بررسی 200 هزار وب سایت در مورد Core Web Vital و UX

طراحی سایت در مشهد

ما 208085 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 bounce rate) پرداختیم.

با تشکر از داده های 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. 53.77٪ از سایتها نمره بهترین محتوای رنگ آمیزی (LCP) را داشتند. 46.23٪ سایتها دارای رتبه بندی LCP "ضعیف" یا "نیاز به بهبود" بودند.

2. 53.85٪ وب سایت های مجموعه داده های ما دارای رتبه بندی بهینه تأخیر ورودی اول (FID) هستند. فقط 8.57٪ از سایتها نمره FID "ضعیفی" داشتند.

3. 65.13٪ از سایت های تجزیه و تحلیل شده از امتیازات بهینه چیدمان تجمعی (CLS) بهینه برخوردار هستند.

4- میانگین LCP سایت هایی که ما در آن ها تجزیه و تحلیل کرده ایم ، دارای سرعت 2،386 میلی ثانیه هستند.

5. میانگین FID 137.74 میلی ثانیه بود.

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

7. متداول ترین مسائلی که LCP را تحت تأثیر قرار می دهد تعداد زیاد درخواست و اندازه انتقال زیاد بود.

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

9. رایج ترین مسئله تأثیرگذار بر FID سیاست ناکارآمد حافظه پنهان بود.

10. بین نمرات Core Web Vital و معیارهای UX همبستگی ضعیفی وجود دارد.

11. ما دریافتیم که FID تمایل دارد کمی با نماهای صفحه ارتباط برقرار کند.

 

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

اولین هدف ما این بود که ببینیم عملکرد هر سایت بر اساس سه عاملی که Google Core Web Vital را تشکیل می دهند چگونه است: Largest Contentful Paint، Cumulative Layout Shiftو First Input Delay.

core-web-vitals

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

برای انجام این کار ، داده های Google Search Console را از 208 هزار صفحه (تقریباً 20 هزار سایت) را تجزیه و تحلیل کردیم.

اولین کار ما تجزیه و تحلیل LCP  یا Large Contentful Paint بود. به زبان ساده ، LCP مدت زمان لازم برای بارگیری محتوای قابل مشاهده در یک صفحه را اندازه گیری می کند.

در اینجا چگونگی موفقیت سایت هایی که ما تجزیه و تحلیل کردیم را مشاهده می کنید:

largest-contentful-paint

  • 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  LCP"خوب" بودند. این امر بیش از حد انتظار بود ، به ویژه هنگامی که سایر معیارها را نیز در نظر بگیرید (مانند 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 به گزارش رتبه بندی  First Input Delay (FID) در Search Console پرداختیم. همانطور که از نامش مشخص است ، FID تاخیر بین اولین درخواست و وقتی که کاربر چیزی را وارد می کند (مانند تایپ کردن نام کاربری) را اندازه گیری می کند.

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

FID

  • 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 گوگل FID را در الگوریتم خود قرار دهد ، تعداد نسبتاً کمی سایت احتمالاً تحت تأثیر منفی قرار می گیرند.

 

65.13٪ از سایت ها دارای امتیاز Cumulative Layout Shift بهینه هستند

سرانجام ، ما رتبه بندی Cumulative Layout Shift (CLS) را از Search Console بررسی کردیم.

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:

Cumulative-Layout-Shift

  • 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 مجموعه راهنمای خود را برای هر Core Web Vital ایجاد کرده است.

(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 بخواهد هر معیار اصلی Core Web Vital را "در طبیعت" محک بزند.

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

در میان سایتهایی که ما تجزیه و تحلیل کردیم ، میانگین LCP معلوم شد 2836 میلی ثانیه (2.8 ثانیه) است.

average-LCP

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

issues-negatively-impacted-LCP

  • تعداد درخواست زیاد و اندازه انتقال زیاد (100٪ صفحات)
  • زمان رفت و برگشت شبکه بالا (100٪ صفحات)
  • زنجیره درخواست بحرانی (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 به دلیل "تعداد درخواست زیاد و اندازه انتقال زیاد" دارای نمره LCP بالا بودند. به عبارت دیگر ، صفحاتی با کد اضافی ، اندازه پرونده بزرگ یا هر دو سنگین هستند.

این یافته با تحلیل دیگری که انجام دادیم مطابقت داشت که نشان داد صفحات بزرگ بیشتر باعث بوجود آمدن صفحات با سرعت لود پایین 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.

در اینجا میپردازیم به رایج ترین موضوعات مربوط به FID که ما کشف کردیم:

issues-affecting-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 Document Object Model بیش از حد (22.3٪ صفحات)

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

 

میانگین CLS .14 است

ما دریافتیم که میانگین نمره CLS ، 0.14 است.

این معیار به طور خاص نحوه تغییر محتوای یک صفحه را بررسی می کند. هر چیزی کمتر از 0.1 در Search Console به عنوان "خوب" ارزیابی می شوند.

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

issues-affecting-CLS

  • شیفت های بزرگ (94.5٪ صفحات)
  • منابع مسدود کننده رندر (86.3٪ از صفحات)
  • پنهان بودن متن هنگام بارگذاری فونت وب (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 تعیین شد ، بررسی می کنیم 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:

core-web-vital-report-mashhadwebsite

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

  • Bounce rate (درصد کاربرانی که هنگام بازدید از یک وب سایت آن را ترک می کنند)
  • عمق صفحه در هر سشن (تعداد صفحاتی که کاربران قبل از ترک وب سایت مشاهده می کنند)
  • زمان در وب سایت (مدت زمانی که کاربران در یک جلسه در وب سایت صرف 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 bounce rate پایین تر ، جلسات طولانی تر و زمان 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 باید Core Web Vital هر وب سایت را با هر معیار UX مقایسه کنیم.

نتیجه تحقیقات مقایسه LCP و UX :

هیچ رابطه مستقیمی بین معیارهای LCP و UX وجود ندارد.

 

FID با تعداد بازدید 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 bounce rate) تأثیر منفی بگذارد.

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

با استفاده از این ، چگونگی همبستگی FID با معیارهای رفتاری آنها مشخص شد.

نکته: ما دریافتیم که FID بالا با تعداد کم صفحه در هر جلسه ارتباط دارد. عکس این نیز صادق بود.

به طور کلی ، تنها نمونه ای که شاهد نکات همبستگی هستیم ، زمانی است که FID را با تعداد صفحات مشاهده شده در هر جلسه مقایسه می کنیم. وقتی نوبت به bounce rate 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 bounce rate را افزایش دهد و زمان جلسه را کاهش دهد.

با این حال ، ما نتوانستیم هیچ مورد موردی یا تجزیه و تحلیل گسترده ای را پیدا کنیم که نشان دهد نمرات CLS بالا بر رفتار کاربر تأثیر می گذارد. بنابراین تصمیم گرفتیم تحلیلی انجام دهیم که به دنبال روابط بالقوه بین CLS ، bounce rate، "زمان" و صفحات مشاهده شده باشد. این چیزی است که ما پیدا کردیم:

به طور کلی ، هیچ ارتباط معناداری بین CLS ، bounce rate ، زمان حضور در سایت یا بازدید از صفحه مشاهده نکردیم.

 

خلاصه

امیدوارم این تجزیه و تحلیل برای شما جالب و مفید واقع شده باشد (مخصوصاً با بروزرسانی تجربه کاربری Google).

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

من می خواهم از نرم افزار سئو WebCEO برای ارائه داده هایی که امکان مطالعه این صنعت را فراهم کرده اند ، تشکر کنم.

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 نوبت شماست !
نظر خود را وارد کنید: