ต้องการความคิดเห็น: หนทางสู่เมตริกการเปลี่ยนแปลงเลย์เอาต์ที่ดีขึ้นสำหรับหน้าเว็บที่มีระยะเวลานาน

ดูข้อมูลเกี่ยวกับแผนของเราในการปรับปรุงเมตริก Cumulative Layout Shift และแสดงความคิดเห็น

การเปลี่ยนเลย์เอาต์สะสม (CLS) คือเมตริกที่วัดความเสถียรของภาพในหน้าเว็บ เมตริกนี้เรียกว่า Cumulative Layout Shift เนื่องจากระบบจะรวมคะแนนของการเปลี่ยนแปลงแต่ละรายการตลอดอายุการใช้งานของหน้าเว็บ

แม้ว่าการเปลี่ยนแปลงเลย์เอาต์ทั้งหมดจะเป็นประสบการณ์ที่ไม่ดีของผู้ใช้ แต่การเปลี่ยนแปลงดังกล่าวจะเพิ่มมากขึ้นในหน้าเว็บที่เปิดอยู่นาน ทีมเมตริกความเร็วของ Chrome จึงตัดสินใจปรับปรุงเมตริก CLS ให้สอดคล้องกับเวลาที่ใช้ในหน้าเว็บ

เมตริกต้องมุ่งเน้นที่ประสบการณ์ของผู้ใช้ตลอดอายุการใช้งานของหน้าเว็บ เนื่องจากเราพบว่าผู้ใช้มักได้รับประสบการณ์เชิงลบหลังจากโหลด ขณะที่เลื่อนหรือไปยังส่วนต่างๆ ของหน้า แต่เราได้ยินความกังวลเกี่ยวกับผลกระทบที่การอัปเดตนี้จะส่งผลต่อหน้าเว็บที่มีอายุการใช้งานนาน ซึ่งเป็นหน้าเว็บที่ผู้ใช้มักจะเปิดไว้เป็นเวลานาน หน้าเว็บมีหลายประเภทที่มีแนวโน้มที่จะเปิดอยู่นานขึ้น หน้าเว็บที่พบบ่อยที่สุดบางหน้า ได้แก่ แอปโซเชียลมีเดียที่มีการเลื่อนได้ไม่รู้จบและแอปพลิเคชันหน้าเว็บเดียว

การวิเคราะห์ภายในของหน้าเว็บที่มีอายุการใช้งานยาวนานและมีคะแนน CLS สูงพบว่าปัญหาส่วนใหญ่เกิดจากรูปแบบต่อไปนี้

• การเลื่อนเนื้อหาไปมาได้ไม่รู้จบขณะที่ผู้ใช้เลื่อนดู
• แฮนเดิลอินพุตใช้เวลานานกว่า 500 มิลลิวินาทีในการอัปเดต UI เพื่อตอบสนองต่อการโต้ตอบของผู้ใช้ โดยไม่มีตัวยึดตำแหน่งหรือรูปแบบโครงร่าง

แม้ว่าเราจะส่งเสริมให้นักพัฒนาแอปปรับปรุงประสบการณ์ของผู้ใช้เหล่านั้น แต่เราก็ยังพยายามปรับปรุงเมตริกและมองหาความคิดเห็นเกี่ยวกับแนวทางที่เป็นไปได้

เราจะตัดสินใจเลือกอย่างไรหากเมตริกใหม่ดีกว่า

ก่อนที่จะเจาะลึกเกี่ยวกับการออกแบบเมตริก เราอยากมั่นใจว่าเราได้ประเมินไอเดียของเราบนหน้าเว็บและกรณีการใช้งานต่างๆ ที่มีอยู่จริง เริ่มต้นด้วยการออกแบบการศึกษาผู้ใช้กลุ่มเล็กๆ

ก่อนอื่น เราบันทึกวิดีโอและร่องรอยของ Chrome เกี่ยวกับเส้นทางของผู้ใช้ 34 เส้นทางผ่านเว็บไซต์ต่างๆ ในการเลือกเส้นทางของผู้ใช้ เรามุ่งเน้นที่สิ่งต่อไปนี้

