← Zurück zum Blog

CrUX History Verwendet Gleitende Fenster Statt Wöchentlicher Momentaufnahmen

CrUX History wird wöchentlich aktualisiert, doch jeder Datenpunkt fasst 28 Tage zusammen. So interpretierst du überlappende Fenster, p75-Werte und fehlende Zeiträume richtig.

Ein CrUX-History-Diagramm ist keine Folge unabhängiger wöchentlicher Messungen. Jeder Datenpunkt fasst ein gleitendes 28-Tage-Fenster zusammen. Wer benachbarte Punkte als getrennte Wochen behandelt, kann normale Schwankungen für Regressionen halten oder übersehen, wann eine Änderung tatsächlich bei Nutzern ankam.

Was ein Datenpunkt darstellt

Die Chrome UX Report (CrUX) History API liefert Zeitreihen von Messwerten zum Nutzungserlebnis realer Nutzer. Sie wird montags aktualisiert und enthält Daten bis zum vorherigen Samstag. Jeder Datenpunkt deckt einen 28-tägigen Erhebungszeitraum ab; pro Woche gibt es einen Zeitraum. Zwei benachbarte Punkte teilen daher 21 Beobachtungstage. Ein Monat mit Diagrammpunkten besteht nicht aus voneinander unabhängigen Stichproben.

Diese Überlappung beeinflusst, wie ein Release im Diagramm erscheint. Wenn du am Dienstag eine Änderung ausrollst, enthält der nächste Punkt noch drei Wochen vor dem Release und nur einige Tage danach. Die Erfahrungen vor dem Release verlassen das Fenster nach und nach, statt beim nächsten wöchentlichen Update zu verschwinden. Eine langsam besser werdende Kurve kann auf dieses Fenster zurückzuführen sein, nicht auf einen gestaffelten Rollout oder eine verzögert wirksame Korrektur.

Verwende die Datumsangaben in collectionPeriods, um die Intervalle hinter den Werten zu beschriften. Ein angezeigtes Datum allein ist mehrdeutig: Es kann wie eine Messung von diesem Tag aussehen, obwohl der Wert vier Wochen zusammenfasst. Zeige Start- und Enddatum in internen Diagrammen und Incident-Notizen an.

p75 als Zusammenfassung einer Verteilung verstehen

CrUX meldet Verteilungen, darunter das 75. Perzentil (p75): den Wert, unter dem 75 % der erfassten Erfahrungen in diesem Zeitraum liegen. Es ist weder die durchschnittliche Erfahrung noch der schlechteste Fall oder eine Bewertung für einen bestimmten Besucher. Die History API weist außerdem darauf hin, dass Perzentilwerte aus den zugrunde liegenden Daten abgeleitet werden und möglicherweise keinem tatsächlich von einem Nutzer erlebten Wert entsprechen.

Bilde keinen Durchschnitt der wöchentlichen p75-Werte, um ein monatliches p75 zu schätzen. Perzentile lassen sich nicht auf diese Weise kombinieren: Das Perzentil einer zusammengefassten Population hängt von den zugrunde liegenden Beobachtungen ab, nicht nur vom p75 jedes Fensters. Ebenso wenig solltest du Desktop-p75 und Mobil-p75 mitteln und das Ergebnis als Gesamt-p75 der Website bezeichnen. Vergleiche gleiche Dimensionen oder verwende die vom Berichtssystem bereitgestellte Verteilung.

Eine kleine Änderung des p75 ist ein Anlass zur Untersuchung, kein Beweis für eine statistisch signifikante Regression. CrUX veröffentlicht bewusst keine exakten Traffic-Zahlen, und die Punkte überlappen sich. Betrachte mehrere Verteilungsindikatoren, Ausmaß und Dauer der Änderung sowie einen möglichen zeitlichen Zusammenhang mit einer Code- oder Infrastrukturänderung. Erfinde kein Konfidenzintervall aus einem Diagramm, dem die nötigen Stichprobenzahlen fehlen.

