ต้องการความคิดเห็น: หนทางสู่เมตริกการเปลี่ยนแปลงเลย์เอาต์ที่ดีขึ้นสำหรับหน้าเว็บที่มีระยะเวลานาน

ดูข้อมูลเกี่ยวกับแผนในการปรับปรุงเมตริก Cumulative Layout Shift และแสดงความคิดเห็น

Cumulative Layout Shift (CLS) เป็นเมตริกที่วัดความเสถียรในการแสดงผลของหน้าเว็บ เมตริกนี้เรียกว่าการเปลี่ยนแปลงเลย์เอาต์สะสม เนื่องจากคะแนนของการเปลี่ยนแปลงแต่ละครั้งจะถูกสรุปรวมตลอดอายุของหน้าเว็บ

แม้ว่าการเปลี่ยนเลย์เอาต์ทั้งหมดจะเป็นประสบการณ์ที่ไม่ดีของผู้ใช้ แต่กลับเพิ่มจำนวนขึ้นในหน้าเว็บที่เปิดอยู่นานขึ้น ทีมเมตริกความเร็วของ Chrome จึงตัดสินใจปรับปรุงเมตริก CLS ให้มีความเป็นกลางมากขึ้นกับเวลาที่ใช้บนหน้าเว็บ

สิ่งสำคัญคือเมตริกมุ่งเน้นที่ประสบการณ์ของผู้ใช้ตลอดอายุการใช้งานหน้าเว็บทั้งหมด เนื่องจากเราพบว่าผู้ใช้มักได้รับประสบการณ์ที่ไม่ดีหลังจากการโหลด ขณะเลื่อนหรือสำรวจหน้าเว็บ แต่เราได้รับข้อกังวลว่าสิ่งนี้จะส่งผลต่อหน้าเว็บที่มีอายุยาวนานอย่างไร ซึ่งก็คือหน้าเว็บที่ผู้ใช้มักเปิดเป็นเวลานาน หน้าเว็บมีหลายประเภทที่มีแนวโน้มเปิดนานขึ้น ตัวอย่างที่พบบ่อยที่สุดได้แก่แอปโซเชียลมีเดียที่มีการเลื่อนได้ไม่รู้จบและแอปพลิเคชันหน้าเว็บเดียว

การวิเคราะห์ภายในของหน้าเว็บที่มีอายุนานซึ่งมีคะแนน CLS สูงพบว่าปัญหาส่วนใหญ่เกิดจากรูปแบบต่อไปนี้

• การเลื่อนเนื้อหาได้ไม่รู้จบที่เปลี่ยนเนื้อหาขณะที่ผู้ใช้เลื่อนดู
• เครื่องจัดการอินพุตที่ใช้เวลานานกว่า 500 มิลลิวินาทีในการอัปเดต UI เพื่อตอบสนองการโต้ตอบของผู้ใช้ โดยไม่มีตัวยึดตำแหน่งหรือรูปแบบโครงข่ายใดๆ

แม้ว่าเราจะส่งเสริมให้นักพัฒนาแอปปรับปรุงประสบการณ์ของผู้ใช้เหล่านั้น แต่เราก็ยังพยายามปรับปรุงเมตริกและมองหาความคิดเห็นเกี่ยวกับแนวทางที่เป็นไปได้

เราจะตัดสินใจเลือกอย่างไรหากเมตริกใหม่ดีกว่า

ก่อนที่จะเจาะลึกเกี่ยวกับการออกแบบเมตริก เราต้องการทำให้แน่ใจว่าเราได้ประเมินไอเดียของเราบนหน้าเว็บและกรณีการใช้งานต่างๆ ที่มีอยู่จริง ในช่วงเริ่มต้น เราได้ออกแบบการศึกษาผู้ใช้ขนาดเล็ก

