิภาพสำหรับเมตริก Core Web Vital แต่ละรายการ ดังที่ได้กล่าวไว้ข้างต้น Google ได้สร้างชุดแนวทางปฏิบัติสำหรับแต่ละ Core Web Vital

(เช่น LCP “ดี” จะถือว่าน้อยกว่า 2.5 วินาที)

อย่างไรก็ตาม เราไม่เคยเห็นการวิเคราะห์ในวงกว้างที่พยายามเปรียบเทียบเมตริก Core Web Vital แต่ละรายการ “ในธรรมชาติ”

อันดับแรก เราเปรียบเทียบคะแนน LCP สำหรับไซต์ในฐานข้อมูลของเรา

ในบรรดาไซต์ที่เราวิเคราะห์ LCP เฉลี่ยกลายเป็น 2,836 มิลลิวินาที (2.8 วินาที)

ต่อไปนี้คือปัญหาทั่วไปที่ส่งผลเสียต่อประสิทธิภาพ LCP:

• จำนวนคำขอสูงและขนาดการถ่ายโอนขนาดใหญ่ (100% ของหน้า)
• เวลาไปกลับของเครือข่ายสูง (100% ของหน้า)
• ห่วงโซ่คำขอที่สำคัญ (98.9% ของหน้า)
• เวลาตอบสนองของเซิร์ฟเวอร์เริ่มต้นสูง (57.4% ของหน้า)
• รูปภาพไม่แสดงในรูปแบบ Next-gen (44.6% ของหน้า)

โดยรวมแล้ว 100% ของหน้ามีคะแนน LCP สูง อย่างน้อยก็ส่วนหนึ่งเนื่องมาจาก “จำนวนคำขอสูงและขนาดการโอนสูง” กล่าวคือ หน้าที่หนักและมีโค้ดส่วนเกิน ขนาดไฟล์ใหญ่ หรือทั้งสองอย่าง

การค้นพบนี้สอดคล้องกับการวิเคราะห์อื่นที่เราทำซึ่งพบว่าหน้าขนาดใหญ่มักจะเป็นตัวการที่อยู่เบื้องหลังหน้าที่โหลดช้าที่สุด

FID เฉลี่ยคือ 137.4 มิลลิวินาที

จากนั้นเราดูคะแนน FID ในหน้าต่างๆ ในชุดข้อมูลของเรา

โดยรวมแล้ว First Input Delay เฉลี่ยอยู่ที่ 137.4 มิลลิวินาที:

ต่อไปนี้คือปัญหาที่เกี่ยวข้องกับ FID ที่แพร่หลายที่สุดที่เราค้นพบ:

• นโยบายแคชที่ไม่มีประสิทธิภาพ (87.4% ของหน้า)
• งานหัวข้อหลักแบบยาว (78.4% ของหน้า)
• JavaScript ที่ไม่ได้ใช้ (54.1% ของหน้า)
• CSS ที่ไม่ได้ใช้ (38.7% ของหน้า)
• ขนาดโมเดลวัตถุเอกสารมากเกินไป (22.3% ของหน้า)

เป็นเรื่องที่น่าสนใจที่เห็นว่าปัญหาแคชมีแนวโน้มที่จะส่งผลเสียต่อ FID มากกว่าปัญหาอื่นๆ และไม่น่าแปลกใจเลยที่โค้ดที่ปรับแต่งได้ไม่ดี (ในรูปแบบของ JS และ CSS ที่ไม่ได้ใช้) อยู่เบื้องหลังคะแนน FID ที่สูงมากมาย

CLS เฉลี่ยคือ .14

เราพบว่าคะแนน CLS เฉลี่ยคือ .14

เมตริกนี้จะพิจารณาว่าเนื้อหาในหน้า “เปลี่ยนไป” อย่างไร สิ่งใดที่ต่ำกว่า .1 จะได้รับการจัดประเภทเป็น “ดี” ใน Search Console

ปัญหาที่พบบ่อยที่สุดที่ส่งผลต่อ CLS ของโครงการ ได้แก่:

