SEO

Wir haben 208K-Webseiten analysiert. Folgendes haben wir über Core Web Vitals und UX gelernt

wir-haben-208k-webseiten-analysiert-folgendes-haben-wir-uber-core-web-vitals-und-ux-gelernt

Wir haben 208.085 Webseiten analysiert, um mehr über Core Web Vitals zu erfahren.

Zunächst haben wir Benchmarks für die kumulative Layoutverschiebung, die Verzögerung der ersten Eingabe und die größte inhaltliche Farbe festgelegt.

Anschließend untersuchten wir die Korrelation zwischen Core Web Vitals und User Experience-Metriken (wie Absprungrate).

Dank der von WebCEO bereitgestellten Daten konnten wir einige interessante Ergebnisse aufdecken.

Lassen Sie uns direkt in die Daten eintauchen.

Hier ist eine Zusammenfassung unserer wichtigsten Ergebnisse:

1. 53,77% der Websites hatten einen guten LCP-Wert (Largest Contentful Paint). 46,23% der Websites hatten „schlechte“ oder „verbesserungsbedürftige“ LCP-Bewertungen.

2. 53,85% der Websites in unserem Datensatz hatten optimale FID-Bewertungen (First Input Delay). Nur 8,57% der Websites hatten einen „schlechten“ FID-Wert.

3. 65,13% der analysierten Websites wiesen gute optimale CLS-Werte (Cumulative Layout Shift) auf.

4. Der durchschnittliche LCP der von uns analysierten Standorte wurde um getaktet 2.386 Millisekunden.

5. Durchschnittlicher FID war 137,74 Millisekunden.

6. Der mittlere CLS-Wert betrug 0,14. Dies ist etwas höher als die optimale Punktzahl.

7. Die häufigsten Probleme, die sich auf LCP auswirken, waren hohe Anforderungszahlen und große Übertragungsgrößen.

8. Große Layoutverschiebungen waren die Hauptursache für schlechte CLS-Werte.

9. Das häufigste Problem bei FID war eine ineffiziente Cache-Richtlinie.

10. Da war eine schwache Korrelation zwischen Core Web Vital-Scores und UX-Metriken.

11. Das haben wir gefunden FID korrelierte tendenziell leicht mit Seitenaufrufen.

53,77% der Websites hatten einen optimalen größten inhaltlichen Paint Score

Unser erstes Ziel war es, anhand der drei Faktoren, aus denen sich die wichtigsten Web-Vitale von Google zusammensetzen, die Leistung der einzelnen Websites zu ermitteln: Größte inhaltliche Farbe, kumulative Layoutverschiebung und Verzögerung bei der ersten Eingabe.

Insbesondere wollten wir den Prozentsatz der Seiten ermitteln, die in der Suchkonsole jeder Site als “gut”, “verbesserungsbedürftig” und “schlecht” eingestuft wurden.

Zu diesem Zweck haben wir anonymisierte Daten der Google Search Console von 208.000 Seiten (insgesamt ca. 20.000 Websites) analysiert.

Unsere erste Aufgabe: LCP (Large Contentful Paint) analysieren. In einfachen Worten, LCP misst, wie lange eine Seite benötigt, um ihren sichtbaren Inhalt zu laden.

So haben sich die von uns analysierten Websites entwickelt:

53,77% der Websites hatten eine optimale größte inhaltliche Farbbewertung

  • Gut: 53,77%
  • Verbesserungsbedarf: 28,76%
  • Schlecht: 17,47%

Wie Sie sehen können, hatte die Mehrheit der Websites, die wir uns angesehen haben, eine „gute“ LCP-Bewertung. Dies war höher als erwartet, insbesondere unter Berücksichtigung anderer Benchmarking-Bemühungen (wie dieser von iProspect).

Es kann sein, dass die Websites in unserem Datensatz die Seitenleistung besonders sorgfältig prüfen. Oder es kann teilweise auf einen Unterschied in der Stichprobengröße zurückzuführen sein (die iProspect-Analyse überwacht kontinuierlich 1.500 Standorte. Wir haben mehr als 20.000 analysiert).

