Персонализация использует машинное обучение — в частности, алгоритм контекстуального многорукого бандита — для определения оптимального опыта для отдельных пользователей для достижения цели. В нашем случае цель состоит в том, чтобы оптимизировать общее количество или общее значение параметра конкретных событий Google Analytics.
Что такое алгоритм контекстуального многорукого бандита?
«Многорукий бандит» — это метафора, используемая для описания ситуации, когда мы хотим постоянно выбирать путь, ведущий к самой высокой и надежной награде из множества путей. Чтобы визуализировать это, вы можете использовать метафору игрока перед рядом игровых автоматов, которого в просторечии часто называют «одноруким бандитом», потому что у игрового автомата есть одна ручка (или рука), и он забирает ваши деньги. Поскольку мы хотим найти несколько «рук», однорукий бандит становится многоруким бандитом.
Например, предположим, что у нас есть три варианта, и мы хотим определить, какой из них дает наиболее надежное вознаграждение: мы могли бы попробовать каждый вариант, а затем, получив результат, мы могли бы просто продолжать выбирать руку, которая дала наибольшее вознаграждение. Это то, что называется жадным алгоритмом: вариант, который дает наилучший результат при первой попытке, мы и будем выбирать дальше. Но мы можем понять, что это может не всегда срабатывать — например, высокая награда может быть случайностью. Или, может быть, есть какой-то пользовательский контекст, который привел к более высоким вознаграждениям в этот период времени, которые не будут столь же эффективными позже.
Таким образом, контекст добавляется, чтобы сделать алгоритм более эффективным. Для персонализации Remote Config этот начальный контекст представляет собой случайную выборку или неопределенность , которая придает некоторую энтропию эксперименту. Это реализует « контекстный многорукий бандит». По мере того, как эксперимент продолжается, постоянное исследование и наблюдение добавляют реальный изученный контекст о том, какие руки с наибольшей вероятностью принесут вознаграждение модели, что сделает ее более эффективной.
Что это значит для моего приложения?
Теперь давайте обсудим, что означает алгоритм многорукого бандита в контексте вашего приложения. Допустим, вы оптимизируете клики по рекламным баннерам. В этом случае «плечи» персонализации будут альтернативными значениями, которые вы укажете для представления различных рекламных баннеров, которые вы хотите показывать пользователям. Клик по рекламному баннеру — это награда, которую мы называем целью .
Когда вы впервые запускаете персонализацию, модель не знает, какое альтернативное значение с большей вероятностью достигнет вашей цели для каждого отдельного пользователя. По мере того, как персонализация исследует каждое альтернативное значение, чтобы понять вероятность достижения вашей цели, базовая модель становится более информированной, улучшая свою способность прогнозировать и выбирать оптимальный опыт для каждого пользователя.
Персонализация использует окно липкости в 24 часа. Это количество времени, в течение которого алгоритм персонализации исследует одно альтернативное значение. Вы должны предоставить своим персонализациям достаточно времени, чтобы изучить каждое альтернативное значение несколько раз (обычно около 14 дней). В идеале вы можете позволить им работать постоянно, чтобы они могли постоянно улучшаться и адаптироваться по мере изменения вашего приложения и поведения пользователей.
Отслеживайте дополнительные показатели
Персонализация Remote Config также предоставляет возможность отслеживать до двух дополнительных показателей, чтобы помочь вам контекстуализировать результаты. Допустим, вы разработали социальное приложение и установили различные альтернативные значения, чтобы побудить пользователей делиться контентом с друзьями, чтобы повысить общую вовлеченность.
В этом случае вы можете выбрать оптимизацию для события Analytics, такого как link_received , и установить две метрики user_engagement и link_opened , чтобы понять, увеличивается ли вовлеченность пользователей и количество открываемых ими ссылок (настоящая вовлеченность) или падает (возможно, слишком много спам-ссылок). ).
Хотя эти дополнительные показатели не будут учитываться в алгоритме персонализации, вы можете отслеживать их прямо вместе с результатами персонализации, предоставляя ценную информацию о способности персонализации достигать ваших общих целей.
Анализ результатов персонализации
После того как персонализация выполняется достаточно долго для сбора данных, вы можете просмотреть ее результаты.
Чтобы просмотреть результаты персонализации:
Откройте страницу Remote Config и щелкните Персонализация .
Выберите персонализацию, которую хотите просмотреть. Вы можете искать конкретную персонализацию по имени или цели, а также сортировать по имени, времени начала или общему подъему.
На странице результатов приводится общий прирост или процентная разница в производительности, которую обеспечивает персонализация по сравнению с базовой группой.
На странице результатов также отображается текущий статус персонализации, атрибуты персонализации и интерактивный график, который:
Показывает подробное ежедневное и общее представление о том, как персонализация работает по сравнению с базовым уровнем.
Показывает, как каждое значение работает в целом по базовой группе.
Отображает результаты и эффективность целей в сравнении с выбранными вами дополнительными показателями, доступ к которым можно получить с помощью вкладок в верхней части сводки.
Персонализацию можно оставить запущенной на неопределенный срок, и вы можете продолжать повторно посещать страницу результатов, чтобы следить за ее эффективностью. Алгоритм будет продолжать учиться и корректироваться, чтобы он мог адаптироваться при изменении поведения пользователя.
Следующие шаги
Ознакомьтесь с вариантами использования Remote Config для персонализации.
Начните с персонализации Remote Config.