داده‌های میدانی در مقابل داده‌های آزمایشگاهی: چرا بیشتر بحث‌های Core Web Vitals با شکست مواجه می‌شوند

بیشتر بحث‌های مربوط به عملکرد به این دلیل رخ می‌دهند که افراد از مجموعه‌داده‌های اشتباه استفاده می‌کنند.

یک نفر به نتایج کاربران واقعی نگاه می‌کند. دیگری به شبیه‌سازی آزمایشگاهی می‌نگرد. هر دو درست می‌گویند. هر دو به سوالات متفاوتی پاسخ می‌دهند.

اگر نتوانید نوع مجموعه‌داده خود را مشخص کنید، در حال تشخیص مشکل نیستید؛ بلکه فقط در حال بحث کردن هستید.

تفاوت را درک کنید:

  • داده‌های میدانی (Field data) به شما می‌گویند که آیا کاربران واقعی در مقیاس وسیع با مشکل مواجه می‌شوند یا خیر. این داده‌ها شامل گوشی‌های کند و سرویس‌های موبایل ضعیف نیز می‌شود.
  • داده‌های آزمایشگاهی (Lab data) به شما می‌گویند که چرا آن‌ها با مشکل مواجه می‌شوند. این داده‌ها ردپاهای (traces) کنترل‌شده و تست‌های تکرارپذیر را ارائه می‌دهند.

شاخص‌های Core Web Vitals مانند LCP، INP و CLS، معیارهای نتیجه (outcome metrics) هستند. آن‌ها به شما می‌گوینده چه اتفاقی افتاده است، نه اینکه چرا افتاده است.

استفاده از میانگین را متوقف کنید. از صدک ۷۵ام (75th percentile) استفاده کنید. یک سایت ممکن است برای شما سریع به نظر برسد اما همچنان با شکست مواجه شود، زیرا صدک ۷۵ام شبکه‌های کند و دستگاه‌های ضعیف را نیز در نظر می‌گیرد.

برای حل مشکلات عملکردی، از این توالی استفاده کنید:

  1. داده‌های میدانی: وجود مشکل را تأیید کرده و دامنه آن را پیدا کنید.
  2. داده‌های آزمایشگاهی: دلیلی را که قابل تست است، ایزوله کنید.
  3. داده‌های میدانی: اصلاحیه را با استفاده از شواهد اولیه خود اعتبارسنجی کنید.

ادعاهای خود را با شواهد تطبیق دهید:

  • اگر کاربران با مشکل مواجه هستند: روندهای Search Console را بررسی کنید.
  • اگر یک قالب (template) علت اصلی است: به دنبال شکست‌ها در URLهای مشابه بگردید.
  • اگر LCP به دلیل سرور کند است: از ردپاهای آزمایشگاهی (lab traces) برای یافتن پاسخ‌های دیرهنگام سند (doc responses) استفاده کنید.
  • اگر INP با شکست مواجه می‌شود: از DevTools برای یافتن تسک‌های طولانی (long tasks) استفاده کنید.
  • اگر یک نسخه جدید باعث افت عملکرد (regression) شده است: زمان‌بندی را با لاگ‌های استقرار (deploy logs) خود تطبیق دهید.

به یک اجرای واحد Lighthouse تکیه نکنید. از تست‌های دسکتاپ برای توضیح شکست‌های موبایل استفاده نکنید. از عبارت «سریع‌تر به نظر می‌رسد» به عنوان مدرک استفاده نکنید.

این مراحل را دنبال کنید:

  • مجموعه‌داده خود را در یک جمله نام‌گذاری کنید.
  • دامنه مشکل را تأیید کنید. تا زمانی که خلاف آن را ثابت نکرده‌اید، فرض را بر مشکل قالب (template) بگذارید.
  • محدودیت را شناسایی کنید. آیا مشکل از سرور است، مسیر رندر (render path) یا یک سرویس شخص ثالث (third party)؟
  • کوچک‌ترین تست ممکن را اجرا کنید تا نظریه خود را رد کنید.

از داده‌های آزمایشگاهی برای یافتن گلوگاه (bottleneck) استفاده کنید. از داده‌های میدانی برای اثبات اینکه گلوگاه برطرف شده است، استفاده کنید.

Source: https://dev.to/jeremy-burgos/field-vs-lab-data-why-most-core-web-vitals-arguments-are-dataset-confusion-5d6e