ดูข้อมูลเกี่ยวกับแผนในการปรับปรุงเมตริก Cumulative Layout Shift และแสดงความคิดเห็น
Cumulative Layout Shift (CLS) เป็นเมตริกที่วัดความเสถียรของภาพของหน้าเว็บ เมตริกนี้เรียกว่าการเปลี่ยนเลย์เอาต์แบบสะสม เนื่องจากระบบจะรวมคะแนนของทุกๆ การเปลี่ยนแปลงตลอดอายุของหน้า
แม้ว่าการเปลี่ยนเลย์เอาต์ทั้งหมดจะเป็นประสบการณ์ที่ไม่ดีของผู้ใช้ แต่ก็ยังรวมกันอยู่มากขึ้นในหน้าที่เปิดนานขึ้น ทีมเมตริกความเร็วของ Chrome จึงเริ่มปรับปรุงเมตริก CLS ให้มีความสม่ำเสมอกับเวลาที่ใช้ในหน้าเว็บมากขึ้น
เมตริกนี้มุ่งเน้นที่ประสบการณ์ของผู้ใช้ตลอดอายุการใช้งานหน้าเว็บ เนื่องจากเราพบว่าผู้ใช้มักได้รับประสบการณ์ที่ไม่ดีหลังจากการโหลดในขณะที่เลื่อนดูหรือไปยังส่วนต่างๆ ของหน้า แต่เราได้ทราบว่าปัญหานี้ส่งผลกระทบต่อหน้าเว็บที่มีอายุยาวนานอย่างไร ซึ่งก็คือหน้าเว็บที่ผู้ใช้มักเปิดเป็นระยะเวลานาน มีหน้าเว็บหลายประเภทที่มีแนวโน้มเปิดนานขึ้น หน้าเว็บบางส่วนที่พบบ่อยที่สุดคือแอปโซเชียลมีเดียที่มีแอปพลิเคชันการเลื่อนได้ไม่รู้จบและแอปพลิเคชันหน้าเว็บเดียว
การวิเคราะห์ภายในของหน้าเว็บที่มีอายุยาวนานซึ่งมีคะแนน CLS สูง พบว่าปัญหาส่วนใหญ่เกิดจากรูปแบบต่อไปนี้
- การเลื่อนได้ไม่รู้จบที่เปลี่ยนเนื้อหาขณะที่ผู้ใช้เลื่อนดู
- ตัวแฮนเดิลอินพุตใช้เวลานานกว่า 500 มิลลิวินาทีในการอัปเดต UI เพื่อตอบสนองต่อการโต้ตอบของผู้ใช้ โดยไม่มีตัวยึดตำแหน่งหรือรูปแบบโครงกระดูก
ถึงแม้เราจะสนับสนุนให้นักพัฒนาซอฟต์แวร์ปรับปรุงประสบการณ์การใช้งานของผู้ใช้ แต่เรายังพยายามปรับปรุงเมตริกและมองหาความคิดเห็นเกี่ยวกับแนวทางที่เป็นไปได้ด้วย
เราจะตัดสินใจอย่างไรว่าเมตริกใหม่ดีกว่าหรือไม่
ก่อนจะเจาะลึกเรื่องการออกแบบเมตริก เราอยากแน่ใจว่าได้ประเมินแนวคิดของเราในหน้าเว็บและกรณีการใช้งานจริงที่หลากหลาย โดยเริ่มต้นจากการศึกษาผู้ใช้ขนาดเล็ก
ช่วงแรก เราบันทึกวิดีโอและการติดตาม Chrome จากเส้นทางของผู้ใช้ 34 รายการผ่านเว็บไซต์ต่างๆ เรามีเป้าหมายในการเลือกเส้นทางของผู้ใช้ดังนี้
- เว็บไซต์หลากหลายประเภท เช่น เว็บไซต์ข่าวสารและเว็บไซต์ช็อปปิ้ง
- เส้นทางของผู้ใช้ที่หลากหลาย เช่น การโหลดหน้าเว็บเริ่มต้น การเลื่อน การไปยังส่วนต่างๆ ของแอปแบบหน้าเดียว และการโต้ตอบของผู้ใช้
- ความหลากหลายของทั้งจำนวนและความเข้มของการเปลี่ยนแปลงเลย์เอาต์แต่ละรายการในเว็บไซต์
