Artículo SEO

Toda la actualidad sobre SEO y Marketing Digital

Hemos analizado 208.000 páginas web. Esto es lo que hemos aprendido sobre las principales características de la web y la experiencia del usuario

Hemos analizado 208.085 páginas web para saber más sobre Core Web Vitals.

En primer lugar, establecimos puntos de referencia para el Desplazamiento Acumulativo del Diseño, el Retraso de la Primera Entrada y la Mayor Pintura de Contenido.

A continuación, analizamos la correlación entre Core Web Vitals y las métricas de experiencia del usuario (como la tasa de rebote).

Gracias a los datos proporcionados por WebCEO, pudimos descubrir algunas conclusiones interesantes.

Vamos a sumergirnos en los datos.

Este es un resumen de nuestros hallazgos clave:

1. 53.El 77% de los sitios tenía una buena puntuación de pintura de contenido más grande (LCP). 46.El 23% de los sitios tenía una puntuación de LCP “pobre” o “necesita mejorar”.

2. 53.El 85% de los sitios web de nuestro conjunto de datos tenían calificaciones óptimas de Retraso de la Primera Entrada (FID). Sólo el 8,57% de los sitios tenía una puntuación FID “pobre”.

3. 65.El 13% de los sitios analizados presentaban una buena puntuación de Desplazamiento de Diseño Acumulado (CLS).

4. El LCP medio de los sitios analizados fue de 2.386 milisegundos.

5. El FID medio fue de 137,74 milisegundos.

6. La puntuación media de CLS fue de 0,14. Esta puntuación es ligeramente superior a la óptima.

7. Los problemas más comunes que afectaron a la CLS fueron el elevado número de solicitudes y el gran tamaño de las transferencias.

8. Los grandes desplazamientos de diseño fueron la causa número uno de las malas puntuaciones de CLS.

9. El problema más común que afectaba a la FID era una política de caché ineficiente.

10. Hubo una débil correlación entre las puntuaciones de Core Web Vital y las métricas de UX.

11. Sí encontramos que la FID tendía a correlacionarse ligeramente con las páginas vistas.

53.El 77% de los sitios web tenía una puntuación óptima de pintura de mayor contenido

Nuestro primer objetivo era ver el rendimiento de cada sitio en función de los tres factores que componen el Core Web Vitals de Google: La mayor pintura de contenido, el cambio de diseño acumulativo y el retraso de la primera entrada.

Core web vitals are part of Google's overall evaluation of "page experience"

En concreto, queríamos determinar el porcentaje de páginas clasificadas como “buenas”, “necesitan mejorar” y “malas” dentro de la Search Console de cada sitio.

Para ello, analizamos los datos anónimos de Google Search Console de 208k páginas (aproximadamente 20k sitios en total).

Nuestra primera tarea: analizar el LCP (Large Contentful Paint). En términos sencillos, LCP mide el tiempo que tarda una página en cargar su contenido visible.

He aquí cómo les fue a los sitios que analizamos:

53.77% of websites had an optimal largest contentful paint score
  • Buena: 53,77%
  • Necesita mejorar: 28,76%
  • Mal: 17,47%

Como puede ver, la mayoría de los sitios que analizamos tenían una calificación de LCP “buena”. Esto fue más alto de lo esperado, especialmente si se tienen en cuenta otros esfuerzos de evaluación comparativa (como este de iProspect).

Puede ser que los sitios web de nuestro conjunto de datos sean especialmente diligentes con el rendimiento de la página. O puede deberse en parte a una diferencia de tamaño de la muestra (el análisis de iProspect supervisa continuamente 1.500 sitios. Nosotros analizamos más de 20.000).

En cualquier caso, es alentador ver que sólo la mitad de los sitios web necesitan trabajar en su LCP.

53.El 85% de los sitios web que analizamos tenían buenas calificaciones de retraso en la primera entrada

A continuación, observamos las calificaciones de Retraso de la Primera Entrada (FIP) informadas por Search Console. Como su nombre indica, el FIP mide el retraso entre la primera solicitud y el momento en que el usuario puede introducir algo (como escribir un nombre de usuario).

A continuación se muestra un desglose de las puntuaciones FID de nuestro conjunto de datos:

53.85% of websites we analyzed had good first input delay ratings
  • Bueno: 53,85%
  • Necesita mejorar: 37.58%
  • Deficiente: 8,57%

Una vez más, algo más de la mitad de los sitios que examinamos tenían una calificación FID “buena”.

Curiosamente, muy pocos (8,57%) tenían puntuaciones “malas”. Esto demuestra que es probable que un número relativamente pequeño de sitios se vea afectado negativamente una vez que Google incorpore el FID a su algoritmo.

