حول التخصيص عن بعد

يستخدم التخصيص التعلم الآلي - على وجه التحديد خوارزمية ماكينات الألعاب المتعددة السياقية - لتحديد التجربة المثلى للمستخدمين الفرديين لتحقيق الهدف. في حالتنا ، الهدف هو تحسين العدد الإجمالي أو إجمالي قيمة المعلمة لأحداث Google Analytics المحددة.

ما هي خوارزمية ماكينات الألعاب المتعددة السياقية؟

"ماكينات الألعاب المتعددة" هي استعارة تستخدم لوصف الموقف حيث نريد باستمرار اختيار مسار يؤدي إلى أعلى المكافآت وأكثرها موثوقية من قائمة المسارات المتعددة. لتصور ذلك ، يمكنك استخدام استعارة مقامر أمام صف من ماكينات القمار - غالبًا ما يشار إليها بالعامية باسم "ماكينة الحظ بذراع واحد" لأن ماكينة القمار لها مقبض واحد (أو ذراع) وتحصل على أموالك. نظرًا لأننا نريد إيجاد "أسلحة" متعددة ، فإن ماكينة الحظ بذراع واحد تصبح ماكينة ماكينات الألعاب المتعددة .

على سبيل المثال ، لنفترض أن لدينا ثلاثة خيارات ونريد تحديد أيها يقدم المكافأة الأكثر موثوقية: يمكننا تجربة كل خيار ، وبعد ذلك ، بعد تلقي النتيجة ، يمكننا الاستمرار في اختيار الشكل الذي حقق أكبر قدر من المكافآت. هذا ما يشار إليه بالخوارزمية الجشعة : الخيار الذي يعطي أفضل نتيجة عندما نحاول ذلك لأول مرة هو الخيار الذي سنستمر في اختياره. لكن يمكننا أن نفهم أن هذا قد لا ينجح دائمًا - لسبب واحد ، قد تكون المكافأة العالية مجرد صدفة. أو ربما يكون هناك سياق خاص بالمستخدم أدى إلى الحصول على مكافآت أعلى خلال تلك الفترة الزمنية والتي لن تكون فعالة لاحقًا.

لذلك تمت إضافة السياق لجعل الخوارزمية أكثر فعالية. لإضفاء الطابع الشخصي على Remote Config ، فإن هذا السياق الأولي هو أخذ عينات عشوائي ، أو عدم اليقين ، الذي يوفر بعض الانتروبيا للتجربة. يؤدي هذا إلى تنفيذ "ماكينات الألعاب المتعددة السياقية ". مع استمرار تشغيل التجربة ، يضيف الاستكشاف والمراقبة المستمران سياقًا حقيقيًا مكتسبًا حول الأشكال التي من المرجح أن تحصل على مكافأة للنموذج ، مما يجعله أكثر فعالية.

ماذا يعني هذا بالنسبة لتطبيقي؟

الآن ، دعنا نناقش ما تعنيه خوارزمية ماكينات الألعاب المتعددة في سياق تطبيقك. لنفترض أنك تقوم بتحسين نقرات إعلان البانر. في هذه الحالة ، ستكون "أذرع" التخصيص هي القيم البديلة التي تحددها لتمثيل إعلانات البانر المختلفة التي تريد عرضها للمستخدمين. النقر على إعلان البانر هو المكافأة التي نشير إليها على أنها هدف .

عند إطلاق التخصيص لأول مرة ، لا يعرف النموذج القيمة البديلة التي من المرجح أن تحقق هدفك لكل مستخدم على حدة. بينما يستكشف التخصيص كل قيمة بديلة لفهم احتمالية تحقيق هدفك ، فإن النموذج الأساسي يزداد وعيًا ، مما يحسن قدرته على التنبؤ واختيار التجربة المثلى لكل مستخدم.

يستخدم التخصيص نافذة لاصقة مدتها 24 ساعة. هذا هو مقدار الوقت الذي تستكشف فيه خوارزمية التخصيص قيمة بديلة واحدة. يجب أن توفر وقتًا كافيًا لتخصيصاتك لاستكشاف كل قيمة بديلة عدة مرات (بشكل عام حوالي 14 يومًا). من الناحية المثالية ، يمكنك السماح لهم بالعمل بشكل دائم حتى يتمكنوا من التحسين والتكيف باستمرار مع تغير تطبيقك وسلوكيات المستخدم.

