เกี่ยวกับการปรับเปลี่ยนการกำหนดค่าระยะไกลตามโปรไฟล์ของผู้ใช้

การปรับตามโปรไฟล์ของผู้ใช้ใช้แมชชีนเลิร์นนิง โดยเฉพาะ อัลกอริทึม Contextual Multi-Armed Bandit เพื่อ กำหนดประสบการณ์การใช้งานที่เหมาะสมที่สุดสำหรับผู้ใช้แต่ละรายเพื่อให้บรรลุวัตถุประสงค์ ในกรณีของเรา วัตถุประสงค์คือการเพิ่มประสิทธิภาพสําหรับจํานวนทั้งหมดหรือค่าพารามิเตอร์ ทั้งหมดของGoogle Analyticsเหตุการณ์ที่เฉพาะเจาะจง

อัลกอริทึม Contextual Multi-Armed Bandit คืออะไร

"Multi-Armed Bandit" เป็นคำอุปมาที่ใช้อธิบายสถานการณ์ที่เราต้องการเลือกเส้นทางที่นำไปสู่รางวัลที่สูงที่สุดและน่าเชื่อถือที่สุดอย่างต่อเนื่องจากรายการเส้นทางหลายเส้นทาง หากต้องการเห็นภาพ ให้ลองนึกถึงนักพนันที่ยืนอยู่หน้าแถวของตู้สล็อต ซึ่งมักเรียกกันว่า "โจรแขนเดียว" เนื่องจากตู้สล็อตมีคันโยก (หรือแขน) อันเดียวและจะเอาเงินของคุณไป เนื่องจากเราต้องการแก้ปัญหาสำหรับ "แขน" หลายแขน เครื่องสล็อตแขนเดียวจึงกลายเป็นเครื่องสล็อตหลายแขน

เช่น หากเรามี 3 ตัวเลือกและต้องการพิจารณาว่าตัวเลือกใดให้รางวัลที่เชื่อถือได้มากที่สุด เราอาจลองแต่ละตัวเลือก จากนั้นหลังจากได้รับผลลัพธ์แล้ว เราก็เลือกเฉพาะตัวเลือกที่ให้รางวัลมากที่สุด ซึ่งเราเรียกวิธีนี้ว่าอัลกอริทึมแบบตะกละ นั่นคือตัวเลือกที่ให้ผลลัพธ์ดีที่สุด เมื่อเราลองใช้ครั้งแรกจะเป็นตัวเลือกที่เราจะเลือกต่อไป แต่เราก็เข้าใจว่าวิธีนี้อาจไม่ได้ผลเสมอไป เพราะรางวัลสูงอาจเป็นเพียงความโชคดี หรืออาจมีบริบทเฉพาะผู้ใช้บางอย่างที่ส่งผลให้ได้รับรางวัลสูงขึ้นในช่วงระยะเวลาดังกล่าว ซึ่งอาจไม่ค่อยมีประสิทธิภาพในภายหลัง

เราจึงเพิ่มบริบทเพื่อให้อัลกอริทึมมีประสิทธิภาพมากขึ้น สำหรับRemote Configการปรับเปลี่ยนในแบบของคุณ บริบทเริ่มต้นนี้คือการสุ่มตัวอย่าง หรือความไม่แน่นอน ซึ่งให้เอนโทรปีบางส่วนแก่การทดสอบ ซึ่งจะใช้ "Contextual Multi-Armed Bandit" เมื่อการทดสอบดำเนินต่อไป การสํารวจและการสังเกตอย่างต่อเนื่องจะเพิ่มบริบทที่ได้เรียนรู้จริงเกี่ยวกับกลุ่มทดสอบ ที่มีแนวโน้มมากที่สุดที่จะกระตุ้นให้โมเดลได้รับรางวัล ซึ่งจะทําให้มีประสิทธิภาพมากขึ้น

การเปลี่ยนแปลงนี้จะส่งผลต่อแอปของฉันอย่างไร

พิจารณาว่าอัลกอริทึม Multi-Armed Bandit หมายถึงอะไรในบริบทของแอป สมมติว่าคุณกำลังเพิ่มประสิทธิภาพเพื่อให้ได้คลิกโฆษณาแบนเนอร์ ในกรณีนี้ "แขน" ของ การปรับเปลี่ยนในแบบของคุณคือค่าอื่นที่คุณระบุเพื่อแสดงถึง โฆษณาแบนเนอร์ต่างๆ ที่ต้องการแสดงต่อผู้ใช้ การคลิกโฆษณาแบนเนอร์คือ รางวัล ซึ่งเรียกว่าวัตถุประสงค์

