สถานะของการตกแต่งภาพ: รายงานวิจัยปี 2026

สรุปผู้บริหาร

ระหว่างเดือนมกราคมถึงเมษายน 2026 เราได้วิเคราะห์ข้อมูลรวมที่ไม่ระบุตัวตนจากการตกแต่งภาพ 10.2 ล้านครั้งบนแพลตฟอร์ม iOS, Android และเว็บของ Magic Eraser ชุดข้อมูลครอบคลุมผู้ใช้ใน 194 ประเทศ แม้ว่าปริมาณส่วนใหญ่มาจากสหรัฐอเมริกา (34%), อินเดีย (11%), สหราชอาณาจักร (8%), เยอรมนี (6%) และบราซิล (5%) ประเภทการตกแต่ง ระยะเวลาเซสชัน ข้อมูลเมตาของอุปกรณ์ การจัดอันดับความพึงพอใจ และอัตราการแก้ไขซ้ำถูกบันทึกไว้ ไม่มีภาพแต่ละภาพหรือข้อมูลที่สามารถระบุตัวตนส่วนบุคคลรวมอยู่ในการวิเคราะห์

ข้อค้นพบห้าประการโดดเด่น ประการแรก การลบวัตถุได้ตอกย้ำตำแหน่งเป็นประเภทการตกแต่งที่โดดเด่น คิดเป็นมากกว่าหนึ่งในสามของการตกแต่งทั้งหมด ประการที่สอง การตกแต่งบนมือถือแซงหน้าเว็บเป็นครั้งแรกในชุดข้อมูลของเรา ซึ่งขับเคลื่อนโดยการเติบโตของ iOS เป็นหลัก ประการที่สาม การตกแต่งที่ช่วยเหลือด้วย AI ไม่ใช่คุณลักษณะเฉพาะอีกต่อไป แต่เป็นขั้นตอนการทำงานเริ่มต้นสำหรับผู้ใช้ส่วนใหญ่ โดยสามในสี่ของการตกแต่งทั้งหมดเกี่ยวข้องกับขั้นตอนที่ขับเคลื่อนด้วย AI อย่างน้อยหนึ่งขั้นตอน ประการที่สี่ การถ่ายภาพผลิตภัณฑ์อีคอมเมิร์ซเป็นกรณีการใช้งานเดี่ยวที่ใหญ่ที่สุดตามอุตสาหกรรม แซงหน้าสื่อสังคมออนไลน์และการใช้งานส่วนตัว ประการที่ห้า การปรับปรุงความเร็วในการประมวลผล AI ลดเวลาเฉลี่ยในการตกแต่งลงมากกว่าครึ่งเมื่อเทียบกับ 18 เดือนที่แล้ว ซึ่งโดยพื้นฐานแล้วเปลี่ยนความคาดหวังของผู้ใช้เกี่ยวกับระยะเวลาดำเนินการ

ประเภทการตกแต่งที่พบบ่อยที่สุด

เราแบ่งประเภทการตกแต่งแต่ละครั้งออกเป็นหนึ่งในเจ็ดประเภทหลักตามเครื่องมือที่เรียกใช้และขอบเขตของการเปลี่ยนแปลงที่ใช้ การลบวัตถุนำที่ 34.1% ของการตกแต่งทั้งหมด ซึ่งรวมถึงการลบคน ป้าย สายไฟ ขยะ และองค์ประกอบที่ไม่ต้องการอื่นๆ ออกจากภาพ โดยทั่วไปเซสชันการลบวัตถุเกี่ยวข้องกับการเลือกวัตถุหนึ่งถึงสามชิ้นเพื่อลบ โดยมีค่ามัธยฐาน 1.7 วัตถุต่อเซสชัน

การลบพื้นหลังเป็นการตกแต่งที่พบบ่อยเป็นอันดับสองที่ 27.8% ผู้ใช้แยกวัตถุออกจากพื้นหลังสำหรับรายการสินค้า รูปโปรไฟล์ องค์ประกอบการออกแบบ และเนื้อหาสื่อสังคมออนไลน์ การตกแต่งปรับปรุง (ความสว่าง, คอนทราสต์, ความคมชัด, การปรับสี) คิดเป็น 17.6% ของการตกแต่ง ในขณะที่การปรับปรุงเคยเป็นงานตกแต่งภาพที่พบบ่อยที่สุดในโลก การเพิ่มขึ้นของกล้องสมาร์ทโฟนที่มีการถ่ายภาพเชิงคำนวณในตัวช่วยลดความจำเป็นในการปรับแต่งพื้นฐาน

