Começando com o conjunto de dados de fevereiro de 2021, estamos adicionando uma métrica experimental ao relatório CRUX no BigQuery, que distingue a popularidade das origens por ordens de magnitude: as 1.000 origens principais, as 10.000 principais, as 100.000 principais, as 1 milhão principais etc.
Vamos conferir como isso funciona na prática:
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
| Linha | rank_magnitude | num_origins |
|---|---|---|
| 1 | 1.000 | 1.000 |
| 2 | 10.000 | 9.000 |
| 3 | 100.000 | 90 mil |
| 4 | 1.000.000 | 900.000 |
| 15 | 10.000.000 | 7.264.371 |
Para o conjunto de dados globais de fevereiro de 2021, temos cinco buckets. Como esperado, na linha 1, vemos que há 1.000 origens com magnitude de classificação 1.000, as 1.000 origens mais populares de acordo com nossa métrica. A linha 2 pode parecer surpreendente, indicando que há apenas 9 mil origens no conjunto de 10 mil. Isso ocorre porque as origens na linha 1 também fazem parte do conjunto de 10 mil. Para selecionar as 10 mil origens principais, é necessário especificar experimental.popularity.rank <= 10000 ao fazer a consulta.
O conjunto de dados também contém a magnitude da classificação específica do país. Por exemplo, esta consulta lista as 10 mil origens mais populares na Alemanha.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
Para falar sobre o potencial da nossa nova métrica de popularidade, vamos ver como os segmentos de popularidade da Web são diferentes em relação à métrica de First Contentful Paint (FCP). Para os fins desta consulta, consideramos que um segundo é uma experiência do usuário 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 as origens com experimental.popularity.rank <= 1000, a consulta soma todas
as densidades de bucket de histograma para valores de métrica de FCP menores que 1000ms e divide
por esse número, ou seja, calcula a porcentagem média de
cargas de FCP rápidas para as 1.000 origens mais populares. Nesta consulta, todas as origens têm
o mesmo peso, então isso não é perfeito. Mas vamos conferir se o resultado é sensível a mudanças na magnitude da classificação, alterando a cláusula where para especificar experimental.popularity.rank <= 10000. Fazemos isso para 10 mil, 100 mil e assim
por diante:
| Classificar a magnitude das origens | Porcentagem de FCP < 1s, média das origens |
|---|---|
| 1.000 | 53,6% |
| 10.000 | 49,6% |
| 100.000 | 45,9% |
| 1.000.000 | 43,2% |
| 10.000.000 | 39,9% |
Isso indica que uma experiência do usuário mais rápida na Web está relacionada à maior popularidade.
No conjunto de dados de outubro de 2022, isso foi dividido em etapas de meia classificação. A reexecução da primeira consulta para esse conjunto de dados mostra as semipassadas e o número de origens em cada magnitude de classificação:
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
| Linha | 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 |
Saiba mais sobre como usar o CrUX no BigQuery e navegue pelo Manual do CrUX para conferir mais exemplos de consultas. Compartilhe suas consultas e nos informe o que você encontrar.