Ab dem Dataset von Februar 2021 fügen wir dem CrUX-Bericht in BigQuery einen experimentellen Messwert hinzu, mit dem die Beliebtheit von Ursprüngen nach Größenordnung unterschieden wird: Top-1.000-Ursprünge, Top 10.000, Top 100.000, Top 1 Million.
So sieht das in der Praxis aus:
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
| Zeile | 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 |
Für den globalen Datensatz von Februar 2021 erhalten wir 5 Buckets. Wie erwartet, geben Sie in Zeile 1 sehen wir, dass es 1.000 Ursprünge mit einer Stufe von 1.000 gibt, beliebte Ursprünge nach unserer Metrik. Zeile 2 mag überraschend aussehen, was darauf hindeutet, dass es sind nur 9.000 Ursprünge in den Top-10.000-Sets. Das liegt daran, dass die Ursprünge in Zeile 1 auch Teil der Top-10k-Gruppe. Um die Top-10.000-Ursprünge auszuwählen, muss man geben Sie bei der Abfrage experimentell.popularity.rank <= 10000 an.
Das Dataset enthält auch länderspezifische Ranggrößen. Zum Beispiel die 10.000 Ursprünge in Deutschland, die am beliebtesten sind.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
Um das Potenzial unseres neuen Messwerts für die Beliebtheit zu verdeutlichen, sehen wir uns an, Segmente im Web unterscheiden sich beim Messwert „First Contentful Paint“. Für diese Abfrage 1 Sekunde ist eine schnelle Nutzererfahrung.
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
Für die Ursprünge mit experimental.popularity.rank <= 1.000 summiert die Abfrage alle
Histogramm-Bucket-Dichten für FCP-Messwerte, die kleiner als 1.000 ms sind, und Division
anhand der Anzahl der Ursprünge, d. h., es wird der durchschnittliche Prozentsatz
schnelle FCP-Ladevorgänge für die 1.000 beliebtesten Ursprünge. In dieser Abfrage haben alle Ursprünge
und zwar nicht perfekt. Mal sehen, ob das Ergebnis
reagiert empfindlich auf eine Änderung der Ranggröße, indem die Wo-Klausel in
geben Sie experimentell.popularity.rank <= 10000 an. Das machen wir für 10.000, 100.000 usw.
am:
| Größe der Ursprünge | Prozentsatz von FCP < 1 Sek., gemittelt über Ursprünge |
|---|---|
| 1.000 | 53,6% |
| 10.000 | 49,6% |
| 100.000 | 45,9% |
| 1.000.000 | 43,2% |
| 10.000.000 | 39,9% |
Das deutet darauf hin, dass eine schnellere Nutzererfahrung im Web mit einer höheren Beliebtheit einhergeht.
Im Dataset von Oktober 2022 wurde dies weiter in Schritte vom Typ „Halbrang“ aufgeteilt. Wenn Sie die erste Abfrage für dieses Dataset noch einmal ausführen, werden die halben Schritte und die Anzahl der Ursprünge in jeder Rangstärke angezeigt:
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
| Zeile | 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 |
Weitere Informationen zur Verwendung von CrUX in BigQuery und im CrUX Cookbook finden Sie weitere Beispielabfragen. Teilen Sie uns Ihre Fragen mit, wenn Sie möchten, und lassen Sie uns wissen, was Sie finden.