• การเปลี่ยนเลย์เอาต์ขนาดใหญ่ (94.5% ของหน้า)
• ทรัพยากรการบล็อกการแสดงผล (86.3% ของหน้า)
• ข้อความที่ซ่อนอยู่ในระหว่างการโหลดแบบอักษรของเว็บ (82.6% ของหน้า)
• ไม่โหลดคำขอคีย์ล่วงหน้า (26.7% ของหน้า)
• ขนาดรูปภาพไม่ถูกต้อง (24.7% ของหน้า)

LCP สัมพันธ์กับพฤติกรรมของผู้ใช้อย่างไร

เมื่อตั้งค่าการวัดประสิทธิภาพแล้ว เราก็เริ่มค้นหาว่า Core Web Vitals แสดงถึงประสบการณ์ผู้ใช้ในชีวิตจริงได้แม่นยำเพียงใด

อันที่จริง ความสัมพันธ์นี้เป็นสิ่งที่ Google เน้นย้ำในเอกสารประกอบ “รายงาน Core Web Vitals”:

ในการวิเคราะห์ Core Web Vitals และผลกระทบที่มีต่อ UX เราตัดสินใจดูตัวชี้วัด UX สามตัวที่ออกแบบมาเพื่อแสดงพฤติกรรมของผู้ใช้บนหน้าเว็บ:

• อัตราตีกลับ (% ของผู้ใช้ออกจากหน้าเว็บไซต์เมื่อเข้าชม)
• ความลึกของหน้าต่อเซสชัน (จำนวนหน้าที่ผู้ใช้เห็นก่อนออกจากเว็บไซต์)
• เวลาบนเว็บไซต์ (เวลาที่ผู้ใช้ใช้บนเว็บไซต์ในเซสชันเดียว)

สมมติฐานของเรามีดังนี้: หากคุณปรับปรุง Core Web Vitals ของเว็บไซต์ จะส่งผลดีต่อตัวชี้วัด UX

กล่าวอีกนัยหนึ่ง ไซต์ที่มี Core Web Vitals ที่ “ดี” จะมีอัตราตีกลับที่ต่ำกว่า เซสชันที่ยาวขึ้น และการดูหน้าเว็บที่สูงขึ้น โชคดีที่นอกจากข้อมูลของ Search Console แล้ว ชุดข้อมูลนี้ยังมีเมตริก UX จาก Google Analytics ด้วย

จากนั้น เราต้องเปรียบเทียบ Core Web Vitals ของแต่ละเว็บไซต์กับเมตริก UX แต่ละรายการ คุณสามารถค้นหาผลลัพธ์ของเราสำหรับ LCP ด้านล่าง:

LCP และอัตราตีกลับ

LCP และจำนวนหน้าต่อเซสชัน

LCP และเวลาบนไซต์

ในกราฟทั้งสาม เป็นที่ชัดเจนว่าทั้งสามส่วนที่แตกต่างกัน (ดี แย่ และจำเป็นต้องปรับปรุง) มีการกระจายค่อนข้างเท่าๆ กันบนกราฟ

กล่าวคือ ไม่มีความสัมพันธ์โดยตรงระหว่างเมตริก LCP และ UX

FID มีความสัมพันธ์เล็กน้อยกับการดูเพจ

ต่อไป เราดูความสัมพันธ์ที่อาจเกิดขึ้นระหว่าง First Input Delay กับพฤติกรรมของผู้ใช้

เช่นเดียวกับ LCP มีเหตุผลว่า FID ที่ไม่ดีจะส่งผลเสียต่อตัวชี้วัด UX (โดยเฉพาะอัตราตีกลับ)

ผู้ใช้ที่ต้องรอเพื่อเลือกจากเมนูหรือพิมพ์รหัสผ่านมักจะหงุดหงิดและตีกลับ และหากประสบการณ์นั้นเกิดขึ้นในหลาย ๆ หน้า อาจทำให้พวกเขาลดจำนวนการดูหน้าเว็บทั้งหมด