เราบันทึกวิดีโอและร่องรอยของ Chrome เส้นทางของผู้ใช้ 34 เส้นทางผ่านเว็บไซต์ต่างๆ เป็นครั้งแรก เราตั้งเป้าหมายในการเลือกเส้นทางของผู้ใช้ 2-3 อย่าง ดังนี้

• เว็บไซต์ประเภทต่างๆ มากมาย เช่น เว็บไซต์ข่าวสารและช็อปปิ้ง
• เส้นทางที่หลากหลายของผู้ใช้ เช่น การโหลดหน้าเว็บเริ่มต้น การเลื่อน การไปยังส่วนต่างๆ ในแอปในหน้าเดียว และการโต้ตอบของผู้ใช้
• ทั้งจำนวนและความเข้มของการเปลี่ยนเลย์เอาต์ในเว็บไซต์
• ประสบการณ์ที่ไม่ดีบนเว็บไซต์มีไม่กี่รายการนอกเหนือจากการเปลี่ยนเลย์เอาต์

เราขอให้เพื่อนร่วมงาน 41 คนดูวิดีโอครั้งละ 2 รายการ โดยให้คะแนนว่าวิดีโอคู่ใดดีกว่ากันในแง่ของการเปลี่ยนเลย์เอาต์ จากการให้คะแนนเหล่านี้ เราได้สร้างลำดับการจัดอันดับตามหลักการของเว็บไซต์ ผลการจัดอันดับผู้ใช้ช่วยยืนยันความสงสัยได้ว่าเพื่อนร่วมงานของเรา เช่นเดียวกับผู้ใช้ส่วนใหญ่ จะหงุดหงิดจริงๆ กับการเปลี่ยนเลย์เอาต์หลังจากโหลด โดยเฉพาะอย่างยิ่งระหว่างการเลื่อนและการไปยังส่วนต่างๆ ของแอปในหน้าเดียว เราพบว่าบางเว็บไซต์มอบประสบการณ์ของผู้ใช้ระหว่างกิจกรรมเหล่านี้ได้ดีกว่าเว็บไซต์อื่นเป็นอย่างมาก

เนื่องจากเราบันทึกการติดตามของ Chrome พร้อมกับวิดีโอ เราจึงได้รายละเอียดทั้งหมดเกี่ยวกับการเปลี่ยนเลย์เอาต์ในแต่ละเส้นทางของผู้ใช้ เราใช้ข้อมูลเหล่านั้นเพื่อคํานวณค่าเมตริกสําหรับแต่ละแนวคิดสําหรับเส้นทางของผู้ใช้แต่ละเส้นทาง วิธีนี้ช่วยให้เราเห็นได้ว่าเมตริกแต่ละตัวแปรจัดอันดับเส้นทางของผู้ใช้อย่างไร และแต่ละตัวแปรนั้นแตกต่างจากการจัดอันดับที่เหมาะสมอย่างไร

เราได้ทดสอบแนวคิดเมตริกใดบ้าง

กลยุทธ์การจัดกรอบเวลา

หน้าต่างๆ มักจะมีการเปลี่ยนเลย์เอาต์หลายครั้งติดๆ กัน เนื่องจากองค์ประกอบต่างๆ อาจมีการเปลี่ยนแปลงหลายครั้งเมื่อเนื้อหาใหม่ปรากฏทีละส่วน สิ่งนี้กระตุ้นให้เราลองใช้เทคนิคในการจัดกลุ่มกะ เพื่อให้บรรลุเป้าหมายดังกล่าว เราได้พิจารณาแนวทางกรอบเวลา 3 แบบดังนี้

