Core/Dash Boyutu: Tekrar Eden Ziyaretçi

Boyut: Kullanıcı Davranışı: Tekrar Eden Ziyaretçi (fv)

Tekrar Eden Ziyaretçi boyutu, performans verilerini iki gruba ayırır: siteni daha önce ziyaret etmiş kullanıcılar ve ilk kez gelenler. Bu gruplar arasındaki mühendislik farkı tarayıcı önbelleğidir. Geri gelen bir ziyaretçi fontları, script'leri ve görselleri diskten yükler. Yeni bir ziyaretçi ise her baytı ağdan çeker.

Bu önemlidir çünkü birleştirilmiş LCP skorun her ikisinin ağırlıklı ortalamasıdır. Oturumlarının %40'ı yeni ziyaretçilerden oluşuyorsa, onların soğuk önbellek yükleme süreleri p75 değerini yukarı çeker. Bu boyut olmadan, LCP'deki gerilemenin gerçek bir altyapı sorunu mu yoksa yeni kullanıcı edinmedeki geçici bir artış mı olduğunu anlayamazsın.

Performans Farkı Neden Beklediğinden Daha Büyük?

Tarayıcı önbelleği, geri gelen ziyaretçiler için tüm istek zincirlerini ortadan kaldırır. Tipik bir içerik sitesinde, tekrar eden bir ziyaretçi önbelleğe alınmış her kaynak için DNS sorgusunu, TCP el sıkışmasını, TLS anlaşmasını ve sunucu yanıtını atlar. LCP kaynağının kendisi, ağ üzerinden 200 ms ila 800 ms sürmek yerine genellikle 5 ms'nin altında memory cache'ten sunulur. Bu marjinal bir iyileşme değildir; sayfanın yüklenme şeklindeki yapısal bir farktır.

İzlenen sitelerdeki CoreDash verilerine göre, geri gelen ziyaretçiler aynı sayfalarda genellikle yeni ziyaretçilere kıyasla %35 ila %60 daha düşük LCP skorları gösterir. Fark, ana görselin (hero image) büyük olduğu ve kaynak sunucunun (origin server) kullanıcıya coğrafi olarak uzak olduğu görsel ağırlıklı sayfalarda en yüksektir. Server-side rendering kullanan ve LCP öğesi metin olan sayfalarda ise fark daralır, çünkü metin yükleme gecikmesi her iki grup için de sıfıra yakındır.

İki grup arasındaki INP farkları daha küçüktür ama yine de mevcuttur. Yeni ziyaretçiler, modül paketleri ilk kez çalıştırıldığında genellikle ilk yüklemede daha fazla JavaScript ayrıştırma (parsing) işlemini tetikler. Geri gelen ziyaretçiler ise derlenmiş bytecode'u saklayan ve ayrıştırma-derleme adımını tamamen atlayan V8'in kod önbelleğinden (code cache) faydalanır. JavaScript ağırlıklı sayfalarda bu durum işlem süresini 50 ms ila 150 ms kısaltabilir.

Üç Değeri Okumak

0: Tekrar Eden Ziyaretçi

Tarayıcı, bunun kullanıcının kaynağındaki (origin) ilk oturumu olmadığını bildirdi. Önbelleğe alınmış kaynaklar hazır durumdadır. CoreDash'te izlenen çoğu pazarlama ve yayıncılık sitesinde, tekrar eden ziyaretçiler tüm oturumların %55 ila %70'ini oluşturur. Onların performans verileri senin sıcak önbellek (warm-cache) temel çizgendir: siteni bilen gerçek kullanıcılar için olası en iyi senaryodur. LCP'n burada kötüyse sorun önbellek değildir. Bunun yerine render blocking kaynaklara, sunucu yanıt süresine veya render gecikmesine odaklan.

1: Yeni Ziyaretçi

Önbellek yok. Tarayıcı her kaynağı ağdan çeker. Bu senin soğuk önbellek (cold-cache) en kötü durum senaryondur ve seni organik arama, ücretli reklam veya sosyal medya paylaşımı yoluyla bulan her kullanıcının ilk izlenimini temsil eder. Yeni ziyaretçiler genellikle oturumların %30 ila %45'ini oluşturur. Görsel tabanlı sayfalarda LCP skorları, tekrar eden ziyaretçilere göre 300 ms ila 700 ms daha yüksektir. Yeni ziyaretçi LCP'n 2,5 saniye eşiğini aşamıyor ama tekrar eden ziyaretçi LCP'n barajı geçiyorsa optimizasyon hedefin nettir: LCP kaynağının boyutunu ve gecikmesini azalt, çünkü bu kitle için önbelleğe güvenemezsin.

