Şubat 2021 veri kümesinden itibaren BigQuery'deki CrUX raporuna, kaynaklarının popülerliğini büyüklük sırasına göre ayıran deneysel bir metrik ekliyoruz: En popüler 1.000 kaynak, en popüler 10.000 kaynak, en popüler 100.000 kaynak, en popüler 1.000.000 kaynak...
Bu sürecin pratikteki işleyişine bakalım:
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
| Satır | 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 |
Şubat 2021 küresel veri kümesi için 5 grup elde ederiz. Beklenen gibi, 1. satırda 1.000 sıra büyüklüğüne sahip 1.000 kaynak olduğunu görüyoruz. Bu kaynaklar, metriklerimize göre en popüler 1.000 kaynaktır. 2. satır şaşırtıcı görünebilir. Bu satırda, ilk 10.000 kaynakta yalnızca 9.000 kaynak olduğu belirtilmektedir. Bunun nedeni, 1. satırdaki kaynakların da ilk 10.000 kaynağın bir parçası olmasıdır. En popüler 10.000 kaynağı seçmek için sorgu sırasında experimental.popularity.rank <= 10000 değerini belirtmeniz gerekir.
Veri kümesi, ülkeye özgü sıra büyüklüğünü de içerir. Örneğin, bu sorgu Almanya'da en popüler olan 10.000 kaynağı listeler.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
Yeni popülerlik metriğimizin potansiyeline değinmek için web'deki popülerlik segmentlerinin ilk zengin içerikli boyama metriği (FCP) ile nasıl farklılık gösterdiğine bakalım. Bu sorgu kapsamında 1 saniyeyi hızlı bir kullanıcı deneyimi olarak kabul ederiz.
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
experimental.popularity.rank <= 1000 olan kaynaklar için sorgu, 1000 ms'den küçük FCP metrik değerleri için tüm histogram paketi yoğunluklarını toplar ve bu toplamı kaynak sayısına böler. Yani en popüler 1.000 kaynak için hızlı FCP yüklemelerinin ortalama yüzdesini hesaplar. Bu sorguda tüm kaynakların ağırlığı eşittir. Bu nedenle, bu yöntemin mükemmel olmadığı söylenebilir. Ancak where yan tümcesini experimental.popularity.rank <= 10000 olarak değiştirerek sonucun, sıralama büyüklüğünün değişmesine duyarlı olup olmadığını görelim. Bunu 10.000, 100.000 ve daha fazla takipçi için yaparız:
| Kaynakların büyüklük sırası | Kaynaklar genelinde ortalama FCP < 1 saniye yüzdesi |
|---|---|
| 1.000 | %53,6 |
| 10.000 | %49,6 |
| 100.000 | %45,9 |
| 1.000.000 | %43,2 |
| 10.000.000 | %39,9 |
Bu, web'de daha hızlı bir kullanıcı deneyiminin daha popüler olmakla ilişkili olduğunu gösterir.
Ekim 2022 veri kümesinde bu, yarım sıra adımlarına göre daha da bölünmüştür. Bu veri kümesi için ilk sorguyu yeniden çalıştırdığınızda, her bir sıra büyüklükteki yarı adımlar ve kaynak sayısı gösterilir::
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
| Satır | 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 |
BigQuery'de CrUX'i kullanma hakkında daha fazla bilgi edinin ve daha fazla örnek sorgu için CrUX Kılavuzu'na göz atın. İsterseniz sorgularınızı paylaşın ve bulduğunuz sonuçları bize bildirin.