شخصی‌سازی از یادگیری ماشینی - به طور خاص یک الگوریتم راهزن چندمسلح زمینه‌ای - برای تعیین تجربه بهینه برای کاربران منفرد جهت دستیابی به یک هدف استفاده می‌کند. در مورد ما، هدف بهینه‌سازی برای تعداد کل یا مقدار کل پارامتر رویدادهای خاص Google Analytics است.
الگوریتم راهزن چندمسلح زمینه‌ای چیست؟
«راهزن چند دست» استعاره‌ای است که برای توصیف موقعیتی استفاده می‌شود که در آن می‌خواهیم پیوسته مسیری را انتخاب کنیم که از میان فهرستی از مسیرهای متعدد، به بالاترین و قابل اعتمادترین پاداش‌ها منجر شود. برای تجسم این موضوع، می‌توانید از استعاره یک قمارباز در مقابل ردیفی از دستگاه‌های اسلات استفاده کنید - که اغلب به صورت محاوره‌ای به عنوان «راهزن تک دست» شناخته می‌شود زیرا یک دستگاه اسلات یک دسته (یا بازو) دارد و پول شما را می‌گیرد. از آنجایی که می‌خواهیم مسئله را برای چندین «بازو» حل کنیم، راهزن تک دست به راهزن چند دست تبدیل می‌شود.
برای مثال، فرض کنید سه گزینه داریم و می‌خواهیم مشخص کنیم کدام یک مطمئن‌ترین پاداش را ارائه می‌دهد: می‌توانیم هر گزینه را امتحان کنیم و سپس، پس از دریافت نتیجه، می‌توانیم به انتخاب بازویی که بیشترین پاداش را به همراه داشته است، ادامه دهیم. این همان چیزی است که به عنوان الگوریتم حریصانه شناخته می‌شود: گزینه‌ای که در اولین تلاش ما بهترین نتیجه را به همراه دارد، همان گزینه‌ای است که ما به انتخاب آن ادامه خواهیم داد. اما می‌توانیم درک کنیم که این ممکن است همیشه کار نکند - اولاً، پاداش بالا می‌تواند یک اتفاق باشد. یا شاید زمینه‌ای خاص برای کاربر وجود داشته باشد که در آن دوره زمانی منجر به پاداش‌های بالاتر شده است که بعداً به همان اندازه مؤثر نخواهد بود.
بنابراین، زمینه اضافه می‌شود تا الگوریتم مؤثرتر شود. برای شخصی‌سازی Remote Config ، این زمینه اولیه، نمونه‌گیری تصادفی یا عدم قطعیت است که مقداری آنتروپی برای آزمایش فراهم می‌کند. این یک "راهزن چندمسلح زمینه‌ای " را پیاده‌سازی می‌کند. با ادامه آزمایش، اکتشاف و مشاهده مداوم، زمینه آموخته‌شده واقعی در مورد اینکه کدام بازوها به احتمال زیاد پاداش را به مدل می‌دهند، اضافه می‌کند و آن را مؤثرتر می‌سازد.
این برای برنامه من چه معنایی دارد؟
حال، بیایید در مورد معنای الگوریتم راهزن چند مسلح در زمینه برنامه شما بحث کنیم. فرض کنید شما در حال بهینه‌سازی برای کلیک‌های بنر تبلیغاتی هستید. در این حالت، "بازوهای" شخصی‌سازی ، مقادیر جایگزینی هستند که شما برای نمایش بنرهای تبلیغاتی مختلفی که می‌خواهید به کاربران نمایش دهید، مشخص می‌کنید. کلیک روی بنر تبلیغاتی، پاداش است که ما آن را به عنوان یک هدف (objective) می‌شناسیم.
وقتی برای اولین بار شخصی‌سازی را اجرا می‌کنید، مدل نمی‌داند کدام ارزش جایگزین احتمال بیشتری برای دستیابی به هدف شما برای هر کاربر خاص دارد. همزمان با اینکه شخصی‌سازی هر ارزش جایگزین را بررسی می‌کند تا احتمال دستیابی به هدف شما را درک کند، مدل زیربنایی آگاه‌تر می‌شود و توانایی خود را در پیش‌بینی و انتخاب تجربه بهینه برای هر کاربر بهبود می‌بخشد.
شخصی‌سازی از یک پنجره چسبندگی ۲۴ ساعته استفاده می‌کند. این مدت زمانی است که الگوریتم شخصی‌سازی یک مقدار جایگزین واحد را بررسی می‌کند. شما باید به شخصی‌سازی‌های خود زمان کافی بدهید تا هر مقدار جایگزین را چندین بار بررسی کنند (معمولاً حدود ۱۴ روز). در حالت ایده‌آل، می‌توانید اجازه دهید که آنها به طور مداوم اجرا شوند تا بتوانند با تغییر برنامه و رفتارهای کاربر، بهبود یافته و سازگار شوند.
