A partir del conjunto de datos de febrero de 2021, agregamos una métrica experimental al informe de CrUX en BigQuery, que distingue la popularidad de los orígenes en orden de magnitud: los 1,000 orígenes principales, los 10,000 principales, los 100,000 principales, el 1 millón principal...
Veamos cómo se ve esto en la práctica:
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
| Fila | 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 |
Para el conjunto de datos globales de febrero de 2021, obtenemos 5 buckets. Como se esperaba, en la fila 1, vemos que hay 1,000 orígenes con una magnitud de rango de 1,000, los 1,000 orígenes más populares según nuestra métrica. La fila 2 puede parecer sorprendente, lo que indica que solo hay 9,000 orígenes en el conjunto de los 10,000 principales. Esto se debe a que los orígenes de la fila 1 también forman parte del conjunto de los 10,000 principales. Para seleccionar los 10,000 orígenes principales, es necesario especificar experimental.popularity.rank <= 10,000 cuando se realiza la consulta.
El conjunto de datos también contiene la magnitud del rango específico del país. Por ejemplo, esta consulta enumera los 10,000 orígenes más populares en Alemania.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
Para conocer el potencial de nuestra nueva métrica de popularidad, veamos cómo difieren los segmentos de popularidad de la Web con respecto a la primera métrica de procesamiento de imagen con contenido (FCP). A los efectos de esta consulta, consideramos que 1 segundo es una experiencia del usuario rápida.
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
Para los orígenes con experimental.popularity.rank <= 1,000, la consulta suma todas las densidades de los buckets de histogramas para los valores de métricas de FCP inferiores a 1,000 ms y los divide por la cantidad de orígenes, es decir, calcula el porcentaje promedio de cargas de FCP rápidas para los 1,000 orígenes más populares. En esta consulta, todos los orígenes tienen el mismo peso, por lo que podría decirse que esto no es perfecto. Pero veamos si el resultado es sensible a cambiar la magnitud del rango, si se modifica la cláusula WHERE para especificar experimental.popularity.rank <= 10000. Lo hacemos para 10,000, 100,000, y así sucesivamente:
| Magnitud de los orígenes | Porcentaje de FCP inferior a 1 s, promediado con respecto a los orígenes |
|---|---|
| 1,000 | 53,6% |
| 10,000 | 49,6% |
| 100,000 | 45,9% |
| 1,000,000 | 43,2% |
| 10,000,000 | 39,9% |
Esto indica que una experiencia del usuario más rápida en la Web se correlaciona con ser más popular.
En el conjunto de datos de octubre de 2022, esto se dividió aún más en pasos de rango medio. Cuando se vuelve a ejecutar la primera consulta para este conjunto de datos, se muestran los medios pasos y la cantidad de orígenes en cada magnitud de la clasificación:
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
| Fila | 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 |
Obtén más información sobre cómo usar CrUX en BigQuery y explora la guía de soluciones de CrUX para ver más consultas de ejemplo. Comparte tus consultas si lo deseas y cuéntanos lo que encuentras.