Die Personalisierung nutzt maschinelles Lernen – insbesondere einen kontextbezogenen Multi-Armed-Bandit-Algorithmus – um die optimale Erfahrung für einzelne Benutzer zu bestimmen, um ein Ziel zu erreichen. In unserem Fall besteht das Ziel darin, die Gesamtzahl oder den Gesamtparameterwert bestimmter Google Analytics-Ereignisse zu optimieren.
Was ist ein kontextbezogener mehrarmiger Banditenalgorithmus?
Der „mehrarmige Bandit“ ist eine Metapher, die verwendet wird, um die Situation zu beschreiben, in der wir aus einer Liste von mehreren Wegen ständig einen Weg wählen wollen, der zu den höchsten und zuverlässigsten Belohnungen führt. Um dies zu veranschaulichen, können Sie die Metapher eines Spielers vor einer Reihe von Spielautomaten verwenden – umgangssprachlich oft als „einarmiger Bandit“ bezeichnet, weil ein Spielautomat einen Griff (oder Arm) hat und Ihr Geld nimmt. Da wir nach mehreren "Armen" auflösen wollen, wird der einarmige Bandit zum mehrarmigen Banditen.
Nehmen wir zum Beispiel an, wir haben drei Optionen und möchten bestimmen, welche die zuverlässigste Belohnung bietet: Wir könnten jede Option ausprobieren und dann, nachdem wir ein Ergebnis erhalten haben, könnten wir einfach den Arm wählen, der die meisten Belohnungen erzielt hat. Dies wird als Greedy -Algorithmus bezeichnet: Die Option, die beim ersten Versuch das beste Ergebnis liefert, ist die, die wir weiterhin wählen. Aber wir können verstehen, dass dies nicht immer funktioniert – zum einen könnte die hohe Belohnung ein Glücksfall sein. Oder vielleicht gibt es einen benutzerspezifischen Kontext, der in diesem Zeitraum zu höheren Belohnungen geführt hat, die später nicht so effektiv wären.
Es wird also Kontext hinzugefügt, um den Algorithmus effektiver zu machen. Bei der Remote Config-Personalisierung ist dieser anfängliche Kontext eine zufällige Stichprobe oder Unsicherheit , die dem Experiment eine gewisse Entropie verleiht. Dies implementiert einen " kontextuellen mehrarmigen Banditen". Während das Experiment weiterläuft, fügt die fortlaufende Exploration und Beobachtung realen erlernten Kontext darüber hinzu, welche Arme am wahrscheinlichsten eine Belohnung für das Modell hervorrufen, wodurch es effektiver wird.
Was bedeutet das für meine App?
Lassen Sie uns nun besprechen, was ein mehrarmiger Banditenalgorithmus im Kontext Ihrer App bedeutet. Angenommen, Sie optimieren für Klicks auf Banneranzeigen. In diesem Fall wären die "Arme" der Personalisierung die alternativen Werte, die Sie angeben, um die verschiedenen Werbebanner darzustellen, die Sie den Benutzern anzeigen möchten. Der Klick auf die Banneranzeige ist die Belohnung, die wir als Ziel bezeichnen.
Wenn Sie zum ersten Mal eine Personalisierung starten, weiß das Modell nicht, welcher alternative Wert Ihr Ziel für jeden einzelnen Benutzer eher erreichen wird. Während die Personalisierung jeden alternativen Wert untersucht, um die Wahrscheinlichkeit des Erreichens Ihres Ziels zu verstehen, wird das zugrunde liegende Modell besser informiert und verbessert seine Fähigkeit, das optimale Erlebnis für jeden Benutzer vorherzusagen und auszuwählen.
Die Personalisierung verwendet ein Klebrigkeitsfenster von 24 Stunden. Dies ist die Zeitspanne, in der der Personalisierungsalgorithmus einen einzelnen alternativen Wert untersucht. Sie sollten Ihren Personalisierungen genügend Zeit geben, um jeden alternativen Wert mehrmals zu erkunden (in der Regel etwa 14 Tage). Im Idealfall können Sie sie dauerhaft ausführen, damit sie sich kontinuierlich verbessern und anpassen können, wenn sich Ihre App und Ihr Benutzerverhalten ändern.
Verfolgen Sie zusätzliche Metriken
Die Remote Config-Personalisierung bietet auch die Möglichkeit, bis zu zwei zusätzliche Metriken zu verfolgen, um Ihnen bei der Kontextualisierung Ihrer Ergebnisse zu helfen. Angenommen, Sie haben eine soziale App entwickelt und verschiedene alternative Werte festgelegt, um Benutzer zu ermutigen, Inhalte mit Freunden zu teilen, um das Gesamtengagement zu erhöhen.
In diesem Fall können Sie für ein Analytics-Ereignis wie link_received
optimieren und Ihre beiden Metriken auf user_engagement
und link_opened
setzen, um zu verstehen, ob das Nutzerengagement und die Anzahl der Links, die der Nutzer öffnet, steigen (echtes Engagement) oder fallen (möglicherweise zu viele Spam-Links). ).
Obwohl diese zusätzlichen Metriken nicht in den Personalisierungsalgorithmus einfließen, können Sie sie direkt neben Ihren Personalisierungsergebnissen verfolgen und wertvolle Einblicke in die Fähigkeit der Personalisierung erhalten, Ihre Gesamtziele zu erreichen.
Personalisierungsergebnisse verstehen
Nachdem eine Personalisierung lange genug ausgeführt wurde, um Daten zu sammeln, können Sie ihre Ergebnisse anzeigen.
So zeigen Sie Personalisierungsergebnisse an:
Öffnen Sie die Seite Remote Config und klicken Sie auf Personalisierungen .
Wählen Sie die Personalisierung aus, die Sie anzeigen möchten. Sie können nach der spezifischen Personalisierung nach Name oder Ziel suchen und nach Name, Startzeit oder Gesamtlift sortieren.
Die Ergebnisseite fasst die Gesamtsteigerung oder den prozentualen Leistungsunterschied zusammen, den die Personalisierung gegenüber der Baseline- Gruppe bereitstellt.
Die Ergebnisseite zeigt auch den aktuellen Status der Personalisierung, die Attribute der Personalisierung und ein interaktives Diagramm, das:
Zeigt eine detaillierte Tages- und Gesamtansicht der Leistung der Personalisierung im Vergleich zur Baseline.
Zeigt, wie jeder Wert insgesamt in der Baselinegruppe abschneidet.
Zeigt Zielergebnisse und Leistung im Vergleich zu den von Ihnen ausgewählten zusätzlichen Metriken an, auf die Sie über die Registerkarten oben in der Zusammenfassung zugreifen können.
Eine Personalisierung kann auf unbestimmte Zeit ausgeführt werden, und Sie können die Ergebnisseite weiterhin erneut besuchen, um ihre Leistung zu überwachen. Der Algorithmus wird weiter lernen und sich anpassen, sodass er sich anpassen kann, wenn sich das Benutzerverhalten ändert.
Nächste Schritte
Erkunden Sie Anwendungsfälle für die Personalisierung von Remote Config .
Beginnen Sie mit der Personalisierung von Remote Config.