Menambahkan Magnitudo Peringkat ke Laporan CrUX di BigQuery

Dimulai dengan set data Februari 2021, kami menambahkan metrik eksperimental ke laporan CrUX di BigQuery yang membedakan popularitas asal berdasarkan urutan magnitudo: 1 ribu origin teratas, 10 ribu teratas, 100 ribu teratas, 1 juta teratas, ...

Mari kita lihat bagaimana praktiknya:

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
Baris 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

Untuk set data global Februari 2021, kita mendapatkan 5 bucket. Seperti yang diharapkan, di baris 1, kita melihat ada 1.000 origin dengan magnitudo 1.000 - 1k origin paling populer berdasarkan metrik kami. Baris 2 mungkin terlihat mengejutkan, yang menunjukkan bahwa hanya ada 9 ribu origin dalam 10 ribu kumpulan teratas; hal ini karena origin di baris 1 juga merupakan bagian dari 10 ribu origin teratas. Untuk memilih 10 ribu origin teratas, kita perlu menentukan experiment.popularity.rank <= 10000 saat membuat kueri.

Set data ini juga berisi magnitudo peringkat khusus negara. Misalnya, kueri ini mencantumkan 10 ribu asal yang paling populer di Jerman.

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

Untuk membahas potensi metrik popularitas baru kami, mari kita lihat perbedaan segmen popularitas web dalam kaitannya dengan metrik first contentful paint (FCP). Untuk tujuan kueri ini, kami menganggap 1 detik sebagai pengalaman pengguna yang cepat.

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

Untuk origin dengan experimental.popularity.rank <= 1000, kueri menjumlahkan semua kepadatan bucket histogram untuk nilai metrik FCP yang lebih kecil dari 1.000 md dan membaginya dengan jumlah asal, yaitu menghitung persentase rata-rata pemuatan FCP cepat untuk 1.000 origin paling populer. Dalam kueri ini, semua origin memiliki bobot yang sama, jadi bisa dikatakan ini tidak sempurna. Namun, mari kita lihat apakah hasilnya sensitif terhadap perubahan magnitudo peringkat, dengan mengubah klausa where untuk menentukan experiment.popularity.rank <= 10000. Kita melakukan ini untuk 10 ribu, 100 ribu, dan seterusnya:

Peringkat magnitudo asal Persentase FCP < 1 detik, rata-rata dibandingkan asal
1.000 53,6%
10.000 49,6%
100.000 45,9%
1.000.000 43,2%
10.000.000 39,9%

Hal ini menunjukkan bahwa pengalaman pengguna yang lebih cepat di web berkolerasi dengan menjadi lebih populer.

Dalam set data Oktober 2022, langkah ini dibagi lebih lanjut menjadi langkah setengah peringkat. Menjalankan kembali kueri pertama untuk set data ini akan menunjukkan setengah langkah dan jumlah origin di setiap besaran peringkat:

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
Baris 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

Pelajari lebih lanjut cara menggunakan CrUX di BigQuery dan menjelajahi CrUX Cookbook untuk mengetahui contoh kueri lainnya. Bagikan pertanyaan Anda jika Anda mau, dan beri tahu kami apa yang Anda temukan.