65.El 13% de los sitios tiene una puntuación óptima en el cambio de diseño acumulado

Por último, observamos las puntuaciones del cambio de diseño acumulativo (CLS ) de Search Console.

El CLS es una medida de cómo se mueven los elementos de una página durante la carga. Las páginas que son relativamente estables durante el proceso de carga tienen una puntuación CLS alta (buena).

Estas son las puntuaciones de CLS entre los sitios que analizamos:

65.13% of sites-had an optimal cumulative layout shift score
  • Bueno: 65,13%
  • Necesita mejorar: 17.03%
  • Deficiente: 17,84%

Entre las tres puntuaciones de Core Web Vitals, CLS tiende a ser la menos problemática. De hecho, sólo alrededor del 35% de los sitios que analizamos necesitan trabajar en su CLS.

La media de LCP es de 2.836 milisegundos

A continuación, quisimos establecer puntos de referencia para cada métrica de Core Web Vital. Como se ha mencionado anteriormente, Google ha creado su propio conjunto de directrices para cada Core Web Vital.

(Por ejemplo, se considera que un “buen” LCP es inferior a 2,5 segundos)

Sin embargo, no habíamos visto un análisis a gran escala que intentara establecer una referencia para cada métrica de Core Web Vital “in the wild”.

En primer lugar, evaluamos las puntuaciones de LCP de los sitios de nuestra base de datos.

Entre los sitios que analizamos, la media de LCP resultó ser de 2.836 milisegundos (2,8 segundos).

Average LCP is 2.836 milliseconds

Estos fueron los problemas más comunes que impactaron negativamente en el rendimiento del LCP:

Issues affecting LCP
  • Elevado número de solicitudes y grandes tamaños de transferencia (100% de las páginas)
  • Tiempo de ida y vuelta de la red elevado (100% de las páginas)
  • Cadenas de peticiones críticas (98,9% de las páginas)
  • Tiempo de respuesta inicial del servidor elevado (57,4% de las páginas)
  • Imágenes no servidas en formato next-gen (44,6% de las páginas)

En general, el 100% de las páginas tenían puntuaciones altas de LCP debido, al menos en parte, a “un elevado número de solicitudes y grandes tamaños de transferencia”. En otras palabras, páginas con exceso de código, archivos de gran tamaño o ambas cosas.

Este hallazgo coincide con otro análisis que realizamos, en el que descubrimos que las páginas grandes tienden a ser las culpables de la mayoría de las páginas de carga lenta.

El FID medio es de 137,4 milisegundos

A continuación, examinamos las puntuaciones de FID entre las páginas de nuestro conjunto de datos.

En general, la media del primer retraso de entrada fue de 137,4 milisegundos:

Average FID is 137.4 milliseconds

Estos son los problemas más frecuentes relacionados con el FID que descubrimos:

Issues affecting FID
  • Política de caché ineficiente (87,4% de las páginas)
  • Tareas largas del hilo principal (78,4% de las páginas)
  • JavaScript no utilizado (54,1% de las páginas)
  • CSS no utilizado (38,7% de las páginas)
  • Tamaño excesivo del modelo de objetos del documento (22,3% de las páginas)

Es interesante ver que los problemas de caché tienden a afectar negativamente al FID más que cualquier otro problema. Y, como es lógico, el código mal optimizado (en forma de JS y CSS no utilizados) estaba detrás de muchas puntuaciones altas de FID.

La media de CLS es de 0,14

Descubrimos que la puntuación media de CLS es de 0,14.

Average CLS is .14

Esta métrica examina específicamente cómo se “desplaza” el contenido de una página.Todo lo que esté por debajo de .1 se califica como “bueno” en Search Console.

Los problemas más comunes que afectan al CLS de los proyectos son los siguientes

Issues affecting CLS
  • Grandes cambios de diseño (94,5% de las páginas)
  • Recursos que bloquean la renderización (86,3% de las páginas)
  • Texto oculto durante la carga de la fuente web (82,6% de las páginas)
  • Solicitudes de claves no precargadas (26,7% de las páginas)
  • Imágenes de tamaño inadecuado (24,7% de las páginas)

Cómo se correlaciona el LCP con el comportamiento del usuario

Una vez establecidos los puntos de referencia, nos propusimos averiguar con qué precisión los Core Web Vitals representan la experiencia del usuario en la vida real.

