La personalizzazione utilizza l'apprendimento automatico, in particolare un algoritmo multi-armed bandit contestuale, per determinare l'esperienza ottimale per i singoli utenti per raggiungere un obiettivo. Nel nostro caso, l'obiettivo è ottimizzare per il numero totale o il valore totale del parametro di specifici eventi di Google Analytics.
Che cos'è un algoritmo multi-armed bandit contestuale?
Il "bandito multi-armato" è una metafora usata per descrivere la situazione in cui vogliamo scegliere continuamente un percorso che porti alle ricompense più alte e affidabili da un elenco di percorsi multipli. Per visualizzarlo, puoi usare la metafora di un giocatore d'azzardo davanti a una fila di slot machine, spesso chiamato colloquialmente "bandito con un braccio solo" perché una slot machine ha una maniglia (o un braccio) e prende i tuoi soldi. Dal momento che vogliamo risolvere per più "braccia", il bandito con un braccio solo diventa il bandito con più braccia .
Ad esempio, supponiamo di avere tre opzioni e di voler determinare quale fornisce la ricompensa più affidabile: potremmo provare ciascuna opzione e quindi, dopo aver ricevuto un risultato, potremmo semplicemente continuare a scegliere il braccio che ha prodotto il maggior numero di premi. Questo è ciò che viene definito un algoritmo avido : l'opzione che produce il miglior risultato quando lo proviamo per la prima volta è quella che continueremo a scegliere. Ma possiamo capire che questo potrebbe non funzionare sempre: per prima cosa, l'alta ricompensa potrebbe essere un colpo di fortuna. O forse c'è un contesto specifico dell'utente che ha portato a premi più alti durante quel periodo di tempo che non sarebbero stati altrettanto efficaci in seguito.
Quindi viene aggiunto il contesto per rendere l'algoritmo più efficace. Per la personalizzazione di Remote Config, questo contesto iniziale è il campionamento casuale, o incertezza , che fornisce un po' di entropia all'esperimento. Questo implementa un "bandito multi-armato contestuale ". Man mano che l'esperimento continua, l'esplorazione e l'osservazione in corso aggiungono un vero contesto appreso su quali armi hanno maggiori probabilità di ottenere una ricompensa per il modello, rendendolo più efficace.
Cosa significa questo per la mia app?
Ora, discutiamo cosa significa un algoritmo multi-armed bandit nel contesto della tua app. Supponiamo che tu stia ottimizzando per i clic sugli annunci banner. In questo caso, le "braccia" della personalizzazione sarebbero i valori alternativi specificati per rappresentare i diversi banner pubblicitari che si desidera mostrare agli utenti. Il clic sul banner pubblicitario è la ricompensa, che chiamiamo obiettivo .
Quando avvii per la prima volta una personalizzazione, il modello non sa quale valore alternativo avrà maggiori probabilità di raggiungere il tuo obiettivo per ogni singolo utente. Man mano che la personalizzazione esplora ogni valore alternativo per comprendere la probabilità di raggiungere il tuo obiettivo, il modello sottostante diventa più informato, migliorando la sua capacità di prevedere e selezionare l'esperienza ottimale per ciascun utente.
La personalizzazione utilizza una finestra di viscosità di 24 ore. Questa è la quantità di tempo in cui l'algoritmo di personalizzazione esplora un singolo valore alternativo. Dovresti fornire alle tue personalizzazioni abbastanza tempo per esplorare ogni valore alternativo più volte (in genere circa 14 giorni). Idealmente, puoi lasciarli funzionare perennemente in modo che possano migliorare e adattarsi continuamente man mano che la tua app e i comportamenti degli utenti cambiano.
Tieni traccia di metriche aggiuntive
La personalizzazione di Remote Config offre anche la possibilità di tracciare fino a due metriche aggiuntive, per aiutarti a contestualizzare i risultati. Supponiamo che tu abbia sviluppato un'app social e abbia impostato diversi valori alternativi per incoraggiare gli utenti a condividere contenuti con gli amici per aumentare il coinvolgimento complessivo.
In questo caso, potresti scegliere di ottimizzare per un evento Analytics come link_received e impostare le tue due metriche su user_engagement e link_opened per capire se il coinvolgimento dell'utente e il numero di link che l'utente apre aumenta (vero coinvolgimento) o diminuisce (probabilmente troppi link spam ).
Sebbene queste metriche aggiuntive non vengano prese in considerazione nell'algoritmo di personalizzazione, puoi monitorarle insieme ai risultati della personalizzazione, fornendo preziose informazioni sulla capacità della personalizzazione di raggiungere i tuoi obiettivi generali.
Comprendere i risultati della personalizzazione
Dopo che una personalizzazione è stata eseguita abbastanza a lungo da raccogliere dati, puoi visualizzarne i risultati.
Per visualizzare i risultati della personalizzazione:
Apri la pagina Remote Config e fai clic su Personalizzazioni .