หมวดหมู่ที่เหลือคือ AI expansion หรือ outpainting ที่ 8.3%, การเติมสร้างสรรค์และการตกแต่งเชิงสร้างสรรค์ที่ 5.9%, การลบข้อความและลายน้ำที่ 4.1% การดำเนินการแบบกลุ่มหรือหลายภาพที่ 2.2% ส่วนท้ายแบบยาวของการตกแต่งที่ไม่ตรงกับหมวดหมู่เหล่านี้คิดเป็นเศษส่วนที่เหลือ

แนวโน้มการใช้งานแพลตฟอร์ม

เป็นครั้งแรกในประวัติศาสตร์การติดตามของเรา เซสชันการตกแต่งบนมือถือแซงหน้าเซสชันบนเว็บในปริมาณรวม ตอนนี้มือถือคิดเป็น 63% ของเซสชันการตกแต่งทั้งหมด เพิ่มขึ้นจาก 54% ในกลางปี 2025 iOS นำการใช้งานบนมือถือที่ 38% ของเซสชันทั้งหมด ในขณะที่ Android อยู่ที่ 25% การตกแต่งผ่านเว็บลดลงเล็กน้อยจาก 41% เป็น 37% แต่ยังคงมีความสำคัญสำหรับขั้นตอนการทำงานระดับผู้เชี่ยวชาญและแบบกลุ่มที่หน้าจอขนาดใหญ่และแป้นพิมพ์ลัดให้ประสิทธิภาพที่เพิ่มขึ้นอย่างมีความหมาย

การเปลี่ยนแปลงไปสู่มือถือไม่เท่าเทียมกันในทุกประเภทการตกแต่ง การลบพื้นหลังและการลบวัตถุเอียงไปทางมือถืออย่างมาก (71% และ 66% บนมือถือตามลำดับ) สะท้อนถึงกรณีการใช้งานเช่นการทำความสะอาดภาพสินค้าอย่างรวดเร็วและการเตรียมเนื้อหาสื่อสังคมออนไลน์ การตกแต่งปรับปรุงมีความสมดุลมากกว่า (55% มือถือ, 45% เว็บ) และการดำเนินการแบบกลุ่มยังคงใช้เว็บเป็นส่วนใหญ่อย่างท่วมท้น (82% เว็บ) ซึ่งชี้ให้เห็นว่าผู้ใช้เลือกแพลตฟอร์มตามความซับซ้อนของงานและจำนวนภาพที่เกี่ยวข้อง ไม่ใช่เพียงตามความชอบอุปกรณ์

ในเชิงภูมิศาสตร์ ความโดดเด่นของมือถือแข็งแกร่งที่สุดในอินเดีย (78% มือถือ), บราซิล (74% มือถือ) และเอเชียตะวันออกเฉียงใต้ (76% มือถือ) ในขณะที่การใช้งานเว็บยังคงค่อนข้างแข็งแกร่งในสหรัฐอเมริกา (42% เว็บ), เยอรมนี (45% เว็บ) และญี่ปุ่น (43% เว็บ) ความแตกต่างเหล่านี้สอดคล้องกับรูปแบบการเข้าถึงอินเทอร์เน็ตในวงกว้าง: ตลาดที่ใช้มือถือเป็นหลักแสดงพฤติกรรมการตกแต่งที่ใช้มือถือเป็นหลักเช่นกัน

การนำ AI มาใช้ในการตกแต่งภาพ

แนวโน้มที่โดดเด่นที่สุดในชุดข้อมูลคือการเร่งตัวของการตกแต่งที่ขับเคลื่อนด้วย AI ในเดือนมกราคม 2025, 41% ของการตกแต่งบนแพลตฟอร์มของเราใช้คุณลักษณะที่ขับเคลื่อนด้วย AI อย่างน้อยหนึ่งอย่าง (การลบวัตถุ, การลบพื้นหลัง, AI expansion, การเติมเชิงสร้างสรรค์ หรือการปรับปรุงที่ขับเคลื่อนด้วย AI) ภายในเดือนเมษายน 2026 ตัวเลขนั้นถึง 74% การเติบโตมีความสม่ำเสมออย่างน่าทึ่งที่ประมาณ 2 จุดเปอร์เซ็นต์ต่อเดือน