معیارهای اضافی را پیگیری کنید
شخصی‌سازی Remote Config همچنین امکان ردیابی حداکثر دو معیار اضافی را فراهم می‌کند تا به شما در زمینه‌سازی نتایجتان کمک کند. فرض کنید شما یک برنامه اجتماعی توسعه داده‌اید و مقادیر جایگزین مختلفی را برای تشویق کاربران به اشتراک‌گذاری محتوا با دوستانشان تعیین کرده‌اید تا تعامل کلی افزایش یابد.
در این حالت، می‌توانید برای یک رویداد Analytics مانند link_received بهینه‌سازی را انتخاب کنید و دو معیار خود را روی user_engagement و link_opened تنظیم کنید تا بفهمید که آیا میزان مشارکت کاربر و تعداد لینک‌هایی که کاربر باز می‌کند افزایش می‌یابد (مشارکت واقعی) یا کاهش می‌یابد (احتمالاً تعداد زیاد لینک‌های اسپم).
اگرچه این معیارهای اضافی در الگوریتم شخصی‌سازی لحاظ نمی‌شوند، اما می‌توانید آنها را درست در کنار نتایج شخصی‌سازی خود پیگیری کنید و بینش ارزشمندی در مورد توانایی شخصی‌سازی برای دستیابی به اهداف کلی خود ارائه دهید.
نتایج شخصی‌سازی را درک کنید
بعد از اینکه شخصی‌سازی به مدت کافی اجرا شد تا داده‌ها جمع‌آوری شوند، می‌توانید نتایج آن را مشاهده کنید.
برای مشاهده نتایج شخصی‌سازی:
صفحه Remote Config را باز کنید و روی Personalizations کلیک کنید.
شخصی‌سازی مورد نظر خود را برای مشاهده انتخاب کنید. می‌توانید شخصی‌سازی خاص را بر اساس نام یا هدف جستجو کنید و آن را بر اساس نام، زمان شروع یا کل جابجایی مرتب کنید.
صفحه نتایج، خلاصه‌ای از کل افزایش یا درصد تفاوت در عملکرد ارائه شده توسط شخصی‌سازی نسبت به گروه پایه را نشان می‌دهد.
صفحه نتایج همچنین وضعیت فعلی شخصی‌سازی، ویژگی‌های شخصی‌سازی و یک نمودار تعاملی را نشان می‌دهد که:
نمای کلی و روزانه دقیقی از عملکرد شخصی‌سازی در مقایسه با مقادیر پایه نشان می‌دهد.
نشان می‌دهد که هر مقدار به طور کلی در گروه پایه چگونه عمل می‌کند.
نتایج هدف و عملکرد را در برابر معیارهای اضافی که انتخاب کرده‌اید نمایش می‌دهد و با استفاده از تب‌های بالای خلاصه قابل دسترسی است.
شخصی‌سازی می‌تواند به طور نامحدود در حال اجرا باشد و شما می‌توانید برای نظارت بر عملکرد آن، صفحه نتایج را مجدداً بررسی کنید. الگوریتم به یادگیری و تنظیم ادامه می‌دهد تا بتواند با تغییر رفتار کاربر سازگار شود.
درک حذف شخصی‌سازی
شما می‌توانید شخصی‌سازی را با استفاده از کنسول Firebase یا با حذف یک پارامتر شخصی‌سازی از الگوی خود با استفاده از Firebase Remote Config API حذف کنید. شخصی‌سازی‌های حذف شده قابل بازیابی نیستند. برای کسب اطلاعات در مورد نگهداری داده‌ها، به حذف داده‌ها مراجعه کنید.
همچنین می‌توانید شخصی‌سازی‌ها را با برگرداندن به حالت قبل یا وارد کردن یک الگو حذف کنید.
عقبگردها
اگر قالب فعلی شما شخصی‌سازی‌هایی دارد و شما به قالبی که همان شخصی‌سازی‌ها را ندارد، برمی‌گردید ، شخصی‌سازی‌ها حذف می‌شوند. برای بازگشت به قالب قبلی، از کنسول Firebase استفاده کنید یا با استفاده از Firebase Remote Config API به حالت roll back .
وقتی شخصی‌سازی را حذف می‌کنید و به الگوی قبلی برمی‌گردید، ارجاعی به آن شخصی‌سازی نامعتبر در کنسول Firebase ظاهر می‌شود. می‌توانید با ویرایش شخصی‌سازی در برگه پارامترها در صفحه Remote Config شخصی‌سازی نامعتبر را از کنسول Firebase حذف کنید.
واردات
وارد کردن قالبی که دیگر شامل شخصی‌سازی‌های فعلی شما نباشد، آن شخصی‌سازی‌ها را نیز حذف می‌کند. برای وارد کردن یک قالب، از کنسول Firebase یا از Remote Config REST API استفاده کنید.
مراحل بعدی
موارد استفاده شخصی‌سازی Remote Config را بررسی کنید.
با شخصی‌سازی Remote Config شروع کنید .