• การเคลียร์หน้าต่าง
• หน้าต่างเลื่อน
• กรอบเวลาเซสชัน

ในแต่ละตัวอย่างเหล่านี้ หน้าเว็บจะมีการเปลี่ยนแปลงระดับความรุนแรงที่แตกต่างกันเมื่อเวลาผ่านไป แถบสีน้ำเงินแต่ละแถบแสดงถึงการเปลี่ยนเลย์เอาต์รายการเดียว และความยาวแสดงถึงคะแนนของการเปลี่ยนแปลงนั้น รูปภาพจะแสดงวิธีที่กลยุทธ์การจัดกรอบเวลาต่างๆ จัดกลุ่มเลย์เอาต์ที่เปลี่ยนแปลงไปตามเวลา

การเคลียร์หน้าต่าง

วิธีที่ง่ายที่สุดคือการแบ่งหน้าออกเป็นหน้าต่างขนาดเท่าๆ กัน ลักษณะนี้เรียกว่าหน้าต่างบานเกล็ด คุณจะสังเกตเห็นที่ด้านบนว่าแถบที่ 4 ดูเหมือนควรจัดกลุ่มอยู่ในหน้าต่างที่ 2 แล้ว แต่เนื่องจากหน้าต่างทั้งหมดมีขนาดคงที่ หน้าต่างบานนั้นจึงอยู่ในหน้าต่างแรกแทน หากเวลาที่ใช้ในการโหลดหรือการโต้ตอบของผู้ใช้ในหน้าเว็บแตกต่างกันเล็กน้อย เลย์เอาต์เดียวกันก็อาจตกไปอยู่ในขอบของหน้าต่างที่เลื่อนผ่านคนละด้านกัน

หน้าต่างเลื่อน

วิธีหนึ่งที่ช่วยให้เรามองเห็นการจัดกลุ่มที่เป็นไปได้มากขึ้นซึ่งมีความยาวเท่ากันคือการอัปเดตกรอบเวลาที่เป็นไปได้อย่างต่อเนื่อง ภาพด้านบนแสดงหน้าต่างเลื่อนทีละหน้าต่าง แต่เราอาจพิจารณาหน้าต่างเลื่อนที่เป็นไปได้ทั้งหมดหรือบางส่วนของหน้าต่างเพื่อสร้างเป็นเมตริก

กรอบเวลาเซสชัน

หากเราต้องการมุ่งเน้นที่การระบุพื้นที่ของหน้าเว็บที่มีการเปลี่ยนแปลงเลย์เอาต์จำนวนมาก เราสามารถเริ่มแต่ละหน้าต่างที่เปลี่ยนไปเรื่อยๆ และขยายเพิ่มไปเรื่อยๆ จนกว่าจะเจอช่องว่างระหว่างขนาดที่กำหนดระหว่างการเปลี่ยนเลย์เอาต์ วิธีนี้จะจัดกลุ่มเลย์เอาต์ไว้ด้วยกันโดยไม่สนใจประสบการณ์การใช้งานส่วนใหญ่ของผู้ใช้ ปัญหาหนึ่งที่อาจเกิดขึ้นคือหากไม่มีช่องว่างในการเปลี่ยนแปลงเลย์เอาต์ เมตริกตามกรอบเวลาเซสชันอาจเพิ่มขึ้นแบบไม่มีขอบเขตเช่นเดียวกับเมตริก CLS ในปัจจุบัน เราจึงลองวิธีนี้ด้วยขนาดหน้าต่างสูงสุด

ขนาดหน้าต่าง

เมตริกอาจให้ผลลัพธ์ที่แตกต่างกันมาก โดยขึ้นอยู่กับขนาดของหน้าต่างจริงๆ เราจึงลองใช้หน้าต่างขนาดต่างๆ กัน ดังนี้

• แต่ละ Shift เป็นกรอบเวลาของตัวเอง (ไม่มีกรอบเวลา)
• 100 มิลลิวินาที
• 300 มิลลิวินาที
• 1 วินาที
• 5 วินาที

การสรุป

เราได้ลองใช้วิธีต่างๆ ในการสรุปกรอบเวลาที่แตกต่างกัน

เปอร์เซ็นไทล์

เราดูที่ค่ากรอบเวลาสูงสุด รวมถึงเปอร์เซ็นไทล์ที่ 95, เปอร์เซ็นไทล์ที่ 75 และค่ามัธยฐาน