ขั้นตอนการทำงานที่ใช้ AI เท่านั้น — เซสชันที่ทุกขั้นตอนการตกแต่งขับเคลื่อนด้วย AI โดยไม่มีการปรับด้วยตนเอง — คิดเป็น 39% ของเซสชันทั้งหมด เพิ่มขึ้นจาก 18% ในช่วงต้นปี 2025 ขั้นตอนการทำงานแบบผสมผสานที่ผู้ใช้รวมเครื่องมือ AI เข้ากับการปรับด้วยตนเอง (การครอป, การหมุน, การแก้ไขด้วยแปรงด้วยตนเอง) คิดเป็น 35% การตกแต่งด้วยตนเองทั้งหมดลดลงจาก 23% เป็น 12% ของเซสชัน ส่วนที่เหลืออีก 14% เกี่ยวข้องกับเซสชันที่ผู้ใช้เปิดตัวแก้ไขแต่ไม่ได้ทำการตกแต่งให้เสร็จสมบูรณ์

สิ่งสำคัญคือ คะแนนความพึงพอใจของผู้ใช้สูงที่สุดสำหรับขั้นตอนการทำงานแบบผสมผสาน (4.4 จาก 5) สูงกว่าเล็กน้อยเมื่อเทียบกับขั้นตอนการทำงานที่ใช้ AI เท่านั้น (4.3 จาก 5) และสูงกว่าขั้นตอนการทำงานด้วยตนเองเท่านั้นอย่างเห็นได้ชัด (3.7 จาก 5) ซึ่งชี้ให้เห็นว่าการผสมผสานของระบบอัตโนมัติ AI กับการตัดสินใจของมนุษย์ในปัจจุบันส่งมอบผลลัพธ์ที่รับรู้ได้ดีที่สุด ผู้ใช้ที่นำผลลัพธ์ที่ AI สร้างขึ้นแล้วปรับแต่งด้วยตนเองรายงานความมั่นใจในผลลัพธ์สูงที่สุด

การแบ่งตามอุตสาหกรรม

ไม่ใช่การตกแต่งภาพทั้งหมดเป็นเรื่องส่วนตัว ส่วนแบ่งที่สำคัญและเพิ่มขึ้นของกิจกรรมการตกแต่งบนแพลตฟอร์มของเราขับเคลื่อนโดยกรณีการใช้งานระดับมืออาชีพและเชิงพาณิชย์ เราอนุมานหมวดหมู่อุตสาหกรรมจากการรวมกันของประเภทบัญชีที่รายงานด้วยตนเอง (สำหรับบัญชีธุรกิจ), รูปแบบการตกแต่ง และสัญญาณเนื้อหาภาพ การจัดหมวดหมู่เป็นค่าโดยประมาณและมีความทับซ้อนบางส่วน โดยหลักแล้วระหว่างสื่อสังคมออนไลน์และหมวดหมู่อื่นๆ

การถ่ายภาพผลิตภัณฑ์อีคอมเมิร์ซเป็นกลุ่มอุตสาหกรรมเดี่ยวที่ใหญ่ที่สุดที่ 31% ของการตกแต่งทั้งหมด ซึ่งรวมถึงผู้ขายบน Amazon, Shopify, Etsy, eBay และตลาดอื่นๆ ที่ต้องการภาพผลิตภัณฑ์ที่สะอาดมีพื้นหลังสีขาวหรือโปร่งใส ผู้ใช้อีคอมเมิร์ซโดยทั่วไปทำการลบพื้นหลังและการตกแต่งปรับปรุง และประมวลผลเฉลี่ย 4.7 ภาพต่อเซสชัน สูงกว่าค่าเฉลี่ยทั่วทั้งแพลตฟอร์มที่ 1.9 อย่างมาก

