À partir de l'ensemble de données de février 2021, nous ajoutons une métrique expérimentale au rapport CRUX dans BigQuery, qui distingue la popularité des origines par ordre de grandeur: les 1 000 origines les plus populaires, les 10 000 origines les plus populaires, les 100 000 origines les plus populaires, les 1 000 000 origines les plus populaires, etc.
Voyons comment procéder en pratique:
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
| Ligne | 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 |
Pour l'ensemble de données mondial de février 2021, nous obtenons cinq buckets. Comme prévu, dans la ligne 1, nous voyons qu'il existe 1 000 origines avec une magnitude de classement de 1 000, soit les 1 000 origines les plus populaires selon notre métrique. La ligne 2 peut sembler surprenante, car elle indique qu'il n'y a que 9 000 origines dans le top 10 000. En effet, les origines de la ligne 1 font également partie du top 10 000. Pour sélectionner les 10 000 premières origines, vous devez spécifier experimental.popularity.rank <= 10000 lors de la requête.
L'ensemble de données contient également la magnitude du classement par pays. Par exemple, cette requête liste les 10 000 origines les plus populaires en Allemagne.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
Pour évaluer le potentiel de notre nouvelle métrique de popularité, voyons comment les segments de popularité du Web diffèrent par rapport à la métrique First Contentful Paint (FCP). Pour les besoins de cette requête, nous considérons qu'une seconde correspond à une expérience utilisateur rapide.
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
Pour les origines dont experimental.popularity.rank est inférieur ou égal à 1 000, la requête additionne toutes les densités de buckets d'histogramme pour les valeurs de métrique FCP inférieures à 1 000 ms et les divise par le nombre d'origines. Autrement dit, elle calcule le pourcentage moyen de chargements FCP rapides pour les 1 000 origines les plus populaires. Dans cette requête, toutes les origines ont le même poids. Ce n'est donc pas parfait. Voyons cependant si le résultat est sensible à la modification de l'ampleur du classement en modifiant la clause where pour spécifier experimental.popularity.rank <= 10000. Nous faisons de même pour 10 000, 100 000, etc.
| Magnitude du classement des origines | Pourcentage de FCP inférieur à 1 seconde, moyenné sur les origines |
|---|---|
| 1,000 | 53,6% |
| 10 000 | 49,6% |
| 100 000 | 45,9% |
| 1 000 000 | 43,2% |
| 10 000 000 | 39,9% |
Cela indique qu'une expérience utilisateur plus rapide sur le Web est corrélée à une popularité plus élevée.
Dans l'ensemble de données d'octobre 2022, cette valeur a été divisée en demi-degrés. Si vous exécutez à nouveau la première requête pour cet ensemble de données, vous verrez les demi-étapes et le nombre d'origines dans chaque magnitude de classement :
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
| Ligne | 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 |
Découvrez comment utiliser CrUX dans BigQuery et consultez le guide CrUX en pratique pour obtenir d'autres exemples de requêtes. Si vous le souhaitez, partagez vos requêtes et dites-nous ce que vous avez trouvé.