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.