• เว็บไซต์ประเภทต่างๆ เช่น เว็บไซต์ข่าวและเว็บไซต์ช็อปปิ้ง
• เส้นทางที่หลากหลายของผู้ใช้ เช่น การโหลดหน้าเว็บเริ่มต้น การเลื่อน การไปยังส่วนต่างๆ ของแอปในหน้าเดียว และการโต้ตอบของผู้ใช้
• ทั้งจำนวนและความเข้มของการเปลี่ยนเลย์เอาต์ในเว็บไซต์
• ประสบการณ์เชิงลบในเว็บไซต์มีเพียงไม่กี่รายการนอกเหนือจากการเปลี่ยนแปลงเลย์เอาต์

เราขอให้เพื่อนร่วมงาน 41 คนดูวิดีโอ 2 รายการพร้อมกัน โดยให้คะแนนว่าวิดีโอใดดูง่ายกว่าเมื่อเปลี่ยนเลย์เอาต์ จากคะแนนเหล่านี้ เราจึงสร้างลําดับการจัดอันดับเว็บไซต์ตามอุดมคติ ผลการจัดอันดับของผู้ใช้ยืนยันความสงสัยของเราว่าเพื่อนร่วมงานของเราเช่นเดียวกับผู้ใช้ส่วนใหญ่รู้สึกหงุดหงิดมากกับการเปลี่ยนแปลงเลย์เอาต์หลังจากโหลด โดยเฉพาะระหว่างการเลื่อนและการไปยังส่วนต่างๆ ของแอปในหน้าเดียว เราพบว่าบางเว็บไซต์มอบประสบการณ์การใช้งานที่ดีกว่ามากในระหว่างกิจกรรมเหล่านี้เมื่อเทียบกับเว็บไซต์อื่นๆ

เนื่องจากเราบันทึกร่องรอยของ Chrome ไว้พร้อมกับวิดีโอ เราจึงมีรายละเอียดทั้งหมดของการเปลี่ยนแปลงเลย์เอาต์แต่ละรายการในเส้นทางของผู้ใช้แต่ละเส้นทาง เราใช้ข้อมูลดังกล่าวเพื่อคํานวณค่าเมตริกสําหรับไอเดียแต่ละรายการสําหรับเส้นทางของผู้ใช้แต่ละเส้นทาง วิธีนี้ช่วยให้เราเห็นได้ว่าเมตริกแต่ละตัวแปรจัดอันดับเส้นทางของผู้ใช้อย่างไร และแต่ละตัวแปรนั้นแตกต่างจากการจัดอันดับที่เหมาะสมอย่างไร

เราทดสอบไอเดียเมตริกใดบ้าง

กลยุทธ์กรอบเวลา

บ่อยครั้งที่หน้าเว็บมีการเปลี่ยนแปลงเลย์เอาต์หลายรายการที่ซ้อนกันอยู่ เนื่องจากองค์ประกอบอาจเปลี่ยนแปลงหลายครั้งเมื่อมีเนื้อหาใหม่เข้ามาทีละส่วน ด้วยเหตุนี้ เราจึงลองใช้เทคนิคการจัดกลุ่มกะเข้าด้วยกัน ในการบรรลุเป้าหมายนี้ เราพิจารณาแนวทางการกำหนดกรอบเวลา 3 วิธี ได้แก่

• กรอบเวลาแบบเลื่อน
• หน้าต่างบานเลื่อน
• กรอบเวลาเซสชัน

ในแต่ละตัวอย่างเหล่านี้ หน้าเว็บมีการเปลี่ยนแปลงเลย์เอาต์ที่มีความร้ายแรงแตกต่างกันไปเมื่อเวลาผ่านไป แต่ละแถบสีน้ำเงินแสดงการเปลี่ยนเลย์เอาต์รายการเดียว และความยาวแสดงคะแนนของการเปลี่ยนแปลงนั้น รูปภาพจะแสดงวิธีที่กลยุทธ์การจัดกรอบเวลาต่างๆ จัดกลุ่มเลย์เอาต์ที่เปลี่ยนแปลงไปตามเวลา

กรอบเวลาแบบเลื่อน

วิธีที่ง่ายที่สุดคือแบ่งหน้าออกเป็นหน้าต่างที่มีขนาดเท่าๆ กัน ซึ่งเรียกว่าหน้าต่างบานเกล็ด คุณจะเห็นด้านบนว่าแท่งที่ 4 ดูเหมือนว่าควรจัดกลุ่มไว้ในกรอบเวลาการเลื่อนที่ 2 แต่เนื่องจากกรอบเวลาทั้งหมดมีขนาดคงที่ จึงอยู่ในกรอบเวลาแรกแทน หากช่วงเวลาในการโหลดหรือการโต้ตอบของผู้ใช้บนหน้าเว็บแตกต่างกันเล็กน้อย การเปลี่ยนแปลงเลย์เอาต์เดียวกันอาจอยู่คนละฝั่งของขอบเขตกรอบเวลาการทุ่ม