เมื่อเปิดตัวการปรับเปลี่ยนในแบบของคุณเป็นครั้งแรก โมเดลจะไม่ทราบว่าค่าทางเลือกใดมีแนวโน้มที่จะบรรลุเป้าหมายสำหรับผู้ใช้แต่ละรายมากกว่า เมื่อการปรับตามโปรไฟล์ของผู้ใช้สำรวจค่าทางเลือกแต่ละค่าเพื่อทำความเข้าใจ โอกาสในการบรรลุวัตถุประสงค์ โมเดลพื้นฐานจะมีความรู้มากขึ้น ซึ่งจะช่วยเพิ่มความสามารถในการคาดการณ์และเลือกประสบการณ์ที่เหมาะสมที่สุดสำหรับ ผู้ใช้แต่ละราย

การปรับตามโปรไฟล์ของผู้ใช้จะใช้ระยะเวลาการคงอยู่ 24 ชั่วโมง นี่คือระยะเวลาที่อัลกอริทึมการปรับเปลี่ยนในแบบของคุณจะสำรวจค่าทางเลือกเดียว คุณควรให้เวลาเพียงพอในการปรับเปลี่ยนในแบบของคุณเพื่อสำรวจมูลค่าทางเลือกแต่ละรายการหลายครั้ง (โดยทั่วไปประมาณ 14 วัน) ในอุดมคติ คุณสามารถปล่อยให้แคมเปญทำงานอย่างต่อเนื่องเพื่อให้แคมเปญปรับปรุงและปรับเปลี่ยนได้อย่างต่อเนื่องเมื่อแอปและพฤติกรรมของผู้ใช้เปลี่ยนแปลงไป

ติดตามเมตริกเพิ่มเติม

Remote Configยังช่วยให้คุณติดตามเมตริกเพิ่มเติมได้สูงสุด 2 รายการ เพื่อช่วยให้คุณเข้าใจผลลัพธ์ได้ดียิ่งขึ้น ตัวอย่างเช่น สมมติว่าคุณพัฒนาแอปโซเชียลและตั้งค่าทางเลือกต่างๆ เพื่อกระตุ้นให้ผู้ใช้แชร์เนื้อหากับเพื่อนๆ เพื่อเพิ่มการมีส่วนร่วมโดยรวม

ในกรณีนี้ คุณอาจเลือกเพิ่มประสิทธิภาพสําหรับAnalyticsเหตุการณ์ เช่น link_received และตั้งค่าเมตริก 2 รายการเป็น user_engagement และ link_opened เพื่อทําความเข้าใจว่าการมีส่วนร่วมของผู้ใช้และจํานวนลิงก์ที่ผู้ใช้ เปิดเพิ่มขึ้น (การมีส่วนร่วมจริง) หรือลดลง (อาจมีลิงก์สแปมมากเกินไป)

แม้ว่าเมตริกเพิ่มเติมเหล่านี้จะไม่นำมาพิจารณาในอัลกอริทึมการปรับเปลี่ยนในแบบของคุณ แต่คุณสามารถติดตามเมตริกเหล่านี้ควบคู่ไปกับผลลัพธ์การปรับเปลี่ยนในแบบของคุณได้ ซึ่งจะให้ข้อมูลเชิงลึกที่มีคุณค่าเกี่ยวกับความสามารถของการปรับเปลี่ยนในแบบของคุณในการบรรลุเป้าหมายโดยรวม

ทําความเข้าใจผลลัพธ์ของการปรับเปลี่ยนในแบบของคุณ

หลังจากที่การปรับเปลี่ยนในแบบของคุณทํางานมานานพอที่จะรวบรวมข้อมูลได้แล้ว คุณจะ ดูผลลัพธ์ได้

วิธีดูผลลัพธ์ของการปรับเปลี่ยนในแบบของคุณ

  1. ในFirebaseคอนโซล ให้ไปที่ DevOps และความผูกพัน > Remote Config > หน้าการปรับเปลี่ยนในแบบของคุณ