ด้วยเหตุนี้ FID จึงสัมพันธ์กับตัวชี้วัดพฤติกรรมของพวกเขา

FID และอัตราตีกลับ

FID และจำนวนหน้าต่อเซสชัน

หมายเหตุ:เราพบว่า FID ที่สูงมีแนวโน้มที่จะสัมพันธ์กับจำนวนหน้าต่อเซสชันที่ต่ำ ตรงกันข้ามก็เป็นความจริง

FID และเวลาบนไซต์

โดยรวมแล้ว ตัวอย่างเดียวที่เราเห็นคำแนะนำของความสัมพันธ์คือเมื่อเราเปรียบเทียบ FID กับจำนวนหน้าที่ดูต่อเซสชัน เมื่อพูดถึงอัตราตีกลับและเวลาบนไซต์ ดูเหมือนว่า FID ของเว็บไซต์จะไม่มีอิทธิพลต่อพฤติกรรมของผู้ใช้

CLS ส่งผลต่อพฤติกรรมของผู้ใช้อย่างไร

ต่อไป เราต้องการตรวจสอบความเชื่อมโยงที่อาจเกิดขึ้นระหว่าง CLS กับกิจกรรมของผู้ใช้

ดูเหมือนว่า CLS ที่ไม่ดีจะทำให้ผู้ใช้ผิดหวัง และสามารถเพิ่มอัตราตีกลับและลดเวลาเซสชันได้

อย่างไรก็ตาม เราไม่พบกรณีศึกษาหรือการวิเคราะห์ขนาดใหญ่ที่แสดงให้เห็นว่าคะแนน CLS ที่สูงส่งผลต่อพฤติกรรมของผู้ใช้ ดังนั้นเราจึงตัดสินใจเรียกใช้การวิเคราะห์ที่มองหาความสัมพันธ์ที่เป็นไปได้ระหว่าง CLS อัตราตีกลับ “เวลาใช้งาน” และหน้าที่ดู นี่คือสิ่งที่เราพบ:

CLS และอัตราตีกลับ

CLS และจำนวนหน้าต่อเซสชัน

CLS และเวลาบนไซต์

โดยรวมแล้ว เราไม่เห็นความสัมพันธ์ที่มีนัยสำคัญระหว่าง CLS อัตราตีกลับ เวลาบนไซต์ หรือการดูหน้าเว็บ

สรุป

ฉันหวังว่าคุณจะพบว่าการวิเคราะห์นี้น่าสนใจและมีประโยชน์ (โดยเฉพาะอย่างยิ่งกับการอัปเดต Page Experience ของ Googleระหว่างทาง)

นี่คือลิงค์ไปยังชุดข้อมูลดิบที่เราใช้ พร้อมกับวิธีการของเรา

ฉันอยากจะขอบคุณWebCEOซอฟต์แวร์ SEO สำหรับการให้ข้อมูลที่ทำให้การศึกษาในอุตสาหกรรมนี้เป็นไปได้

โดยรวมแล้ว เป็นเรื่องที่น่าสนใจที่จะเห็นว่าไซต์ส่วนใหญ่ที่เราวิเคราะห์นั้นทำงานได้ดี และส่วนใหญ่พร้อมสำหรับการอัปเดตของ Google และเป็นเรื่องที่น่าสนใจที่พบว่าในขณะที่ Core Web Vitals เป็นตัวแทนของตัวชี้วัดสำหรับ UX เชิงบวกบนเว็บไซต์ เราไม่เห็นความสัมพันธ์ใดๆ กับตัวชี้วัดเชิงพฤติกรรม

ตอนนี้ฉันอยากได้ยินจากคุณ:

สิ่งที่คุณได้รับจากการศึกษาในวันนี้คืออะไร? หรือบางทีคุณอาจมีคำถามเกี่ยวกับบางสิ่งจากการวิเคราะห์ ไม่ว่าจะด้วยวิธีใดแสดงความคิดเห็นด้านล่างทันที