解讀效能資料：百分位數與 Lab vs Field Data 的正確用法
上一篇介紹了三種效能資料的來源：lab data、synthetic data 與 field data，說明 field data 最能反映真實使用者體驗，但會產生大量的資料點。本篇說明如何正確解讀這些資料，以及為什麼「平均值」在效能分析中是個危險的工具。
為什麼不用平均值
平均值是處理大量數據時最直覺的工具，但用在效能分析上會產生嚴重的誤導。
假設你的平均效能分數是 80，這個數字可能代表：
- 有一半使用者得到 90 以上的高分，另一半得到 60 至 70 的低分，沒有人真正得到 80（體驗是兩極化的，沒有「還好」）
- 絕大多數使用者的分數都在 85 至 90 之間，但有 10% 的使用者體驗極差，拉低了整體平均
這兩種情況算出來都可能是 80，但網站的實際狀況截然不同。平均值遮蔽了資料的分佈情形，讓你看不到問題的真實面貌。
百分位數（Percentile）
百分位數是效能分析中更有用的統計工具。計算方式是把所有資料點由小到大排列，取特定位置的數值。
以 11 個從 0 到 100（每隔 10）的均勻分佈數據為例：
- p50（第 50 百分位數，又稱中位數）：排在中間那個值，即 50。代表「一半的使用者比這個好，一半比這個差」
- p75（第 75 百分位數）：75% 的使用者的分數在這個數字以下。換句話說，它代表「多數使用者中最差的那個體驗」
- p95（第 95 百分位數）：95% 的使用者分數在此以下，代表接近最差的那群使用者的體驗
為什麼關注 p75 和 p95
效能分析中最常用的是 p75 和 p95，各自有不同意義：
p75 是 Google 在 Core Web Vitals 報告中使用的標準。Google 把所有使用者的分數排列後，取第 75 百分位的值作為網站的「代表分數」，用這個數字決定搜尋排名。
p95 與 p99 用來了解最差的那群使用者的體驗，幫助找出效能上的嚴重問題。
至於為什麼不取 p100（最差的那一筆），原因是現實資料中總是夾雜著垃圾資料：某次載入花了「三年」並不是真的，但這類異常值存在，取 p100 會被這些離群值嚴重扭曲。
資料量較少的網站（例如每月 5 萬次瀏覽）可能只適合看 p95，因為 p99 的樣本量太小，異常值的影響會更明顯。
平均值 vs 百分位數的實際差異
講師展示了一組接近真實效能資料分佈的例子：大多數使用者的分數落在 79 至 98 之間，但有一個使用者得到了 256 這樣的離群值。
在這個分佈中：
- p50 = 96，p75 = 98，p95 = 177
- 平均值 = 106，被那個 256 大幅拉高
百分位數在不同分佈下指向的位置沒有改變（p50 永遠是中間那個值），但平均值卻被一個離群值搞亂了。這就是為什麼效能分析要用百分位數而非平均值。
收集 Lab Data 時需要考量的因素
由於 lab data 是模擬，模擬的條件越接近真實使用者，結果就越有參考價值：
- 是要模擬行動裝置還是桌面裝置
- 使用者的一般網路條件為何
- 使用者裝置的運算能力（通常遠不如開發者的工作機）
- 使用者所在地與伺服器的距離
複習
使用平均值分析效能資料有什麼主要問題？
平均值會遮蔽資料分佈的重要細節，例如無法呈現多數使用者的體驗是好是壞，也容易被離群值或極端數值扭曲，無法代表典型使用者的真實體驗。
什麼是百分位數，它如何計算？
百分位數是一種指標，代表資料中有特定比例的數值落在它以下。例如，第 50 百分位數（p50，又稱中位數）是將所有資料點排列後位於中間的那個值，代表有 50% 的資料落在該點以下。
分析效能資料時，哪些百分位數最重要？
p75、p95 和 p99 最為關鍵。p75 代表多數使用者的體驗，p95 和 p99 代表最差的效能情境，有助於在不受極端離群值影響的前提下，了解效能的變異狀況。
Lab data 與 field data 有什麼差異？
Lab data 是在受控環境中執行效能測試所產生的診斷工具，field data 則代表真實使用者在不同裝置、網路與環境條件下的實際體驗。Field data 能提供更準確的使用者效能洞察。
模擬 lab data 進行效能測試時，應考量哪些因素？
關鍵因素包含：模擬行動或桌面環境、考量典型使用者的網路條件、了解一般使用者裝置的運算能力，以及認識到使用者可能不具備測試者所用的高階硬體。
小測驗
為什麼效能量測通常聚焦於 p75 和 p95？
用來代表多數使用者的體驗以及最差的效能情境Lab data 與 field data 的關鍵差異是什麼？
Lab data 在受控環境中產生，field data 代表真實使用者的體驗使用平均值量測效能有什麼問題？
平均值會遮蔽效能資料中的重要變異模擬效能測試時，應考量哪些因素？
網路條件、裝置運算能力，以及平台類型（行動裝置或桌面）此文章是 FrontendMasters 上的 Web Performance Fundamentals 課程筆記
