Data mentah Laporan UX Chrome (CrUX) tersedia di BigQuery,
Dalam panduan ini,
- Memahami cara pengaturan data
- Menulis kueri dasar untuk mengevaluasi performa origin
- Menulis kueri lanjutan untuk melacak performa dari waktu ke waktu
Pengaturan data
Mulai dengan melihat kueri dasar:
SELECT COUNT(DISTINCT origin) FROM `chrome-ux-report. all. 202206`
Untuk menjalankan kueri,
Ada dua bagian dalam kueri ini:
SELECT COUNT(
berarti membuat kueri untuk jumlah asal dalam tabel.DISTINCT origin) Secara kasar, dua URL adalah bagian dari origin yang sama jika memiliki skema, host, dan port yang sama. FROM chrome-ux-report.
menentukan alamat tabel sumber,all. 202206 yang memiliki tiga bagian: - Nama project Cloud
chrome-ux-report
tempat semua data CrUX diatur - Set data
all
,yang mewakili data di semua negara - Tabel
202206
,tahun dan bulan data dalam format YYYYMM
- Nama project Cloud
Ada juga set data untuk setiap negara.chrome-ux-report.
hanya mewakili data pengalaman pengguna yang berasal dari Kanada.
Dalam setiap set data,
Struktur tabel data (juga dikenal sebagai skema) berisi:
- Asal,
misalnya origin = 'https:/
,/ www. example. com' yang mewakili distribusi pengalaman pengguna gabungan untuk semua halaman di situs tersebut - Kecepatan koneksi pada saat pemuatan halaman,
misalnya, effective_
connection_ type. name = '4G' - Jenis perangkat,
misalnya form_
factor. name = 'desktop' - Metrik UX itu sendiri
Data untuk setiap metrik diatur sebagai array objek.first_
akan terlihat seperti ini:
[
{"start": 0, "end": 100, "density": 0.1234 },
{"start": 100, "end": 200, "density": 0.0123 },
...
]
Setiap bin berisi waktu mulai dan waktu berakhir dalam milidetik serta kepadatan yang mewakili persentase pengalaman pengguna dalam rentang waktu tersebut.
Jelajahi struktur tabel di BigQuery.
Mengevaluasi performa
Kita dapat menggunakan pengetahuan tentang skema tabel untuk menulis kueri yang mengekstrak data performa ini.
SELECT
fcp
FROM
`chrome-ux-report. all. 202206`,
UNNEST(first_contentful_paint . histogram. bin) AS fcp
WHERE
origin = 'https://web.dev' AND
effective_connection_type . name = '4G' AND
form_factor . name = 'phone' AND
fcp. start = 0
Hasilnya adalah 0.
,WHERE
dan menggunakan fungsi agregator SUM
untuk menambahkan semua kepadatan bin masing-masing:
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
Hasilnya adalah 0.
,
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
Hal ini memberi kita 0.
.
Lacak performa
Setelah mengekstrak data performa tentang origin,
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
Di sini,
yyyymm | fast_ |
---|---|
202206 | 69, |
202205 | 70, |
202204 | 69, |
202203 | 69, |
202202 | 67, |
202201 | 58, |
202112 | 41, |
. |
. |
Dengan teknik ini,
FAQ
Berikut adalah beberapa pertanyaan umum (FAQ) tentang set data BigQuery CrUX:
Kapan saya harus menggunakan BigQuery, bukan alat lain?
BigQuery hanya diperlukan jika Anda tidak bisa mendapatkan informasi yang sama dari alat lain seperti Dasbor CrUX dan PageSpeed Insights.
Apakah ada batasan untuk menggunakan BigQuery?
Ya,
Di mana saya dapat mempelajari BigQuery lebih lanjut?
Lihat dokumentasi BigQuery untuk mengetahui info selengkapnya.