  2. เลือกการปรับเปลี่ยนในแบบของคุณที่ต้องการดู คุณสามารถค้นหาการปรับเปลี่ยนในแบบของคุณที่เฉพาะเจาะจงตามชื่อหรือวัตถุประสงค์ และจัดเรียงตามชื่อ เวลาเริ่มต้น หรือ Total lift ได้

หน้าผลลัพธ์จะสรุปTotal lift หรือความแตกต่างเป็นเปอร์เซ็นต์ในประสิทธิภาพที่การปรับเปลี่ยนในแบบของคุณมอบให้เมื่อเทียบกับกลุ่มBaseline

หน้ารายละเอียดการปรับโฆษณาตามโปรไฟล์ของผู้ใช้ยังแสดงสถานะปัจจุบันของการปรับโฆษณาตามโปรไฟล์ของผู้ใช้ แอตทริบิวต์ของการปรับโฆษณาตามโปรไฟล์ของผู้ใช้ และกราฟแบบอินเทอร์แอกทีฟซึ่งมีลักษณะดังนี้

  • แสดงมุมมองรายวันและมุมมองรวมแบบละเอียดเกี่ยวกับประสิทธิภาพของการปรับเปลี่ยนในแบบของคุณ เทียบกับเกณฑ์พื้นฐาน

  • แสดงประสิทธิภาพโดยรวมของแต่ละค่าในกลุ่มพื้นฐาน

  • แสดงผลลัพธ์เป้าหมายและประสิทธิภาพเทียบกับเมตริกเพิ่มเติมที่คุณเลือก ซึ่งเข้าถึงได้โดยใช้แท็บที่ด้านบนของข้อมูลสรุป

คุณปล่อยให้การปรับเปลี่ยนในแบบของคุณทำงานต่อไปได้เรื่อยๆ และสามารถกลับไปดูหน้าผลลัพธ์เพื่อตรวจสอบประสิทธิภาพได้ อัลกอริทึมจะเรียนรู้และปรับต่อไป เพื่อให้ปรับตัวได้เมื่อพฤติกรรมของผู้ใช้เปลี่ยนแปลงไป

ทำความเข้าใจการลบการปรับเปลี่ยนในแบบของคุณ

คุณลบการปรับเปลี่ยนในแบบของคุณได้โดยใช้Firebaseคอนโซล หรือโดยการนำพารามิเตอร์การปรับเปลี่ยนในแบบของคุณออกจากเทมเพลตโดยใช้ Firebase Remote Config API การปรับเปลี่ยนในแบบของคุณที่ลบไปแล้วจะกู้คืนไม่ได้ ดูข้อมูลเกี่ยวกับการเก็บรักษาข้อมูลได้ที่การลบข้อมูล

นอกจากนี้ คุณยังลบการปรับเปลี่ยนในแบบของคุณได้โดยย้อนกลับหรือนำเข้าเทมเพลต

ย้อนกลับ

หากเทมเพลตปัจจุบันมีการปรับเปลี่ยนในแบบของคุณ และคุณย้อนกลับไปใช้เทมเพลตที่ไม่มีการปรับเปลี่ยนในแบบของคุณเหมือนกัน ระบบจะลบการปรับเปลี่ยนในแบบของคุณ หากต้องการกลับไปใช้เทมเพลตก่อนหน้า ให้ใช้Firebaseคอนโซลหรือroll back โดยใช้ Firebase Remote Config API

เมื่อลบการปรับเปลี่ยนในแบบของคุณและย้อนกลับไปใช้เทมเพลตก่อนหน้า การอ้างอิงถึงการปรับเปลี่ยนในแบบของคุณที่ไม่ถูกต้องจะปรากฏในFirebaseคอนโซล คุณนําการปรับตามโปรไฟล์ของผู้ใช้ที่ไม่ถูกต้องออกจากคอนโซล Firebase ได้โดยแก้ไขการปรับตามโปรไฟล์ของผู้ใช้ในแท็บพารามิเตอร์ของหน้า Remote Config

การนำเข้า

การนำเข้าเทมเพลตที่ไม่มีการปรับแต่งปัจจุบันของคุณอีกต่อไปจะลบการปรับแต่งเหล่านั้นด้วย หากต้องการนำเข้าเทมเพลต ให้ ใช้คอนโซล Firebase หรือใช้ Remote Config REST API

ขั้นตอนถัดไป