Dodanie wartości rankingu do raportu na temat użytkowania Chrome w BigQuery

Począwszy od zbioru danych z lutego 2021 r. do raportu na temat użytkowania Chrome w BigQuery dodajemy eksperymentalne dane, które pozwalają rozróżnić popularność źródeł według rzędu wielkości: 1 tys. najważniejszych źródeł, 10 tysięcy z największych, 100 tys. najlepszych, 1 mln z góry 1 mln...

Spójrzmy, 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 9000
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 roku mamy 5 zasobników. Zgodnie z oczekiwaniami w wierszu 1 widzimy, że jest 1000 źródeł o pozycji 1000 – to 1000 najpopularniejszych źródeł według naszego wskaźnika. Może się to wydawać zaskakujące, ponieważ w pierwszym 10 tys. zestawień jest tylko 9 tys. źródeł. Dzieje się tak, ponieważ te z pierwszego wiersza należą również do zbioru 10 tysięcy pozycji. Aby wybrać 10 tys. najważniejszych źródeł, podczas wysyłania zapytań musisz podać wartość Experiment.popularity.rank <= 10000.

Zbiór danych zawiera również wielkość pozycji w rankingu zależną od kraju. Na przykład to zapytanie wyświetla 10 tys. źródeł, które są najpopularniejsze w Niemczech.

SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000

Aby wspomnieć o potencjale naszych nowych danych o popularności, zobaczmy, jak różnią się poszczególne segmenty popularności w internecie w odniesieniu do pierwszego wskaźnika wyrenderowania treści (FCP). Dla tego zapytania naszym zdaniem wygoda użytkownika to 1 sekunda.

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 wskaźników FCP mniejszych niż 1000 ms i dzieli je przez liczbę punktów początkowych – czyli oblicza średni procent szybkiego wczytywania FCP dla 1 tys. najpopularniejszych źródeł. W tym zapytaniu wszystkie źródła mają taką samą wagę. Spójrzmy jednak, czy wynik będzie wrażliwy na zmianę wielkości pozycji w rankingu, modyfikując klauzulę „where” (miejsce), aby podać nazwę eksperymentalną.popularity.rank <= 10000. Robimy to dla 10 tys., 100 tys. itd.:

Ranking punktów początkowych Odsetek FCP < 1 s, uśredniony w odniesieniu do źródeł
1,000 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 przekłada się na większą popularność.

W zbiorze danych z października 2022 r. podział ten został dodatkowo podzielony na etapy o połowie rangi. Ponowne uruchomienie pierwszego zapytania dla tego zbioru danych pokazuje połowa kroków i liczbę źródeł w każdej pozycji w rankingu:

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 na temat użytkowania Chrome w BigQuery i przejrzyj poradnik dotyczący tego narzędzia, aby znaleźć więcej przykładowych zapytań. Jeśli chcesz, podziel się swoimi zapytaniami i daj nam znać, co udało Ci się znaleźć.