- ประสบการณ์เชิงลบบนเว็บไซต์นั้นยังมีอยู่บ้างนอกเหนือจากการเปลี่ยนเลย์เอาต์
เราขอให้เพื่อนร่วมงาน 41 คนดูวิดีโอ 2 รายการพร้อมกัน โดยให้คะแนนวิดีโอ 2 คู่ที่ดีกว่าในแง่ของการเปลี่ยนเลย์เอาต์ จากการให้คะแนนเหล่านี้ เราได้เรียงลำดับเว็บไซต์ตามความพอใจ ผลการจัดอันดับผู้ใช้ช่วยยืนยันที่เราสงสัยว่าเพื่อนร่วมงานของเรา เช่น ผู้ใช้ส่วนใหญ่ ไม่พอใจมากเมื่อเปลี่ยนเลย์เอาต์หลังจากที่โหลด โดยเฉพาะระหว่างที่เลื่อนและไปยังส่วนต่างๆ ของแอปในหน้าเดียว เราพบว่าเว็บไซต์บางแห่งมีประสบการณ์ของผู้ใช้ในกิจกรรมเหล่านี้ดีกว่าเว็บไซต์อื่นๆ มาก
เนื่องจากเราบันทึกการติดตาม Chrome พร้อมกับวิดีโอ รายละเอียดทั้งหมดของการเปลี่ยนแปลงเลย์เอาต์แต่ละรายการในเส้นทางของผู้ใช้ในแต่ละเส้นทาง ซึ่งเราใช้ในการคำนวณค่าเมตริกของแนวคิดแต่ละรายการในเส้นทางของผู้ใช้ วิธีนี้ช่วยให้เราเห็นความแตกต่างของเมตริกแต่ละประเภทในการจัดอันดับเส้นทางของผู้ใช้ และดูว่าแต่ละรูปแบบแตกต่างจากการจัดอันดับที่ดีที่สุดอย่างไร
แนวคิดเมตริกใดที่เราทดสอบ
กลยุทธ์การกำหนดกรอบเวลา
บ่อยครั้งที่หน้าเว็บมีการเปลี่ยนแปลงเลย์เอาต์หลายรายการที่เรียงกลุ่มกันอย่างใกล้ชิด เนื่องจากองค์ประกอบอาจเปลี่ยนแปลงได้หลายครั้งเมื่อเนื้อหาใหม่จะแยกเป็นส่วนๆ ทีละส่วน เราจึงลองใช้เทคนิคในการจัดกลุ่มกะการทำงานเข้าด้วยกัน ด้วยเหตุนี้ เราจึงดูแนวทางการกำหนดกรอบเวลา 3 วิธี ได้แก่
- กระจกหมุน
- หน้าต่างบานเลื่อน
- กรอบเวลาเซสชัน
ในแต่ละตัวอย่าง หน้าเว็บมีการเปลี่ยนเลย์เอาต์ของระดับความรุนแรงต่างๆ เมื่อเวลาผ่านไป แถบสีน้ำเงินแต่ละแถบแสดงถึงการเปลี่ยนเลย์เอาต์ 1 ครั้ง และความยาวแสดงถึงคะแนนของการเปลี่ยนแปลงนั้น รูปภาพแสดงวิธีการที่กลยุทธ์การจัดกรอบเวลาต่างๆ จัดกลุ่มการเปลี่ยนแปลงของเลย์เอาต์ตามช่วงเวลา
กระจกหมุน
วิธีที่ง่ายที่สุดคือการแบ่งหน้าออกเป็นหน้าต่างขนาดเท่าๆ กัน ซึ่งเรียกว่ากระจกแบบหล่นลง คุณจะสังเกตเห็นว่า แถบที่ 4 นั้นดูเหมือนจริงๆ แล้วควรถูกจัดกลุ่มอยู่ในหน้าต่างที่ 2 แต่เนื่องจากหน้าต่างมีขนาดคงที่ทั้งหมด ไอคอนจึงอยู่ในหน้าต่างแรกแทน หากเวลาการโหลดหรือการโต้ตอบของผู้ใช้ในหน้าเว็บมีความแตกต่างกันเล็กน้อย การเปลี่ยนเลย์เอาต์เดียวกันอาจอยู่คนละด้านกันของขอบเขตหน้าต่างที่เลื่อนได้