Leistungsänderungen von der Zusammensetzung des Publikums trennen

Ein Datensatz auf Origin-Ebene aggregiert berechtigte Erfahrungen über die Seiten einer Origin hinweg; ein URL-Datensatz bezieht sich auf eine bestimmte Seite. Sie beantworten unterschiedliche Fragen. Das p75 der gesamten Website kann sich ändern, weil sich der Traffic-Anteil zu einer langsameren Seite verschoben hat, obwohl sich die seitenbezogenen Messwerte nicht verschlechtert haben.

Dasselbe gilt für Geräte- und Standortdimensionen. Ein höherer Anteil mobiler Zugriffe oder eine Änderung der Länder, aus denen berechtigte Erfahrungen stammen, kann die Gesamtverteilung verschieben. Vergleiche bei der Analyse eines Releases dieselbe URL oder Origin, Metrik, Geräteklasse und Erhebungszeiträume. Untersuche anschließend weitere Segmente, um festzustellen, ob die aggregierte Bewegung eine breite Regression oder eine Änderung der dargestellten Nutzer oder Seiten ist.

Auch die Abdeckung des Datensatzes ändert sich: Der monatliche CrUX-Datensatz für August 2026 umfasste 18.294.881 Origins, 1,3 % mehr als im Vormonat. Das belegt keine Verbesserung einer bestimmten Website, sondern zeigt, dass ein Origin-übergreifendes Aggregat kein festes Panel ist.

Fehlende Daten sind kein bestandener Test

CrUX hat Berechtigungskriterien für Nutzer und Seiten. Seiten müssen öffentlich auffindbar und ausreichend populär sein; Google veröffentlicht keine exakte Mindestzahl an Besuchern. Der Datensatz kann eine Seite oder Origin auch auslassen, wenn für einen bestimmten Erhebungszeitraum nicht genügend berechtigte Daten vorliegen. In der History API werden Zeiträume ohne berechtigte Daten durch Nullwerte bei Perzentilen und NaN-Histogrammdichten dargestellt.

„Kein CrUX-Ergebnis“ bedeutet also weder „schnell“ noch „langsam“ oder „unverändert“. Es bedeutet, dass der Datensatz für diese Kennung und diesen Zeitraum kein Ergebnis liefern kann. CrUX bildet außerdem berechtigte Chrome-Erfahrungen ab, nicht alle Besucher deiner Website. Wenn du zusätzlich eigenes Real User Monitoring verwendest, dokumentiere Population und Aggregationsfenster getrennt; die Datensätze ergänzen sich, sind aber nicht austauschbar.

Ein sichereres Vorgehen beim Lesen von Trends

Halte für jeden Vergleich Kennung (Origin oder URL), Metrik, Geräteklasse sowie exakte Start- und Enddaten fest. Vergleiche einen Zeitraum mit früheren Zeiträumen derselben Dimensionen und berücksichtige, dass benachbarte Zeiträume den Großteil ihrer Beobachtungen teilen. Behandle einen kurzfristigen Ausschlag als Anlass, Verteilung und Deployment-Zeitpunkt zu prüfen, nicht als Urteil.

Verwende Felddaten, um zu beantworten, was berechtigte Besucher erlebt haben, und einen kontrollierten Labortest, um nach dem Grund zu suchen. Ein Labortest ist unter festgelegten Bedingungen reproduzierbar, ersetzt aber nicht die Feldverteilung. Bei einer Release-Bewertung ist dieser Unterschied entscheidend: Das eine beschreibt die beobachtete Population, das andere hilft, eine Ursache einzugrenzen.

Gleitende Aggregate sind gerade deshalb nützlich, weil sie verrauschte Felderfahrungen glätten. Behandle Zeiträume, Verteilungen und Berechtigungsgrenzen als Teil der Metrik und nicht als Fußnoten. Dann ist das Diagramm ein Beleg für das Nutzungserlebnis und keine wöchentliche Rangliste.

Quellen

Comments

Loading comments…