Если производительность станет приоритетом, это будет полезно не только для пользователей, но и для бизнеса . Хотя лучшие практики в этой подборке сосредоточены в первую очередь на оптимизации интеграции тега издателя Google (GPT), на общую производительность конкретной страницы влияют многие другие факторы. Всякий раз, когда вы вносите изменения, важно оценить влияние этих изменений на все аспекты производительности вашего сайта.
Измерение эффективности страницы
Чтобы понять, как изменение влияет на производительность вашего сайта, сначала необходимо установить базовый уровень для сравнения. Лучший способ сделать это — создать бюджет производительности , который определяет базовый уровень идеи, которому ваш сайт может соответствовать, а может и не соответствовать в настоящее время. Однако если вы заинтересованы в поддержании фиксированного уровня производительности, вы можете использовать текущие показатели производительности вашего сайта в качестве базового уровня.
Чтобы начать измерение производительности, рекомендуется сочетание следующих подходов:
- Синтетический мониторинг
- Вы можете использовать такие инструменты, как Lighthouse и Publisher Ad Audits for Lighthouse, для измерения производительности страниц в лабораторных условиях. Этот тип измерения не требует взаимодействия с конечным пользователем, поэтому он хорошо подходит для использования в автоматических тестах и может использоваться для проверки эффективности изменений перед их публикацией для пользователей.
- Реальный мониторинг пользователей (РУМ)
- Вы можете использовать такие инструменты, как Google Analytics и PageSpeed Insights, для сбора реальных данных о производительности непосредственно от пользователей. Этот тип измерения основан на взаимодействии с конечным пользователем, поэтому он полезен для выявления проблем с производительностью последней мили, которые нелегко обнаружить с помощью синтетических тестов.
Обязательно регулярно проводите измерения и сравнивайте их с базовым уровнем. Это даст вам хорошее представление о том, развивается ли производительность вашего сайта в правильном направлении с течением времени.
Выберите, что измерять
Когда дело доходит до производительности, не существует единого показателя, который мог бы рассказать вам все, что вам нужно знать о том, как работает ваш сайт. Чтобы получить полную картину, вам нужно будет просмотреть множество показателей, охватывающих различные аспекты производительности страницы. Некоторые ключевые области эффективности и рекомендуемые показатели перечислены в таблице ниже.
| Область производительности | |
|---|---|
| Воспринимаемая скорость загрузки | Меры Насколько быстро страница может загружать и отображать все элементы пользовательского интерфейса. Рекомендуемые показатели Первая содержательная краска (FCP) |
| Скорость загрузки страницы | Меры Насколько быстро страница становится отзывчивой после первоначальной загрузки. Рекомендуемые показатели Задержка первого входа (FID) |
| Визуальная стабильность | Меры Насколько смещаются элементы пользовательского интерфейса и мешают ли эти изменения взаимодействию с пользователем. Дополнительные сведения см. в разделе Минимизация смещения макета . Рекомендуемые показатели |
Помимо производительности страницы, вы также можете измерить бизнес-показатели, специфичные для рекламы. Информацию о показах, кликах и видимости для каждого рекламного места можно получить из отчетов Google Ad Manager .
Тестовые изменения
После того как вы определили показатели производительности и начали регулярно их измерять, вы можете начать использовать эти данные для оценки влияния на производительность изменений вашего сайта по мере их внесения. Вы делаете это путем сравнения показателей, измеренных после внесения изменения, с показателями, измеренными до внесения изменения (и/или с базовым уровнем, который вы установили ранее). Такого рода тестирование позволит вам обнаружить и устранить проблемы с производительностью до того, как они станут серьезной проблемой для вашего бизнеса или пользователей.
Автоматизированное тестирование
Метрики, не зависящие от взаимодействия с пользователем, можно измерить с помощью синтетических тестов. Подобные тесты следует запускать как можно чаще в процессе разработки, чтобы понять, как невыпущенные изменения повлияют на производительность. Такого рода упреждающее тестирование может помочь выявить проблемы с производительностью еще до того, как изменения будут опубликованы для пользователей.
Один из способов добиться этого — сделать синтетические тесты частью рабочего процесса непрерывной интеграции (CI) , где тесты запускаются автоматически при каждом внесении изменений. Вы можете использовать Lighthouse CI для интеграции синтетического тестирования производительности во многие рабочие процессы CI:
- Мониторинг производительности с помощью Lighthouse CI
- Аудит рекламы издателей для использования Lighthouse CI
А/Б тестирование
Метрики, которые зависят от взаимодействия с пользователем, не могут быть полностью протестированы до тех пор, пока изменение не будет фактически опубликовано пользователям. Это может быть рискованно, если вы не уверены в том, как поведет себя изменение. Одним из методов снижения этого риска является A/B-тестирование .
Во время A/B-тестирования пользователям случайным образом предоставляются различные варианты страницы. Вы можете использовать этот метод, чтобы показывать измененную версию вашей страницы небольшому проценту общего трафика, в то время как большая часть продолжает обслуживаться неизмененной страницей. В сочетании с RUM вы можете затем оценить относительную производительность двух групп, чтобы определить, какая из них работает лучше, не подвергая риску 100% трафика.
Еще одним преимуществом A/B-тестов является то, что они позволяют более точно измерить эффект изменений. Для многих сайтов может быть сложно определить, вызвана ли небольшая разница в производительности недавним изменением или обычным изменением трафика. Поскольку экспериментальная группа A/B-теста представляет собой фиксированный процент от общего трафика, показатели должны отличаться от контрольной группы на постоянный коэффициент. Таким образом, различия, наблюдаемые между двумя группами, можно с большей уверенностью отнести на счет тестируемого изменения.
Такие инструменты, как Optimizely и Google Optimize, могут помочь в настройке и проведении A/B-тестов. Однако имейте в виду, что A/B-тестирование на основе тегов (конфигурация по умолчанию для этих инструментов) само по себе может отрицательно повлиять на производительность и привести к вводящим в заблуждение результатам. Поэтому настоятельно рекомендуется интеграция на стороне сервера:
Результаты A/B-тестирования
Чтобы измерить влияние изменения с помощью A/B-теста, вы собираете показатели как из контрольной, так и из экспериментальной групп и сравниваете их друг с другом. Для этого вам нужен способ определить, какой трафик входит в какую группу.
Для показателей производительности страницы часто бывает достаточно включить на каждую страницу простой идентификатор, указывающий, была ли показана контрольная или экспериментальная версия. Этот идентификатор может быть любым, если вы можете его анализировать и сопоставлять метрики. Если вы используете предварительно созданную среду тестирования, это обычно выполняется автоматически.
Для бизнес-показателей, специфичных для рекламы, вы можете использовать функцию таргетинга «ключ-значение» GPT, чтобы отличать запросы объявлений от контрольной и экспериментальной групп:
// 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');
На эти пары «ключ-значение» можно затем ссылаться при запуске отчетов Google Ad Manager, чтобы фильтровать результаты по группам.