หน้าต่างบานเลื่อน
วิธีการที่ช่วยให้เราเห็นการจัดกลุ่มที่เป็นไปได้ที่มีความยาวเท่ากันมากขึ้นคือ การอัปเดตกรอบเวลาที่เป็นไปได้อย่างต่อเนื่องเมื่อเวลาผ่านไป รูปภาพด้านบนแสดงหน้าต่างเลื่อนทีละหน้าต่าง แต่เราอาจพิจารณาหน้าต่างเลื่อนทั้งหมดหรือบางส่วนของหน้าต่างเหล่านั้นเพื่อสร้างเมตริกได้
กรอบเวลาเซสชัน
หากต้องการมุ่งเน้นที่การระบุพื้นที่ของหน้าเว็บที่มีการเปลี่ยนแปลงเลย์เอาต์อย่างฉับพลัน เราสามารถเริ่มแต่ละหน้าต่างตามการเปลี่ยนแปลง และขยับขยายออกไปจนกว่าจะพบช่องว่างขนาดที่กำหนดระหว่างการเปลี่ยนเลย์เอาต์ วิธีนี้จะจัดกลุ่มการเปลี่ยนเลย์เอาต์เข้าด้วยกัน และไม่สนใจประสบการณ์ส่วนใหญ่ของผู้ใช้ที่ไม่มีการเปลี่ยนแปลง ปัญหาหนึ่งที่อาจเกิดขึ้นได้คือหากไม่มีช่องว่างในการเปลี่ยนแปลงเลย์เอาต์ เมตริกตามกรอบเวลาเซสชันอาจมีขอบเขตไม่มีขอบเขตเหมือนกับเมตริก CLS ปัจจุบัน เราเลยลองใช้กับขนาดหน้าต่างสูงสุดด้วย
ขนาดหน้าต่าง
เมตริกนี้อาจให้ผลลัพธ์ที่แตกต่างกันมากโดยขึ้นอยู่กับขนาดหน้าต่างจริง เราจึงลองใช้หน้าต่างขนาดต่างๆ กันดังนี้
- แต่ละกะเป็นกรอบเวลาของตัวเอง (ไม่มีหน้าต่าง)
- 100 มิลลิวินาที
- 300 มิลลิวินาที
- 1 วินาที
- 5 วินาที
การสรุป
เราได้ทดลองหลายวิธีในการสรุปกรอบเวลาต่างๆ
เปอร์เซ็นไทล์
เราดูที่ค่ากรอบเวลาสูงสุด รวมถึงเปอร์เซ็นไทล์ที่ 95, เปอร์เซ็นไทล์ที่ 75 และค่ามัธยฐาน
เฉยๆ
เราดูที่ค่าเฉลี่ยของกรอบเวลา
งบประมาณ
เราสงสัยว่าอาจมีคะแนนการเปลี่ยนเลย์เอาต์ขั้นต่ำที่ผู้ใช้ไม่สังเกตเห็น หรือไม่เราอาจนับการเปลี่ยนแปลงเลย์เอาต์มากกว่า "งบประมาณ" นั้นในคะแนน ดังนั้น สำหรับค่า "งบประมาณ" ต่างๆ ที่เป็นไปได้ เราจึงดูที่เปอร์เซ็นต์ของการเปลี่ยนแปลงงบประมาณ และคะแนนการเปลี่ยนแปลงทั้งหมดของงบประมาณ
กลยุทธ์อื่นๆ
เรายังดูกลยุทธ์อีกหลายอย่างที่ไม่เกี่ยวข้องกับกรอบเวลา เช่น การเปลี่ยนเลย์เอาต์ทั้งหมดหารด้วยเวลาบนหน้าเว็บ และค่าเฉลี่ยของการเปลี่ยนแปลงที่แย่ที่สุด N ครั้ง
ผลลัพธ์เบื้องต้น
โดยรวมแล้ว เราได้ทดสอบคำจำกัดความของเมตริกต่างๆ 145 รายการโดยอิงตามการเรียงสับเปลี่ยนแนวคิดข้างต้น สำหรับเมตริกแต่ละรายการ เราจัดอันดับเส้นทางของผู้ใช้ทั้งหมดตามคะแนนในเมตริก จากนั้นจัดอันดับเมตริกตามความใกล้เคียงของอันดับที่ดีที่สุด
