CrUX History Utilise des Fenêtres Glissantes, Pas des Instantanés Hebdomadaires
CrUX History est mis à jour chaque semaine, mais chaque point résume 28 jours. Interprétez correctement les fenêtres chevauchantes, les valeurs p75 et les périodes sans données.
Un graphique CrUX History n’est pas une suite de mesures hebdomadaires indépendantes. Chaque point résume une fenêtre glissante de 28 jours. Traiter les points voisins comme des semaines distinctes peut faire passer une variation normale pour une régression ou masquer le moment où un changement a réellement atteint les utilisateurs.
Ce que représente un point
L’API Chrome UX Report (CrUX) History renvoie des séries temporelles de mesures de l’expérience réelle des utilisateurs. Elle est mise à jour le lundi et contient des données jusqu’au samedi précédent. Chaque point couvre une période de collecte de 28 jours, à raison d’une période par semaine. Deux points consécutifs partagent donc 21 jours d’observations. Un mois de points sur un graphique ne correspond pas à des échantillons disjoints.
Ce chevauchement influence la façon dont un déploiement apparaît. Si vous déployez un changement un mardi, le point suivant inclut encore trois semaines antérieures au déploiement et seulement quelques jours après celui-ci. Les expériences antérieures sortent progressivement de la fenêtre au lieu de disparaître lors de la prochaine mise à jour hebdomadaire. Une courbe qui s’améliore lentement peut refléter cette fenêtre, et non un déploiement progressif ou un correctif tardif.
Utilisez les dates de collectionPeriods de l’API pour étiqueter les intervalles correspondant aux valeurs. Une date affichée seule est ambiguë : elle peut sembler désigner une mesure prise ce jour-là, alors que la valeur résume quatre semaines. Gardez les dates de début et de fin visibles dans les graphiques internes et les notes d’incident.
Considérez p75 comme un résumé de distribution
CrUX fournit des distributions, dont le 75e percentile (p75) : la valeur en dessous de laquelle se trouvent 75 % des expériences enregistrées pendant la période. Ce n’est ni l’expérience moyenne, ni le pire cas, ni une note attribuée à un visiteur donné. L’API History précise aussi que les valeurs de percentile sont dérivées des données sous-jacentes et qu’aucun utilisateur n’a nécessairement connu exactement cette valeur.
Ne faites pas la moyenne des valeurs p75 hebdomadaires pour estimer un p75 mensuel. Les percentiles ne se combinent pas ainsi : le percentile d’une population réunie dépend des observations sous-jacentes, et pas seulement du p75 de chaque fenêtre. De même, ne faites pas la moyenne du p75 ordinateur et du p75 mobile pour obtenir le p75 général du site. Comparez des dimensions équivalentes ou utilisez la distribution fournie par le système de rapports.
Une petite variation du p75 est un signal à examiner, pas la preuve d’une régression statistiquement significative. CrUX ne publie volontairement pas les volumes de trafic exacts, et les points se chevauchent. Examinez plusieurs indicateurs de distribution, l’ampleur et la persistance du changement, ainsi que sa concordance avec une modification du code ou de l’infrastructure. N’inventez pas d’intervalle de confiance à partir d’un graphique qui ne fournit pas les effectifs nécessaires au calcul.
Distinguez l’évolution des performances de celle du public
Un enregistrement au niveau de l’origine agrège les expériences éligibles sur les pages de cette origine ; un enregistrement au niveau de l’URL concerne une page précise. Ces deux niveaux répondent à des questions différentes. Le p75 d’un site peut évoluer parce que le trafic s’est déplacé vers une page plus lente, même si les mesures par page ne se sont pas dégradées.
Il en va de même pour les dimensions de l’appareil et de la région. Une part accrue du trafic mobile ou une évolution des pays contribuant aux expériences éligibles peut déplacer la distribution globale. Pour diagnostiquer un déploiement, comparez la même URL ou origine, la même mesure, le même facteur de forme et les mêmes périodes de collecte. Examinez ensuite d’autres segments pour déterminer si le mouvement agrégé correspond à une régression générale ou à un changement de ce qui est représenté.
La couverture du jeu de données évolue elle aussi : la publication CrUX mensuelle d’août 2026 comptait 18 294 881 origines, soit 1,3 % de plus que le mois précédent. Cela ne prouve pas qu’un site particulier s’est amélioré ; cela montre qu’un agrégat couvrant plusieurs origines ne constitue pas un panel fixe.
L’absence de données ne vaut pas validation
CrUX applique des critères d’éligibilité aux utilisateurs et aux pages. Les pages doivent être publiquement découvrables et suffisamment populaires ; Google ne publie pas de seuil exact de visiteurs. Le jeu de données peut aussi exclure une page ou une origine si les données éligibles sont insuffisantes pour une période donnée. Dans l’API History, une période sans données éligibles est représentée par des valeurs de percentile nulles et des densités d’histogramme NaN.
Ainsi, « aucun résultat CrUX » ne signifie pas « rapide », « lent » ou « inchangé ». Cela signifie que le jeu de données ne peut pas fournir de résultat pour cet identifiant et cette période. CrUX représente aussi les expériences éligibles dans Chrome, pas tous les visiteurs de votre site. Si vous le complétez par une mesure d’audience réelle que vous gérez, documentez séparément la population et la fenêtre d’agrégation ; ces jeux de données se complètent, mais ne sont pas interchangeables.
Une méthode plus sûre pour lire les tendances
Pour chaque comparaison, notez l’identifiant (origine ou URL), la mesure, le facteur de forme et les dates exactes de début et de fin. Comparez une période aux périodes précédentes utilisant les mêmes dimensions et gardez à l’esprit que les périodes voisines partagent la plupart de leurs observations. Traitez une oscillation brève comme une raison d’examiner la distribution et le calendrier de déploiement, pas comme un verdict.
Utilisez les données de terrain pour déterminer ce que les visiteurs éligibles ont vécu, puis un test de laboratoire contrôlé pour rechercher la cause. Un résultat de laboratoire est reproductible dans des conditions choisies ; il ne remplace pas la distribution de terrain. Cette distinction compte lors d’une revue de mise en production : l’un décrit la population observée, l’autre aide à isoler une cause.
Les agrégats glissants sont utiles précisément parce qu’ils lissent des expériences de terrain bruitées. Considérez les dates, les distributions et les limites d’éligibilité comme une partie de la mesure, pas comme des notes de bas de page : le graphique devient alors un élément de preuve sur l’expérience utilisateur, et non un tableau de scores hebdomadaire.
Comments
Loading comments…