เฉยๆ

เราดูที่มูลค่ากรอบเวลาเฉลี่ย

งบประมาณ

เราสงสัยว่าจะมีคะแนนการเปลี่ยนเลย์เอาต์ขั้นต่ำที่ผู้ใช้จะไม่สังเกตเห็นหรือไม่ และเราสามารถนับการเปลี่ยนเลย์เอาต์ใน "งบประมาณ" ในคะแนนเพียงอย่างเดียวได้ ดังนั้นสำหรับค่า "งบประมาณ" ที่เป็นไปได้ต่างๆ เราพิจารณาเปอร์เซ็นต์ของการเปลี่ยนแปลงงบประมาณ และคะแนนการเปลี่ยนแปลงทั้งหมดเมื่อเทียบกับงบประมาณ

กลยุทธ์อื่นๆ

นอกจากนี้ เรายังพิจารณากลยุทธ์หลายอย่างที่ไม่เกี่ยวข้องกับกรอบเวลา เช่น การเปลี่ยนแปลงเลย์เอาต์ทั้งหมดหารด้วยเวลาบนหน้าเว็บ และค่าเฉลี่ยของ N รายการที่แย่ที่สุด

ผลลัพธ์เบื้องต้น

โดยรวมแล้ว เราได้ทดสอบคำจำกัดความของเมตริกที่แตกต่างกัน 145 รายการโดยอิงตามการเรียงสับเปลี่ยนของแนวคิดข้างต้น สำหรับแต่ละเมตริก เราจัดอันดับเส้นทางของผู้ใช้ทั้งหมดตามคะแนนในเมตริก จากนั้นจัดอันดับเมตริกตามความใกล้กับการจัดอันดับที่ต้องการ

นอกจากนี้ เรายังจัดอันดับเว็บไซต์ทั้งหมดตามคะแนน CLS ในปัจจุบันเพื่อหาเกณฑ์พื้นฐานด้วย CLS อยู่ในอันดับที่ 32 เสมอกับอีก 13 กลยุทธ์ ดังนั้นจึงดีกว่าการเรียงสับเปลี่ยนส่วนใหญ่ของกลยุทธ์ข้างต้น และเรายังเพิ่มการจัดลำดับแบบสุ่มอีก 3 ลำดับเพื่อให้ได้ผลลัพธ์ที่มีความหมาย การเรียงลำดับแบบสุ่มมีประสิทธิภาพต่ำกว่าที่คาดไว้ทุกกลยุทธ์ที่ทดสอบ

เพื่อทำความเข้าใจว่าเราอาจใช้ชุดข้อมูลมากเกินไปหรือไม่ หลังจากการวิเคราะห์ของเรา เราได้บันทึกวิดีโอและการติดตามที่มีการเปลี่ยนเลย์เอาต์ใหม่ จึงได้จัดอันดับวิดีโอและการติดตามเหล่านั้นด้วยตนเอง และพบว่าการจัดอันดับเมตริกสำหรับชุดข้อมูลใหม่และชุดข้อมูลต้นฉบับนั้นใกล้เคียงกันมาก

มีกลยุทธ์ที่แตกต่างกัน 2-3 กลยุทธ์ที่โดดเด่นในการจัดอันดับ

กลยุทธ์ที่ดีที่สุด

เมื่อเราจัดอันดับกลยุทธ์ เราพบว่ากลยุทธ์ 3 ประเภทที่อยู่ในรายการ แต่ละโปรไฟล์มีประสิทธิภาพพอๆ กัน เราจึงวางแผนที่จะทำการวิเคราะห์ผลิตภัณฑ์ทั้ง 3 นี้ให้ละเอียดยิ่งขึ้น และเราอยากทราบความคิดเห็นของนักพัฒนาแอปเพื่อทำความเข้าใจว่ามีปัจจัยอื่นนอกเหนือจากประสบการณ์ของผู้ใช้ที่เราควรพิจารณาเมื่อตัดสินใจเลือกปัจจัยเหล่านี้หรือไม่ (ดูวิธีแสดงความคิดเห็นที่ด้านล่าง)

