Начиная с набора данных за февраль 2021 года , мы добавляем в отчет CrUX в BigQuery экспериментальную метрику, которая различает популярность источников по порядку: 1 тысяча лучших источников, 10 тысяч лучших, 100 тысяч лучших, 1 миллион лучших,...
Давайте посмотрим, как это выглядит на практике:
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
Ряд | ранг_величина | 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 |
Для глобального набора данных за февраль 2021 года мы получаем 5 сегментов. Как и ожидалось, в строке 1 мы видим 1000 источников с рангом 1000 — это 1 тысяча самых популярных источников по нашей метрике. Строка 2 может показаться неожиданной, поскольку указывает на то, что в наборе из 10 тысяч лучших источников только 9 тысяч; это связано с тем, что исходные точки в строке 1 также являются частью набора 10 000 лучших. Чтобы выбрать 10 тысяч лучших источников, при запросе необходимо указать Experiment.popularity.rank <= 10000.
Набор данных также содержит рейтинговую величину для конкретной страны. Например, этот запрос перечисляет 10 000 источников, которые наиболее популярны в Германии.
SELECT DISTINCT origin
FROM `chrome-ux-report.country_de.202102`
WHERE experimental.popularity.rank <= 10000
Чтобы коснуться потенциала нашей новой метрики популярности, давайте посмотрим, как сегменты популярности в сети различаются по отношению к первой метрике рисования контента (FCP) . Для целей этого запроса мы считаем 1 секунду быстрым взаимодействием с пользователем.
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
Для источников с experimental.popularity.rank
<= 1000 запрос суммирует все плотности сегментов гистограммы для значений метрик FCP менее 1000 мс и делит ее на количество источников, то есть вычисляет средний процент быстрых загрузок FCP для 1к самых популярных источников. В этом запросе все источники имеют одинаковый вес, поэтому, возможно, это не идеально. Но давайте посмотрим, чувствителен ли результат к изменению величины ранга, изменив предложениеwhere, указав Experiment.popularity.rank <= 10000. Мы делаем это для 10 000, 100 000 и т. д.:
Ранговая величина происхождения | Процент FCP < 1 с, усредненный по источникам |
---|---|
1.000 | 53,6% |
10 000 | 49,6% |
100 000 | 45,9% |
1 000 000 | 43,2% |
10 000 000 | 39,9% |
Это указывает на то, что более быстрый пользовательский опыт в Интернете коррелирует с большей популярностью.
В наборе данных за октябрь 2022 года это было дополнительно разделено на половинные ступени. Повторный запуск первого запроса для этого набора данных показывает полушаги и количество источников в каждой величине ранга:
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
Ряд | ранг_величина | 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 |
Узнайте больше об использовании CrUX в BigQuery и просмотрите кулинарную книгу CrUX, чтобы найти больше примеров запросов. Поделитесь своими запросами, если хотите, и дайте нам знать, что вы найдете.