In jedem Fall ist es ermutigend zu sehen, dass nur etwa die Hälfte aller Websites an ihrem LCP arbeiten muss.

53,85% der von uns analysierten Websites hatten gute Bewertungen für die Verzögerung der ersten Eingabe

Als Nächstes haben wir uns die von der Search Console gemeldeten FID-Bewertungen (First Input Delay) angesehen. Wie der Name schon sagt, misst FIP ​​die Verzögerung zwischen der ersten Anforderung und der Eingabe eines Benutzers durch einen Benutzer (z. B. Eingabe eines Benutzernamens).

Hier ist eine Aufschlüsselung der FID-Werte aus unserem Datensatz:

53,85% der von uns analysierten Websites hatten gute Bewertungen der ersten Eingangsverzögerung

  • Gut: 53,85%
  • Verbesserungsbedarf: 37,58%
  • Schlecht: 8,57%

Wiederum hatte etwas mehr als die Hälfte der von uns betrachteten Websites „gute“ FID-Bewertungen.

Interessanterweise hatten nur sehr wenige (8,57%) „schlechte“ Werte. Dies zeigt, dass eine relativ kleine Anzahl von Websites wahrscheinlich negativ beeinflusst wird, wenn Google FID in seinen Algorithmus integriert.

65,13% der Websites hatten einen optimalen kumulativen Layout-Shift-Score

Schließlich haben wir uns die CLS-Bewertungen (Cumulative Layout Shift) in der Suchkonsole angesehen.

CLS ist ein Maß dafür, wie sich Elemente auf einer Seite beim Laden bewegen. Seiten, die während des Ladevorgangs relativ stabil sind, weisen hohe (gute) CLS-Werte auf.

Hier sind die CLS-Bewertungen unter den von uns analysierten Websites:

65,13% der Websites hatten einen optimalen kumulativen Layout-Shift-Score

  • Gut: 65,13%
  • Verbesserungsbedarf: 17,03%
  • Schlecht: 17,84%

Unter den drei Core Web Vitals-Scores war CLS am wenigsten problematisch. Tatsächlich müssen nur etwa 35% der von uns analysierten Websites an ihrem CLS arbeiten.

Der durchschnittliche LCP beträgt 2.836 Millisekunden

Als Nächstes wollten wir Benchmarks für jede Core Web Vital-Metrik festlegen. Wie oben erwähnt, hat Google für jedes Core Web Vital eigene Richtlinien erstellt.

(Zum Beispiel wird ein “guter” LCP als weniger als 2,5 Sekunden angesehen.)

Wir hatten jedoch keine groß angelegte Analyse gesehen, bei der versucht wurde, jede Core Web Vital-Metrik „in the wild“ zu bewerten.

Zunächst haben wir die LCP-Werte für die Websites in unserer Datenbank verglichen.

Unter den von uns analysierten Standorten betrug der durchschnittliche LCP 2.836 Millisekunden (2,8 Sekunden).

Der durchschnittliche LCP beträgt 2,836 Millisekunden

Hier waren die häufigsten Probleme, die sich negativ auf die LCP-Leistung auswirkten:

Probleme, die LCP betreffen

  • Hohe Anforderungszahlen und große Übertragungsgrößen (100% der Seiten)
  • Hohe Netzwerk-Roundtrip-Zeit (100% der Seiten)
  • Kritische Anforderungsketten (98,9% der Seiten)
  • Hohe anfängliche Serverantwortzeit (57,4% der Seiten)
  • Bilder, die nicht im Next-Gen-Format bereitgestellt werden (44,6% der Seiten)

Insgesamt hatten 100% der Seiten hohe LCP-Werte, zumindest teilweise aufgrund von „hohen Anforderungszahlen und großen Übertragungsgrößen“. Mit anderen Worten, Seiten, die reich an überschüssigem Code, großen Dateien oder beidem sind.

Dieser Befund steht im Einklang mit einer anderen Analyse, die wir durchgeführt haben und bei der festgestellt wurde, dass große Seiten tendenziell der Schuldige für die meisten langsam ladenden Seiten sind.

Der durchschnittliche FID beträgt 137,4 Millisekunden

Wir haben uns dann die FID-Werte auf den Seiten unseres Datensatzes angesehen.

Insgesamt betrug die mittlere Verzögerung der ersten Eingabe 137,4 Millisekunden:

Die durchschnittliche FID beträgt 137,4 Millisekunden

Hier sind die häufigsten FID-Probleme, die wir entdeckt haben:

Probleme, die die FID betreffen

  • Ineffiziente Cache-Richtlinie (87,4% der Seiten)
  • Lange Haupt-Thread-Aufgaben (78,4% der Seiten)
  • Nicht verwendetes JavaScript (54,1% der Seiten)
  • Nicht verwendetes CSS (38,7% der Seiten)
  • Übermäßige Größe des Dokumentobjektmodells (22,3% der Seiten)

Es war interessant zu sehen, dass Caching-Probleme die FID mehr als jedes andere Problem negativ beeinflussten. Und es überrascht nicht, dass schlecht optimierter Code (in Form von nicht verwendetem JS und CSS) hinter vielen hohen FID-Werten steckt.

Durchschnittlicher CLS ist .14

Wir haben festgestellt, dass der durchschnittliche CLS-Wert 0,14 beträgt.

Der durchschnittliche CLS beträgt 0,14

Diese Metrik untersucht speziell, wie sich der Inhalt einer Seite „verschiebt“. Eine Punktzahl von Null wird als ideal angesehen. Und alles über .1 wird in der Suchkonsole als “gut” bewertet.

Die häufigsten Probleme, die sich auf die CLS der Projekte auswirken, sind:

Probleme, die CLS betreffen

  • Große Layoutverschiebungen (94,5% der Seiten)
  • Ressourcen zum Rendern blockieren (86,3% der Seiten)
  • Beim Laden von Web-Schriftarten ausgeblendeter Text (82,6% der Seiten)
  • Nicht vorinstallierte Schlüsselanfragen (26,7% der Seiten)
  • Bilder mit falscher Größe (24,7% der Seiten)

Wie LCP mit dem Benutzerverhalten korreliert

Nachdem die Benchmarks festgelegt wurden, wollten wir herausfinden, wie genau Core Web Vitals die reale Benutzererfahrung darstellen.

Tatsächlich ist diese Beziehung etwas, das Google selbst in seiner Dokumentation „Core Web Vitals Report“ hervorhebt:

Google - Warum die Seitenleistung wichtig ist

Um die wichtigsten Web-Vitale und ihre Auswirkungen auf UX zu analysieren, haben wir uns drei UX-Metriken angesehen, die das Benutzerverhalten auf Webseiten darstellen sollen:

  • Absprungrate (% der Benutzer, die die Seite einer Website beim Besuch verlassen)
  • Seitentiefe pro Sitzung (wie viele Seiten Benutzer sehen, bevor sie die Website verlassen)
  • Zeit auf der Website (wie viel Zeit Benutzer in einer einzelnen Sitzung auf einer Website verbringen)

Unsere Hypothese lautete wie folgt: Wenn Sie die Core Web Vitals einer Website verbessern, wirkt sich dies positiv auf die UX-Metriken aus.

Mit anderen Worten, eine Site mit „guten“ Core Web Vitals weist eine niedrigere Absprungrate, längere Sitzungen und höhere Seitenaufrufe auf. Glücklicherweise enthielt dieser Datensatz neben Search Console-Daten auch UX-Metriken von Google Analytics.

Dann mussten wir einfach die Core Web Vitals jeder Website mit jeder UX-Metrik vergleichen. Unsere Ergebnisse für LCP finden Sie unten:

LCP und Absprungrate

Korrelation zwischen LCP und Absprungrate

LCP und Seiten pro Sitzung

Korrelation zwischen LCP und Seiten pro Sitzung

LCP und Zeit vor Ort

Korrelation zwischen LCP und Zeit vor Ort

In den drei Diagrammen war klar, dass alle drei verschiedenen Segmente (Gut, Schlecht und Verbesserungsbedarf) in der Grafik etwas gleichmäßig verteilt sind.

