مراقبة الأداء

إنّ إعطاء الأولوية إلى الأداء ليس مفيدًا للمستخدمين فحسب، بل قد يكون مناسبًا للأنشطة التجارية أيضًا. على الرغم من أن أفضل الممارسات في هذه المجموعة تركّز بشكل أساسي على تحسين دمج علامة "ناشر Google" (GPT)، إلا أنّ العديد من العوامل الأخرى تسهم في الأداء العام لصفحة معيّنة. كلما أجريت تغييرات، من المهم تقييم تأثير تلك التغييرات في جميع نواحي أداء موقعك.

قياس أداء الصفحة

لفهم تأثير التغيير في أداء موقعك، يلزمك أولاً إنشاء خط أساس لمقارنته. وأفضل طريقة لفعل ذلك هي إنشاء ميزانية الأداء التي تحدد أساسًا للفكرة، والتي قد يحققها موقعك أو لا يحققها في الوقت الحالي. ولكن إذا كنت مهتمًا بالحفاظ على مستوى ثابت من الأداء، يمكنك استخدام مقاييس الأداء الحالية لموقعك كمرجع.

لبدء قياس الأداء، يُنصح باستخدام مجموعة من الطرق التالية:

• المراقبة الاصطناعية

  يمكنك استخدام أدوات مثل Lighthouse وPublisher Ads Audits for Lighthouse لقياس أداء الصفحة في بيئة اختبارية. لا يتطلب هذا النوع من القياس تفاعل المستخدم، لذا فهو مناسب للاستخدام في الاختبارات التلقائية ويمكن استخدامه للتحقق من أداء التغييرات قبل إصدارها للمستخدمين.

• المراقبة الفعلية للمستخدم (RUM)

  يمكنك استخدام أدوات مثل إحصاءات Google وإحصاءات PageSpeed لجمع بيانات الأداء الفعلية مباشرةً من المستخدمين. ويستند هذا النوع من القياس إلى تفاعلات المستخدمين النهائيين، لذا يُعد مفيدًا في تحديد مشاكل الأداء في ما يتعلق بالأميال الأخيرة والتي لا يمكن اكتشافها بسهولة من خلال الاختبارات الاصطناعية.

تأكد من إجراء القياسات ومقارنتها بمرجعك بانتظام. وسيوفر لك هذا مؤشرًا جيدًا على ما إذا كان أداء موقعك رائجًا أم لا بمرور الوقت.

اختيار ما تريد قياسه

عندما يتعلق الأمر بالأداء، لا يوجد مقياس واحد يمكن أن يخبرك كل ما تحتاج إلى معرفته عن أداء موقعك. ستحتاج إلى إلقاء نظرة على مجموعة متنوعة من المقاييس التي تغطي جوانب مختلفة من أداء الصفحة للحصول على صورة كاملة. تم إدراج بعض النواحي الرئيسية للأداء والمقاييس المقترحة في الجدول أدناه.

بصرف النظر عن أداء الصفحة، قد ترغب أيضًا في قياس مقاييس النشاط التجاري المتعلق بالإعلان. يمكن الحصول على معلومات مثل مرات الظهور والنقرات وإمكانية العرض على أساس شريحة بشريحة إعلانية من إعداد تقارير مدير إعلانات Google.

اختبار التغييرات

بعد تحديد مقاييس الأداء وبدء قياسها بانتظام، يمكنك البدء في استخدام هذه البيانات لتقييم تأثير أداء التغييرات التي تطرأ على موقعك الإلكتروني في لحظة إجرائها. ويمكنك إجراء ذلك من خلال مقارنة المقاييس التي تم قياسها بعد إجراء التغيير بتلك التي تم قياسها قبل إجراء التغيير (و/أو المرجع الذي أنشأته في السابق). سيتيح لك هذا النوع من الاختبارات اكتشاف مشكلات الأداء ومعالجتها قبل أن تصبح مشكلة كبيرة لنشاطك التجاري أو المستخدمين.

اختبار تلقائي

يمكنك قياس المقاييس التي لا تعتمد على تفاعل المستخدم من خلال الاختبارات الاصطناعية. ويجب إجراء هذه الأنواع من الاختبارات بأكبر قدر ممكن أثناء عملية التطوير لفهم كيفية تأثير التغييرات التي لم يتم إطلاقها على الأداء. ويمكن أن يساعد هذا النوع من الاختبارات الاستباقية في الكشف عن مشاكل الأداء قبل طرح التغييرات للمستخدمين.

