La personalizzazione utilizza il machine learning, nello specifico un algoritmo bandit multiarma contestuale, per determinare l'esperienza ottimale per i singoli utenti al fine di raggiungere un obiettivo. Nel nostro caso, l'obiettivo è ottimizzare in base al numero totale o al valore totale del parametro di eventi Google Analytics specifici.
Che cos'è un algoritmo bandit multiarma contestuale?
Il "bandito multi-arma" è una metafora utilizzata per descrivere la situazione in cui vogliamo scegliere continuamente un percorso che porti ai premi più elevati e affidabili da un elenco di più percorsi. Per visualizzare questo concetto, puoi utilizzare la metafora di un giocatore davanti a una fila di slot machine, spesso colloquialmente chiamate "one-armed bandit" perché una slot machine ha un'unica leva (o braccio) e ti sottrae i soldi. Poiché vogliamo trovare una soluzione per più "armi", il bandito con un braccio diventa il bandito con più braccia.
Ad esempio, supponiamo di avere tre opzioni e di voler determinare quale offre il premio più affidabile: potremmo provare ogni opzione e, dopo aver ricevuto un risultato, continuare a scegliere il gruppo che ha generato più premi. Si tratta di un algoritmo greedy: l'opzione che genera il risultato migliore al primo tentativo è quella che continueremo a scegliere. Tuttavia, possiamo comprendere che questo potrebbe non funzionare sempre. Per esempio, il premio elevato potrebbe essere un caso fortuito. Oppure, è possibile che esista un contesto specifico per l'utente che ha generato premi più elevati durante quel periodo di tempo, che non sarebbero altrettanto efficaci in un secondo momento.
Pertanto, il contesto viene aggiunto per rendere l'algoritmo più efficace. Per la personalizzazioneRemote Config, questo contesto iniziale è il campionamento casuale o l'incertezza, che fornisce un po' di entropia all'esperimento. Viene implementato un "bandito multiarma contestuale". Man mano che l'esperimento continua a essere eseguito, l'esplorazione e l'osservazione continue aggiungono al modello un contesto reale appreso su quali gruppi hanno maggiori probabilità di suscitare una ricompensa, rendendolo più efficace.
Cosa comporta tutto ciò per la mia app?
Ora, vediamo cosa significa un algoritmo bandit multiarma nel contesto della tua app. Supponiamo che tu stia ottimizzando per i clic sugli annunci banner. In questo caso, i "gruppi" della personalizzazione sono i valori alternativi che specifichi per rappresentare i diversi annunci banner che vuoi mostrare agli utenti. Il clic sull'annuncio banner è il premio, che chiamiamo scopo.
Quando avvii una personalizzazione per la prima volta, 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 ogni utente.
La personalizzazione utilizza una finestra di conformità di 24 ore. Si tratta del tempo impiegato dall'algoritmo di personalizzazione per esplorare un singolo valore alternativo. Devi fornire alle personalizzazioni tempo sufficiente per esplorare ogni valore alternativo più volte (in genere circa 14 giorni). Idealmente, puoi lasciarli in esecuzione in modo permanente in modo che possano migliorare e adattarsi continuamente man mano che cambiano i comportamenti dell'app e degli utenti.
Monitorare metriche aggiuntive
La personalizzazione di Remote Config offre anche la possibilità di monitorare 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 e aumentare il coinvolgimento complessivo.
In questo caso, puoi scegliere di eseguire l'ottimizzazione per un evento Analytics come
link_received e impostare le due metriche su user_engagement e
link_opened per capire se il coinvolgimento degli utenti e il numero di link che
l'utente apre aumentano (coinvolgimento reale) o diminuiscono (possibilmente troppi link spam).
Sebbene queste metriche aggiuntive non vengano prese in considerazione nell'algoritmo di personalizzazione, puoi monitorarle insieme ai risultati della personalizzazione, fornendo informazioni preziose sulla capacità della personalizzazione di raggiungere i tuoi obiettivi complessivi.
Informazioni sui risultati della personalizzazione
Dopo che una personalizzazione è stata in esecuzione per un periodo di tempo sufficiente a 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 vuoi visualizzare. Puoi cercare la personalizzazione specifica per nome o scopo e ordinare in base a Nome, Data di inizio o Aumento totale.
La pagina dei risultati riassume l'impatto totale, ovvero la differenza percentuale nel rendimento, che la personalizzazione offre rispetto al gruppo di valore di riferimento.
La pagina dei risultati mostra anche lo stato attuale della personalizzazione, gli attributi della personalizzazione e un grafico interattivo che:
Mostra una visualizzazione giornaliera e totale dettagliata del rendimento della personalizzazione rispetto alla base di riferimento.
Mostra il rendimento complessivo di ciascun valore nel gruppo di base di riferimento.
Mostra i risultati e il rendimento 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 la pagina dei risultati per monitorarne il rendimento. L'algoritmo continuerà a imparare e ad adeguarsi, in modo da adattarsi quando il comportamento dell'utente cambia.
Informazioni sull'eliminazione delle personalizzazioni
Puoi eliminare una personalizzazione utilizzando la console Firebase o rimuovendo un parametro di personalizzazione dal modello utilizzando l'API Firebase Remote Config. Le personalizzazioni eliminate non possono essere ripristinate. Per scoprire di più sulla conservazione dei dati, consulta Eliminazione dei dati.
Puoi anche eliminare le personalizzazioni eseguendo un rollback o importando un modello.
Rollback
Se il modello corrente contiene personalizzazioni e esegui il rollback a un modello che non le include, 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 esegui il rollback a un modello precedente, nella console Firebase viene visualizzato un riferimento alla personalizzazione non valida. Puoi rimuovere la personalizzazione non valida dalla console Firebase modificandola nella scheda Parametri della pagina Remote Config.
Importazioni
L'importazione di un modello che non contiene più le personalizzazioni correnti comporta anche l'eliminazione di queste personalizzazioni. Per importare un modello, utilizza la console Firebase o l'API REST Remote Config.
Passaggi successivi
Esplora i Remote Configcasi d'uso di personalizzazione.
Inizia con la personalizzazione di Remote Config.