การถ่ายภาพอสังหาริมทรัพย์คิดเป็น 16% ของการตกแต่ง ตัวแทนและผู้จัดการทรัพย์สินใช้การลบวัตถุเพื่อทำความสะอาดภาพภายในและภายนอก AI expansion เพื่อแสดงมุมมองห้องที่กว้างขึ้น และการปรับปรุงเพื่อปรับปรุงแสงในพื้นที่มืด การสร้างเนื้อหาสื่อสังคมออนไลน์คิดเป็น 14% ของการตกแต่ง โดยมีเวลาเซสชันเร็วที่สุดและส่วนแบ่งการใช้งานมือถือสูงที่สุดในหมวดหมู่มืออาชีพ การใช้งานส่วนตัว (การตกแต่งภาพส่วนตัวที่ไม่ใช่เชิงพาณิชย์) คิดเป็น 22% ของการตกแต่งทั้งหมด ส่วนที่เหลืออีก 17% กระจายไปยังเอเจนซี่การตลาด (7%), การศึกษา (4%), วารสารศาสตร์และสื่อ (3%) และหมวดหมู่มืออาชีพอื่นๆ (3%)

การปรับปรุงคุณภาพและตัวชี้วัดความพึงพอใจ

การวัดคุณภาพของการตกแต่งภาพในวงกว้างเป็นเรื่องยากโดยเนื้อแท้เพราะคุณภาพเป็นเรื่องอัตนัยและขึ้นอยู่กับบริบท เราใช้ตัวชี้วัดตัวแทนสามประการ: การจัดอันดับความพึงพอใจที่ผู้ใช้รายงาน (เก็บรวบรวมผ่านแบบสำรวจหลังการตกแต่งแบบเลือกตอบ), อัตราการแก้ไขซ้ำ (เปอร์เซ็นต์ของการตกแต่งที่ผู้ใช้ยกเลิกหรือทำผลลัพธ์ AI ใหม่) และอัตราการส่งออก (เปอร์เซ็นต์ของเซสชันที่จบลงด้วยการบันทึกหรือแชร์ภาพที่ตกแต่งแล้ว)

ข้ามทุกประเภทการตกแต่ง คะแนนความพึงพอใจเฉลี่ยอยู่ที่ 4.2 จาก 5 เพิ่มขึ้นจาก 3.8 ในไตรมาส 1 ปี 2025 การปรับปรุงนี้ขับเคลื่อนโดยประสิทธิภาพของโมเดล AI ที่ดีขึ้นเป็นหลัก มากกว่าการเปลี่ยนแปลงในความคาดหวังของผู้ใช้ การลบพื้นหลังแสดงความพึงพอใจสูงสุดที่ 4.5 จาก 5 สะท้อนถึงความสมบูรณ์ของโมเดลการแบ่งส่วนที่ตอนนี้จัดการกับเส้นผม ขนสัตว์ วัตถุโปร่งใส และขอบที่ซับซ้อนด้วยความน่าเชื่อถือสูง ความพึงพอใจการลบวัตถุเฉลี่ย 4.3 จาก 5 โดยคะแนนแปรผันตามความซับซ้อนของวัตถุ: วัตถุง่าย (ป้าย, สายไฟ, เศษเล็ก) ได้ 4.6 ในขณะที่วัตถุซับซ้อน (คนในฉากที่มีผู้คนพลุกพล่าน, สิ่งของที่ถูกบดบังบางส่วน) ได้ 3.9

อัตราการแก้ไขซ้ำลดลงจาก 28% ในช่วงต้นปี 2025 เป็น 17% ในไตรมาส 1 ปี 2026 อัตราการแก้ไขซ้ำที่ต่ำลงบ่งชี้ว่าผู้ใช้พอใจกับผลลัพธ์แรกที่ AI สร้างขึ้นบ่อยขึ้น อัตราการส่งออกเพิ่มขึ้นตามไปด้วยจาก 71% เป็น 83% หมายความว่าเซสชันการตกแต่งมากขึ้นตอนนี้จบลงด้วยผลลัพธ์ที่บันทึกไว้แทนที่จะถูกละทิ้ง การรวมกันของการแก้ไขซ้ำที่น้อยลงและการส่งออกที่สูงขึ้นชี้ให้เห็นถึงการปรับปรุงคุณภาพผลลัพธ์อย่างแท้จริง ไม่ใช่แค่ความเคยชินของผู้ใช้

