I dati grezzi del report sull'esperienza utente di Chrome (CrUX) sono disponibili su BigQuery, un database su Google Cloud. L'utilizzo di BigQuery richiede un progetto GCP e una conoscenza di base di SQL.
In questa guida, scopri come utilizzare BigQuery per scrivere query sul set di dati CrUX per estrarre risultati utili sullo stato delle esperienze utente sul web:
- Comprendere come sono organizzati i dati
- Scrivere una query di base per valutare il rendimento di un'origine
- Scrivere una query avanzata per monitorare il rendimento nel tempo
Organizzazione dei dati
Inizia esaminando una query di base:
SELECT COUNT(DISTINCT origin) FROM `chrome-ux-report.all.202206`
Per eseguire la query, inseriscila nell'editor di query e premi il pulsante "Esegui query":
Questa query è composta da due parti:
SELECT COUNT(DISTINCT origin)significa eseguire una query per il numero di origini nella tabella. In linea di massima, due URL fanno parte della stessa origine se hanno lo stesso schema, host e porta.FROM chrome-ux-report.all.202206specifica l'indirizzo della tabella di origine, che è composta da tre parti:- Il nome del progetto Cloud
chrome-ux-reportin cui sono organizzati tutti i dati CrUX - Il set di dati
all, che rappresenta i dati di tutti i paesi - La tabella
202206, l'anno e il mese dei dati in formato AAAAMM
- Il nome del progetto Cloud
Esistono anche set di dati per ogni paese. Ad esempio, chrome-ux-report.country_ca.202206 rappresenta solo i dati sull'esperienza utente provenienti dal Canada.
In ogni set di dati sono presenti tabelle per ogni mese a partire da 201710. Le nuove tabelle per il mese di calendario precedente vengono pubblicate regolarmente.
La struttura delle tabelle di dati (nota anche come schema) contiene:
- L'origine, ad esempio
origin = 'https://www.example.com', che rappresenta la distribuzione aggregata dell'esperienza utente per tutte le pagine di quel sito web - La velocità di connessione al momento del caricamento pagina, ad esempio
effective_connection_type.name = '4G'(rimossa da febbraio 2025) - Il tipo di dispositivo, ad esempio
form_factor.name = 'desktop' - Le metriche UX stesse
I dati per ogni metrica sono organizzati come un array di oggetti. Nella notazione JSON, first_contentful_paint.histogram.bin avrebbe un aspetto simile al seguente:
[
{"start": 0, "end": 100, "density": 0.1234},
{"start": 100, "end": 200, "density": 0.0123},
...
]
Ogni contenitore contiene un'ora di inizio e di fine in millisecondi e una densità che rappresenta la percentuale di esperienze utente all'interno di questo intervallo di tempo. In altre parole, il 12, 34% delle esperienze FCP per questa origine, velocità di connessione e tipo di dispositivo ipotetici sono inferiori a 100 ms. La somma di tutte le densità dei contenitori è pari al 100%.
Sfoglia la struttura delle tabelle in BigQuery.
Valutare il rendimento
Possiamo utilizzare la nostra conoscenza dello schema della tabella per scrivere una query che estrae questi dati sul rendimento.
SELECT
fcp
FROM
`chrome-ux-report.all.202502`,
UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
origin = 'https://web.dev' AND
form_factor.name = 'phone' AND
fcp.start = 0
Il risultato è 0.01115, il che significa che l'1,115% delle esperienze utente su questa origine è compreso tra 0 e 100 ms su 4G e su uno smartphone. Se vogliamo generalizzare la query a qualsiasi connessione e tipo di dispositivo, possiamo ometterli dalla clausola WHERE e utilizzare la funzione di aggregazione SUM per sommare tutte le rispettive densità dei contenitori:
SELECT
SUM(fcp.density)
FROM
`chrome-ux-report.all.202206`,
UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
origin = 'https://web.dev' AND
fcp.start = 0
Il risultato è 0.05355, ovvero il 5,355% su tutti i dispositivi e i tipi di connessione. Possiamo modificare leggermente la query e sommare le densità per tutti i contenitori che rientrano nell'intervallo FCP "veloce" di 0-1000 ms:
SELECT
SUM(fcp.density) AS fast_fcp
FROM
`chrome-ux-report.all.202206`,
UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
origin = 'https://web.dev' AND
fcp.start < 1000
Il risultato è 0.6977. In altre parole, il 69,77% delle esperienze utente FCP su web.dev è considerato "veloce" in base alla definizione dell'intervallo FCP.
Monitorare il rendimento
Ora che abbiamo estratto i dati sul rendimento di un'origine, possiamo confrontarli con i dati storici disponibili nelle tabelle precedenti. Per farlo, possiamo riscrivere l'indirizzo della tabella in un mese precedente oppure utilizzare la sintassi con caratteri jolly per eseguire query su tutti i mesi:
SELECT
_TABLE_SUFFIX AS yyyymm,
SUM(fcp.density) AS fast_fcp
FROM
`chrome-ux-report.all.*`,
UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
origin = 'https://web.dev' AND
fcp.start < 1000
GROUP BY
yyyymm
ORDER BY
yyyymm DESC
Qui vediamo che la percentuale di esperienze FCP veloci varia di alcuni punti percentuali ogni mese.
| AAAAMM | fast_fcp |
|---|---|
| 202206 | 69,77% |
| 202205 | 70,71% |
| 202204 | 69,04% |
| 202203 | 69,82% |
| 202202 | 67,75% |
| 202201 | 58,96% |
| 202112 | 41,69% |
| … | … |
Con queste tecniche, puoi cercare il rendimento di un'origine, calcolare la percentuale di esperienze veloci e monitorarla nel tempo. Come passaggio successivo, prova a eseguire query su due o più origini e a confrontarne il rendimento.
Domande frequenti
Di seguito sono riportate alcune delle domande frequenti sul set di dati CrUX BigQuery:
Quando devo utilizzare BigQuery anziché altri strumenti?
BigQuery è necessario solo quando non puoi ottenere le stesse informazioni da altri strumenti come CrUX Vis e PageSpeed Insights. Ad esempio, BigQuery ti consente di suddividere i dati in modi significativi e persino di unirli ad altri set di dati pubblici come il HTTP Archive per eseguire un'analisi avanzata dei dati.
Esistono limitazioni all'utilizzo di BigQuery?
Sì, la limitazione più importante è che per impostazione predefinita gli utenti possono eseguire query solo su 1 TB di dati al mese. Oltre a questo, si applica la tariffa standard di 5 $/TB.
Dove posso trovare ulteriori informazioni su BigQuery?
Per ulteriori informazioni, consulta la documentazione di BigQuery.