เปอร์เซ็นไทล์ที่สูงของกรอบเวลาที่ยาวนาน

กลยุทธ์การกำหนดกรอบเวลาบางส่วนใช้ได้ผลดีกับกรอบเวลาขนาดยาว ได้แก่

• หน้าต่างเลื่อน 1 วินาที
• กรอบเวลาเซสชันสูงสุด 5 วินาทีโดยมีช่องว่าง 1 วินาที
• ยกเลิกการจำกัดกรอบเวลาเซสชันโดยมีช่องว่าง 1 วินาที

ทั้งหมดนี้อยู่ในอันดับที่ดีมากๆ ทั้งในระดับเปอร์เซ็นไทล์ที่ 95 และค่าสูงสุด

แต่สำหรับหน้าต่างขนาดใหญ่ เรากังวลเกี่ยวกับการใช้เปอร์เซ็นไทล์ที่ 95 ซึ่งบ่อยครั้งเราดูไว้ที่หน้าต่างเพียง 4-6 หน้าต่างเท่านั้น แต่การนำเปอร์เซ็นต์ไทล์ที่ 95 ของค่านั้นมาคำนวณเวลาร่วมกันก็ถือว่าเยอะมาก แต่ยังไม่มีความชัดเจนว่าการประมาณค่าเมตริกใช้ทำอะไร ค่าสูงสุดจะมีความชัดเจนขึ้นมาก เราจึงตัดสินใจดำเนินการต่อด้วยการตรวจสอบค่าสูงสุด

ค่าเฉลี่ยของกรอบเวลาเซสชันที่มีช่วงเวลาห่างกันนาน

การหาค่าเฉลี่ยของคะแนนจากกรอบเวลาเซสชันที่ไม่ได้จำกัดเวลาทั้งหมดโดยที่มีช่องว่าง 5 วินาทีระหว่างกรอบเวลาทั้งสองนี้ให้ผลดีจริงๆ กลยุทธ์นี้มีลักษณะที่น่าสนใจบางอย่างดังนี้

• หากหน้าเว็บไม่มีช่องว่างระหว่างการเปลี่ยนเลย์เอาต์ ก็จะกลายเป็นกรอบเวลาเซสชันที่นาน 1 ช่วงโดยมีคะแนนเท่ากับ CLS ปัจจุบันพอดี
• เมตริกนี้ไม่ได้นำเวลาที่ไม่มีการใช้งานมาพิจารณาโดยตรง แต่จะดูเฉพาะการเปลี่ยนแปลงที่เกิดขึ้นในหน้าเว็บ ไม่ใช่ ณ ช่วงเวลาที่ไม่มีการเปลี่ยนหน้าเว็บ

เปอร์เซ็นไทล์ที่สูงของกรอบเวลาสั้น

หน้าต่างเลื่อนสูงสุด 300 มิลลิวินาทีอยู่ในอันดับสูงมาก และเปอร์เซ็นไทล์ที่ 95 สำหรับขนาดหน้าต่างที่สั้นกว่า จะมีการประมาณค่าในช่วงเปอร์เซ็นไทล์น้อยกว่าขนาดหน้าต่างที่ใหญ่กว่า แต่เราก็กังวลเกี่ยวกับหน้าต่างเลื่อนแบบ "เกิดซ้ำ" เช่นกัน หากชุดของการเปลี่ยนเลย์เอาต์เกิดขึ้นมากกว่า 2 เฟรม จะมีกรอบเวลา 300 มิลลิวินาทีหลายหน้าต่างรวมช่วงเวลาดังกล่าวนั้นด้วย การใช้จุดสูงสุดนั้นชัดเจนและง่ายกว่าการใช้เปอร์เซ็นไทล์ที่ 95 เราจึงตัดสินใจอีกครั้งว่าจะตรวจสอบขีดจำกัดสูงสุด