เกณฑ์วัดความเร็ว

ความเร็วในการประมวลผลส่งผลโดยตรงต่อประสบการณ์ผู้ใช้และปริมาณงานของขั้นตอนการทำงาน เราวัดเวลาในการประมวลผลเฉลี่ย (จากช่วงเวลาที่ผู้ใช้เริ่มการตกแต่งถึงช่วงเวลาที่แสดงผลลัพธ์) ข้ามประเภทการตกแต่งและแพลตฟอร์ม เวลาทั้งหมดสะท้อนถึงการประมวลผลฝั่งเซิร์ฟเวอร์บวกกับความหน่วงของเครือข่ายไปกลับสำหรับการตกแต่งที่ประมวลผลบนคลาวด์

การลบวัตถุที่ขับเคลื่อนด้วย AI เสร็จสมบูรณ์ในค่ามัธยฐาน 1.8 วินาที ลดลงจาก 4.7 วินาทีในไตรมาส 1 ปี 2025 — การปรับปรุง 62% การลบพื้นหลังเป็นการดำเนินการ AI ที่เร็วที่สุดที่ค่ามัธยฐาน 1.2 วินาที ได้รับประโยชน์จากโมเดลการแบ่งส่วนที่ปรับแต่งมาอย่างดีซึ่งได้รับการปรับปรุงมาหลายรุ่น การตกแต่งปรับปรุงเสร็จสมบูรณ์ในค่ามัธยฐาน 0.8 วินาที เนื่องจากการดำเนินการปรับปรุงจำนวนมากสามารถทำได้ด้วยโมเดลน้ำหนักเบาหรืออัลกอริทึมดั้งเดิมที่เร่งด้วย GPU

AI expansion และการดำเนินการเติมสร้างสรรค์ช้าที่สุด ที่ค่ามัธยฐาน 3.4 วินาทีและ 4.1 วินาทีตามลำดับ สะท้อนถึงต้นทุนการคำนวณในการสร้างเนื้อหาภาพใหม่จากศูนย์ เวลาเหล่านี้ยังคงอยู่ในเกณฑ์ที่ผู้ใช้รับรู้ว่าตอบสนองได้ดี (งานวิจัยแสดงเสมอว่าผู้ใช้รับรู้การดำเนินการที่ต่ำกว่า 5 วินาทีว่ารวดเร็ว และการดำเนินการที่มากกว่า 10 วินาทีว่าช้าสำหรับขั้นตอนการทำงานสร้างสรรค์)

ความแตกต่างระหว่างแพลตฟอร์มมีนัยสำคัญ การตกแต่งผ่านเว็บเร็วกว่าการตกแต่งบนมือถือประมาณ 15% โดยเฉลี่ยสำหรับการดำเนินการเดียวกัน สาเหตุหลักมาจากการเชื่อมต่อแบนด์วิธสูงที่สม่ำเสมอกว่า การตกแต่งบน iOS เร็วกว่าการตกแต่งบน Android ประมาณ 8% โดยเฉลี่ย สะท้อนถึงการรวมกันของความแตกต่างของโครงสร้างพื้นฐานเครือข่ายในกลุ่มผู้ใช้ iOS และโปรไฟล์ประสิทธิภาพอุปกรณ์ที่สม่ำเสมอมากกว่าเล็กน้อยในกลุ่มอุปกรณ์ iOS

มุมมองในอนาคต: แนวโน้มสำหรับปี 2027

จากแนวโน้มที่เห็นได้ในข้อมูลของเราและการพัฒนาอุตสาหกรรมในวงกว้าง เราระบุแนวโน้มห้าประการที่อาจกำหนดรูปแบบการตกแต่งภาพในปี 2027

