ตรวจสอบประสิทธิภาพ

การให้ความสำคัญกับประสิทธิภาพไม่เพียงส่งผลดีต่อผู้ใช้เท่านั้น แต่ยังส่งผลดีต่อธุรกิจด้วย แม้ว่าแนวทางปฏิบัติแนะนําในคอลเล็กชันนี้จะมุ่งเน้นที่การเพิ่มประสิทธิภาพการผสานรวมแท็กผู้เผยแพร่โฆษณาผ่าน Google (GPT) เป็นหลัก แต่ปัจจัยอื่นๆ อีกมากมายก็ส่งผลต่อประสิทธิภาพโดยรวมของหน้าเว็บหนึ่งๆ เมื่อใดก็ตามที่คุณทำการเปลี่ยนแปลง สิ่งสำคัญคือต้องประเมินผลกระทบของการเปลี่ยนแปลงเหล่านั้นต่อประสิทธิภาพของเว็บไซต์ในทุกๆ ด้าน

วัดประสิทธิภาพของหน้าเว็บ

หากต้องการทําความเข้าใจว่าการเปลี่ยนแปลงส่งผลต่อประสิทธิภาพของเว็บไซต์อย่างไร คุณจะต้องสร้างพื้นฐานเพื่อเปรียบเทียบก่อน วิธีที่ดีที่สุดในการทำเช่นนี้คือการจัดทำงบประมาณด้านประสิทธิภาพซึ่งกําหนดพื้นฐานแนวคิดที่เว็บไซต์อาจหรือไม่เป็นไปตามข้อกําหนดในขณะนี้ อย่างไรก็ตาม หากต้องการรักษาระดับประสิทธิภาพไว้คงที่ คุณสามารถใช้เมตริกประสิทธิภาพปัจจุบันของเว็บไซต์เป็นพื้นฐานได้

หากต้องการเริ่มวัดประสิทธิภาพ เราขอแนะนําให้ใช้แนวทางต่อไปนี้ร่วมกัน

• การตรวจสอบแบบสังเคราะห์

  คุณสามารถใช้เครื่องมืออย่าง Lighthouse และ Publisher Ads Audits for Lighthouse เพื่อวัดประสิทธิภาพหน้าเว็บในสภาพแวดล้อมจำลอง การวัดผลประเภทนี้ไม่จําเป็นต้องอาศัยการโต้ตอบของผู้ใช้ปลายทาง จึงเหมาะสําหรับใช้ในการทดสอบอัตโนมัติและสามารถใช้เพื่อตรวจสอบประสิทธิภาพของการเปลี่ยนแปลงก่อนที่จะเผยแพร่ต่อผู้ใช้

• Real User Monitoring (RUM)

  คุณสามารถใช้เครื่องมืออย่าง Google Analytics และ PageSpeed Insights เพื่อรวบรวมข้อมูลประสิทธิภาพการใช้งานจริงจากผู้ใช้โดยตรง การวัดผลประเภทนี้อิงตามการโต้ตอบของผู้ใช้ปลายทาง จึงมีประโยชน์ในการระบุปัญหาด้านประสิทธิภาพในระยะสุดท้ายที่การทดสอบแบบสังเคราะห์ไม่สามารถค้นพบได้ง่ายๆ

อย่าลืมวัดผลและเปรียบเทียบกับค่าฐานเป็นประจำ ข้อมูลนี้จะช่วยให้คุณทราบว่าประสิทธิภาพของเว็บไซต์มีแนวโน้มไปในทิศทางที่ถูกต้องหรือไม่เมื่อเวลาผ่านไป

เลือกสิ่งที่จะวัด

ในด้านประสิทธิภาพ ไม่มีเมตริกใดเมตริกหนึ่งที่จะบอกข้อมูลทั้งหมดที่คุณต้องทราบเกี่ยวกับประสิทธิภาพของเว็บไซต์ คุณจะต้องดูเมตริกต่างๆ ที่ครอบคลุมแง่มุมต่างๆ ของประสิทธิภาพหน้าเว็บเพื่อให้เห็นภาพรวมที่สมบูรณ์ พื้นที่ประสิทธิภาพหลักและเมตริกที่แนะนําบางส่วนแสดงอยู่ในตารางด้านล่าง