หน้าต่างบานเลื่อน

แนวทางที่ช่วยให้เราเห็นการแบ่งกลุ่มที่เป็นไปได้มากขึ้นซึ่งมีความยาวเท่ากันคือการอัปเดตกรอบเวลาที่มีแนวโน้มอย่างต่อเนื่องเมื่อเวลาผ่านไป ภาพด้านบนแสดงหน้าต่างเลื่อนทีละหน้าต่าง แต่เราอาจพิจารณาหน้าต่างเลื่อนที่เป็นไปได้ทั้งหมดหรือบางส่วนของหน้าต่างเพื่อสร้างเป็นเมตริก

กรอบเวลาเซสชัน

หากต้องการมุ่งเน้นที่การระบุพื้นที่ของหน้าเว็บที่มีการเปลี่ยนเลย์เอาต์หลายครั้ง เราอาจเริ่มแต่ละกรอบเวลาด้วยการเลื่อน และขยายกรอบเวลานั้นไปเรื่อยๆ จนกว่าจะพบช่องว่างขนาดหนึ่งๆ ระหว่างการเปลี่ยนเลย์เอาต์ แนวทางนี้จะจัดกลุ่มการเปลี่ยนแปลงเลย์เอาต์ไว้ด้วยกัน และละเว้นประสบการณ์ของผู้ใช้ส่วนใหญ่ที่ไม่เปลี่ยนแปลง ปัญหาที่อาจเกิดขึ้นอย่างหนึ่งคือ หากไม่มีช่องว่างในการเปลี่ยนแปลงเลย์เอาต์ เมตริกที่อิงตามกรอบเวลาเซสชันอาจเพิ่มขึ้นอย่างไม่มีขีดจํากัด เช่นเดียวกับเมตริก CLS ปัจจุบัน เราจึงลองใช้กับขนาดหน้าต่างสูงสุดด้วย

ขนาดหน้าต่าง

เมตริกอาจให้ผลลัพธ์ที่แตกต่างกันมาก โดยขึ้นอยู่กับขนาดจริงของหน้าต่าง เราจึงลองใช้หน้าต่างขนาดต่างๆ กัน ดังนี้

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

การสรุป

เราได้ลองใช้หลายวิธีในการสรุปกรอบเวลาต่างๆ

เปอร์เซ็นต์ไทล์

เราพิจารณาค่าสูงสุดของกรอบเวลา รวมถึงเปอร์เซ็นต์ไทล์ที่ 95, 75 และค่ามัธยฐาน

เฉยๆ

เราพิจารณาค่าเฉลี่ยของกรอบเวลา

งบประมาณ

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

กลยุทธ์อื่นๆ

นอกจากนี้ เรายังพิจารณากลยุทธ์หลายอย่างที่ไม่ได้เกี่ยวข้องกับกรอบเวลา เช่น การเปลี่ยนเลย์เอาต์ทั้งหมดหารด้วยเวลาในหน้าเว็บ และค่าเฉลี่ยของการเปลี่ยนแต่ละรายการที่แย่ที่สุด N รายการ

ผลลัพธ์เบื้องต้น

โดยรวมแล้ว เราได้ทดสอบคำจำกัดความของเมตริกที่แตกต่างกัน 145 รายการโดยอิงตามการสับเปลี่ยนแนวคิดข้างต้น สําหรับเมตริกแต่ละรายการ เราจะจัดลําดับเส้นทางของผู้ใช้ทั้งหมดตามคะแนนในเมตริกนั้นๆ จากนั้นจัดลําดับเมตริกตามระดับความใกล้เคียงกับการจัดลําดับที่ดีที่สุด

นอกจากนี้ เรายังจัดอันดับเว็บไซต์ทั้งหมดตามคะแนน CLS ปัจจุบันเพื่อให้ได้ข้อมูลพื้นฐาน CLS อยู่ในอันดับที่ 32 โดยเสมอกับกลยุทธ์อื่นๆ 13 รายการ จึงดีกว่าการจัดเรียงใหม่ส่วนใหญ่ของกลยุทธ์ข้างต้น นอกจากนี้ เรายังเพิ่มการจัดเรียงแบบสุ่ม 3 รายการเพื่อให้ผลลัพธ์มีความเกี่ยวข้อง ตามที่คาดไว้ การจัดเรียงแบบสุ่มมีประสิทธิภาพต่ำกว่ากลยุทธ์ทุกรายการที่ทดสอบ

เพื่อทำความเข้าใจว่าเราอาจกำลังปรับให้พอดีกับชุดข้อมูลมากเกินไปหรือไม่ หลังจากการวิเคราะห์ เราบันทึกวิดีโอและร่องรอยการเปลี่ยนแปลงเลย์เอาต์ใหม่บางส่วน จัดอันดับวิดีโอและร่องรอยเหล่านั้นด้วยตนเอง และพบว่าการจัดอันดับเมตริกของชุดข้อมูลใหม่และชุดข้อมูลเดิมนั้นคล้ายกันมาก

มีกลยุทธ์ที่แตกต่างกัน 2-3 กลยุทธ์ที่โดดเด่นในการจัดอันดับ

กลยุทธ์เด็ด

เมื่อจัดอันดับกลยุทธ์ เราพบว่ากลยุทธ์ 3 ประเภทนี้มีประสิทธิภาพสูงสุด แต่ละรายการมีประสิทธิภาพใกล้เคียงกัน เราจึงวางแผนที่จะดําเนินการต่อด้วยการวิเคราะห์ที่ละเอียดยิ่งขึ้นในทั้ง 3 รายการ นอกจากนี้ เรายังอยากฟังความคิดเห็นจากนักพัฒนาแอปเพื่อทําความเข้าใจว่าควรพิจารณาปัจจัยอื่นๆ นอกเหนือจากประสบการณ์ของผู้ใช้หรือไม่เมื่อตัดสินใจเลือกระหว่าง 2 รูปแบบ (ดูวิธีแสดงความคิดเห็นที่ด้านล่าง)

เปอร์เซ็นต์สูงของกรอบเวลานาน

กลยุทธ์การแบ่งกรอบเวลา 2-3 รายการที่ได้ผลดีกับขนาดกรอบเวลาที่ยาว ได้แก่

• หน้าต่างเลื่อน 1 วินาที
• กรอบเวลาเซสชันสูงสุด 5 วินาทีโดยมีช่องว่าง 1 วินาที
• กรอบเวลาเซสชันที่ไม่มีขีดจํากัดโดยมีช่วงเวลา 1 วินาที

รายการเหล่านี้มีอันดับดีมากทั้งในเปอร์เซ็นไทล์ที่ 95 และค่าสูงสุด

แต่สำหรับหน้าต่างขนาดใหญ่เช่นนี้ เรากังวลเกี่ยวกับการใช้เปอร์เซ็นต์ไทล์ที่ 95 ซึ่งบ่อยครั้งที่เราดูเพียง 4-6 หน้าต่างเท่านั้น แต่การนำเปอร์เซ็นต์ไทล์ที่ 95 ของค่านั้นไปคำนวณก็ในช่วงที่กว้างมาก ไม่ทราบแน่ชัดว่า Interpolation ทําอะไรกับค่าเมตริก ค่าสูงสุดจะมีความชัดเจนขึ้นมาก เราจึงตัดสินใจดำเนินการต่อด้วยการตรวจสอบค่าสูงสุด

ค่าเฉลี่ยของกรอบเวลาเซสชันที่มีช่วงเวลาห่างกันนาน

การหาค่าเฉลี่ยคะแนนของกรอบเวลาเซสชันทั้งหมดที่ไม่มีขีดจํากัดโดยมีระยะห่าง 5 วินาทีระหว่างกันมีประสิทธิภาพดีมาก กลยุทธ์นี้มีลักษณะที่น่าสนใจบางอย่างดังนี้

• หากหน้าเว็บไม่มีช่องว่างระหว่างการเปลี่ยนเลย์เอาต์ ก็จะกลายเป็นกรอบเวลาเซสชันที่นาน 1 ช่วงโดยมีคะแนนเท่ากับ CLS ปัจจุบันพอดี
• เมตริกนี้ไม่ได้พิจารณาเวลาที่ไม่ได้ใช้งานโดยตรง แต่พิจารณาเฉพาะการเปลี่ยนแปลงที่เกิดขึ้นในหน้าเว็บเท่านั้น โดยไม่พิจารณาช่วงเวลาที่หน้าเว็บไม่มีการเปลี่ยนแปลง