De hecho, esta relación es algo que el propio Google destaca en su documentación “Core Web Vitals report”:

Google – Why page performance matters

Para analizar los Core Web Vitals y su impacto en la UX, decidimos observar tres métricas de UX diseñadas para representar el comportamiento del usuario en las páginas web:

  • Tasa de rebote (% de usuarios que abandonan la página de un sitio web al visitarla)
  • Profundidad de página por sesión (cuántas páginas ven los usuarios antes de abandonar el sitio web)
  • Tiempo en el sitio web (cuánto tiempo pasan los usuarios en un sitio web en una sola sesión)

Nuestra hipótesis era la siguiente: si se mejoran las Core Web Vitals de un sitio web, esto afectará positivamente a las métricas de UX.

En otras palabras, un sitio con un “buen” Core Web Vitals tendrá una menor tasa de rebote, sesiones más largas y mayores visitas a la página. Afortunadamente, además de los datos de Search Console, este conjunto de datos también contenía métricas de UX de Google Analytics.

Entonces, simplemente tuvimos que comparar las Core Web Vitals de cada sitio web con cada métrica de UX. A continuación puedes encontrar los resultados de LCP:

LCP y tasa de rebote

Correlation between LCP and bounce rate

LCP y Páginas por Sesión

Correlation between LCP and pages per session

LCP y tiempo en el sitio

Correlation between LCP and time on site

En los tres gráficos, quedó claro que los tres segmentos diferentes (bueno, malo y necesita mejorar) están distribuidos de forma algo uniforme en el gráfico.

En otras palabras, no había ninguna relación directa entre LCP y las métricas de UX.

FID tiene una ligera relación con las visitas a la página

A continuación, examinamos la posible relación entre el Retraso de la Primera Entrada y el comportamiento del usuario.

Al igual que con el LCP, es lógico que un mal FID tenga un impacto negativo en las métricas de UX (especialmente en la tasa de rebote).

Un usuario que tiene que esperar para elegir en un menú o escribir su contraseña es probable que se frustre y rebote. Y si esa experiencia se prolonga a lo largo de varias páginas, puede hacer que reduzcan sus visitas totales a la página.

Con eso, aquí está la correlación del FID con sus métricas de comportamiento.

FID y tasa de rebote

Correlation between FID and bounce rate

FID y páginas por sesión

Correlation between FID and pages per session

Nota: Hemos comprobado que un FID elevado tiende a correlacionarse con un bajo número de páginas por sesión. Lo contrario también es cierto.

FID y tiempo en el sitio

Correlation between FID and time on site

En general, el único caso en el que vemos indicios de correlación es cuando comparamos el FID con el número de páginas vistas por sesión. Cuando se trata de la tasa de rebote y el tiempo en el sitio, el FID de un sitio web no parece tener ninguna influencia en el comportamiento del usuario.

Cómo influye el CLS en el comportamiento de los usuarios

A continuación, quisimos investigar una posible relación entre CLS y la actividad de los usuarios.

Parece lógico que un CLS deficiente frustre a los usuarios. Y, por tanto, podría aumentar la tasa de rebote y reducir el tiempo de sesión.

Sin embargo, no pudimos encontrar ningún estudio de casos o análisis a gran escala que demostrara que las puntuaciones altas de CLS influyeran en el comportamiento de los usuarios. Así que decidimos llevar a cabo un análisis que buscaba las posibles relaciones entre CLS, la tasa de rebote, el “tiempo de permanencia” y las páginas vistas. Esto es lo que encontramos:

CLS y tasa de rebote

Correlation between CLS and bounce rate

CLS y páginas por sesión

Correlation between CLS and pages per session

CLS y tiempo en el sitio

Correlation between CLS and time on site

En general, no observamos ninguna correlación significativa entre el CLS, la tasa de rebote, el tiempo en el sitio o las páginas vistas.

Resumen

Espero que este análisis le haya resultado interesante y útil (especialmente con la actualización de la experiencia de página de Google en camino).

Aquí hay un enlace al conjunto de datos en bruto que utilizamos. Junto con nuestros métodos.

Quiero agradecer al software de SEO WebCEO por proporcionar los datos que hicieron posible este estudio de la industria.

En general, fue interesante ver que la mayoría de los sitios que analizamos se desempeñaron relativamente bien. Y en gran medida están preparados para la actualización de Google. Y fue interesante encontrar que, mientras que los Core Web Vitals representan métricas para una UX positiva en un sitio web, no vimos ninguna correlación con las métricas de comportamiento.

Ahora me gustaría saber tu opinión:

¿Cuál es tu principal conclusión del estudio de hoy? O tal vez tengas una pregunta sobre algo del análisis. En cualquier caso, deja un comentario abajo ahora mismo.

Fuente

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *