了解核心的web vitals与UX(分析20.8万个网页得出的结论)

我们分析了 20.8万个网页以了解有关 Core Web Vitals 的更多信息。

首先,我们为累积布局偏移、首次输入延迟和最大内容绘制建立了基准。

然后,我们研究了 Core Web Vitals 与用户体验指标(如跳出率)之间的相关性。

感谢 WebCEO 提供的数据,我们能够发现一些有趣的发现。让我们深入研究数据。

以下是我们主要调查结果的摘要:

[toc]

53.77% 的网站具有最佳的最大内容绘制分数

我们的第一个目标是根据构成 Google 核心 Web Vitals 的三个因素来查看每个站点的表现:最大内容绘制、累积布局偏移和首次输入延迟。

core-web-vitals-are-part-of-googles-overall-evaluation-of-page-experience

具体来说,我们想确定在每个网站的 Search Console 中被归类为“好”、“需要改进”和“差”的页面的百分比。

为此,我们分析了来自 20.8万个页面(大约 20万个站点)的匿名 Google Search Console 数据。

我们的第一个任务:分析 LCP(Large Contentful Paint)。简单来说,LCP 衡量页面加载其可见内容所需的时间。

以下是我们分析的网站的表现:

53.77% of websites had an optimal largest contentful paint score

53.77% 的网站具有最佳的最大内容绘制分数

  • :53.77%
  • 需要改进:28.76%
  • :17.47%

如您所见,我们查看的大多数站点的 LCP 评级为“良好”。这高于预期,尤其是考虑到其他基准测试工作(例如 iProspect 的这一工作)。

可能是我们数据集中的网站对页面性能特别关注。或者部分原因可能是样本量差异(iProspect 分析持续监控 1,500 个站点。我们分析了 20,000 多个站点)。

无论哪种方式,令人鼓舞的是,只有大约一半的网站需要在他们的 LCP 上工作。

我们分析的 53.85% 的网站具有良好的首次输入延迟评级

接下来,我们查看了 Search Console 报告的首次输入延迟 (FID) 评级。

顾名思义,FIP 测量第一个请求和用户能够输入内容(例如输入用户名)之间的延迟。

以下是我们数据集中 FID 分数的细分:

53.85% of Websites We Analyzed Had Good First Input Delay Ratings

我们分析的 53.85% 的网站具有良好的首次输入延迟评级

好:53.85%

需要改进:37.58%

差:8.57%

同样,我们查看的网站中只有超过一半的 FID 评级为“良好”。

有趣的是,很少(8.57%)有“差”的分数。这表明一旦谷歌将 FID 纳入其算法,相对较少的网站可能会受到负面影响。

65.13% 的网站具有最佳累积布局转移分数

最后,我们查看了 Search Console 中的累积布局偏移 (CLS) 评级。

CLS 衡量页面上的元素在加载时如何移动。在加载过程中相对稳定的页面具有较高(良好)的 CLS 分数。

以下是我们分析的网站的 CLS 评级:

65.13% of Sites Had an Optimal Cumulative Layout Shift Score

65.13% 的网站 – 具有最佳累积布局偏移分数

  • 好:65.13%
  • 需要改进:17.03%
  • 差:17.84%

在三个 Core Web Vitals 分数中,CLS 往往是问题最少的。事实上,在我们分析的站点中,只有大约 35% 需要处理其 CLS。

平均 LCP 为 2,836 毫秒

接下来,我们希望为每个 Core Web Vital 指标建立基准。如上所述,Google 为每个 Core Web Vital 创建了自己的一套指南。

(例如,一个“好”的 LCP 被认为是在 2.5 秒以下。)

然而,我们还没有看到大规模分析试图“在野外”对每个 Core Web Vital 指标进行基准测试。

首先,我们对数据库中站点的 LCP 分数进行了基准测试。

在我们分析的站点中,平均 LCP 为 2,836 毫秒(2.8 秒)。

Average LCP Is 2,836 Milliseconds

平均 LCP 为 2.836 毫秒

以下是对 LCP 性能产生负面影响的最常见问题:

Issues affecting LCP

  • 影响 LCP 的问题 高请求计数和大传输大小(100% 的页面)
  • 高网络往返时间(100% 的页面)
  • 关键请求链(98.9% 的页面)
  • 高初始服务器响应时间(57.4% 的页面)
  • 未以下一代格式提供的图像(44.6% 的页面)

总体而言,100% 的页面具有高 LCP 分数,至少部分是由于“高请求计数和大传输大小”。换句话说,包含过多代码、大文件大小或两者兼而有之的页面。

这一发现与我们所做的另一项分析一致,该分析发现大页面往往是大多数页面加载缓慢的罪魁祸首。

平均 FID 为 137.4 毫秒

然后,我们查看了数据集中页面之间的 FID 分数。

总体而言,平均首次输入延迟为 137.4 毫秒:

Average FID Is 137.4 Milliseconds

平均 FID 为 137.4 毫秒

以下是我们发现的最普遍的 FID 相关问题:

