コアWebバイタル

コアWebバイタル コア Web バイタルは、読み込みパフォーマンス、インタラクティビティ、および視覚的安定性の観点から、ウェブページの実際のユーザー エクスペリエンスを測定するために Google によって定義された特定の標準化された指標のセットです。現在の指標セットでは、3 つのコア Web バイタルは、ヒーロー 画像や見出しなどの最大の可視コンテンツ要素が画面にレンダリングされるまでにかかる時間を測定する Largest Contentful Paint (LCP)、訪問全体を通してクリックやタップなどのユーザー インタラクションに対するページの応答性を測定する Interaction to Next Paint (INP)、およびコンテンツの読み込み中にページ要素が予期せず視覚的に移動する量を測定する Cumulative Layout Shift (CLS) です。Google が公開しているしきい値では、モバイルとデスクトップの両方でページの読み込みの 75 パーセンタイルで測定された、良好な LCP は 2.5 秒以下、良好な INP は 200 ミリ秒以下、良好な CLS スコアは 0.1 以下と分類されています。

Core Web Vitalsが重要な理由は2つあり、どちらも重複しています。1つは、実際のユーザーがページ上でスムーズな体験をするか、それとも不満を感じる体験をするかに直接影響すること、もう1つは、Core Web Vitalsを含むページ体験シグナルが検索アルゴリズムのランキング要因として組み込まれていることをGoogleが確認していることです。つまり、スコアが低いと、同等のコンテンツを持ちながらも技術的なパフォーマンスが優れている競合サイトに比べて、オーガニック検索でのページの表示順位が低下する可能性があります。検索ランキング以外にも、これらの指標が測定するユーザー体験は、コンバージョンやエンゲージメントの結果と密接な関係があることが実証されています。複数の大規模な業界調査では、LCPが約2.5秒から4秒を超えると、直帰率が大幅に上昇し、コンバージョン率が低下することがわかっています。これは、特にモバイル接続では、ユーザーが知覚される動作の遅さに非常に敏感であるためです。

Core Web Vitalsは、2つの補完的な方法論によって測定されます。1つは、Chromeユーザーエクスペリエンスレポートを介して実際の訪問者から収集され、Google Search Consoleなどのツールに表示されるフィールドデータ（リアルユーザーモニタリング、またはRUMとも呼ばれます）で、さまざまなデバイスとネットワーク条件にわたる実際の集計パフォーマンスを反映しています。もう1つは、LighthouseやPageSpeed Insightsなどのツールで制御されたシミュレートされたページ読み込みを実行することによって生成されるラボデータで、再現可能な環境で特定の技術的原因を診断するのに役立ちますが、必ずしも実際のユーザーの体験と一致するとは限りません。フィールドデータとラボデータは乖離する可能性があるため、たとえば、高速なラボ接続で実行されたラボテストではページが高得点になる場合でも、平均的なモバイルネットワーク上の実際のユーザーではパフォーマンスが低下する可能性があるため、正確な診断のためには通常、両方のデータソースが一緒に参照されます。

よくある誤解として、Core Web Vitals が Google のランキング要因の主たるものであるというものがありますが、実際にはコンテンツの関連性と品質の方がはるかに影響力があり、Core Web Vitals は、関連性と品質が同程度のページ間でのタイブレーカーまたは調整役として機能します。つまり、技術的に高速なページでも、コンテンツが弱く役に立たないページは、これらの指標で中程度のスコアを獲得した、真に役立つページよりも上位にランクされることはありません。最適化作業でよくあるもう 1 つの落とし穴は、Core Web Vitals のスコアを、本来測定すべき実際のユーザー エクスペリエンスを損なう手法で修正することです。たとえば、ユーザーが空白または不完全なページを見つめている間に、初期ペイントの指標を改善するために、表示されるコンテンツを人為的に遅延させるなどです。これは、技術的には報告される数値は向上しますが、実際の知覚パフォーマンスは向上しません。

CROやUXのコンサルタントにとって、Core Web Vitals監査は通常、テクニカルヘルスチェックの初期段階です。スコアが低いと、検索表示の低下によるオーガニックトラフィック量と、流入したトラフィックのコンバージョン率の両方が抑制されるため、パフォーマンスワークは、ファネルの複数のポイントで同時に結果を改善できる数少ない最適化手段の1つとなります。一般的な改善策には、画像の最適化と適切なサイズ調整、過剰なトラッキングピクセルやチャットウィジェットなどの不要なサードパーティースクリプトの延期または削除、広告や画像などの要素が読み込まれる前にレイアウトスペースを確保してずれを防ぐこと、ユーザー操作中にブラウザのメインスレッドをブロックするJavaScriptの実行を最小限に抑えることなどがあり、これらは通常、ラボスコアだけではなく、前後のフィールドデータで検証されます。