ประการแรก การประมวลผล AI บนอุปกรณ์จะขยายตัวอย่างมาก Apple, Google และ Qualcomm ต่างลงทุนในหน่วยประมวลผลประสาท (NPU) ที่สามารถรันโมเดลแบบ diffusion ในเครื่องได้ ข้อมูลของเราแสดงว่า 6% ของการตกแต่งด้วย AI บนอุปกรณ์ที่รองรับประมวลผลบนอุปกรณ์แล้วสำหรับการดำเนินการง่ายๆ เราคาดการณ์ว่าสิ่งนี้จะถึง 15-20% ภายในสิ้นปี 2027 ขับเคลื่อนโดยความชอบด้านความเป็นส่วนตัวและการกำจัดความหน่วงของเครือข่ายสำหรับการตกแต่งทั่วไป

ประการที่สอง การตัดต่อวิดีโอจะมาบรรจบกับการตกแต่งภาพ แผนงานภายในของเราและการประกาศสาธารณะจาก Adobe, Canva และอื่นๆ ชี้ไปที่เครื่องมือ AI ที่จัดการเฟรมวิดีโอด้วยความสะดวกเดียวกันกับภาพนิ่ง การลบวัตถุจากวิดีโอ การแทนที่พื้นหลังในวิดีโอ และการปรับปรุงวิดีโอที่ขับเคลื่อนด้วย AI ต่างอยู่ในการพัฒนาที่กำลังดำเนินการอยู่ทั่วอุตสาหกรรม ความคาดหวังของผู้ใช้ที่ถูกสร้างขึ้นโดยการตกแต่งภาพแบบทันทีจะส่งต่อไปยังวิดีโอ

ประการที่สาม การตกแต่งด้วย AI จะกลายเป็นสิ่งที่มองไม่เห็น เมื่อการประมวลผล AI กลายเป็นค่าเริ่มต้น (อยู่ที่ 74% ในข้อมูลของเราแล้ว) ความแตกต่างระหว่างการตกแต่งด้วย AI และการตกแต่งจะเลือนหายไป ผู้ใช้จะคาดหวังพฤติกรรมอัจฉริยะจากทุกเครื่องมือโดยไม่ต้องคิดว่า AI เกี่ยวข้องหรือไม่ สิ่งนี้มีผลต่อการออกแบบผลิตภัณฑ์: ป้ายกำกับ AI จะย้ายจากป้ายคุณลักษณะไปเป็นสมมติฐานพื้นฐาน

ประการที่สี่ การดำเนินการแบบกลุ่มและระบบอัตโนมัติของขั้นตอนการทำงานจะเติบโตขึ้น ข้อมูลของเราแสดงการดำเนินการแบบกลุ่มที่เพียง 2.2% ของเซสชัน แต่เซสชันเหล่านี้ประมวลผลภาพในสัดส่วนที่สูงกว่า เมื่อกรณีการใช้งานอีคอมเมิร์ซและการตลาดเติบโตขึ้น เราคาดหวังความต้องการไปป์ไลน์อัตโนมัติที่ประมวลผลภาพหลายร้อยหรือหลายพันภาพภายใต้ชุดกฎที่สอดคล้องกัน การตกแต่งผ่าน API จะเติบโตควบคู่ไปกับการใช้เครื่องมือด้วยตนเอง

ประการที่ห้า ความคาดหวังด้านคุณภาพจะเพิ่มขึ้นอย่างต่อเนื่อง การปรับปรุงแต่ละครั้งในคุณภาพของโมเดล AI จะรีเซ็ตความคาดหวังของผู้ใช้ให้สูงขึ้น คะแนนความพึงพอใจเฉลี่ย 4.2 ในปี 2026 สะท้อนถึงคุณภาพสัมบูรณ์ที่สูงกว่าคะแนน 3.8 ในปี 2025 ผู้ใช้ไม่ใช่แค่ทำให้พอใจได้ยากขึ้น พวกเขากำลังเปรียบเทียบกับพื้นฐานที่ดีกว่า การรักษาความพึงพอใจต้องใช้การปรับปรุงโมเดลอย่างต่อเนื่อง ไม่ใช่แค่การรักษาระดับคุณภาพปัจจุบัน

วิธีการ

รายงานนี้มีพื้นฐานจากข้อมูลการวัดระยะไกลแบบรวมและไม่ระบุตัวตนจากระบบการผลิตของ Magic Eraser ชุดข้อมูลครอบคลุม 10,247,381 เซสชันการตกแต่งที่เสร็จสมบูรณ์ระหว่างวันที่ 1 มกราคม 2026 ถึง 30 เมษายน 2026 เซสชันที่เสร็จสมบูรณ์ถูกกำหนดเป็นเซสชันที่ผู้ใช้เรียกใช้เครื่องมือตกแต่งอย่างน้อยหนึ่งรายการ ไม่ว่าพวกเขาจะส่งออกผลลัพธ์หรือไม่ก็ตาม