นอกจากประสิทธิภาพของหน้าเว็บแล้ว คุณอาจต้องวัดเมตริกทางธุรกิจที่เฉพาะเจาะจงของโฆษณาด้วย คุณสามารถดูข้อมูลต่างๆ เช่น การแสดงผล จํานวนคลิก และการแสดงผลได้ทีละช่องจากการรายงานของ Google Ad Manager

ทดสอบการเปลี่ยนแปลง

เมื่อกําหนดเมตริกประสิทธิภาพและเริ่มวัดเมตริกเหล่านั้นเป็นประจําแล้ว คุณจะเริ่มใช้ข้อมูลนี้เพื่อประเมินผลกระทบด้านประสิทธิภาพของการเปลี่ยนแปลงในเว็บไซต์ได้ ซึ่งทำได้โดยการเปรียบเทียบเมตริกที่วัดหลังจากทําการเปลี่ยนแปลงกับเมตริกที่วัดก่อนทําการเปลี่ยนแปลง (และ/หรือฐานข้อมูลที่กําหนดไว้ก่อนหน้านี้) การทดสอบประเภทนี้จะช่วยให้คุณตรวจหาและแก้ไขปัญหาด้านประสิทธิภาพได้ก่อนที่ปัญหาจะกลายเป็นปัญหาใหญ่สำหรับธุรกิจหรือผู้ใช้

การทดสอบอัตโนมัติ

คุณสามารถวัดเมตริกที่ไม่ขึ้นอยู่กับการโต้ตอบของผู้ใช้ผ่านการทดสอบสังเคราะห์ คุณควรทำการทดสอบประเภทนี้ให้บ่อยที่สุดเท่าที่จะเป็นไปได้ในระหว่างกระบวนการพัฒนา เพื่อให้ทราบผลกระทบที่การเปลี่ยนแปลงที่ยังไม่ได้เผยแพร่จะมีต่อประสิทธิภาพ การทดสอบเชิงรุกประเภทนี้จะช่วยค้นหาปัญหาด้านประสิทธิภาพได้ก่อนที่จะเผยแพร่การเปลี่ยนแปลงให้ผู้ใช้

วิธีหนึ่งในการทำเช่นนี้คือการทําให้การทดสอบแบบสังเคราะห์เป็นส่วนหนึ่งของเวิร์กโฟลว์การผสานรวมอย่างต่อเนื่อง (CI) ซึ่งการทดสอบจะทํางานโดยอัตโนมัติทุกครั้งที่มีการเปลี่ยนแปลง คุณสามารถใช้ Lighthouse CI เพื่อผสานรวมการทดสอบประสิทธิภาพแบบสังเคราะห์ไว้ในเวิร์กโฟลว์ CI ต่างๆ ได้ ดังนี้

• การตรวจสอบประสิทธิภาพด้วย Lighthouse CI
• การใช้ CI ของ Publisher Ads Audits for Lighthouse

การทดสอบ A/B

เมตริกที่ขึ้นอยู่กับการโต้ตอบของผู้ใช้จะทดสอบได้อย่างเต็มที่ก็ต่อเมื่อมีการเผยแพร่การเปลี่ยนแปลงให้ผู้ใช้ใช้งานจริง ซึ่งอาจเสี่ยงได้หากคุณไม่แน่ใจว่าจะเปลี่ยนแปลงอย่างไร เทคนิคหนึ่งในการลดความเสี่ยงดังกล่าวคือการทดสอบ A/B