Seleziona la personalizzazione che desideri visualizzare. Puoi cercare la personalizzazione specifica per nome o obiettivo e ordinarla per nome, ora di inizio o incremento totale.
La pagina dei risultati riepiloga l' incremento totale o la differenza percentuale nel rendimento che la personalizzazione fornisce rispetto al gruppo di riferimento .
La pagina dei risultati mostra anche lo stato corrente della personalizzazione, gli attributi della personalizzazione e un grafico interattivo che:
Mostra una visualizzazione giornaliera e totale dettagliata del rendimento della personalizzazione rispetto alla linea di base.
Mostra il rendimento complessivo di ogni valore nel gruppo di riferimento.
Mostra i risultati e le prestazioni degli obiettivi rispetto alle metriche aggiuntive che hai scelto, accessibili utilizzando le schede nella parte superiore del riepilogo.
Una personalizzazione può essere lasciata in esecuzione a tempo indeterminato e puoi continuare a visitare nuovamente la pagina dei risultati per monitorarne le prestazioni. L'algoritmo continuerà ad apprendere e adattarsi, in modo da potersi adattare quando cambia il comportamento dell'utente.
Comprendere l'eliminazione della personalizzazione
Puoi eliminare una personalizzazione utilizzando la console Firebase o rimuovendo un parametro di personalizzazione dal tuo modello utilizzando l' API Firebase Remote Config . Le personalizzazioni eliminate non possono essere ripristinate. Per informazioni sulla conservazione dei dati, vedere Eliminazione dei dati .
Puoi anche eliminare le personalizzazioni eseguendo il rollback o importando un modello .
Rollback
Se il tuo modello corrente ha personalizzazioni e torni a un modello che non ha le stesse personalizzazioni, le personalizzazioni vengono eliminate. Per ripristinare un modello precedente, utilizza la console Firebase o roll back utilizzando l'API Firebase Remote Config.
Quando elimini una personalizzazione e ritorni a un modello precedente, nella console di Firebase viene visualizzato un riferimento a tale personalizzazione non valida. Puoi rimuovere la personalizzazione non valida dalla console Firebase modificando la personalizzazione nella scheda Parametri della pagina Configurazione remota.
Importazioni
L'importazione di un modello che non contiene più le personalizzazioni correnti elimina anche tali personalizzazioni. Per importare un modello, utilizza la console Firebase o l' API REST Remote Config .
Prossimi passi
Esplora i casi d'uso della personalizzazione di Remote Config.
Inizia con la personalizzazione di Remote Config.
La personalizzazione utilizza l'apprendimento automatico, in particolare un algoritmo multi-armed bandit contestuale, per determinare l'esperienza ottimale per i singoli utenti per raggiungere un obiettivo. Nel nostro caso, l'obiettivo è ottimizzare per il numero totale o il valore totale del parametro di specifici eventi di Google Analytics.
Che cos'è un algoritmo multi-armed bandit contestuale?
Il "bandito multi-armato" è una metafora usata per descrivere la situazione in cui vogliamo scegliere continuamente un percorso che porti alle ricompense più alte e affidabili da un elenco di percorsi multipli. Per visualizzarlo, puoi usare la metafora di un giocatore d'azzardo davanti a una fila di slot machine, spesso chiamato colloquialmente "bandito con un braccio solo" perché una slot machine ha una maniglia (o un braccio) e prende i tuoi soldi. Dal momento che vogliamo risolvere per più "braccia", il bandito con un braccio solo diventa il bandito con più braccia .
Ad esempio, supponiamo di avere tre opzioni e di voler determinare quale fornisce la ricompensa più affidabile: potremmo provare ciascuna opzione e quindi, dopo aver ricevuto un risultato, potremmo semplicemente continuare a scegliere il braccio che ha prodotto il maggior numero di premi. Questo è ciò che viene definito un algoritmo avido : l'opzione che produce il miglior risultato quando lo proviamo per la prima volta è quella che continueremo a scegliere. Ma possiamo capire che questo potrebbe non funzionare sempre: per prima cosa, l'alta ricompensa potrebbe essere un colpo di fortuna. O forse c'è un contesto specifico dell'utente che ha portato a premi più alti durante quel periodo di tempo che non sarebbero stati altrettanto efficaci in seguito.
Quindi viene aggiunto il contesto per rendere l'algoritmo più efficace. Per la personalizzazione di Remote Config, questo contesto iniziale è il campionamento casuale, o incertezza , che fornisce un po' di entropia all'esperimento. Questo implementa un "bandito multi-armato contestuale ". Man mano che l'esperimento continua, l'esplorazione e l'osservazione in corso aggiungono un vero contesto appreso su quali armi hanno maggiori probabilità di ottenere una ricompensa per il modello, rendendolo più efficace.
Cosa significa questo per la mia app?