2: Ölçülmedi

CoreDash bu oturum için ziyaret tipini belirleyemedi. Bu durum genellikle tarayıcı, yeni ve geri gelen ziyaretçileri ayırt etmek için gereken depolama erişimini engellediğinde veya gizlilik odaklı bir tarayıcı yapılandırması bu kontrolü engellediğinde gerçekleşir. Çoğu sitede bu grup oturumların %5'inin altındadır. Bunu optimize edilecek bir segment olarak değil, bir gürültü eşiği (noise floor) olarak kabul et.

Hata Ayıklama İş Akışı

1. Temel dağılımını belirle: CoreDash'te Tekrar Eden Ziyaretçi boyutunu aç ve yeni ile tekrar eden oturumların oranını kaydet. Yeni ziyaretçiler trafiğin %50'sinin üzerindeyse, soğuk önbellek performansı senin baskın kullanıcı deneyimindir ve birincil optimizasyon hedefin olmalıdır.
2. Ziyaret tipine göre LCP'yi karşılaştır: Yalnızca yeni ziyaretçileri filtrele ve p75 LCP değerini kaydet. Ardından tekrar eden ziyaretçileri filtrele ve aynı metriği kaydet. 500 ms'nin üzerindeki bir fark, darboğaz olarak kaynak boyutuna veya ağdan çekme süresine işaret eder. 200 ms'nin altındaki bir fark ise her iki grubu da eşit derecede etkileyen render tarafındaki sorunları düşündürür.
3. Doğrudan LCP kaynağını hedefle: LCP'si yavaş olan yeni ziyaretçiler için çözüm, kaynağın yüklenme süresini azaltmaktır. LCP görselini sıkıştır, kullanıcılarına yakın bir CDN edge node'undan sun ve fetchpriority="high" uygula. Bu kazanımlar önbellek durumundan bağımsız olarak kalıcıdır. Büyük veya yavaş sunulan bir LCP kaynağını telafi etmek için önbelleğe güvenme.
4. Navigasyon Tipi boyutuyla doğrula: Navigasyon Tipi boyutuyla karşılaştır. Yeniden yükleme (reload) ve geri-ileri navigasyonlar tekrar eden ziyaretçilere kayma eğilimindedir. Tekrar eden ziyaretçi LCP'n beklenmedik derecede yavaş görünüyorsa, önbellekteki kaynakların doğrudan sunulmak yerine yeniden doğrulandığı (revalidate) yeniden yükleme navigasyonlarının oranının yüksek olması bunun nedeni olabilir.

Mühendislik Pratik Kuralları

• Yeni ziyaretçi LCP hedefi: p75'te 2,5 saniyenin altı. Bunu yakalamak tekrar eden ziyaretçi LCP'sine kıyasla daha zordur ve gerçek altyapı çalışması gerektirir: CDN, görsel optimizasyonu ve doğru fetch priority.
• Yeni ve tekrar eden ziyaretçi LCP'si arasındaki kabul edilebilir fark: En fazla 400 ms. Daha büyük bir fark, sitenin Core Web Vitals'tan geçmek için tarayıcı önbelleğine bağımlı olduğunu gösterir; bu da ilk izlenimlerin başarısız olduğu anlamına gelir.
• Ölçülmedi oranı %5'in altında olmalı: Bu grup %10'un üzerine çıkarsa, bir çerez onayı (cookie consent) uygulamasının veya depolama izni değişikliğinin ziyaret tipi tespitini engelleyip engellemediğini araştır.

Tekrar Eden Ziyaretçi boyutu, bir site LCP'de sınırda kaldığında uyguladığım ilk filtrelerden biridir. Birleştirilmiş field data gerçek durumu gizler. Ziyaret tipine göre bölmek, optimizasyon çalışmasının ne kadar sağlam olduğunu veya sitenin, aramadan gelen her yeni kullanıcıyı başarısızlığa uğratırken sadece sadık bir geri gelen kitlenin önbellek isabetlerine mi sırtını dayadığını anında gösterir.