Cara menggunakan {i>dataset

Data mentah Laporan UX Chrome (CrUX) tersedia di BigQuery, database di Google Cloud. Untuk menggunakan BigQuery, Anda memerlukan project GCP dan pengetahuan dasar tentang SQL.

Dalam panduan ini, pelajari cara menggunakan BigQuery untuk menulis kueri terhadap set data CrUX guna mengekstrak hasil yang bermanfaat tentang status pengalaman pengguna di web:

  • 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, masukkan kueri ke editor kueri, lalu tekan tombol "Jalankan kueri":

Masukkan kueri sederhana ke dalam editor dan tekan Run.

Ada dua bagian dalam kueri ini:

  • SELECT COUNT(DISTINCT origin) berarti membuat kueri untuk jumlah asal dalam tabel. Secara kasar, dua URL adalah bagian dari origin yang sama jika memiliki skema, host, dan port yang sama.

  • FROM chrome-ux-report.all.202206 menentukan alamat tabel sumber, 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

Ada juga set data untuk setiap negara. Misalnya, chrome-ux-report.country_ca.202206 hanya mewakili data pengalaman pengguna yang berasal dari Kanada.

Dalam setiap set data, ada tabel untuk setiap bulan sejak 201710. Tabel baru untuk bulan kalender sebelumnya dipublikasikan secara rutin.

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
    • first_paint (FP)
    • first_contentful_paint (FCP)
    • largest_contentful_paint (LCP)
    • dom_content_loaded (DCL)
    • onload (OL)
    • layout_instability.cumulative_layout_shift (CLS)
    • interaction_to_next_paint (INP)

Data untuk setiap metrik diatur sebagai array objek. Dalam notasi JSON, first_contentful_paint.histogram.bin 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. Dengan kata lain, 12,34% pengalaman FCP untuk asal, kecepatan koneksi, dan jenis perangkat hipotetis ini kurang dari 100 md. Jumlah semua kepadatan bin adalah 100%.

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

Membuat kueri FCP CrUX di BigQuery

Hasilnya adalah 0.01115, yang berarti bahwa 1,115% pengalaman pengguna di origin ini berada antara 0 dan 100 md di 4G dan di ponsel. Jika ingin membuat generalisasi kueri ke koneksi dan jenis perangkat apa pun, kita dapat menghapusnya dari klausa 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

Menjumlahkan FCP CrUX di BigQuery

Hasilnya adalah 0.05355, atau 5,355% di semua perangkat dan jenis koneksi. Kita dapat sedikit mengubah kueri dan menambahkan kepadatan untuk semua bin yang berada dalam rentang FCP "cepat" 0–1.000 md:

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

Membuat kueri FCP cepat di BigQuery

Hal ini memberi kita 0.6977. Dengan kata lain, 69,77% pengalaman pengguna FCP di web.dev dianggap "cepat" sesuai dengan definisi rentang FCP.

Lacak performa

Setelah mengekstrak data performa tentang origin, kita dapat membandingkannya dengan data historis yang tersedia di tabel lama. Untuk melakukannya, kita dapat menulis ulang alamat tabel ke bulan sebelumnya, atau kita dapat menggunakan sintaksis karakter pengganti untuk membuat kueri semua bulan:

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

Membuat kueri deret waktu FCP CrUX di BigQuery

Di sini, kita melihat bahwa persentase pengalaman FCP cepat bervariasi sebesar beberapa persen setiap bulan.

yyyymm fast_fcp
202206 69,77%
202205 70,71%
202204 69,04%
202203 69,82%
202202 67,75%
202201 58,96%
202112 41,69%
... ...

Dengan teknik ini, Anda dapat mencari performa untuk origin, menghitung persentase pengalaman yang cepat, dan melacaknya dari waktu ke waktu. Sebagai langkah berikutnya, coba buat kueri untuk dua origin atau lebih dan bandingkan performanya.

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. Misalnya, BigQuery memungkinkan Anda mengelompokkan data dengan cara yang bermakna dan bahkan menggabungkannya dengan set data publik lainnya seperti HTTP Archive untuk melakukan beberapa eksplorasi data lanjutan.

Apakah ada batasan untuk menggunakan BigQuery?

Ya, batasan yang paling penting adalah secara default pengguna hanya dapat membuat kueri data senilai 1 TB per bulan. Di luar itu, tarif standar $5/TB berlaku.

Di mana saya dapat mempelajari BigQuery lebih lanjut?

Lihat dokumentasi BigQuery untuk mengetahui info selengkapnya.