Ora, discutiamo cosa significa un algoritmo multi-armed bandit nel contesto della tua app. Supponiamo che tu stia ottimizzando per i clic sugli annunci banner. In questo caso, le "braccia" della personalizzazione sarebbero i valori alternativi specificati per rappresentare i diversi banner pubblicitari che si desidera mostrare agli utenti. Il clic sul banner pubblicitario è la ricompensa, che chiamiamo obiettivo .
Quando avvii per la prima volta una personalizzazione, il modello non sa quale valore alternativo avrà maggiori probabilità di raggiungere il tuo obiettivo per ogni singolo utente. Man mano che la personalizzazione esplora ogni valore alternativo per comprendere la probabilità di raggiungere il tuo obiettivo, il modello sottostante diventa più informato, migliorando la sua capacità di prevedere e selezionare l'esperienza ottimale per ciascun utente.
La personalizzazione utilizza una finestra di viscosità di 24 ore. Questa è la quantità di tempo in cui l'algoritmo di personalizzazione esplora un singolo valore alternativo. Dovresti fornire alle tue personalizzazioni abbastanza tempo per esplorare ogni valore alternativo più volte (in genere circa 14 giorni). Idealmente, puoi lasciarli funzionare perennemente in modo che possano migliorare e adattarsi continuamente man mano che la tua app e i comportamenti degli utenti cambiano.
Tieni traccia di metriche aggiuntive
La personalizzazione di Remote Config offre anche la possibilità di tracciare fino a due metriche aggiuntive, per aiutarti a contestualizzare i risultati. Supponiamo che tu abbia sviluppato un'app social e abbia impostato diversi valori alternativi per incoraggiare gli utenti a condividere contenuti con gli amici per aumentare il coinvolgimento complessivo.
In questo caso, potresti scegliere di ottimizzare per un evento Analytics come link_received e impostare le tue due metriche su user_engagement e link_opened per capire se il coinvolgimento dell'utente e il numero di link che l'utente apre aumenta (vero coinvolgimento) o diminuisce (probabilmente troppi link spam ).
Sebbene queste metriche aggiuntive non vengano prese in considerazione nell'algoritmo di personalizzazione, puoi monitorarle insieme ai risultati della personalizzazione, fornendo preziose informazioni sulla capacità della personalizzazione di raggiungere i tuoi obiettivi generali.
Comprendere i risultati della personalizzazione
Dopo che una personalizzazione è stata eseguita abbastanza a lungo da raccogliere dati, puoi visualizzarne i risultati.
Per visualizzare i risultati della personalizzazione:
Apri la pagina Remote Config e fai clic su Personalizzazioni .
Seleziona la personalizzazione che desideri visualizzare. Puoi cercare la personalizzazione specifica per nome o obiettivo e ordinarla per nome, ora di inizio o incremento totale.
La pagina dei risultati riepiloga l' incremento totale o la differenza percentuale nel rendimento che la personalizzazione fornisce rispetto al gruppo di riferimento .
La pagina dei risultati mostra anche lo stato corrente della personalizzazione, gli attributi della personalizzazione e un grafico interattivo che:
Mostra una visualizzazione giornaliera e totale dettagliata del rendimento della personalizzazione rispetto alla linea di base.
Mostra il rendimento complessivo di ogni valore nel gruppo di riferimento.
Mostra i risultati e le prestazioni degli obiettivi rispetto alle metriche aggiuntive che hai scelto, accessibili utilizzando le schede nella parte superiore del riepilogo.
Una personalizzazione può essere lasciata in esecuzione a tempo indeterminato e puoi continuare a visitare nuovamente la pagina dei risultati per monitorarne le prestazioni. L'algoritmo continuerà ad apprendere e adattarsi, in modo da potersi adattare quando cambia il comportamento dell'utente.
Comprendere l'eliminazione della personalizzazione
Puoi eliminare una personalizzazione utilizzando la console Firebase o rimuovendo un parametro di personalizzazione dal tuo modello utilizzando l' API Firebase Remote Config . Le personalizzazioni eliminate non possono essere ripristinate. Per informazioni sulla conservazione dei dati, vedere Eliminazione dei dati .
Puoi anche eliminare le personalizzazioni eseguendo il rollback o importando un modello .
Rollback
Se il tuo modello corrente ha personalizzazioni e torni a un modello che non ha le stesse personalizzazioni, le personalizzazioni vengono eliminate. Per ripristinare un modello precedente, utilizza la console Firebase o roll back utilizzando l'API Firebase Remote Config.
Quando elimini una personalizzazione e ritorni a un modello precedente, nella console di Firebase viene visualizzato un riferimento a tale personalizzazione non valida. Puoi rimuovere la personalizzazione non valida dalla console Firebase modificando la personalizzazione nella scheda Parametri della pagina Configurazione remota.
Importazioni
L'importazione di un modello che non contiene più le personalizzazioni correnti elimina anche tali personalizzazioni. Per importare un modello, utilizza la console Firebase o l' API REST Remote Config .
Prossimi passi
Esplora i casi d'uso della personalizzazione di Remote Config.
Inizia con la personalizzazione di Remote Config.