Mulai set data Februari 2021, kami menambahkan metrik eksperimental ke laporan CrUX di BigQuery yang membedakan popularitas origin berdasarkan urutan besarnya: 1.000 origin teratas, 10.000 teratas, 100.000 teratas, 1 juta teratas, ...
Mari kita lihat tampilannya dalam praktik:
SELECT
experimental.popularity.rank AS rank_magnitude,
COUNT(DISTINCT origin) AS num_origins
FROM
`chrome-ux-report.all.202102`
GROUP BY
rank_magnitude
ORDER BY
rank_magnitude
| Baris | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1.000 | 1.000 |
| 2 | 10.000 | 9.000 |
| 3 | 100.000 | 90.000 |
| 4 | 1.000.000 | 900.000 |
| 15 | 10.000.000 | 7.264.371 |
Untuk set data global Februari 2021, kita mendapatkan 5 bucket. Seperti yang diharapkan, di baris 1, kita melihat bahwa ada 1.000 origin dengan magnitudo peringkat 1.000 - 1.000 origin paling populer menurut metrik kami. Baris 2 mungkin terlihat mengejutkan, yang menunjukkan bahwa hanya ada 9 ribu origin dalam set 10 ribu teratas; hal ini karena origin di baris 1 juga merupakan bagian dari set 10 ribu teratas. Untuk memilih 10.000 origin teratas, Anda harus menentukan experimental.popularity.rank <= 10000 saat membuat kueri.
Set data ini juga berisi magnitudo peringkat khusus negara. Misalnya, kueri ini mencantumkan 10.000 asal yang paling populer di Jerman.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
Untuk membahas potensi metrik popularitas baru, mari kita lihat perbedaan segmen popularitas web sehubungan dengan metrik first contentful paint (FCP). Untuk tujuan kueri ini, kami menganggap 1 detik sebagai pengalaman pengguna yang cepat.
SELECT
SUM(fcp.density)/count(distinct origin)
FROM
`chrome-ux-report.all.202102`,
UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
fcp.start < 1000 AND experimental.popularity.rank <= 1000
Untuk origin dengan experimental.popularity.rank <= 1.000, kueri akan menjumlahkan semua kepadatan bucket histogram untuk nilai metrik FCP yang lebih kecil dari 1.000 md dan membaginya dengan jumlah origin, yaitu menghitung persentase rata-rata pemuatan FCP cepat untuk 1.000 origin terpopuler. Dalam kueri ini, semua origin memiliki
bobot yang sama, sehingga dapat dikatakan ini tidak sempurna. Namun, mari kita lihat apakah hasilnya sensitif terhadap perubahan magnitudo peringkat, dengan mengubah klausa where untuk menentukan experimental.popularity.rank <= 10000. Kita melakukannya untuk 10 ribu, 100 ribu, dan sebagainya:
| Peringkat magnitudo origin | Persentase FCP < 1 detik, rata-rata berdasarkan origin |
|---|---|
| 1.000 | 53,6% |
| 10.000 | 49,6% |
| 100.000 | 45,9% |
| 1.000.000 | 43,2% |
| 10.000.000 | 39,9% |
Hal ini menunjukkan bahwa pengalaman pengguna yang lebih cepat di web berkorelasi dengan lebih populer.
Dalam set data Oktober 2022, hal ini dibagi lagi berdasarkan langkah setengah peringkat. Menjalankan ulang kueri pertama untuk set data ini akan menampilkan setengah langkah dan jumlah asal dalam setiap magnitudo peringkat::
SELECT
experimental.popularity.rank AS rank_magnitude,
COUNT(DISTINCT origin) AS num_origins
FROM
`chrome-ux-report.all.202210`
GROUP BY
rank_magnitude
ORDER BY
rank_magnitude
| Baris | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1.000 | 1.000 |
| 2 | 5.000 | 4.000 |
| 3 | 10.000 | 5.000 |
| 4 | 50.000 | 40.000 |
| 5 | 100.000 | 50.000 |
| 6 | 500.000 | 400.000 |
| 7 | 1.000.000 | 500.000 |
| 8 | 5.000.000 | 4.000.000 |
| 9 | 10.000.000 | 5.000.000 |
| 10 | 50.000.000 | 7.637.195 |
Pelajari lebih lanjut cara menggunakan CrUX di BigQuery dan lihat Panduan CrUX untuk mengetahui contoh kueri lainnya. Bagikan kueri Anda jika mau, dan beri tahu kami apa yang Anda temukan.