Die Personalisierung nutzt maschinelles Lernen – insbesondere einen kontextuellen mehrarmigen Bandit-Algorithmus –, um das optimale Erlebnis für einzelne Benutzer zum Erreichen eines Ziels zu bestimmen. In unserem Fall besteht das Ziel darin, die Gesamtzahl oder den gesamten Parameterwert bestimmter Google Analytics-Ereignisse zu optimieren.
Was ist ein kontextueller mehrarmiger Banditenalgorithmus?
Der „vielarmige Bandit“ ist eine Metapher, die verwendet wird, um die Situation zu beschreiben, in der wir aus einer Liste mehrerer Wege kontinuierlich einen Weg auswählen möchten, 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“ suchen wollen, wird der einarmige Bandit zum mehrarmigen Banditen.
Angenommen, wir haben drei Optionen und möchten herausfinden, welche die zuverlässigste Belohnung bietet: Wir könnten jede Option ausprobieren und dann, nachdem wir ein Ergebnis erhalten haben, einfach weiterhin den Arm auswählen, der die meisten Belohnungen bringt. Dies wird als gieriger Algorithmus bezeichnet: Die Option, die beim ersten Versuch das beste Ergebnis liefert, ist diejenige, die wir weiterhin wählen werden. Aber wir können verstehen, dass dies nicht immer funktioniert – zum einen könnte die hohe Belohnung ein Zufall sein. Oder vielleicht gibt es einen benutzerspezifischen Kontext, der in diesem Zeitraum zu höheren Belohnungen führte, die später jedoch nicht mehr so effektiv waren.
Daher wird Kontext hinzugefügt, um den Algorithmus effektiver zu machen. Bei der Personalisierung von Remote Config handelt es sich bei diesem anfänglichen Kontext um Zufallsstichproben oder Unsicherheiten , die dem Experiment eine gewisse Entropie verleihen. Dies implementiert einen „ kontextuellen mehrarmigen Banditen“. Während das Experiment weiter läuft, wird durch fortlaufende Erkundung und Beobachtung ein realer erlernter Kontext darüber hinzugefügt, welche Arme dem Modell am wahrscheinlichsten eine Belohnung entlocken, wodurch es effektiver wird.
Was bedeutet das für meine App?
Lassen Sie uns nun besprechen, was ein mehrarmiger Bandit-Algorithmus im Kontext Ihrer App bedeutet. Nehmen wir an, Sie optimieren für Klicks auf Banneranzeigen. In diesem Fall wären die „Arme“ der Personalisierung die alternativen Werte, die Sie angeben, um die verschiedenen Banneranzeigen 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 für jeden einzelnen Benutzer mit größerer Wahrscheinlichkeit Ihr Ziel 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.
Bei der Personalisierung wird ein Klebrigkeitsfenster von 24 Stunden verwendet. Dies ist die Zeitspanne, die der Personalisierungsalgorithmus einen einzelnen Alternativwert untersucht. Sie sollten Ihren Personalisierungen genügend Zeit einräumen, um jeden alternativen Wert mehrmals zu erkunden (im Allgemeinen etwa 14 Tage). Idealerweise können Sie sie dauerhaft laufen lassen, damit sie sich kontinuierlich verbessern und anpassen können, wenn sich Ihre App und das Benutzerverhalten ändern.
Verfolgen Sie zusätzliche Kennzahlen
Die Remote Config-Personalisierung bietet außerdem die Möglichkeit, bis zu zwei zusätzliche Metriken zu verfolgen, um Ihnen bei der Kontextualisierung Ihrer Ergebnisse zu helfen. Nehmen wir an, Sie haben eine soziale App entwickelt und verschiedene alternative Werte festgelegt, um Benutzer zum Teilen von Inhalten mit Freunden zu ermutigen und so das allgemeine Engagement zu erhöhen.
In diesem Fall könnten Sie sich für eine Optimierung für ein Analytics-Ereignis wie link_received entscheiden und Ihre beiden Metriken auf „ user_engagement “ und link_opened festlegen, um zu verstehen, ob das Benutzerengagement und die Anzahl der vom Benutzer geöffneten Links steigt (echte Interaktion) oder sinkt (möglicherweise zu viele Spam-Links). ).
Diese zusätzlichen Kennzahlen werden zwar nicht im Personalisierungsalgorithmus berücksichtigt, Sie können sie jedoch direkt zusammen mit Ihren Personalisierungsergebnissen verfolgen und so 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-Konfiguration“ und klicken Sie auf „Personalisierungen“ .
Wählen Sie die Personalisierung aus, die Sie anzeigen möchten. Sie können nach Name oder Ziel nach der spezifischen Personalisierung 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 bietet.
Die Ergebnisseite zeigt außerdem 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 Basislinie.
Zeigt die Gesamtleistung jedes Werts in der Baseline-Gruppe.
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 immer wieder aufrufen, um ihre Leistung zu überwachen. Der Algorithmus lernt weiter und passt sich an, sodass er sich anpassen kann, wenn sich das Benutzerverhalten ändert.
Verstehen Sie das Löschen von Personalisierungen
Sie können eine Personalisierung über die Firebase-Konsole oder durch Entfernen eines Personalisierungsparameters aus Ihrer Vorlage mithilfe der Firebase Remote Config API löschen. Gelöschte Personalisierungen können nicht wiederhergestellt werden. Weitere Informationen zur Datenaufbewahrung finden Sie unter Datenlöschung .
Sie können Personalisierungen auch löschen, indem Sie ein Rollback durchführen oder eine Vorlage importieren .
Rollbacks
Wenn Ihre aktuelle Vorlage über Personalisierungen verfügt und Sie zu einer Vorlage zurückkehren , die nicht über dieselben Personalisierungen verfügt, werden die Personalisierungen gelöscht. Um zu einer vorherigen Vorlage zurückzukehren, verwenden Sie die Firebase-Konsole oder roll back mit der Firebase Remote Config API durch.
Wenn Sie eine Personalisierung löschen und zu einer vorherigen Vorlage zurückkehren, wird in der Firebase-Konsole ein Verweis auf diese ungültige Personalisierung angezeigt. Sie können die ungültige Personalisierung aus der Firebase-Konsole entfernen, indem Sie die Personalisierung auf der Registerkarte „Parameter“ der Seite „Remote-Konfiguration“ bearbeiten.
Importe
Beim Importieren einer Vorlage, die Ihre aktuellen Personalisierungen nicht mehr enthält, werden diese Personalisierungen ebenfalls gelöscht. Um eine Vorlage zu importieren, verwenden Sie die Firebase-Konsole oder die Remote Config REST API .
Nächste Schritte
Entdecken Sie Anwendungsfälle für die Personalisierung von Remote Config.
Beginnen Sie mit der Personalisierung von Remote Config.