성능을 우선시하면 사용자에게 좋을 뿐만 아니라 비즈니스에도 도움이 될 수 있습니다. 이 컬렉션의 권장사항은 주로 Google 게시자 태그 (GPT) 통합을 최적화하는 데 중점을 두지만, 특정 페이지의 전반적인 실적에는 다른 많은 요소가 기여합니다. 변경사항을 도입할 때마다 이러한 변경사항이 사이트 성능의 모든 측면에 미치는 영향을 평가하는 것이 중요합니다.
페이지 성능 측정
변경사항이 사이트 실적에 미치는 영향을 파악하려면 먼저 비교할 기준을 설정해야 합니다. 이를 위한 가장 좋은 방법은 사이트에서 현재 충족될 수도 있고 충족하지 않을 수도 있는 아이디어 기준을 정의하는 성능 예산을 만드는 것입니다. 고정된 수준의 성능을 유지하려는 경우 사이트의 현재 성능 측정항목을 기준으로 사용할 수 있습니다.
성능 측정을 시작하려면 다음 접근 방식을 조합하는 것이 좋습니다.
- 합성 모니터링
- Lighthouse 및 Lighthouse 게시자 광고 감사와 같은 도구를 사용하여 실험실 환경에서 페이지 성능을 측정할 수 있습니다. 이 유형의 측정은 최종 사용자 상호작용이 필요하지 않으므로 자동화된 테스트에 사용하기에 적합하며 변경사항을 사용자에게 출시하기 전에 변경사항의 성능을 검증하는 데 사용할 수 있습니다.
- 실제 사용자 모니터링 (RUM)
- Google 애널리틱스 및 PageSpeed Insights와 같은 도구를 사용하여 사용자로부터 직접 실제 성능 데이터를 수집할 수 있습니다. 이러한 유형의 측정은 최종 사용자 상호작용을 기반으로 하므로 합성 테스트로 쉽게 발견할 수 없는 라스트 마일 성능 문제를 식별하는 데 유용합니다.
정기적으로 측정하고 기준점과 비교하세요. 이를 통해 사이트의 실적이 시간이 지남에 따라 올바른 방향으로 가고 있는지 확인할 수 있습니다.
측정할 항목 선택하기
성능과 관련하여 사이트 실적에 대해 알아야 할 모든 정보를 알 수 있는 단일 측정항목은 없습니다. 전체적인 상황을 파악하려면 페이지 실적의 다양한 측면을 다루는 다양한 측정항목을 살펴봐야 합니다. 몇 가지 주요 실적 영역과 추천 측정항목은 아래 표에 나와 있습니다.
| 성능 영역 | |
|---|---|
| 인지된 로드 속도 |
측정
페이지가 모든 UI 요소를 로드하고 렌더링할 수 있는 속도 추천 측정항목 |
| 페이지 로드 응답성 |
측정
페이지가 초기 로드 후 얼마나 빨리 반응하는지 나타냅니다. 추천 측정항목 |
| 시각적 안정성 |
측정
UI 요소가 얼마나 이동하는지, 이러한 이동이 사용자 상호작용을 방해하는지 여부 자세한 내용은 레이아웃 변경 최소화를 참고하세요. 추천 측정항목 |
페이지 실적 외에도 광고별 비즈니스 측정항목을 측정할 수도 있습니다. 노출수, 클릭수, 조회가능성과 같은 정보는 Google Ad Manager 보고에서 시간대별로 확인할 수 있습니다.
변경사항 테스트
실적 측정항목을 정의하고 정기적으로 측정하기 시작한 후에는 이 데이터를 사용하여 사이트 변경사항이 실적에 미치는 영향을 평가할 수 있습니다. 변경 후 측정된 측정항목을 변경 전 측정항목 또는 이전에 설정한 기준과 비교하면 됩니다. 이러한 종류의 테스트를 통해 성능 문제가 비즈니스나 사용자에게 큰 문제가 되기 전에 이를 감지하고 해결할 수 있습니다.
