A partire dal set di dati di febbraio 2021, aggiungeremo una metrica sperimentale al report CrUX in BigQuery che distingue la popolarità delle origini in base agli ordini di grandezza: le prime 1000 origini, i primi 10.000, i primi 100.000, i primi 1 milione e...
Vediamo come funziona nella pratica:
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
| Riga | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1000 | 1000 |
| 2 | 10.000 | 9000 |
| 3 | 100.000 | 90.000 |
| 4 | 1.000.000 | 900.000 |
| 15 | 10.000.000 | 7.264.371 |
Per il set di dati globale di febbraio 2021, abbiamo 5 bucket. Come previsto, nella riga 1, vediamo che esistono 1000 origini con grandezza di rango pari a 1000, le 1000 origini più popolari in base alla nostra metrica. La riga 2 potrebbe sembrare sorprendente, a indicare che ci sono solo 9.000 origini nel gruppo dei primi 10.000 utenti; questo perché anche le origini nella riga 1 fanno parte dell'insieme dei primi 10.000. Per selezionare le prime 10.000 origini, è necessario specificare experiments.popularity.rank <= 10000 durante l'esecuzione di query.
Il set di dati contiene anche la grandezza di ranking specifica per paese. Ad esempio, questa query elenca le 10.000 origini più popolari in Germania.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
Per analizzare il potenziale della nuova metrica relativa alla popolarità, vediamo le differenze tra i segmenti di popolarità sul web e la metrica First Contentful Paint (FCP). Ai fini di questa query, consideriamo un secondo un'esperienza utente veloce.
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
Per le origini con experimental.popularity.rank <= 1000, la query somma tutte le densità dei bucket degli istogrammi per i valori della metrica FCP inferiori a 1000 ms e la divide per il numero di origini, ovvero la percentuale media di caricamenti FCP veloci per le 1000 origini più popolari. In questa query, tutte le origini hanno
un peso uguale, quindi forse non è perfetto. Vediamo però se il risultato
è sensibile alla modifica della grandezza del ranking, modificando la clausola "where" per specificare
sperimentale.popularity.rank <= 10.000. Lo facciamo per 10.000, 100.000 e così via:
| Grandezza del ranking delle origini | Percentuale di FCP < 1, calcolata in media sulle origini |
|---|---|
| 1000 | 53,6% |
| 10.000 | 49,6% |
| 100.000 | 45,9% |
| 1.000.000 | 43,2% |
| 10.000.000 | 39,9% |
Ciò indica che un'esperienza utente più veloce sul web è correlata a una maggiore popolarità.
Nel set di dati di ottobre 2022, questo è stato ulteriormente suddiviso in passaggi di metà ranking. Eseguendo di nuovo la prima query per questo set di dati vengono mostrati i semipassaggi e il numero di origini in ogni grandezza di rango:
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
| Riga | 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 |
Scopri di più sull'utilizzo di CrUX su BigQuery e sfoglia il libro di ricette di CrUX per trovare altri esempi di query. Se vuoi, condividi le tue domande e facci sapere cosa trovi.