تتبع المقاييس الإضافية

يوفر تخصيص Remote Config أيضًا القدرة على تتبع ما يصل إلى مقياسين إضافيين ، لمساعدتك في تحديد سياق نتائجك. لنفترض أنك طورت تطبيقًا اجتماعيًا ووضعت قيمًا بديلة مختلفة لتشجيع المستخدمين على مشاركة المحتوى مع الأصدقاء لزيادة المشاركة الإجمالية.

في هذه الحالة ، قد تختار التحسين لحدث Analytics مثل link_received وتعيين المقياسين على user_engagement و link_opened لفهم ما إذا كان تفاعل المستخدم وعدد الروابط التي يفتحها المستخدم يرتفع (المشاركة الحقيقية) أو ينخفض ​​(ربما يكون هناك عدد كبير جدًا من الروابط غير المرغوب فيها ).

في حين أن هذه المقاييس الإضافية لن يتم أخذها في الاعتبار في خوارزمية التخصيص ، يمكنك تتبعها جنبًا إلى جنب مع نتائج التخصيص الخاصة بك ، مما يوفر نظرة ثاقبة حول قدرة التخصيص على تحقيق أهدافك الإجمالية.

افهم نتائج التخصيص

بعد تشغيل التخصيص لفترة كافية لجمع البيانات ، يمكنك عرض نتائجه.

لعرض نتائج التخصيص:

  1. افتح صفحة "التكوين عن بعد" وانقر فوق التخصيصات .

  2. حدد التخصيص الذي تريد عرضه. يمكنك البحث عن التخصيص المحدد بالاسم أو الهدف ، ويمكنك الفرز حسب الاسم أو وقت البدء أو إجمالي الارتفاع.

تلخص صفحة النتائج التأثير الإجمالي ، أو نسبة الاختلاف في الأداء ، الذي يوفره التخصيص عبر مجموعة خط الأساس .

تعرض صفحة النتائج أيضًا الحالة الحالية للتخصيص ، وسمات التخصيص ، والرسم البياني التفاعلي الذي:

  • يُظهر عرضًا مفصلاً يوميًا وإجماليًا لكيفية أداء التخصيص مقابل خط الأساس.

  • يُظهر كيفية أداء كل قيمة بشكل عام عبر مجموعة الأساس.

  • يعرض نتائج الأهداف والأداء مقابل المقاييس الإضافية التي اخترتها ، ويمكن الوصول إليها باستخدام علامات التبويب أعلى الملخص.

يمكن ترك التخصيص قيد التشغيل إلى أجل غير مسمى ويمكنك الاستمرار في زيارة صفحة النتائج لمراقبة أدائها. ستستمر الخوارزمية في التعلم والضبط ، بحيث يمكن أن تتكيف عندما يتغير سلوك المستخدم.

افهم حذف التخصيص

يمكنك حذف التخصيص باستخدام وحدة تحكم Firebase أو عن طريق إزالة معلمة التخصيص من نموذجك باستخدام Firebase Remote Config API . لا يمكن استعادة التخصيصات المحذوفة. لمعرفة المزيد حول الاحتفاظ بالبيانات ، راجع حذف البيانات .

يمكنك أيضًا حذف التخصيصات عن طريق التراجع عن قالب أو استيراده .

التراجع

إذا كان قالبك الحالي يحتوي على تخصيصات وقمت بالرجوع إلى قالب لا يحتوي على نفس التخصيصات ، فسيتم حذف التخصيصات. للرجوع إلى نموذج سابق ، استخدم وحدة تحكم Firebase أو roll back باستخدام Firebase Remote Config API.

عند حذف التخصيص والعودة إلى نموذج سابق ، يظهر مرجع لهذا التخصيص غير الصحيح في وحدة تحكم Firebase. يمكنك إزالة التخصيص غير الصحيح من وحدة تحكم Firebase عن طريق تحرير التخصيص في علامة التبويب "المعلمات" في صفحة "التكوين عن بُعد".