وتتمثّل إحدى طرق تحقيق ذلك في تحويل الاختبارات الاصطناعية إلى جزء من عملية دمج مستمر (CI)، حيث يتم تشغيل الاختبارات تلقائيًا عند إجراء أي تغيير. يمكنك استخدام Lighthouse CI لدمج اختبار الأداء الاصطناعي في العديد من مهام سير عمل CI:

• مراقبة الأداء باستخدام Lighthouse CI
• تدقيق إعلانات الناشرين لاستخدام Lighthouse CI

اختبار A/B

لا يمكن اختبار المقاييس التي تعتمد على تفاعل المستخدم بشكل كامل إلا بعد إطلاق تغيير فعلي للمستخدمين. وقد يكون هذا خطرًا إذا لم تكن متأكدًا من سلوك التغيير. ومن أساليب التخفيف من الخطر إجراء اختبار أ/ب.

أثناء اختبار أ/ب، يتم عرض أشكال مختلفة من الصفحة للمستخدمين بشكل عشوائي. يمكنك استخدام هذا الأسلوب لعرض نسخة معدّلة من صفحتك على نسبة صغيرة من إجمالي عدد الزيارات، في حين يستمر معظمها في عرض الصفحة التي لم يتم تعديلها. ويمكنك بعد ذلك، باستخدام تقرير RUM، تقييم الأداء النسبي للمجموعتين لتحديد أيهما أفضل أداءً، بدون تعريض نسبة 100% من الزيارات للخطر.

ومن الفوائد الأخرى لاختبارات أ/ب أنها تتيح لك إمكانية قياس آثار التغييرات بدقة أكبر. بالنسبة إلى العديد من المواقع، قد يكون من الصعب تحديد ما إذا كان الفرق الطفيف في الأداء بسبب تغيير حدث مؤخرًا أو تباين طبيعي في عدد الزيارات. وبما أن المجموعة التجريبية من اختبار أ/ب تمثل نسبة مئوية ثابتة من إجمالي عدد الزيارات، يجب أن تختلف المقاييس عن مجموعة التحكّم حسب عامل ثابت. لذلك، فإن الاختلافات التي تم رصدها بين المجموعتين يمكن نسبها بثقة أكبر إلى التغيير الجاري اختباره.

يمكن أن تساعدك أدوات مثل Optimizely وGoogle Optimize في إعداد اختبارات أ/ب وتنفيذها. ومع ذلك، عليك الانتباه إلى أن اختبار A/B المستند إلى العلامة (التهيئة الافتراضية لهذه الأدوات) قد يؤثر سلبًا في الأداء ويقدم نتائج مضللة. ولذلك، يوصى بشدة بالدمج من جانب الخادم:

• Google Optimize: التجارب من جانب الخادم
• أدوات تحسين الأداء: اختبار من جانب الخادم

نتائج اختبار أ/ب

لقياس أثر التغيير باستخدام اختبار A/B (أ/ب)، يمكنك جمع المقاييس من كلٍّ من مجموعات التحكم والمجموعات التجريبية ومقارنتها ببعضها البعض. ولإجراء ذلك، تحتاج إلى طريقة لمعرفة عدد الزيارات التي تشكّل جزءًا من أي مجموعة.

بالنسبة إلى مقاييس أداء الصفحة، يكفي عادةً تضمين معرّف بسيط في كل صفحة لتوضيح ما إذا كان قد تم عرض عنصر التحكم أو الإصدار التجريبي. يمكن أن يكون هذا المعرف أي شيء تريده، طالما أنه شيء يمكنك تحليله وربط المقاييس به. إذا كنت تستخدم إطار عمل تجريبيًا تم إعداده مسبقًا، فسيتم عادةً تنفيذ ذلك تلقائيًا.

بالنسبة إلى مقاييس النشاط التجاري المتعلق بالإعلان، يمكنك استخدام ميزة استهداف القيمة الرئيسية في GPT لتمييز طلبات الإعلانات عن المجموعة الضابطة في مقابل المجموعة التجريبية:

// 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');

ويمكن بعد ذلك الإشارة إلى قيم المفاتيح هذه عند تشغيل تقارير "مدير إعلانات Google"، من أجل فلترة النتائج حسب المجموعة.