Rang Magnitude zum Bericht zur Nutzererfahrung in Chrome in BigQuery hinzufügen

Ab dem Dataset vom Februar 2021 fügen wir dem CrUX-Bericht in BigQuery einen experimentellen Messwert hinzu, der die Beliebtheit von Ursprüngen nach Größenordnungen unterscheidet: Die Top-1.000-Ursprünge, Top 10.000, Top 100.000, Top 1 Million usw.

So sieht dies in der Praxis aus:

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
Row 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 das globale Dataset vom Februar 2021 erhalten wir 5 Buckets. Wie erwartet sehen wir in Zeile 1, dass es 1.000 Ursprünge mit der Rangfolge 1.000 gibt – die 1.000 beliebtesten Ursprünge gemäß unserer Metrik. Zeile 2 könnte überraschend aussehen, da es in den Top 10.000 nur 9.000 Ursprünge gibt. Das liegt daran, dass die Ursprünge in Zeile 1 auch zu den Top 10.000 gehören. Um die Top-10.000-Ursprünge auszuwählen, muss bei der Abfrage „experiment.popularity.rank <= 10000“ angegeben werden.

Das Dataset enthält auch die länderspezifische Größenordnung. 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

Zum Potenzial unseres neuen Messwerts „Beliebtheit“ sehen wir uns an, wie sich die Beliebtheitssegmente im Web in Bezug auf den Messwert für First Contentful Paint (FCP) unterscheiden. Für diese Abfrage gilt eine 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

Für die Ursprünge mit experimental.popularity.rank <= 1.000 summiert die Abfrage alle Histogramm-Bucket-Dichten für FCP-Messwerte, die kleiner als 1.000 ms sind, und dividiert sie durch die Anzahl der Ursprünge. Es wird also der durchschnittliche Prozentsatz der schnellen FCP-Ladevorgänge für die 1.000 beliebtesten Ursprünge berechnet. In dieser Abfrage haben alle Ursprünge die gleiche Gewichtung, sodass dies wohl nicht perfekt ist. Sehen wir uns jedoch an, ob das Ergebnis empfindlich auf eine Änderung der Ranggröße reagieren kann, indem wir die WHERE-Klausel ändern, um „experiment.popularity.rank <= 10000“ anzugeben. Das machen wir für 10.000, 100.000 usw.:

Größe der Ursprünge einstufen Prozentsatz von FCP < 1 s, gemittelt über 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 mit einer zunehmenden Beliebtheit einhergeht.

Im Dataset für Oktober 2022 war dies durch Schritte mit halbem Rang weiter unterteilt. Wenn Sie die erste Abfrage für dieses Dataset noch einmal ausführen, werden die Halbschritte und die Anzahl der Ursprünge in jeder Rangfolgengröße 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
Row 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. Teilen Sie uns Ihre Suchanfragen mit, wenn Sie möchten, und teilen Sie uns mit, was Sie gefunden haben.