เปอร์เซ็นต์ส่วนสูงของกรอบเวลาสั้นๆ

กรอบเวลาแบบเลื่อนสูงสุด 300 มิลลิวินาทีได้คะแนนสูงมาก รวมถึงเปอร์เซ็นต์ไทล์ที่ 95 ด้วย สำหรับขนาดกรอบเวลาที่สั้นกว่า จะมีการประมาณค่าร้อยละน้อยกว่ากรอบเวลาที่ยาวกว่า แต่เราก็กังวลเกี่ยวกับกรอบเวลาแบบเลื่อน "ซ้ำ" ด้วยเช่นกัน หากชุดเลย์เอาต์เปลี่ยนใน 2 เฟรม ก็จะมีกรอบเวลา 300 มิลลิวินาทีหลายเฟรมที่รวมชุดเลย์เอาต์นั้นไว้ การใช้ค่าสูงสุดนั้นชัดเจนและง่ายกว่าการใช้ค่าเปอร์เซ็นไทล์ 95 เราจึงตัดสินใจอีกครั้งว่าจะตรวจสอบขีดจำกัดสูงสุด

กลยุทธ์ที่ไม่ได้ผล

กลยุทธ์ที่พยายามพิจารณาประสบการณ์ "โดยเฉลี่ย" ของเวลาที่ใช้ทั้งแบบไม่มีการเปลี่ยนเลย์เอาต์และแบบมีการเปลี่ยนเลย์เอาต์ทํางานได้แย่มาก สรุปค่ามัธยฐานหรือเปอร์เซ็นต์ไทล์ 75 ของกลยุทธ์การกำหนดกรอบเวลาใดๆ ไม่ได้จัดอันดับเว็บไซต์ให้อยู่ในระดับดี จำนวนรวมของการเปลี่ยนเลย์เอาต์ในช่วงเวลาที่ผ่านมาก็ไม่ได้เช่นกัน

เราได้ประเมิน "งบประมาณ" ต่างๆ สำหรับการเปลี่ยนแปลงเลย์เอาต์ที่ยอมรับได้ ดังนี้

• เปอร์เซ็นต์ของเลย์เอาต์ที่เปลี่ยนไปสูงกว่างบประมาณที่กำหนด รายการเหล่านี้มีอันดับต่ำมากสำหรับงบประมาณต่างๆ
• เลย์เอาต์มีการเปลี่ยนแปลงโดยเฉลี่ยมากกว่าค่าเฉลี่ย รูปแบบส่วนใหญ่ในกลยุทธ์นี้ทำงานได้ไม่ดี แต่ค่าเฉลี่ยส่วนเกินโดยเฉลี่ยในเซสชันที่ยาวนานซึ่งมีช่องว่างขนาดใหญ่นั้นทำได้เกือบเท่ากับค่าเฉลี่ยของกรอบเวลาเซสชันที่มีช่องว่างที่ยาวนาน เราตัดสินใจเลือกใช้เพียงวิธีหลังเพราะง่ายกว่า

ขั้นตอนถัดไป

การวิเคราะห์ขนาดใหญ่

เราได้นํากลยุทธ์ยอดนิยมที่ระบุไว้ข้างต้นมาใช้ใน Chrome เพื่อให้ได้ข้อมูลการใช้งานจริงสําหรับเว็บไซต์จํานวนมากขึ้น เราวางแผนที่จะใช้แนวทางการจัดอันดับเว็บไซต์ที่คล้ายกันโดยอิงตามคะแนนเมตริกเพื่อการวิเคราะห์ในวงกว้าง

