Glosario

Explore Meshline

Products Pricing Blog Support Log In

Empecemos por tus objetivos.

Agenda una llamada
Operaciones autónomas

CrUX History API o BigQuery: elige la superficie correcta para monitorear Core Web Vitals

¿CrUX History API o BigQuery para monitorear Core Web Vitals? Descubre qué superficie responde mejor a tu pregunta antes de construir reportes sobre la equivocada.

Una lupa con mango color canela junto a un ícono de base de datos en verde azulado y azul marino sobre un fondo claro.

Tu equipo quiere observar Core Web Vitals a lo largo del tiempo, y dos superficies de Google aparecen una y otra vez: la CrUX History API y CrUX en BigQuery.

Ambas se alimentan del mismo conjunto de datos de experiencia de usuario de Chrome, pero responden a preguntas distintas.

Si eliges la equivocada, tus reportes de monitoreo dejarán de mostrar, sin que lo notes, lo que realmente necesitas ver.

La decisión se reduce a tres diferencias documentadas: resolución, frecuencia de actualización y detalle de métricas.

Este artículo recorre cada una, agrega la verificación de elegibilidad que deberías hacer primero y muestra cómo se traduce la elección en una situación concreta.

Qué es cada superficie en realidad

La CrUX History API ofrece acceso programático a los datos históricos de CrUX por página u origen, con filtros por formato de dispositivo y métricas.

Sirve métricas Web Vitals tanto a nivel de origen como de página, y se actualiza semanalmente.

Los valores provienen de los últimos 40 períodos semanales de recolección, cada uno cubriendo 28 días como ventana móvil.

CrUX en BigQuery es una base de datos de acceso público con datos a nivel de origen.

Puedes consultar cualquier origen para el que existan datos recolectados, analizar cualquier métrica que CrUX admita y filtrar por todas las dimensiones disponibles.

Los histogramas completos de métricas se almacenan en las tablas, y los datos llegan hasta 2017.

Se actualiza mensualmente, y la publicación de cada mes llega el segundo martes después del período de recolección.

Ambas superficies se basan en el mismo conjunto de datos subyacente, así que la elección no trata sobre la calidad de los datos.

Trata sobre qué forma de los datos coincide con tu pregunta de monitoreo.

Decisión uno: ¿necesitas tendencias a nivel de página?

Esta es la línea divisoria más nítida.

La History API sirve métricas Web Vitals tanto por origen como a nivel de página.

Las tablas de BigQuery contienen solo datos a nivel de origen; los datos a nivel de página no están disponibles en BigQuery.

Si tu pregunta de monitoreo trata sobre una página de aterrizaje específica, una plantilla o una sección del sitio, BigQuery no puede responderla.

Como consecuencia ilustrativa de la agregación a nivel de origen, una regresión en una página importante podría quedar oculta dentro de un promedio de origen estable.

Si tu pregunta trata sobre todo el sitio, o sobre comparar entre dimensiones, BigQuery es la opción más adecuada.

Puedes comparar orígenes por país, formato de dispositivo y mes de recolección donde esas tablas estén disponibles.

La documentación de herramientas señala que la History API no tiene dimensión de país, mientras que BigQuery admite todas las dimensiones disponibles.

Decisión dos: ¿qué tan frescos deben ser los datos?

La History API se actualiza semanalmente.

Los datos históricos se publican cada lunes y contienen los 40 períodos de recolección de 28 días más recientes que terminan en sábados.

BigQuery se actualiza mensualmente, con publicación el segundo martes después de cada período mensual de recolección, cubriendo los últimos 28 días de ese período.

Ajusta tu ritmo de revisión a estos calendarios.

Si tu equipo revisa tendencias de rendimiento semanalmente y quiere detectar un cambio en pocas semanas, las publicaciones de los lunes de la History API encajan con ese ritmo.

Si tu monitoreo es una revisión mensual o trimestral, la cadencia mensual de BigQuery es suficiente, y a cambio obtienes el análisis dimensional.

Ninguna superficie te da datos en tiempo real.

Ambas reportan experiencias de usuario agregadas según sus calendarios de publicación.

Por eso ninguna puede verificar una corrección justo después del despliegue.

Decisión tres: ¿qué métricas y cuánto detalle?

La History API sirve un subconjunto de métricas clave.

Las métricas web vitals están disponibles en todas las herramientas de CrUX, así que las tendencias de LCP, INP y CLS quedan cubiertas de cualquier forma.

BigQuery almacena todas las métricas excepto los tipos de recursos y subpartes de LCP, con histogramas completos de métricas.

Eso importa si quieres visualizar la distribución completa del rendimiento en lugar de un valor resumen.

Una advertencia de la documentación: los percentiles en BigQuery se interpretan a partir de datos de histograma gruesos, lo que produce valores aproximados.

Si tus reportes dependen de cifras de percentil precisas, verifica cuánto importa esa aproximación para tus umbrales.

BigQuery también conserva datos desde 2017, lo que permite análisis históricos de largo plazo.

La History API cubre las 40 semanas anteriores.

Si tu pregunta implica comparar el presente con condiciones de hace años, BigQuery es la única de las dos que puede hacerlo.

Verifica la elegibilidad antes de construir

Antes de comprometerte con cualquiera de las dos superficies, confirma que las páginas u origen que quieres monitorear realmente aparecen en CrUX.

Las páginas y los orígenes deben ser públicamente descubribles y suficientemente populares para incluirse.

