Począwszy od zbioru danych z lutego 2021 r. do raportu na temat użytkowania Chrome w BigQuery dodaliśmy dane eksperymentalne, które pozwalają rozróżnić popularność źródeł według rzędu wielkości: 1 tys. najlepszych źródeł, najlepsze 10 tys., najlepsze 100 tys., najlepsze 1 mln najlepszych źródeł...
Zobaczmy, jak to wygląda w praktyce:
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
| Wiersz | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1000 | 1000 |
| 2 | 10 000 | 9 000 |
| 3 | 100 000 | 90 000 |
| 4 | 1 000 000 | 900 000 |
| 15 | 10 000 000 | 7 264 371 |
W przypadku globalnego zbioru danych z lutego 2021 r. uzyskujemy 5 zasobników. Zgodnie z oczekiwaniami w wierszu 1 widzimy, że istnieje 1000 źródeł o rangi 1000, a 1000 na podstawie naszych danych. Wiersz 2 może wyglądać zaskakująco, co wskazuje, że znajdują się tylko 9 tys. źródeł w pierwszych 10 tysięcy; to dlatego, że źródła w wierszu 1 są należą też do najlepszych 10 tysięcy osób. Aby wybrać 10 tys. najlepszych źródeł, musisz: w zapytaniu określa wartość eksperymentalny.popularity.rank <= 10000.
Zbiór danych zawiera też rangę w poszczególnych krajach. Na przykład to zawiera listę 10 tysięcy najpopularniejszych źródeł w Niemczech.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
Aby wspomnieć o potencjale naszego nowego wskaźnika popularności, zobaczmy, jak popularność segmenty internetu różnią się pod względem danych dotyczących pierwszego wyrenderowania treści (FCP). Na potrzeby tego zapytania uważamy, że 1 sekunda to szybkie miejsce dla użytkownika.
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
W przypadku źródeł z experimental.popularity.rank <= 1000 zapytanie sumuje wszystkie
Gęstości zasobników histogramu dla wartości wskaźnika FCP mniejszych niż 1000 ms i dzielenia
przez liczbę źródeł, czyli średni procent
szybkie ładowanie FCP dla 1000 najpopularniejszych źródeł. W tym zapytaniu wszystkie źródła mają
taka sama waga, więc prawdopodobnie nie jest to idealne rozwiązanie. Zobaczmy jednak, czy wynik
wyczuwa na zmianę wielkości rankingu przez zmianę klauzuli gdzie na
należy określić eksperymentalny.popularity.rank <= 10000. Robimy to dla 10 000, 100 000 itd.
dnia:
| Kolejność źródeł | Procent FCP < 1 s, uśrednione wg źródeł |
|---|---|
| 1000 | 53,6% |
| 10 000 | 49,6% |
| 100 000 | 45,9% |
| 1 000 000 | 43,2% |
| 10 000 000 | 39,9% |
Oznacza to, że szybsze korzystanie z internetu wiąże się z większą popularnością.
W zbiorze danych z października 2022 r. dane zostały dodatkowo podzielone na etapy o połowie rankingu. Ponowne uruchomienie pierwszego zapytania dla tego zbioru danych pokazuje etapy i liczbę źródeł w poszczególnych poziomach pozycji:
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
| Wiersz | 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 |
Dowiedz się więcej o korzystaniu z raportu CrUX w BigQuery i przejrzyj poradnik CrUX, aby zobaczyć więcej przykładowych zapytań. Jeśli chcesz, prześlij nam swoje zapytania i daj nam znać, co udało Ci się znaleźć.