A partire dal set di dati di febbraio 2021, stiamo aggiungendo una metrica sperimentale al report CrUX in BigQuery che distingue la popolarità delle origini per ordini di grandezza: le prime 1000 origini, le prime 10k, le prime 100k, i primi 1 milione e così via...
Vediamo come funziona in pratica:
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
Riga | rank_magnitude | num_origins |
---|---|---|
1 | 1000 | 1000 |
2 | 10.000 | 9000 |
3 | 100.000 | 90.000 |
4 | 1.000.000 | 900.000 |
15 | 10.000.000 | 7.264.371 |
Per il set di dati globale di febbraio 2021, abbiamo 5 bucket. Come previsto, nella riga 1, vediamo che ci sono 1000 origini con magnitudo di rango 1000 - la 1k più origini popolari in base alla nostra metrica. La riga 2 potrebbe sorprendere, indicando che ci sono sono solo 9k origini nella top 10k; perché le origini nella riga 1 sono anch'esso parte dei primi 10.000. Per selezionare le prime 10.000 origini, è necessario specifica sperimentare.popularity.rank <= 10000 durante l'esecuzione delle query.
Il set di dati contiene anche una grandezza di ranking specifica per il paese. Ad esempio, questo query elenca le 10.000 origini più popolari in Germania.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
Per parlare del potenziale della nostra nuova metrica relativa alla popolarità, vediamo con che frequenza segmenti del web sono diversi rispetto alla metrica First Contentful Paint (FCP). Ai fini di questa query, consideriamo 1 secondo un'esperienza utente veloce.
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
Per le origini con experimental.popularity.rank
<= 1000, la query somma tutti
densità dei bucket dell'istogramma per i valori della metrica FCP inferiori a 1000 ms e le divisioni
in base al numero di origini, ovvero calcola la percentuale media
i caricamenti FCP rapidi per le origini più popolari di 1000. In questa query, tutte le origini hanno
peso uguale, quindi probabilmente non è perfetto. Vediamo se il risultato
è sensibile alla modifica della grandezza del rango, modificando la clausola WHERE in
specifica sperimentali.popularity.rank <= 10000. Lo facciamo per 10.000, 100.000 e così via
su:
Magnitudo del ranking delle origini | Percentuale di FCP < 1 s, calcolato sulla media delle origini |
---|---|
1.000 | 53,6% |
10.000 | 49,6% |
100.000 | 45,9% |
1.000.000 | 43,2% |
10.000.000 | 39,9% |
Ciò indica che un'esperienza utente più veloce sul web è correlata alla maggiore popolarità.
Nel set di dati di ottobre 2022 questo valore è stato ulteriormente suddiviso in incrementi di metà ranking. La nuova esecuzione della prima query per questo set di dati mostra i semipassaggi e il numero di origini in ogni grandezza di ranking:
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
Riga | rank_magnitude | num_origins |
---|---|---|
1 | 1000 | 1000 |
2 | 5000 | 4000 |
3 | 10.000 | 5000 |
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 |
Scopri di più sull'utilizzo di CrUX su BigQuery e sfoglia il libro di ricette di CrUX per altre query di esempio. Condividi le tue query, se vuoi, e facci sapere cosa trovi.