Los datos sin procesar del informe de UX de Chrome (CrUX) están disponibles en BigQuery, una base de datos de Google Cloud. Para usar BigQuery, se requiere un proyecto de GCP y conocimientos básicos de SQL.
En esta guía, aprenderás a usar BigQuery para escribir consultas en el conjunto de datos de CrUX para extraer resultados útiles sobre el estado de las experiencias del usuario en la Web:
- Comprender cómo están organizados los datos
- Cómo escribir una consulta básica para evaluar el rendimiento de un origen
- Escribe una consulta avanzada para hacer un seguimiento del rendimiento a lo largo del tiempo
Organización de los datos
Comienza observando una consulta básica:
SELECT COUNT(DISTINCT origin) FROM `chrome-ux-report.all.202206`
Para ejecutar la consulta, ingrésala en el editor de consultas y presiona “Ejecutar consulta” :
Esta consulta tiene dos partes:
SELECT COUNT(DISTINCT origin)significa consultar la cantidad de orígenes en la tabla. En términos generales, dos URL forman parte del mismo origen si comparten el mismo esquema, host y puerto.FROM chrome-ux-report.all.202206especifica la dirección de la tabla de origen, que consta de tres partes:- El nombre del proyecto de Cloud,
chrome-ux-report, en el que se organizan todos los datos de CrUX - El conjunto de datos
all, que representa datos de todos los países - La tabla
202206, que muestra el año y el mes de los datos en formato AAAAMM
- El nombre del proyecto de Cloud,
También hay conjuntos de datos para cada país. Por ejemplo, chrome-ux-report.country_ca.202206 solo representa los datos de experiencia del usuario que provienen de Canadá.
Dentro de cada conjunto de datos hay tablas para cada mes desde 201710. Las tablas nuevas del mes calendario anterior se publican con regularidad.
La estructura de las tablas de datos (también conocida como el esquema) contiene lo siguiente:
- El origen, por ejemplo,
origin = 'https://www.example.com', que representa la distribución global de la experiencia del usuario en todas las páginas del sitio web - La velocidad de conexión en el momento de la carga de la página, por ejemplo,
effective_connection_type.name = '4G' - El tipo de dispositivo, por ejemplo
form_factor.name = 'desktop' - Las métricas de UX en sí
Los datos para cada métrica se organizan como un array de objetos. En la notación JSON, first_contentful_paint.histogram.bin se vería de la siguiente manera:
[
{"start": 0, "end": 100, "density": 0.1234},
{"start": 100, "end": 200, "density": 0.0123},
...
]
Cada intervalo contiene un tiempo de inicio y finalización en milisegundos, y una densidad que representa el porcentaje de experiencias del usuario dentro de ese intervalo de tiempo. En otras palabras, el 12.34% de las experiencias de FCP para este origen, velocidad de conexión y tipo de dispositivo hipotéticos son inferiores a 100 ms. La suma de todas las densidades de contenedores es del 100%.
Explora la estructura de las tablas en BigQuery.
Evaluación del rendimiento
Podemos usar nuestro conocimiento del esquema de la tabla para escribir una consulta que extraiga estos datos de rendimiento.
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
El resultado es 0.01115, lo que significa que el 1.115% de las experiencias del usuario en este origen se encuentran entre 0 y 100 ms en 4G y en un teléfono. Si queremos generalizar nuestra consulta a cualquier conexión y cualquier tipo de dispositivo, podemos omitirlas de la cláusula WHERE y usar la función de agregador SUM para sumar todas sus densidades de intervalos correspondientes:
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
El resultado es 0.05355, un 5.355% en todos los dispositivos y tipos de conexión. Se puede modificar un poco la consulta y sumar las densidades de todas las discretizaciones que se encuentren en el modo "rápido". Rango de FCP de 0 a 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
Esto nos da 0.6977. En otras palabras, el 69.77% de las experiencias del usuario de FCP en web.dev se consideran “rápidas”. según la definición del rango de FCP.
Hacer un seguimiento del rendimiento
Ahora que hemos extraído datos de rendimiento de un origen, podemos compararlos con los datos históricos disponibles en tablas más antiguas. Para ello, podríamos volver a escribir la dirección de la tabla a un mes anterior o usar la sintaxis de comodín para consultar todos los meses:
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
Aquí, vemos que el porcentaje de experiencias rápidas de FCP varía unos pocos puntos porcentuales cada mes.
| aaaamm | fast_fcp |
|---|---|
| 202206 | 69,77% |
| 202205 | 70,71% |
| 202204 | 69,04% |
| 202203 | 69,82% |
| 202202 | 67.75% |
| 202201 | 58,96% |
| 202112 | 41,69% |
| … | … |
Con estas técnicas, puedes buscar el rendimiento de un origen, calcular el porcentaje de experiencias rápidas y hacerle un seguimiento a lo largo del tiempo. Como siguiente paso, intenta consultar dos o más orígenes y comparar su rendimiento.
Preguntas frecuentes
Estas son algunas de las preguntas frecuentes sobre el conjunto de datos de BigQuery de CrUX:
¿Cuándo usaría BigQuery en lugar de otras herramientas?
BigQuery solo es necesario cuando no puedes obtener la misma información de otras herramientas, como el panel de CrUX y PageSpeed Insights. Por ejemplo, BigQuery te permite dividir los datos de maneras significativas y hasta unirlos con otros conjuntos de datos públicos, como HTTP Archive, para realizar una minería de datos avanzada.
¿Existe alguna limitación para el uso de BigQuery?
Sí, la limitación más importante es que, de forma predeterminada, los usuarios solo pueden consultar 1 TB de datos por mes. Además, se aplica la tarifa estándar de $5 por TB.
¿Dónde puedo obtener más información sobre BigQuery?
Consulta la documentación de BigQuery para obtener más información.