Şubat 2021 veri kümesinden itibaren, BigQuery'deki CrUX raporuna, başlangıç noktalarının popülerliğini büyüklük derecelerine göre ayıran deneysel bir metrik ekliyoruz: İlk 1.000 kaynak, ilk 10.000, ilk 100 bin, ilk 1 milyon, ...
Bunun pratikte nasıl göründüğüne bakalım:
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
Satır | 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 |
Şubat 2021 global veri kümesi için 5 grup alıyoruz. Beklendiği gibi, 1. satırda, 1.000 büyüklüğünde 1.000 kaynak, metriğimize göre en popüler 1.000 kaynak yer alır. 2. Satır şaşırtıcı görünebilir. Bu durum, ilk 10.000 kümede yalnızca 9.000 kaynak olduğunu gösterir. Bunun nedeni, 1. satırdaki başlangıç noktalarının da ilk 10.000 kümenin bir parçası olmasıdır. İlk 10.000 kaynağı seçmek için, sorgu sırasında experiment.popularity.rank değeri <= 10000 olarak belirtilmelidir.
Veri kümesi, ülkeye özgü sıralama büyüklüğünü de içerir. Örneğin, bu sorgu Almanya'da en popüler olan 10.000 kaynağı listeler.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
Yeni popülerlik metriğimizin potansiyelinden bahsetmek için, web'in popülerlik segmentlerinin ilk zengin içerikli boyama metriğine (FCP) göre nasıl farklılık gösterdiğine bakalım. Bu sorgunun amacı doğrultusunda 1 saniyeyi hızlı kullanıcı deneyim olarak kabul ediyoruz.
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
experimental.popularity.rank
<= 1000 olan kaynaklar için sorgu, 1.000 ms.den küçük FCP metrik değerleri için tüm histogram grup yoğunluklarını toplar ve bunu kaynak sayısına böler. Diğer bir deyişle, en popüler 1.000 kaynak için hızlı FCP yüklemelerinin ortalama yüzdesini hesaplar. Bu sorguda, tüm kaynaklar eşit ağırlığa sahiptir ve bu muhtemelen mükemmel değildir. Ancak, where ifadesinde deneysel.popularity.rank <= 10000 değerini belirterek sonucun, sıralamanın büyüklüğünü değiştirme konusunda hassas olup olmadığına bakalım. Bunu 10.000, 100.000 vb. için yaparız:
Kalkış noktalarının büyüklüğünü sıralayın | Kaynaklara göre ortalaması alınan FCP < 1 sn. yüzdesi |
---|---|
1.000 | %53,6 |
10.000 | %49,6 |
100.000 | %45,9 |
1.000.000 | %43,2 |
10.000.000 | %39,9 |
Bu durum, web'de daha hızlı bir kullanıcı deneyiminin daha popüler olmayla ilişkili olduğunu gösterir.
Bu veri, Ekim 2022 veri kümesinde yarı sıralı adımlara bölünmüştür. Bu veri kümesi için yapılan ilk sorgu tekrar çalıştırıldığında, her bir sıralama büyüklüğündeki yarım adımlar ve başlangıç noktası sayısı gösterilir:
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
Satır | 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 |
BigQuery'de CrUX'i kullanma hakkında daha fazla bilgi edinin ve diğer örnek sorgular için CrUX Cookbook'a göz atın. İsterseniz sorgularınızı paylaşabilir ve bulduklarınızı bize bildirebilirsiniz.