자동 테스트
합성 테스트를 통해 사용자 상호작용에 의존하지 않는 측정항목을 측정할 수 있습니다. 이러한 종류의 테스트는 출시되지 않은 변경사항이 성능에 어떤 영향을 미치는지 파악하기 위해 개발 프로세스 중에 최대한 자주 실행해야 합니다. 이러한 사전 테스트를 통해 변경사항이 사용자에게 출시되기 전에 성능 문제를 파악할 수 있습니다.
이를 달성하기 위한 한 가지 방법은 합성 테스트를 변경할 때마다 테스트가 자동으로 실행되는 지속적 통합 (CI) 워크플로의 일부로 만드는 것입니다. Lighthouse CI를 사용하여 합성 성능 테스트를 여러 CI 워크플로에 통합할 수 있습니다.
A/B 테스트
사용자 상호작용에 종속되는 측정항목은 변경사항이 실제로 사용자에게 출시될 때까지 완전히 테스트할 수 없습니다. 변경사항이 어떻게 작동할지 확실하지 않은 경우 위험할 수 있습니다. 이 위험을 완화하는 방법 중 하나는 A/B 테스트입니다.
A/B 테스트 중에 페이지의 여러 대안이 무작위로 사용자에게 게재됩니다. 이 기법을 사용하면 전체 트래픽의 소수에 수정된 버전의 페이지를 게재하고 나머지에는 수정되지 않은 페이지를 계속 게재할 수 있습니다. RUM과 결합하면 트래픽의 100% 를 위험에 노출시키지 않고도 두 그룹의 상대적 실적을 평가하여 실적이 더 우수한 그룹을 파악할 수 있습니다.
A/B 테스트의 또 다른 이점은 변경사항의 영향을 더 정확하게 측정할 수 있다는 것입니다. 많은 사이트의 경우 실적의 작은 차이가 최근 변경사항 때문인지 아니면 트래픽의 정상적인 변동 때문인지 판단하기 어려울 수 있습니다. A/B 테스트의 실험 그룹은 전체 트래픽의 고정된 비율을 나타내므로 측정항목은 통제 그룹과 일정한 계수만큼 달라야 합니다. 따라서 두 그룹 간에 관찰된 차이는 테스트 중인 변경사항으로 인한 것임을 더 확신할 수 있습니다.
Optimizely 및 Google 최적화 도구와 같은 도구를 사용하면 A/B 테스트를 설정하고 실행하는 데 도움이 됩니다. 하지만 태그 기반 A/B 테스트 (이러한 도구의 기본 구성)는 그 자체로 성능에 부정적인 영향을 미치고 오해의 소지가 있는 결과를 제공할 수 있다는 점에 유의하세요. 따라서 서버 측 통합을 적극 권장합니다.
A/B 테스트 결과
A/B 테스트를 사용하여 변경사항의 영향을 측정하려면 통제 그룹과 실험 그룹 모두에서 측정항목을 수집하여 서로 비교합니다. 이를 위해서는 어떤 트래픽이 어떤 그룹에 속하는지 파악할 방법이 필요합니다.
페이지 성능 측정항목의 경우 각 페이지에 제어 버전인지 실험 버전인지를 나타내는 간단한 식별자를 포함하는 것으로 충분한 경우가 많습니다. 이 식별자는 측정항목을 파싱하고 상관시킬 수 있는 것이면 무엇이든 될 수 있습니다. 사전 빌드된 테스트 프레임워크를 사용하는 경우 일반적으로 자동으로 처리됩니다.
광고별 비즈니스 측정항목의 경우 GPT의 키-값 타겟팅 기능을 사용하여 광고 요청을 대조군과 실험군으로 구분할 수 있습니다.
// 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');
그런 다음 Google Ad Manager 보고서를 실행할 때 이러한 키-값을 참조하여 그룹별로 결과를 필터링할 수 있습니다.