Analysera prestandadata

Välkommen! I den här lektionen går vi igenom hur man analyserar prestandadata som samlats in av verktyg för Real User Monitoring (RUM) och syntetisk övervakning.

Att förstå dessa data är avgörande för att identifiera trender, lokalisera problem och i slutändan göra webbplatsen snabbare för alla.

RUM-verktyg samlar in data direkt från användarnas webbläsare. Det omfattar en mängd mätvärden, till exempel:

• Sidans laddningstid: Den totala tiden det tar för en sida att laddas helt.
• Core Web Vitals: LCP, FID, CLS – viktiga mätvärden för användarupplevelsen.
• Resurstider: Hur lång tid det tar att ladda specifika bilder, skript eller stilmallar.
• JavaScript-fel: Klientfel som påverkar användarupplevelsen.

RUM visar vad användarna faktiskt upplever.

När du granskar RUM-data kan enkla medelvärden vara missvisande. Fokusera i stället på percentiler.

• Median (50:e percentilen): Hälften av användarna upplever detta eller bättre.
• 90:e percentilen: 90 % av användarna upplever detta eller bättre. Detta är ofta ett bra optimeringsmål.
• 99:e percentilen: Upplevelsen för de långsammaste användarna. Genom att åtgärda detta kan ni upptäcka kritiska problem.

Ett högt LCP-värde vid 90:e percentilen innebär att många användare får vänta för länge.

Genom att analysera data över tid kan ni identifiera trender och regressioner. En trend kan vara en gradvis förbättring tack vare optimeringar eller en långsam försämring på grund av nya funktioner.

Regressioner är plötsliga försämringar av prestandan, ofta efter en ny driftsättning. Instrumentpaneler visar vanligtvis grafer över mätvärden för dagar eller veckor, vilket gör dessa förändringar synliga.

• Uppåtgående topp: Prestandan försämrades.
• Nedåtgående dipp: Prestandan förbättrades.

Syntetisk övervakning kör automatiserade tester från kontrollerade miljöer. Det innebär konsekventa nätverkshastigheter, enhetstyper och platser.

Viktiga syntetiska mätvärden omfattar:

• Speed Index: Hur snabbt innehållet visas på skärmen.
• Time to First Byte (TTFB): Tiden tills servern svarar.
• Lighthouse-resultat: Ett omfattande granskningsresultat för bland annat prestanda och tillgänglighet.

Syntetiska data är utmärkta för att upptäcka regressioner på ett kontrollerat och repeterbart sätt.

RUM och syntetiska data ger olika, men kompletterande, perspektiv.

• RUM: Visar den röriga upplevelsen i verkligheten (varierande nätverk, enheter och platser). Utmärkt för att förstå påverkan på användarna.
• Syntetisk övervakning: Ger ett konsekvent, repeterbart mått på prestandan. Idealiskt för CI/CD och för att upptäcka regressioner tidigt.

Genom att använda båda får ni en helhetsbild av webbplatsens prestanda.

Prestanda är inte bara ett tekniskt mätvärde; den påverkar verksamheten direkt. Genom att analysera data kan ni se sambanden:

• Konverteringsgrad: Snabbare webbplatser leder ofta till fler köp eller registreringar.
• Avvisningsfrekvens: Långsamma sidor får användare att lämna snabbt.
• Användarengagemang: Responsiva webbplatser får användarna att fortsätta interagera längre.

Kvantifiera effekten av prestandaförbättringar för att motivera ytterligare investeringar.

När ni har upptäckt ett problem behöver ni gå till botten med det. De flesta övervakningsverktyg låter er filtrera data efter:

• Sidans URL: Är problemet specifikt för en sida?
• Webbläsare/enhet: Påverkar det bara mobilanvändare eller en viss webbläsare?
• Geografisk plats: Upplever användare i vissa regioner att det går långsamt?
• Resurstyp: Är det en stor bild, ett långsamt API-anrop eller ett blockerande skript?

Det hjälper teamet att avgränsa problemområdet.

Vänta inte på att användarna ska rapportera problem. Konfigurera aviseringar så att ni automatiskt får meddelanden när prestandamätvärden överskrider kritiska gränsvärden.

Vanliga villkor för aviseringar är:

• LCP vid 90:e percentilen överstiger X sekunder.
• Poängen för Cumulative Layout Shift (CLS) överstiger Y.
• Felfrekvensen på en kritisk sida ökar med Z %.

Det möjliggör snabba åtgärder och minimerar påverkan på användarna.

Målet med dataanalys är inte bara att hitta problem, utan att åtgärda dem. Prioritera optimeringar utifrån:

• Påverkan: Hur många användare påverkas? Hur viktig är sidan eller funktionen?
• Arbetsinsats: Hur svårt är det att åtgärda problemet?
• Affärsvärde: Vilken potentiell avkastning på investeringen finns?

Börja med förändringar som har stor påverkan och kräver liten arbetsinsats för snabba resultat, och ta sedan itu med större projekt.

Bra jobbat! Ni har lärt er att effektivt analysera data från RUM och syntetisk övervakning.

Kom ihåg att se bortom medelvärden, följa trender, koppla prestanda till affärsresultat och gå till botten med orsakerna. Proaktiva aviseringar och att omvandla data till användbara insikter är avgörande för kontinuerlig optimering.

Fortsätt övervaka och fortsätt optimera!