กลยุทธ์ที่ไม่ได้ผล

กลยุทธ์ที่พยายามพิจารณาประสบการณ์ "เฉลี่ย" ของเวลาที่ใช้ทั้งที่ไม่มีการเปลี่ยนเลย์เอาต์และการเปลี่ยนเลย์เอาต์ทำได้ไม่ดี ไม่มีค่ามัธยฐานหรือสรุปเปอร์เซ็นไทล์ที่ 75 ของกลยุทธ์การกำหนดกรอบเวลาใดๆ ที่จัดอันดับเว็บไซต์ได้ดี จำนวนรวมของการเปลี่ยนเลย์เอาต์ในช่วงเวลาที่ผ่านมาก็ไม่ได้เช่นกัน

เราได้ประเมิน "งบประมาณ" ต่างๆ จำนวนหนึ่งสำหรับการเปลี่ยนเลย์เอาต์ที่ยอมรับได้ ดังนี้

• เปอร์เซ็นต์ของการเปลี่ยนแปลงเลย์เอาต์ซึ่งอยู่เหนืองบประมาณบางส่วน สำหรับงบประมาณที่หลากหลาย ทั้งหมดเหล่านี้อยู่ในอันดับที่ค่อนข้างต่ำ
• การเปลี่ยนเลย์เอาต์โดยเฉลี่ยเหนือส่วนที่เกินมาบางส่วน รูปแบบส่วนใหญ่ในกลยุทธ์นี้ทำงานได้ไม่ดี แต่ค่าเฉลี่ยส่วนเกินโดยเฉลี่ยในเซสชันที่ยาวนานซึ่งมีช่องว่างขนาดใหญ่นั้นทำได้เกือบเท่ากับค่าเฉลี่ยของกรอบเวลาเซสชันที่มีช่องว่างที่ยาวนาน เราตัดสินใจเลือกใช้เพียงวิธีหลังเพราะง่ายกว่า

ขั้นตอนถัดไป

การวิเคราะห์ขนาดใหญ่

เราได้ใช้กลยุทธ์ยอดนิยมที่ระบุไว้ข้างต้นใน Chrome เพื่อให้สามารถรับข้อมูลเกี่ยวกับการใช้งานจริงสำหรับเว็บไซต์จำนวนมาก เราวางแผนที่จะใช้วิธีการที่คล้ายกันในการจัดอันดับเว็บไซต์ตามคะแนนเมตริกเพื่อทำการวิเคราะห์ในสเกลใหญ่ ดังนี้

• จัดอันดับเว็บไซต์ทั้งหมดตาม CLS และตามตัวเลือกเมตริกใหม่แต่ละรายการ
  • เว็บไซต์ใดได้รับการจัดอันดับแตกต่างกันไปตาม CLS และเว็บไซต์แต่ละแห่ง เราพบสิ่งที่ไม่คาดคิดเมื่อดูเว็บไซต์เหล่านี้ไหม
  • อะไรคือความแตกต่างมากที่สุดระหว่างตัวเลือกเมตริกใหม่ มีข้อแตกต่างที่เป็นข้อดีหรือข้อเสียของผู้สมัครแต่ละรายไหม
• ทำการวิเคราะห์ข้างต้นซ้ำ แต่เก็บข้อมูลตามเวลาที่ใช้ในการโหลดหน้าเว็บแต่ละครั้ง เราเห็นการปรับปรุงที่คาดหวังสำหรับการโหลดหน้าเว็บที่มีระยะเวลานานด้วยการเปลี่ยนเลย์เอาต์ที่ยอมรับได้ไหม เราเห็นผลลัพธ์ที่ไม่คาดคิดสำหรับหน้าเว็บที่มีอายุสั้นหรือไม่