ข้อมูลทั้งหมดถูกทำให้ไม่ระบุตัวตนก่อนการวิเคราะห์ ไม่มีการดูหรือจัดเก็บภาพแต่ละภาพสำหรับรายงานนี้ ไม่มีข้อมูลที่สามารถระบุตัวตนส่วนบุคคล (ชื่อ, ที่อยู่อีเมล, ที่อยู่ IP) รวมอยู่ในชุดข้อมูลสำหรับการวิเคราะห์ ข้อมูลอุปกรณ์และแพลตฟอร์มถูกรวมเป็นกลุ่มในระดับตระกูลโมเดลและระบบปฏิบัติการ ข้อมูลทางภูมิศาสตร์ถูกรวมเป็นกลุ่มในระดับประเทศโดยใช้การทำแผนที่ GeoIP ที่ใช้ระหว่างการบันทึกเซสชัน โดยข้อมูล GeoIP ถูกทิ้งก่อนการวิเคราะห์

การจัดหมวดหมู่อุตสาหกรรมได้มาจากสัญญาณสามประการ: ประเภทบัญชีที่รายงานด้วยตนเองสำหรับบัญชีธุรกิจ (ใช้ได้ประมาณ 23% ของเซสชัน), การจัดกลุ่มรูปแบบการตกแต่งโดยใช้ k-means บนเวกเตอร์คุณลักษณะของการใช้เครื่องมือ ระยะเวลาเซสชัน จำนวนภาพและรูปแบบการส่งออก และการตรวจสอบด้วยตนเองของตัวอย่างสุ่มแบบแบ่งชั้นจำนวน 5,000 ระเบียนข้อมูลเมตาของเซสชันที่ไม่ระบุตัวตนสำหรับการตรวจสอบความถูกต้อง ป้ายกำกับอุตสาหกรรมควรถือเป็นค่าประมาณ ไม่ใช่การวัดที่แม่นยำ

การจัดอันดับความพึงพอใจถูกรวบรวมผ่านแบบสำรวจหลังการตกแต่งแบบแตะครั้งเดียวแบบเลือกตอบที่นำเสนอต่อกลุ่มตัวอย่างแบบสุ่ม 15% ของเซสชัน อัตราการตอบสนองในกลุ่มที่ได้รับแบบสำรวจคือ 34% ให้ข้อมูลความพึงพอใจประมาณ 520,000 จุดข้อมูล เราใช้การถ่วงน้ำหนักความน่าจะเป็นแบบผกผันเพื่อปรับสำหรับความลำเอียงในการตอบสนอง (ผู้ใช้ที่ทำการตกแต่งคุณภาพสูงมีแนวโน้มที่จะตอบสนองมากกว่า) อัตราการแก้ไขซ้ำและอัตราการส่งออกวัดจากการวัดระยะไกลสำหรับทุกเซสชันและไม่พึ่งพาแบบสำรวจ

เกณฑ์วัดความเร็วแสดงถึงเวลาในการประมวลผลค่ามัธยฐานและเปอร์เซ็นไทล์ที่ 95 ที่วัดฝั่งเซิร์ฟเวอร์ตั้งแต่การรับคำขอถึงการส่งการตอบสนอง บวกกับความหน่วงไปกลับฝั่งไคลเอ็นต์โดยประมาณตามข้อมูลประสิทธิภาพเครือข่ายระดับภูมิภาค เวลาที่ผู้ใช้รับรู้จริงอาจแตกต่างกันไปตามความเร็วในการเรนเดอร์อุปกรณ์และสภาพเครือข่ายในพื้นที่

นี่เป็นฉบับแรกของรายงานนี้ เราวางแผนที่จะเผยแพร่การอัปเดตทุกครึ่งปี ข้อเสนอแนะเกี่ยวกับวิธีการและขอบเขตสามารถส่งไปที่ research@magiceraser.io