เพื่อเป็นเกณฑ์พื้นฐาน เรายังได้จัดอันดับเว็บไซต์ทั้งหมดตามคะแนน CLS ปัจจุบันของเว็บไซต์เหล่านั้น CLS อยู่ในอันดับที่ 32 เทียบกับกลยุทธ์อื่นๆ อีก 13 รายการ จึงดีกว่าการเรียงสับเปลี่ยนส่วนใหญ่ของกลยุทธ์ข้างต้น เรายังได้เรียงลำดับแบบสุ่มอีก 3 ลำดับเพื่อให้ผลลัพธ์มีความหมาย การเรียงลำดับแบบสุ่มแย่กว่าทุกกลยุทธ์ที่ทดสอบตามที่คาดไว้
เพื่อที่จะเข้าใจว่าเราอาจจะเหมาะสมสำหรับชุดข้อมูลหรือไม่ หลังจากการวิเคราะห์เราได้บันทึกวิดีโอและการติดตามรูปแบบใหม่บางส่วน จากนั้นทำการจัดอันดับรายการเหล่านั้นด้วยตนเอง และพบว่าอันดับเมตริกของชุดข้อมูลใหม่และชุดเดิมใกล้เคียงกันมาก
มีกลยุทธ์ที่แตกต่างกัน 2-3 กลยุทธ์ที่โดดเด่นในการจัดอันดับ
กลยุทธ์ที่ดีที่สุด
เมื่อเราได้จัดอันดับกลยุทธ์ เราพบว่ากลยุทธ์ 3 ประเภทนั้นอันดับสูงสุดในรายการ แต่ละฟีเจอร์มีประสิทธิภาพใกล้เคียงกัน เราจึงวางแผนที่จะวิเคราะห์รายงานทั้ง 3 ประเภทให้ละเอียดยิ่งขึ้น นอกจากนี้ เราอยากทราบความคิดเห็นจากนักพัฒนาแอปเพื่อให้ทราบว่ามีปัจจัยอื่นนอกเหนือจากประสบการณ์ของผู้ใช้หรือไม่ ซึ่งเราควรนำมาพิจารณาเมื่อตัดสินใจใช้ระหว่างปัจจัยต่างๆ (ดูวิธีแสดงความคิดเห็นด้านล่าง)
เปอร์เซ็นต์ไทล์สูงของหน้าต่างยาว
กลยุทธ์การกำหนดกรอบเวลา 2-3 อย่างทำงานได้ดีกับหน้าต่างขนาดยาว:
- หน้าต่างเลื่อน 1 วินาที
- กรอบเวลาเซสชันจำกัดไว้ที่ 5 วินาที โดยมีช่องว่าง 1 วินาที
- ยกเลิกการจำกัดกรอบเวลาเซสชันโดยมีช่องว่าง 1 วินาที
ทั้งหมดนี้อยู่ในอันดับที่ดีทั้งที่เปอร์เซ็นไทล์ที่ 95 และค่าสูงสุด
แต่สำหรับหน้าต่างขนาดใหญ่ดังกล่าว เรากังวลเกี่ยวกับการใช้เปอร์เซ็นไทล์ที่ 95 ซึ่งมักจะดูเพียง 4-6 หน้าต่างเท่านั้น และการใช้เปอร์เซ็นไทล์ที่ 95 ก็เป็นการประมาณค่าจำนวนมาก ไม่ชัดเจนว่าการประมาณค่ากำลังทำอะไรในแง่ของค่าเมตริก ค่าสูงสุดจะชัดเจนขึ้นมาก เราจึงตัดสินใจดำเนินการต่อด้วยการตรวจสอบค่าสูงสุด
ค่าเฉลี่ยของกรอบเวลาเซสชันที่มีช่องว่างนาน
การหาค่าเฉลี่ยคะแนนของกรอบเวลาเซสชันที่ไม่ระบุอื่นๆ ทั้งหมดโดยเว้นช่วงห่างกัน 5 วินาทีจะทำได้ดีมาก กลยุทธ์นี้มีลักษณะที่น่าสนใจบางประการดังนี้
- หากหน้าเว็บไม่มีช่องว่างระหว่างการเปลี่ยนเลย์เอาต์ ก็จะกลายเป็นกรอบเวลาเซสชันที่ยาวนาน 1 หน้าต่างซึ่งมีคะแนนเท่ากับ CLS ปัจจุบัน