ในระหว่างการทดสอบ A/B ระบบจะแสดงหน้าเว็บรูปแบบต่างๆ แก่ผู้ใช้แบบสุ่ม คุณสามารถใช้เทคนิคนี้เพื่อแสดงหน้าเว็บเวอร์ชันที่แก้ไขแล้วต่อการเข้าชมโดยรวมเพียงไม่กี่เปอร์เซ็นต์ ขณะที่ส่วนใหญ่จะยังคงแสดงหน้าเว็บเวอร์ชันที่ไม่มีการแก้ไข เมื่อใช้ร่วมกับ RUM คุณจะประเมินประสิทธิภาพสัมพัทธ์ของ 2 กลุ่มเพื่อดูว่ากลุ่มใดมีประสิทธิภาพดีกว่าได้โดยไม่ต้องเสี่ยงกับการเข้าชม 100%

ประโยชน์อีกอย่างหนึ่งของการทดสอบ A/B คือช่วยให้คุณวัดผลกระทบของการเปลี่ยนแปลงได้อย่างแม่นยำมากขึ้น สําหรับเว็บไซต์จํานวนมาก การพิจารณาว่าความแตกต่างเล็กน้อยของประสิทธิภาพเกิดจากการเปลี่ยนแปลงล่าสุดหรือความผันผวนปกติของการเข้าชมนั้นอาจเป็นเรื่องยาก เนื่องจากกลุ่มทดสอบของการทดสอบ A/B แสดงถึงเปอร์เซ็นต์การเข้าชมโดยรวมที่แน่นอน เมตริกจึงควรแตกต่างจากกลุ่มควบคุมด้วยปัจจัยคงที่ ดังนั้น ความแตกต่างที่พบระหว่าง 2 กลุ่มจึงมีความน่าเชื่อถือมากขึ้นว่ามาจากการเปลี่ยนแปลงที่ทดสอบ

เครื่องมืออย่าง Optimizely และ Google Optimize ช่วยในการตั้งค่าและทำการทดสอบ A/B ได้ อย่างไรก็ตาม โปรดทราบว่าการทดสอบ A/B ที่อิงตามแท็ก (การกำหนดค่าเริ่มต้นสําหรับเครื่องมือเหล่านี้) อาจส่งผลเสียต่อประสิทธิภาพและให้ผลลัพธ์ที่ทําให้เข้าใจผิด เราจึงขอแนะนําอย่างยิ่งให้ผสานรวมฝั่งเซิร์ฟเวอร์ ดังนี้

• Google Optimize: การทดสอบฝั่งเซิร์ฟเวอร์
• Optimizely: การทดสอบฝั่งเซิร์ฟเวอร์

ผลการทดสอบ A/B

หากต้องการวัดผลกระทบของการเปลี่ยนแปลงโดยใช้การทดสอบ A/B คุณต้องรวบรวมเมตริกจากทั้งกลุ่มควบคุมและกลุ่มทดสอบ แล้วเปรียบเทียบกัน ในการดําเนินการนี้ คุณต้องมีวิธีระบุการเข้าชมที่เป็นส่วนหนึ่งของกลุ่มใดกลุ่มหนึ่ง

สําหรับเมตริกประสิทธิภาพหน้าเว็บ มักจะเพียงพอที่จะระบุตัวระบุง่ายๆ ในหน้าแต่ละหน้าเพื่อระบุว่ามีการแสดงเวอร์ชันควบคุมหรือเวอร์ชันทดสอบ ตัวระบุนี้อาจเป็นอะไรก็ได้ตามต้องการ ตราบใดที่คุณแยกวิเคราะห์และเชื่อมโยงเมตริกได้ หากคุณใช้เฟรมเวิร์กการทดสอบที่สร้างไว้ล่วงหน้า โดยทั่วไประบบจะจัดการเรื่องนี้ให้คุณโดยอัตโนมัติ

สําหรับเมตริกธุรกิจที่เจาะจงโฆษณา คุณสามารถใช้ฟีเจอร์การกําหนดเป้าหมายตามคีย์-ค่าของ GPT เพื่อแยกคําขอโฆษณาออกจากกลุ่มควบคุมกับกลุ่มทดสอบ ดังนี้

// 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');

จากนั้นคุณจะอ้างอิงคีย์-ค่าเหล่านี้ได้เมื่อเรียกใช้รายงาน Google Ad Manager เพื่อกรองผลลัพธ์ตามกลุ่ม