• จัดอันดับเว็บไซต์ทั้งหมดตาม CLS และตามเมตริกใหม่ที่เป็นไปได้แต่ละรายการ
  • เว็บไซต์ใดได้รับการจัดอันดับแตกต่างกันไปตาม CLS และเว็บไซต์แต่ละแห่ง เราพบสิ่งที่ไม่คาดคิดเมื่อดูเว็บไซต์เหล่านี้ไหม
  • อะไรคือความแตกต่างมากที่สุดระหว่างตัวเลือกเมตริกใหม่ มีข้อแตกต่างที่เป็นข้อดีหรือข้อเสียของผู้สมัครแต่ละรายไหม
• ทําการวิเคราะห์ข้างต้นซ้ำ แต่แบ่งกลุ่มตามเวลาที่ใช้ในการโหลดหน้าเว็บแต่ละหน้า เราเห็นการปรับปรุงที่คาดไว้สำหรับการโหลดหน้าเว็บที่ใช้เวลานานโดยมีการเปลี่ยนเลย์เอาต์ที่ยอมรับได้ไหม เราเห็นผลลัพธ์ที่ไม่คาดคิดสําหรับหน้าเว็บที่มีอายุสั้นหรือไม่

ความคิดเห็นเกี่ยวกับแนวทางของเรา

เราอยากทราบความคิดเห็นจากนักพัฒนาเว็บเกี่ยวกับแนวทางเหล่านี้ สิ่งที่ควรคำนึงถึงเมื่อพิจารณาแนวทางใหม่มีดังนี้

สิ่งที่ไม่เปลี่ยนแปลง

เราขอชี้แจงว่าสิ่งต่างๆ จำนวนมากจะไม่เปลี่ยนแปลงไปจากแนวทางใหม่นี้

• ไม่มีแนวคิดเมตริกใดที่เปลี่ยนวิธีคะแนนการเปลี่ยนเลย์เอาต์สำหรับการคำนวณเฟรมแต่ละเฟรม แต่ทำได้เฉพาะวิธีการสรุปหลายเฟรมเท่านั้น ซึ่งหมายความว่า JavaScript API สําหรับการเปลี่ยนเลย์เอาต์จะยังคงเหมือนเดิม และเหตุการณ์พื้นฐานในการติดตามของ Chrome ที่เครื่องมือสําหรับนักพัฒนาซอฟต์แวร์ใช้ก็จะยังคงเหมือนเดิมด้วย ดังนั้น Rect การเปลี่ยนเลย์เอาต์ในเครื่องมืออย่าง WebPageTest และเครื่องมือสําหรับนักพัฒนาเว็บใน Chrome จะยังคงทํางานเหมือนเดิม
• เราจะพยายามอย่างเต็มที่ต่อไปเพื่อให้นักพัฒนาแอปนำเมตริกไปใช้ได้ง่าย โดยรวมไว้ในคลัง web-vitals จัดทำเอกสารใน web.dev และรายงานในเครื่องมือสำหรับนักพัฒนาซอฟต์แวร์ เช่น Lighthouse

การเลือกระหว่างเมตริก

กลยุทธ์ยอดนิยมรายการหนึ่งจะสรุปกรอบเวลาการเปลี่ยนเลย์เอาต์เป็นค่าเฉลี่ย ส่วนกลยุทธ์ที่เหลือจะรายงานกรอบเวลาสูงสุด สําหรับหน้าที่เปิดอยู่เป็นเวลานานมาก ค่าเฉลี่ยมีแนวโน้มที่จะรายงานค่าที่แสดงถึงสถานการณ์จริงมากกว่า แต่โดยทั่วไปแล้ว นักพัฒนาซอฟต์แวร์จะดําเนินการในกรอบเวลาเดียวได้ง่ายกว่า เนื่องจากสามารถบันทึกเวลาที่เกิด องค์ประกอบที่เปลี่ยนแปลง และอื่นๆ เราอยากทราบความคิดเห็นของคุณว่าฟีเจอร์ใดสำคัญต่อนักพัฒนาแอปมากกว่า

คุณคิดว่าหน้าต่างเลื่อนหรือหน้าต่างเซสชันเข้าใจง่ายขึ้นไหม ความแตกต่างสำคัญกับคุณไหม

วิธีการให้ความคิดเห็น

คุณลองใช้เมตริกการเปลี่ยนเลย์เอาต์ใหม่ในเว็บไซต์ใดก็ได้โดยใช้ตัวอย่างการติดตั้งใช้งาน JavaScript หรือการแยกส่วนขยาย Core Web Vitals

โปรดส่งความคิดเห็นทางอีเมลไปยังกลุ่ม Google web-vitals-feedback พร้อมใส่ "[เมตริกการเปลี่ยนเลย์เอาต์]" ในบรรทัดเรื่อง เราหวังเป็นอย่างยิ่งว่าจะได้รับฟังความคิดเห็นจากคุณ