ความคิดเห็นเกี่ยวกับแนวทางของเรา

เรายินดีรับฟังความคิดเห็นจากนักพัฒนาเว็บเกี่ยวกับวิธีการเหล่านี้ โปรดคำนึงถึงสิ่งต่อไปนี้เมื่อพิจารณาแนวทางใหม่ๆ

สิ่งที่ไม่เปลี่ยนแปลง

เราต้องการชี้แจงว่าหลายๆ อย่างจะไม่เปลี่ยนแปลงไปเมื่อใช้แนวทางใหม่ ดังนี้

• ไม่มีแนวคิดเมตริกใดที่เปลี่ยนแปลงวิธีคะแนนการเปลี่ยนเลย์เอาต์สำหรับการคำนวณเฟรมแต่ละเฟรม มีเพียงวิธีการสรุปหลายเฟรมเท่านั้น ซึ่งหมายความว่า JavaScript API สำหรับการเปลี่ยนเลย์เอาต์จะยังคงเหมือนเดิม และเหตุการณ์เบื้องหลังใน Chrome ที่เครื่องมือสำหรับนักพัฒนาซอฟต์แวร์ใช้ก็จะยังคงเหมือนเดิม ดังนั้นการเปลี่ยนเลย์เอาต์ในเครื่องมือ เช่น WebPageTest และ Chrome DevTools จะยังคงทำงานในลักษณะเดียวกัน
• เราจะมุ่งมั่นทำงานอย่างต่อเนื่องเพื่อให้นักพัฒนาซอฟต์แวร์นำเมตริกต่างๆ ไปใช้ได้ง่าย รวมถึงในไลบรารีไฟล์เนื้อหาบนเว็บ บันทึกใน web.dev และรายงานเมตริกนั้นในเครื่องมือสำหรับนักพัฒนาซอฟต์แวร์อย่าง Lighthouse

ข้อดีและข้อเสียระหว่างเมตริก

หนึ่งในกลยุทธ์ยอดนิยมจะสรุปกรอบเวลาการเปลี่ยนเลย์เอาต์เป็นค่าเฉลี่ย ส่วนอีกกลยุทธ์หนึ่งรายงานกรอบเวลาสูงสุด สำหรับหน้าเว็บที่เปิดเป็นเวลานาน ค่าเฉลี่ยมีแนวโน้มที่จะรายงานค่าที่เป็นตัวแทนได้มากกว่า แต่โดยทั่วไป นักพัฒนาซอฟต์แวร์มีแนวโน้มที่จะดำเนินการกับหน้าต่างเดียวได้ง่ายขึ้น นั่นคือสามารถบันทึกเมื่อเกิดเหตุการณ์ขึ้น องค์ประกอบที่มีการเปลี่ยนแปลงไป และอื่นๆ เราอยากทราบความคิดเห็นว่าสิ่งใดสำคัญกับนักพัฒนาซอฟต์แวร์มากกว่า

คุณคิดว่าหน้าต่างเลื่อนหรือหน้าต่างเซสชันเข้าใจง่ายขึ้นไหม ความแตกต่างสำคัญสำหรับคุณไหม

วิธีการให้ความคิดเห็น

คุณลองใช้เมตริกการเปลี่ยนเลย์เอาต์ใหม่ในเว็บไซต์ใดก็ได้โดยใช้ตัวอย่างการใช้งาน JavaScript หรือแยกส่วนขยาย Core Web Vitals

โปรดส่งอีเมลความคิดเห็นไปยังกลุ่ม Google web-vitals-feedback พร้อมระบุ "[Layout Shift Metrics]" ในบรรทัดเรื่อง เราหวังเป็นอย่างยิ่งว่าจะได้รับฟังความคิดเห็นจากคุณ