- เมตริกนี้ไม่ได้พิจารณาเวลาที่ไม่มีการใช้งานโดยตรง แต่จะดูเฉพาะการเปลี่ยนแปลงที่เกิดขึ้นในหน้าเว็บ ไม่ใช่ ณ เวลาที่หน้าเว็บไม่ได้เปลี่ยนแปลง
เปอร์เซ็นต์ไทล์สูงของหน้าต่างสั้น
หน้าต่างเลื่อนสูงสุด 300 มิลลิวินาทีมีอันดับสูงมาก รวมถึงเปอร์เซ็นไทล์ที่ 95 สำหรับขนาดหน้าต่างที่สั้นลง จะมีการประมาณค่าเปอร์เซ็นต์ไทล์น้อยกว่าหน้าต่างขนาดใหญ่ แต่เรายังกังวลเกี่ยวกับหน้าต่างเลื่อนแบบ "ซ้ำ" ด้วย หากชุดของการเลื่อนเลย์เอาต์เกิดขึ้นใน 2 เฟรม จะมีหน้าต่างขนาด 300 มิลลิวินาทีหลายหน้าต่างที่รวมอยู่ด้วย การใช้ค่าสูงสุดจะชัดเจนและง่ายกว่าการใช้เปอร์เซ็นไทล์ที่ 95 มาก เราจึงตัดสินใจตรวจสอบค่าสูงสุดต่อไป
กลยุทธ์ที่ใช้ไม่ได้ผล
กลยุทธ์ที่พยายามพิจารณาประสบการณ์ "เฉลี่ย" ของเวลาที่ใช้ทั้งโดยไม่มีการเปลี่ยนเลย์เอาต์และการเปลี่ยนเลย์เอาต์ทำงานได้ไม่ดีนัก ไม่มีสรุปค่ามัธยฐานหรือเปอร์เซ็นไทล์ที่ 75 ของกลยุทธ์การกำหนดกรอบเวลาใดๆ ที่จัดอันดับเว็บไซต์ได้ดี ยังไม่มีการเปลี่ยนเลย์เอาต์ทั้งหมดในช่วงเวลาที่ผ่านมา
เราประเมิน "งบประมาณ" ต่างๆ มากมายสำหรับการเปลี่ยนแปลงเลย์เอาต์ที่ยอมรับได้ ดังนี้
- เปอร์เซ็นต์ของเลย์เอาต์ที่มีการเปลี่ยนแปลงงบประมาณเกินงบประมาณบางส่วน เมื่อใช้งบประมาณหลากหลาย งบประมาณทั้งหมดนี้ได้รับอันดับไม่ดีพอสมควร
- เลย์เอาต์ที่มีการเปลี่ยนแปลงโดยเฉลี่ยเหนือบางส่วนของส่วนเกิน ตัวแปรส่วนใหญ่ในกลยุทธ์นี้ทำงานได้ไม่ดี แต่โดยเฉลี่ยแล้วส่วนเกินโดยเฉลี่ยในเซสชันที่ยาวนานและมีช่องว่างขนาดใหญ่กลับทำได้เกือบพอๆ กับค่าเฉลี่ยของกรอบเวลาเซสชันที่มีช่องว่างนาน เราตัดสินใจดำเนินการต่อเฉพาะรายการหลังเพราะเป็นรูปแบบที่ง่ายกว่า
ขั้นตอนถัดไป
การวิเคราะห์ขอบเขตที่กว้างขึ้น
เราได้นำกลยุทธ์ยอดนิยมที่ระบุไว้ข้างต้นใน Chrome มาใช้ เพื่อรับข้อมูลเกี่ยวกับการใช้งานจริงสำหรับเว็บไซต์จำนวนมาก เราวางแผนที่จะใช้แนวทางที่คล้ายคลึงกันในการจัดอันดับไซต์โดยพิจารณาจากคะแนนเมตริกของตน เพื่อทำการวิเคราะห์ในขอบเขตที่กว้างขึ้น ดังนี้
- จัดอันดับเว็บไซต์ทั้งหมดตาม CLS และตามตัวเลือกเมตริกใหม่แต่ละรายการ
- เว็บไซต์ใดได้รับการจัดอันดับแตกต่างกันมากที่สุดตาม CLS และผู้สมัครแต่ละราย เราพบสิ่งที่ไม่คาดคิดเมื่อดูเว็บไซต์เหล่านี้ไหม
- ความแตกต่างที่มากที่สุดระหว่างตัวเลือกเมตริกใหม่คืออะไร ความแตกต่างใดที่ถือว่าเป็นข้อดีหรือข้อเสียของผู้สมัครคนใดคนหนึ่งหรือไม่