Issues affecting FID

  • 影响 FID 的问题 低效的缓存策略(87.4% 的页面)
  • 长主线程任务(78.4% 的页面)
  • 未使用的 JavaScript(54.1% 的页面)
  • 未使用的 CSS(38.7% 的页面)
  • 文档对象模型过大(占页面的 22.3%)

有趣的是,缓存问题对 FID 的负面影响往往比其他任何问题都大。而且,毫不奇怪,优化不佳的代码(以未使用的 JS 和 CSS 的形式)导致了许多高 FID 分数。

平均 CLS 为 0.14

我们发现平均 CLS 得分为 0.14。

Average CLS Is .14

平均 CLS 为 0.14

该指标专门查看页面上的内容如何“移动”。任何低于 0.1 的内容在 Search Console 中都被评为“好”。

影响项目 CLS 的最常见问题包括:

Issues Affecting CLS

  • 影响 CLS 的问题 大的布局变化(94.5% 的页面)
  • 渲染阻塞资源(86.3% 的页面)
  • 网页字体加载期间隐藏的文本(82.6% 的页面)
  • 未预加载的关键请求(26.7% 的页面)
  • 尺寸不合适的图像(24.7% 的页面)

LCP 如何与用户行为相关联

既然已经设定了基准,我们就开始着手了解 Core Web Vitals 代表真实用户体验的准确程度。

事实上,这种关系是 Google 自己在其“Core Web Vitals 报告”文档中强调的:

Core Web Vitals report

谷歌 – 为什么页面性能很重要

为了分析 Core Web Vitals 及其对 UX 的影响,我们决定查看三个旨在表示用户在网页上的行为的 UX 指标:

  • 跳出率(访问网站时离开网站页面的用户百分比)
  • 每个会话的页面深度(用户离开网站前看到的页面数量)
  • 网站停留时间(用户在单个会话中在网站上花费的时间)

我们的假设如下:如果您改进网站的 Core Web Vitals,它将对 UX 指标产生积极影响。

换句话说,具有“良好”核心 Web Vitals 的站点将具有较低的跳出率、较长的会话和较高的页面浏览量。

幸运的是,除了 Search Console 数据之外,该数据集还包含来自 Google Analytics 的 UX 指标。

然后,我们只需将每个网站的 Core Web Vitals 与每个 UX 指标进行比较。

您可以在下面找到我们的 LCP 结果:

LCP and Bounce Rate

LCP 和跳出率

LCP and Pages per Session

LCP与跳出率的相关性

LCP and Time on Site

每个会话的 LCP

在这三个图表上,很明显,所有三个不同的部分(好、差和需要改进)在图表上的分布有些均匀。

换句话说,LCP 和 UX 指标之间没有任何直接关系。

FID 与页面浏览量略有关系

接下来,我们研究了首次输入延迟与用户行为之间的潜在关系。

与 LCP 一样,糟糕的 FID 会对 UX 指标(尤其是跳出率)产生负面影响是合乎逻辑的。

需要等待从菜单中进行选择或输入密码的用户可能会感到沮丧和退缩。如果这种体验跨越多个页面,可能会导致他们减少总页面浏览量。

有了这个,这里是 FID 如何与他们的行为指标相关联。

FID and Bounce Rate

FID 和跳出率 FID

FID and Pages per Session

每个会话的 FID 和页面数 FID

注意:我们发现高 FID 往往与每个会话的低页面数相关。反之亦然。

FID and Time on Site

FID 和现场时间

FID与现场时间的相关性 总体而言,我们看到相关性提示的唯一实例是将 FID 与每个会话查看的页面数进行比较。当谈到跳出率和网站停留时间时,网站的 FID 似乎对用户行为没有影响。

CLS 如何影响用户行为

接下来,我们想调查 CLS 和用户活动之间的潜在联系。

糟糕的 CLS 会让用户感到沮丧似乎是合乎逻辑的。因此可以提高跳出率并减少会话时间。

但是,我们找不到任何案例研究或大规模分析来证明高 CLS 分数会影响用户行为。因此,我们决定进行一项分析,寻找 CLS、跳出率、“停留时间”和浏览页面之间的潜在关系。这是我们发现的:

CLS and Bounce Rate

CLS 和跳出率

CLS and Pages per Session

每个会话的 CLS 和页面

CLS and Time on Site

CLS 和现场时间 

总体而言,我们没有发现 CLS、跳出率、网站停留时间或页面浏览量之间存在任何显着相关性。

概括

我希望您发现此分析有趣且有用(尤其是 Google 的页面体验更新即将发布)。

这是我们使用的原始数据集的链接。随着我们的方法。 我要感谢 SEO 软件 WebCEO 提供的数据使这项行业研究成为可能。

总体而言,有趣的是,我们分析的大多数网站的表现都相对较好。并且基本上已准备好进行 Google 更新。有趣的是,虽然 Core Web Vitals 代表网站上积极用户体验的指标,但我们没有看到与行为指标的任何相关性。

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

Scroll to Top