A partir do conjunto de dados de fevereiro de 2021, estamos adicionando uma métrica experimental ao relatório CrUX no BigQuery que distingue a popularidade das origens por ordens de magnitude: as principais mil origens, as 10 mil principais, as 100 mil principais, os 1 milhão principais...
Vejamos como isso funciona na prática:
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
| Linha | 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 |
Para o conjunto de dados global de fevereiro de 2021, temos cinco buckets. Como esperado, na linha 1, veremos que há 1.000 origens com magnitude de classificação de 1.000, a 1.000 origens populares de acordo com nossa métrica. A linha 2 pode parecer surpreendente, indicando que há são apenas 9 mil origens no conjunto dos 10 mil principais; isso ocorre porque as origens na linha 1 são também fazem parte do grupo dos 10 mil perfis principais. Para selecionar as 10 mil origens principais, é preciso especificar experimental.popularity.rank <= 10000 ao fazer a consulta.
O conjunto de dados também contém a magnitude da classificação específica do país. Por exemplo, este lista as 10 mil origens mais populares na Alemanha.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
Para falar sobre o potencial de nossa nova métrica de popularidade, vejamos o grau de popularidade os segmentos da Web diferem em relação à métrica da First Contentful Paint (FCP, na sigla em inglês). Para esta consulta, consideramos um segundo como uma experiência do usuário rápida.
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
Para origens com experimental.popularity.rank menor ou igual a 1.000, a consulta soma todos
densidades de bucket de histograma para valores de métrica FCP menores que 1.000 ms e divide
pelo número de origens, ou seja, calcula a porcentagem média
carregamentos FCP rápidos para as mil origens mais conhecidas. Nesta consulta, todas as origens têm
peso igual, então, pode-se argumentar que isso não é perfeito. Vamos conferir se o resultado
é sensível a alterar a magnitude da classificação, alterando a cláusula where para
especificar experimental.popularity.rank <= 10000. Fazemos isso para 10 mil, 100 mil e então
em:
| Magnitude da classificação das origens | Porcentagem de FCP < 1 s, média sobre as origens |
|---|---|
| 1,000 | 53,6% |
| 10.000 | 49,6% |
| 100.000 | 45,9% |
| 1.000.000 | 43,2% |
| 10.000.000 | 39,9% |
Isso indica que uma experiência do usuário mais rápida na Web está correlacionada com ser mais popular.
No conjunto de dados de outubro de 2022, isso foi dividido em etapas de meia classificação. Executar novamente a primeira consulta para esse conjunto de dados mostra as meias etapas e o número de origens em cada magnitude de classificação:
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
| Linha | 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 |
Saiba como usar o CrUX no BigQuery e confira o manual do CrUX para mais consultas de exemplo. Se quiser, compartilhe suas dúvidas e nos conte o que encontrar.