- ทำการวิเคราะห์ข้างต้นซ้ำ แต่ยังคงเก็บตามเวลาที่ใช้ในการโหลดหน้าเว็บแต่ละครั้ง เราเห็นการปรับปรุงที่คาดหวังสําหรับการโหลดหน้าเว็บที่ใช้เวลานานโดยมีการเปลี่ยนเลย์เอาต์ที่ยอมรับได้หรือไม่ เราเห็นผลลัพธ์ที่ไม่คาดคิดสำหรับหน้าที่มีอายุสั้นไหม
ความคิดเห็นเกี่ยวกับแนวทางของเรา
เราอยากทราบความคิดเห็นจากนักพัฒนาเว็บเกี่ยวกับวิธีการเหล่านี้ สิ่งที่ควรคำนึงถึงขณะพิจารณาแนวทางใหม่ๆ มีดังนี้
สิ่งที่ไม่เปลี่ยนแปลง
เราต้องการชี้แจงว่าในหลายๆ เรื่องจะไม่เปลี่ยนไปด้วยแนวทางใหม่ ดังนี้
- แนวคิดเมตริกของเราไม่มีการเปลี่ยนแปลงวิธีให้คะแนนการเปลี่ยนเลย์เอาต์สำหรับการคำนวณเฟรมแต่ละเฟรม แต่เป็นเพียงวิธีที่เราสรุปหลายเฟรม ซึ่งหมายความว่า JavaScript API สำหรับการเปลี่ยนเลย์เอาต์จะยังคงเดิม และเหตุการณ์ที่เกิดขึ้นอยู่ในการติดตามของ Chrome ที่เครื่องมือของนักพัฒนาซอฟต์แวร์ใช้ก็จะยังคงเหมือนเดิม ดังนั้นการแก้ไขเลย์เอาต์ในเครื่องมือต่างๆ เช่น WebPageTest และ Chrome DevTools จะยังทำงานเหมือนเดิม
- เราจะมุ่งมั่นทำงานอย่างต่อเนื่องเพื่อช่วยให้นักพัฒนาแอปนำเมตริกต่างๆ ไปใช้ได้อย่างง่ายดาย ซึ่งรวมถึงเมตริกดังกล่าวในไลบรารี web-vitals, บันทึกข้อมูลบน web.dev และการรายงานเมตริกในเครื่องมือสำหรับนักพัฒนาซอฟต์แวร์ เช่น Lighthouse
ข้อดีข้อเสียระหว่างเมตริก
กลยุทธ์ที่ดีที่สุดอย่างหนึ่งจะสรุปกรอบเวลาการเปลี่ยนเลย์เอาต์เป็นค่าเฉลี่ย ส่วนกลยุทธ์ที่เหลือจะรายงานกรอบเวลาสูงสุด สำหรับหน้าเว็บที่เปิดเป็นเวลานานมาก ค่าเฉลี่ยจะรายงานค่าที่เป็นตัวแทนได้มากกว่า แต่โดยทั่วไปแล้ว นักพัฒนาซอฟต์แวร์มักจะดำเนินการในหน้าต่างเดียวได้ง่ายขึ้น นั่นคือ นักพัฒนาสามารถบันทึกเวลาที่เกิดขึ้น องค์ประกอบที่เปลี่ยนแปลงไป และอื่นๆ ได้ เราต้องการความคิดเห็นว่าสิ่งใดสำคัญต่อนักพัฒนาแอปมากกว่า
คุณรู้สึกว่าหน้าต่างเลื่อนหรือหน้าต่างเซสชันเข้าใจง่ายขึ้นหรือไม่ ความแตกต่างสำคัญกับคุณไหม
วิธีการให้ความคิดเห็น
คุณลองใช้เมตริกการเปลี่ยนแปลงเลย์เอาต์ใหม่ในเว็บไซต์ใดก็ได้โดยใช้ตัวอย่างการใช้งาน JavaScript หรือการแยกส่วนขยาย Core Web Vitals
โปรดส่งอีเมลความคิดเห็นถึงกลุ่ม Google web-vitals-feedback พร้อม "[Layout Shift Metrics]" ในบรรทัดเรื่อง เราหวังเป็นอย่างยิ่งว่าจะได้รับฟังความคิดเห็นจากคุณ