Les données brutes du rapport d'expérience utilisateur Chrome (CrUX) sont disponibles sur BigQuery, une base de données sur Google Cloud. L'utilisation de BigQuery nécessite un projet GCP et des connaissances de base du langage SQL.
Dans ce guide, vous allez apprendre à utiliser BigQuery pour écrire des requêtes sur l'ensemble de données CrUX afin d'extraire des résultats instructifs sur l'état des expériences utilisateur sur le Web:
- Comprendre l'organisation des données
- Écrire une requête de base pour évaluer les performances d'une origine
- Écrire une requête avancée pour suivre les performances au fil du temps
Organisation des données
Commençons par examiner une requête de base:
SELECT COUNT(DISTINCT origin) FROM `chrome-ux-report.all.202206`
Pour exécuter la requête, saisissez-la dans l'éditeur de requête, puis appuyez sur le bouton "Exécuter la requête" :
Cette requête se compose de deux parties:
SELECT COUNT(DISTINCT origin)permet d'interroger le nombre d'origines dans le tableau. En gros, deux URL appartiennent à la même origine si elles ont le même schéma, le même hôte et le même port.FROM chrome-ux-report.all.202206spécifie l'adresse de la table source, qui se compose de trois parties:- Nom du projet Cloud
chrome-ux-reportdans lequel toutes les données CrUX sont organisées - L'ensemble de données
all, qui représente les données de tous les pays - Le tableau
202206, l'année et le mois des données au format AAAAMM
- Nom du projet Cloud
Des ensembles de données sont également disponibles pour chaque pays. Par exemple, chrome-ux-report.country_ca.202206 ne représente que les données sur l'expérience utilisateur provenant du Canada.
Chaque ensemble de données contient des tableaux pour chaque mois depuis 201710. De nouveaux tableaux pour le mois calendaire précédent sont publiés régulièrement.
La structure des tables de données (également appelée schéma) contient les éléments suivants:
- L'origine, par exemple
origin = 'https://www.example.com', qui représente la répartition globale de l'expérience utilisateur pour toutes les pages de ce site Web - Vitesse de connexion au moment du chargement de la page (par exemple,
effective_connection_type.name = '4G') - Type d'appareil (par exemple,
form_factor.name = 'desktop') - Les métriques UX elles-mêmes
Les données de chaque métrique sont organisées en tableau d'objets. En notation JSON, first_contentful_paint.histogram.bin se présente comme suit:
[
{"start": 0, "end": 100, "density": 0.1234},
{"start": 100, "end": 200, "density": 0.0123},
...
]
Chaque bin contient une heure de début et une heure de fin en millisecondes, ainsi qu'une densité représentant le pourcentage d'expériences utilisateur au cours de cette période. En d'autres termes, 12, 34% des expériences FCP pour cette origine hypothétique, cette vitesse de connexion et ce type d'appareil sont inférieures à 100 ms. La somme de toutes les densités de bin est de 100%.
Parcourir la structure des tables dans BigQuery
Évaluer les performances
Nous pouvons utiliser nos connaissances du schéma de la table pour écrire une requête qui extrait ces données de performances.
SELECT
fcp
FROM
`chrome-ux-report.all.202206`,
UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
origin = 'https://web.dev' AND
effective_connection_type.name = '4G' AND
form_factor.name = 'phone' AND
fcp.start = 0
Le résultat est 0.01115, ce qui signifie que 1,115% des expériences utilisateur sur cette origine sont comprises entre 0 et 100 ms en 4G et sur un téléphone. Si nous souhaitons généraliser notre requête à n'importe quelle connexion et à n'importe quel type d'appareil, nous pouvons les omettre de la clause WHERE et utiliser la fonction d'agrégation SUM pour additionner toutes leurs densités de bacs respectives:
SELECT
SUM(fcp.density)
FROM
`chrome-ux-report.all.202206`,
UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
origin = 'https://web.dev' AND
fcp.start = 0
Le résultat est 0.05355, soit 5,355% pour tous les appareils et types de connexion. Nous pouvons modifier légèrement la requête et additionner les densités de tous les bins qui se trouvent dans la plage FCP "rapide" de 0 à 1 000 ms:
SELECT
SUM(fcp.density) AS fast_fcp
FROM
`chrome-ux-report.all.202206`,
UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
origin = 'https://web.dev' AND
fcp.start < 1000
Cela nous donne 0.6977. En d'autres termes, 69,77% des expériences utilisateur FCP sur web.dev sont considérées comme "rapides" selon la définition de la plage FCP.
Suivre les performances
Maintenant que nous avons extrait les données de performances d'une origine, nous pouvons les comparer aux données historiques disponibles dans les anciennes tables. Pour ce faire, nous pourrions réécrire l'adresse du tableau à un mois précédent, ou nous pourrions utiliser la syntaxe de caractère générique pour interroger tous les mois:
SELECT
_TABLE_SUFFIX AS yyyymm,
SUM(fcp.density) AS fast_fcp
FROM
`chrome-ux-report.all.*`,
UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
origin = 'https://web.dev' AND
fcp.start < 1000
GROUP BY
yyyymm
ORDER BY
yyyymm DESC
Ici, nous constatons que le pourcentage d'expériences FCP rapides varie de quelques points de pourcentage chaque mois.
| aaaamm | fast_fcp |
|---|---|
| 202206 | 69,77% |
| 202205 | 70,71% |
| 202204 | 69,04% |
| 202203 | 69,82% |
| 202202 | 67,75% |
| 202201 | 58,96% |
| 202112 | 41,69% |
| … | … |
Grâce à ces techniques, vous pouvez consulter les performances d'une origine, calculer le pourcentage d'expériences rapides et le suivre au fil du temps. Essayez ensuite d'effectuer une requête pour au moins deux origines et de comparer leurs performances.
Questions fréquentes
Voici quelques-unes des questions fréquentes sur l'ensemble de données BigQuery CrUX:
Dans quels cas utiliser BigQuery plutôt que d'autres outils ?
BigQuery n'est nécessaire que lorsque vous ne pouvez pas obtenir les mêmes informations avec d'autres outils tels que le tableau de bord CrUX et PageSpeed Insights. Par exemple, BigQuery vous permet de découper les données de manière pertinente et même de les joindre à d'autres ensembles de données publics tels que l'archive HTTP pour effectuer une analyse de données avancée.
Existe-t-il des limites à l'utilisation de BigQuery ?
Oui, la limite la plus importante est que, par défaut, les utilisateurs ne peuvent interroger que 1 To de données par mois. Au-delà, le tarif standard de 5 $/To s'applique.
Où puis-je en savoir plus sur BigQuery ?
Pour en savoir plus, consultez la documentation BigQuery.