Mit anderen Worten, es gab keine direkte Beziehung zwischen LCP- und UX-Metriken.

FID hat eine leichte Beziehung zu Seitenaufrufen

Als nächstes untersuchten wir die mögliche Beziehung zwischen der Verzögerung der ersten Eingabe und dem Benutzerverhalten.

Wie bei LCP ist es logisch, dass ein schlechter FID die UX-Metriken (insbesondere die Absprungrate) negativ beeinflusst.

Ein Benutzer, der warten muss, um aus einem Menü auszuwählen oder sein Kennwort einzugeben, wird wahrscheinlich frustriert und springt ab. Wenn diese Erfahrung mehrere Seiten umfasst, kann dies dazu führen, dass die Gesamtseitenaufrufe reduziert werden.

Hier erfahren Sie, wie FID mit ihren Verhaltensmetriken korreliert.

FID und Absprungrate

Korrelation zwischen FID und Absprungrate

FID und Seiten pro Sitzung

Korrelation zwischen FID und Seiten pro Sitzung

Hinweis: Wir haben festgestellt, dass eine hohe FID tendenziell mit einer geringen Anzahl von Seiten pro Sitzung korreliert. Das Gegenteil war auch der Fall.

FID und Zeit vor Ort

Korrelation zwischen FID und Zeit vor Ort

Insgesamt sehen wir nur dann Hinweise auf eine Korrelation, wenn wir die FID mit der Anzahl der pro Sitzung angezeigten Seiten vergleichen. Wenn es um die Absprungrate und -zeit vor Ort geht, scheint die FID einer Website keinen Einfluss auf das Benutzerverhalten zu haben.

Wie sich CLS auf das Benutzerverhalten auswirkt

Als nächstes wollten wir einen möglichen Zusammenhang zwischen CLS und Benutzeraktivität untersuchen.

Es scheint logisch, dass ein schlechter CLS Benutzer frustrieren würde. Und könnte daher die Absprungrate erhöhen und die Sitzungszeit verkürzen.

Es konnten jedoch keine Fallstudien oder groß angelegten Analysen gefunden werden, die zeigten, dass hohe CLS-Werte das Benutzerverhalten beeinflussen. Daher haben wir uns entschlossen, eine Analyse durchzuführen, in der nach möglichen Beziehungen zwischen CLS, Absprungrate, Verweilzeit und angezeigten Seiten gesucht wurde. Folgendes haben wir gefunden:

CLS und Absprungrate

Korrelation zwischen CLS und Absprungrate

CLS und Seiten pro Sitzung

Korrelation zwischen CLS und Seiten pro Sitzung

CLS und Zeit vor Ort

Korrelation zwischen CLS und Zeit vor Ort

Insgesamt konnten wir keine signifikante Korrelation zwischen CLS, Absprungrate, Zeit vor Ort oder Seitenaufrufen feststellen.

Zusammenfassung

Ich hoffe, Sie fanden diese Analyse interessant und nützlich (insbesondere mit dem Google Page Experience-Update auf dem Weg).

Hier ist ein Link zu dem von uns verwendeten Rohdatensatz. Zusammen mit unseren Methoden.

Ich möchte WebCEO für die Bereitstellung der Daten danken, die diese Branchenstudie ermöglicht haben.

Insgesamt war es interessant zu sehen, dass die meisten der von uns analysierten Websites relativ gut abschnitten. Und sind weitgehend bereit für das Google-Update. Es war interessant festzustellen, dass Core Web Vitals zwar Metriken für eine positive UX auf einer Website darstellen, wir jedoch keine Korrelation mit Verhaltensmetriken feststellen konnten.

Jetzt würde ich gerne von Ihnen hören:

Was ist Ihre wichtigste Erkenntnis aus der heutigen Studie? Oder vielleicht haben Sie eine Frage zu etwas aus der Analyse. Hinterlassen Sie in jedem Fall unten einen Kommentar.

0 Comments
Share

Jeffrey Rabinowitz