La descubribilidad sigue los mismos criterios de indexabilidad que los motores de búsqueda.

Una página que devuelve un código distinto de 200 después de redirecciones, que está bloqueada por noindex o que de otro modo no es indexable no calificará.

El umbral de popularidad usa un número mínimo de visitantes cuyo valor exacto Google no divulga.

Hay un matiz que vale la pena conocer.

Los datos a nivel de página en PageSpeed Insights y la CrUX API requieren que los criterios de usuario, origen y página se cumplan todos.

Según la documentación de metodología, las experiencias que cumplen los criterios de usuario y origen pero no el de página no se incluyen en los datos a nivel de origen de CrUX.

Si planeas monitoreo a nivel de página con la History API, verifica primero que esas páginas tengan datos.

Así evitarás construir reportes alrededor de páginas sin información.

Las páginas y los orígenes se agregan o eliminan automáticamente según cambie la elegibilidad.

No puedes enviar manualmente una página u origen para su inclusión.

Una página que sale del conjunto de datos simplemente dejará de aparecer en tu monitoreo, así que incorpora esa posibilidad en tu forma de interpretar los vacíos.

Un ejemplo desarrollado, claramente ilustrativo

Supongamos que un equipo de marketing quiere saber si la tendencia de LCP de una página de aterrizaje específica mejora después de un cambio de plantilla.

Al mapear esa pregunta: necesita resolución a nivel de página, lo que apunta a la History API, y la cadencia semanal encaja con su ritmo de revisión.

El equipo primero confirmaría que la página tiene datos de CrUX a nivel de página, ya que la elegibilidad no está garantizada.

Ahora supongamos que otro equipo quiere comparar distribuciones de rendimiento a nivel de origen entre países y formatos de dispositivo a lo largo de varios años.

Eso apunta a BigQuery: solo a nivel de origen, todas las dimensiones, histogramas completos y datos desde 2017.

La cadencia mensual se adapta a una revisión trimestral.

Estos son mapeos ilustrativos, no resultados medidos.

El punto es que la pregunta misma determina la superficie, y puedes aplicar el mismo mapeo a tus propios requisitos de monitoreo.

Una lista de decisión breve

  • ¿Tu pregunta trata sobre páginas específicas? Si sí, la History API es la única de las dos que sirve datos a nivel de página. Si no, continúa.
  • ¿Necesitas comparar por país o formato de dispositivo? Si sí, BigQuery admite todas las dimensiones disponibles; la History API no tiene dimensión de país. Si no, continúa.
  • ¿Necesitas histogramas completos de métricas o historial desde 2017? Si sí, BigQuery los almacena, con percentiles aproximados derivados de histogramas gruesos. Si no, el subconjunto de métricas clave de la History API sobre 40 semanas puede ser suficiente.
  • ¿Tu ritmo de revisión necesita actualizaciones semanales? Si sí, la History API publica cada lunes. Si lo mensual funciona, la publicación del segundo martes de BigQuery encaja.
  • ¿Verificaste que las páginas u origen cumplen la elegibilidad de CrUX? Si no, revisa la descubribilidad y la popularidad antes de construir cualquier cosa sobre cualquiera de las dos superficies.

Estas preguntas pueden apuntar en direcciones distintas, lo cual es esperable.

Un equipo que necesita tendencias por página y análisis dimensional puede usar ambas superficies.

Cada una responde preguntas distintas, sin forzar a ninguna a un trabajo para el que no fue creada.

Dónde encaja esto en tu flujo de monitoreo

Elijas la superficie que elijas, el resultado todavía tiene que llegar a un lugar donde tu equipo actúe sobre él.

Si ya estás consolidando reportes entre herramientas, puede ayudar pensar en cómo los datos de CrUX se ubican junto a tus otras superficies de monitoreo.

Para una decisión relacionada sobre consolidar reportes de SEO, consulta Semrush SEO Dashboard o informes individuales: decide antes de comprometerte.

Si tu monitoreo incluye rendimiento de contenido, Pestaña Analyze o Content Performance cubre una decisión similar de primera verificación.

Si parte de tu monitoreo usa automatización orientada al usuario, ¿Cuándo debería aparecer un chatbot? aborda el disparador a nivel de página.

La conclusión central: empareja la superficie con la pregunta.

Las tendencias a nivel de página y la frescura semanal apuntan a la History API.

El análisis a nivel de origen entre dimensiones, los histogramas completos y el historial largo apuntan a BigQuery.

Verifica la elegibilidad primero para no construir reportes alrededor de páginas que hoy no tienen datos de CrUX, y espera vacíos si la elegibilidad cambia más adelante.

Referencias de fuente: developer.chrome.com; developer.chrome.com; developer.chrome.com.

Cómo puede ayudar Meshline.

Conecta automatización, Marketing Orgánico (generación de demanda) y gestión del ciclo de vida del cliente (Revenue Intelligence).

Lleva la planificación de temas, la publicación de contenido y el feedback de rendimiento a la conversación sobre tu flujo de trabajo. Reserva una demo de Meshline.

Revenue Intel

Consúltanos sobre este flujo de trabajo.

Cuéntanos qué quieres mejorar o automatizar. Te responderemos con el siguiente paso más útil.

Descubre cómo podemos ayudarte

Decisiones de implementación

Lleva esta idea a tu operación

Antes de elegir una solución, define el problema, los datos disponibles y quién revisará el resultado.