Ab dem Datensatz vom Februar 2021 fügen wir dem CrUX-Bericht in BigQuery einen experimentellen Messwert hinzu, mit dem die Beliebtheit von Ursprüngen nach Größenordnungen unterschieden wird: Top 1.000, Top 10.000, Top 100.000, Top 1 Million usw.
Sehen wir uns an, wie das in der Praxis aussieht:
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 vom Februar 2021 erhalten wir fünf Bucket. Wie erwartet sehen wir in Zeile 1, dass es 1.000 Orte mit dem Rang 1.000 gibt – die 1.000 beliebtesten Orte nach unserem Messwert. Zeile 2 mag überraschend erscheinen, da sie angibt, dass es nur 9.000 Ursprunge in den Top 10.000 gibt. Das liegt daran, dass die Ursprünge in Zeile 1 auch zu den Top 10.000 gehören. Wenn die 10.000 wichtigsten Quellen ausgewählt werden sollen, muss bei der Abfrage „experimental.popularity.rank <= 10000“ angegeben werden.
Das Dataset enthält auch länderspezifische Ranggrößen. Diese Abfrage listet beispielsweise die 10.000 Ursprünge auf, die in Deutschland am beliebtesten sind.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
Um das Potenzial unseres neuen Beliebtheitsmesswerts zu verdeutlichen, sehen wir uns an, wie sich Beliebtheitssegmente des Webs im Hinblick auf den Messwert „First Contentful Paint“ (FCP) unterscheiden. Für diese Anfrage betrachten wir eine Zeit von einer Sekunde als 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
Bei den Ursprüngen mit experimental.popularity.rank <= 1.000 wird in der Abfrage die Summe aller Histogramm-Bucket-Dichten für FCP-Messwertwerte unter 1.000 ms berechnet und durch die Anzahl der Ursprünge geteilt. Das ist der durchschnittliche Prozentsatz der schnellen FCP-Ladezeiten für die 1.000 beliebtesten Ursprünge. In dieser Abfrage haben alle Ursprünge das gleiche Gewicht. Das ist nicht optimal. Sehen wir uns nun an, ob das Ergebnis empfindlich auf eine Änderung des Rangs reagieren kann. Dazu ändern wir die Wo-Klausel, um „experimental.popularity.rank <= 10000“ anzugeben. Das machen wir für 10.000, 100.000 usw.:
| Rangordnung der Ursprünge | Prozentsatz der FCPs < 1 Sekunde, gemittelt über alle Ursprünge |
|---|---|
| 1.000 | 53,6% |
| 10.000 | 49,6% |
| 100.000 | 45,9% |
| 1.000.000 | 43,2% |
| 10.000.000 | 39,9% |
Dies deutet darauf hin, dass eine schnellere Nutzererfahrung im Web mit einer höheren Beliebtheit korreliert.
Im Dataset von Oktober 2022 wurde dies weiter in Schritte vom Typ „Halbrang“ aufgeteilt. Wenn Sie die erste Abfrage für diesen Datensatz noch einmal ausführen, werden die Halbschritte und die Anzahl der Ursprünge in jeder Rangordnungsgröße 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. Teile uns deine Suchanfragen mit und sag uns, was du herausgefunden hast.