解读

面试官想知道三件事：

1. 你是否能把“性能”拆成可量化指标（首屏时间、白屏时间、接口耗时等）；
2. 你是否会用A/B 或分群实验把性能差异与跳出率因果关联，而不是只看相关性；
3. 你是否能把结论翻译成业务语言（对留存、转化、品牌心智的连锁影响），并给出可落地的优化节奏。
   在国内面试场景里，还要体现你对微信生态、小程序、安卓碎片化、弱网环境的体感，以及数据合规（个人信息保护法） 的底线意识。

知识点

1. 性能指标分层：

   • 客户端：FP（首次绘制）、FCP（首次内容绘制）、LCP（最大内容绘制）、TTI（可交互时间）、FPS 卡顿率。
   • 网络：DNS 查询、TCP 建连、SSL 握手、TTFB（首字节时间）、接口 99 分位耗时。
   • 业务：首屏可消费内容时间（如商品卡片露出）、支付按钮可点时间。

2. 跳出率口径：

   • 通用定义：单页会话/总会话。
   • 国内小程序场景：用户离开会话且 30 分钟内未返回即算跳出；直播电商里 3 秒就滑走也算“快跳出”，需自定义事件。

3. 因果推断方法：

   • A/B 实验：同一渠道、同一版本、同一时段，通过服务端网关 10% 流量降级 CDN 带宽，制造 200 ms 延迟差，观察跳出率变化。
   • 分群回归：对无法实验的存量页，用断点回归（RDD）——以 1 秒为断点，看性能突变点前后跳出率跳跃是否显著。
   • 双重差分（DID）：若全站升级 HTTP/3，用升级前后两周数据，与未升级对照组对比，剔除周末、活动、投放波动。

4. 显著性 & 效应量：

   • 样本量用国内日活 500 万估算，200 ms 延迟差想检出跳出率绝对值下降 0.8%，需**≥ 18 万样本**（α=0.05，power=0.8）。
   • 用相对提升率汇报：延迟每降低 100 ms，跳出率下降 2.3%，对应每日多留存 1.1 万用户，GMV 增加 18 万元。

5. 合规与埋点：

   • 性能埋点只采设备匿名 ID+网络类型，不采集 IMEI、MAC，符合《个人信息保护法》最小必要原则。
   • 上报域名需做工信部 ICP 备案，否则小程序会被下架。

答案

“衡量性能对跳出率影响，我会分四步：
第一步，把性能拆成可干预指标。以首页为例，核心看 LCP 和首屏接口耗时，因为国内 4G 弱网占比 38%，LCP>2.5 秒用户就开始流失。
第二步，设计 A/B 实验。在接入层把 10% 用户随机降级到旧 CDN，制造 200 ms 延迟差，保持投放、活动、机型分布一致。实验持续 7 天，累积 20 万样本，用卡方检验看跳出率差异是否显著。
第三步，计算业务收益。实验结果显示延迟每增加 100 ms，跳出率上升 1.9%，对应日均损失 8 千活跃用户与12 万 GMV。我把这个数字同步给技术，争取把 CDN 边缘节点从 30 个扩到 50 个，预算 ROI>3。
第四步，长期监控。把 LCP 纳入北极星指标看板，每周 Review，若连续两周劣化>5% 即自动告警，并触发新一轮实验。整个流程埋点只采匿名 ID，不上传敏感信息，已通过法务合规评审。”

拓展思考

1. 性能与跳出率非线性：当 LCP<1.8 秒后再优化，跳出率边际收益骤降，此时应把研发资源转去优化支付成功率或个性化推荐。
2. 多终端差异：iOS 用户对延迟更敏感，安卓低端机对内存峰值更敏感；可做多阈值实验，找出分端 SLA。
3. 品牌侧长期效应：连续两月性能保持 TOP10% 水平，NPS 提升 6 分，自然分享率提升 11%，这部分价值可用队列分析量化，为技术团队争取额外预算。