Cette page a été traduite par l'API Cloud Translation.

CrUX sur BigQuery

Découvrez comment les données CrUX sont structurées dans BigQuery.

Présentation

Les données brutes qui sous-tendent le rapport d'expérience utilisateur Chrome (CrUX) sont disponibles sur BigQuery, une base de données hébergée sur Google Cloud.

CrUX sur BigQuery permet aux utilisateurs d'interroger directement l'ensemble de données complet depuis 2017, par exemple pour analyser des tendances, comparer des technologies Web et comparer des domaines.

Les données sont structurées par publication mensuelle, ainsi que par un certain nombre de tableaux récapitulatifs permettant de faciliter l'interrogation des données.

Les données BigQuery constituent la base du tableau de bord CrUX, qui vous permet de visualiser ces données sans avoir à écrire de requêtes SQL.

Accéder à l'ensemble de données

L'utilisation de BigQuery nécessite un compte Google Cloud et des connaissances de base de SQL. Vous pouvez consulter et explorer l'ensemble de données CrUX sur BigQuery sans frais dans les limites du niveau sans frais, qui est renouvelé tous les mois et fourni par BigQuery. De plus, les nouveaux utilisateurs de Google Cloud peuvent bénéficier d'un crédit à l'inscription pour couvrir les dépenses au-delà du quota sans frais. Notez qu'une carte de crédit doit être indiquée pour le projet Google Cloud. Consultez la section Pourquoi dois-je fournir une carte de crédit ?.

Si vous utilisez BigQuery pour la première fois, procédez comme suit pour configurer un projet:

Accédez à Créer un projet dans la console Google Cloud.
Donnez un nom à votre nouveau projet, par exemple "Mon rapport d'expérience utilisateur Chrome", puis cliquez sur "Créer".
Indiquez vos informations de facturation si vous y êtes invité.
Accédez à l'ensemble de données CrUX sur BigQuery.

Vous êtes maintenant prêt à interroger le jeu de données.

Organisation du projet

Les données CrUX sur BigQuery sont publiées le deuxième mardi du mois suivant. Chaque mois est publié sous la forme d'un nouveau tableau sous chrome-ux-report.all. Il existe également un certain nombre de tables matérialisées qui fournissent des statistiques récapitulatives pour chaque mois.

"chrome-ux-report"
- all
  - AAAAMM
- country_CC
  - AAAAMM
- experimental
  - country
  - global
- materialized

Schéma détaillé de la table

Les tables brutes pour chaque pays et l'ensemble de données all sont fournies par année et par mois.

Tables brutes

Les tables brutes présentent le schéma suivant:

origin
effective_connection_type
form_factor
first_paint
first_contentful_paint
largest_contentful_paint
dom_content_loaded
onload
first_input
- delay
layout_instability
- cumulative_layout_shift
interaction_to_next_paint
navigation_types
- navigate
- navigate_cache
- reload
- restore
- back_forward
- back_forward_cache
- prerender
experimental
- permission
  - notifications
- time_to_first_byte
- popularity

Schéma de la table matérialisée

Les tableaux matérialisées sont fournis pour faciliter l'accès aux données récapitulatives selon un certain nombre de dimensions clés. Aucun histogramme n'est fourni, mais les données de performances sont agrégées en fractions par évaluation des performances et par valeur du 75e centile. L'exemple suivant présente un ensemble de lignes de la table metrics_summary:

aaaamm	origine	fast_lcp	avg_lcp	slow_lcp	p75_lcp
202204	https://example.com	0,9056	0,0635	0,0301	1600
202203	https://example.com	0,9209	0,052	0,0274	1 400
202202	https://example.com	0,9169	0,0545	0,0284	1500
202201	https://example.com	0,9072	0,0626	0,0298	1500

Cela montre que dans l'ensemble de données de 202204, 90,56% des expériences utilisateur réelles sur https://example.com répondaient aux critères d'un bon LCP et que la valeur approximative du LCP du 75e centile était de 1 600 ms. C'est un peu plus lent que les mois précédents.

Quatre tables matérialisées sont fournies:

metrics_summary: métriques clés par mois et par origine
device_summary: Métriques clés par mois, origine et type d'appareil
country_summary: Métriques clés par mois, origine, type d'appareil et pays
origin_summary: Liste de toutes les origines incluses dans l'ensemble de données

`metrics_summary`

La table metrics_summary contient des statistiques récapitulatives pour chaque origine et chaque ensemble de données mensuel:

yyyymm: Mois de la période de collecte des données
origin: URL de l'origine du site
rank: Classement général de popularité (en mars 2021)
[small|medium|large]_cls: fraction du trafic en fonction des seuils CLS
[fast|avg|slow]_<metric>: fraction du trafic par seuils de performances
p75_<metric>: Valeur du 75e centile des métriques de performances (millisecondes)
notification_permission_[accept|deny|ignore|dismiss]: fractionnement des autorisations de notifications
[desktop|phone|tablet]Density: fraction du trafic par facteur de forme
[_4G|_3G|_2G|slow2G|offline]Density: fraction du trafic par type de connexion effectif
navigation_type_[navigate|navigate_cache|reload|restore|back_forward|back_forward_cache|prerender]: fraction des types de navigation

`device_summary`

Le tableau device_summary contient des statistiques agrégées par mois, origine, pays et appareil. En plus des colonnes metrics_summary, on trouve les éléments suivants:

device: Facteur de forme de l'appareil

`country_summary`

Le tableau country_summary contient des statistiques agrégées par mois, origine, pays et appareil. En plus des colonnes metrics_summary, on trouve les éléments suivants:

country_code: Code pays à deux lettres
device: Facteur de forme de l'appareil

`origin_summary`

La table origin_summary contient la liste de toutes les origines de l'ensemble de données CrUX. Elle est mise à jour tous les mois avec la dernière liste des origines de l'ensemble de données et comporte une seule colonne: origin.

Ensemble de données expérimental

Les tables de l'ensemble de données expérimental sont des copies exactes des tables YYYYMM par défaut. Toutefois, elles utilisent les fonctionnalités BigQuery plus récentes et plus avancées telles que le partitionnement et le clustering, qui vous permettent d'écrire des requêtes plus rapides, plus simples et moins coûteuses.

`country`

L'ensemble de données experimental.country contient des données globales issues des ensembles de données country_CC, ainsi qu'une colonne yyyymm supplémentaire pour la date de l'ensemble de données. Le schéma est identique aux tables brutes, avec l'ajout des colonnes de date et country_code, ce qui permet de comparer les requêtes dans le temps au niveau des pays sans joindre les tables mensuelles.

`global`

L'ensemble de données experimental.global contient des données globales issues de l'ensemble de données all, ainsi qu'une colonne yyyymm supplémentaire pour la date de l'ensemble de données. Le schéma est identique aux tables brutes, avec l'ajout de la date, ce qui permet de comparer les requêtes au fil du temps sans joindre les tables mensuelles.