الواردات

يؤدي استيراد قالب لم يعد يحتوي على تخصيصاتك الحالية إلى حذف هذه التخصيصات أيضًا. لاستيراد قالب ، استخدم وحدة تحكم Firebase أو استخدم Remote Config REST API .

الخطوات التالية

و

يستخدم التخصيص التعلم الآلي - على وجه التحديد خوارزمية ماكينات الألعاب المتعددة السياقية - لتحديد التجربة المثلى للمستخدمين الفرديين لتحقيق الهدف. في حالتنا ، الهدف هو تحسين العدد الإجمالي أو إجمالي قيمة المعلمة لأحداث Google Analytics المحددة.

ما هي خوارزمية ماكينات الألعاب المتعددة السياقية؟

"ماكينات الألعاب المتعددة" هي استعارة تستخدم لوصف الموقف حيث نريد باستمرار اختيار مسار يؤدي إلى أعلى المكافآت وأكثرها موثوقية من قائمة المسارات المتعددة. لتصور ذلك ، يمكنك استخدام استعارة مقامر أمام صف من ماكينات القمار - غالبًا ما يشار إليها بالعامية باسم "ماكينة الحظ بذراع واحد" لأن ماكينة القمار لها مقبض واحد (أو ذراع) وتحصل على أموالك. نظرًا لأننا نريد إيجاد "أسلحة" متعددة ، فإن ماكينة الحظ بذراع واحد تصبح ماكينة ماكينات الألعاب المتعددة .

على سبيل المثال ، لنفترض أن لدينا ثلاثة خيارات ونريد تحديد أيها يقدم المكافأة الأكثر موثوقية: يمكننا تجربة كل خيار ، وبعد ذلك ، بعد تلقي النتيجة ، يمكننا الاستمرار في اختيار الشكل الذي حقق أكبر قدر من المكافآت. هذا ما يشار إليه بالخوارزمية الجشعة : الخيار الذي يعطي أفضل نتيجة عندما نحاول ذلك لأول مرة هو الخيار الذي سنستمر في اختياره. لكن يمكننا أن نفهم أن هذا قد لا ينجح دائمًا - لسبب واحد ، قد تكون المكافأة العالية مجرد صدفة. أو ربما يكون هناك سياق خاص بالمستخدم أدى إلى الحصول على مكافآت أعلى خلال تلك الفترة الزمنية والتي لن تكون فعالة لاحقًا.

لذلك تمت إضافة السياق لجعل الخوارزمية أكثر فعالية. لإضفاء الطابع الشخصي على Remote Config ، فإن هذا السياق الأولي هو أخذ عينات عشوائي ، أو عدم اليقين ، الذي يوفر بعض الانتروبيا للتجربة. يؤدي هذا إلى تنفيذ "ماكينات الألعاب المتعددة السياقية ". مع استمرار تشغيل التجربة ، يضيف الاستكشاف والمراقبة المستمران سياقًا حقيقيًا مكتسبًا حول الأشكال التي من المرجح أن تحصل على مكافأة للنموذج ، مما يجعله أكثر فعالية.

ماذا يعني هذا بالنسبة لتطبيقي؟

الآن ، دعنا نناقش ما تعنيه خوارزمية ماكينات الألعاب المتعددة في سياق تطبيقك. لنفترض أنك تقوم بتحسين نقرات إعلان البانر. في هذه الحالة ، ستكون "أذرع" التخصيص هي القيم البديلة التي تحددها لتمثيل إعلانات البانر المختلفة التي تريد عرضها للمستخدمين. النقر على إعلان البانر هو المكافأة التي نشير إليها على أنها هدف .

عند إطلاق التخصيص لأول مرة ، لا يعرف النموذج القيمة البديلة التي من المرجح أن تحقق هدفك لكل مستخدم على حدة. بينما يستكشف التخصيص كل قيمة بديلة لفهم احتمالية تحقيق هدفك ، فإن النموذج الأساسي يزداد وعيًا ، مما يحسن قدرته على التنبؤ واختيار التجربة المثلى لكل مستخدم.

يستخدم التخصيص نافذة لاصقة مدتها 24 ساعة. هذا هو مقدار الوقت الذي تستكشف فيه خوارزمية التخصيص قيمة بديلة واحدة. يجب أن توفر وقتًا كافيًا لتخصيصاتك لاستكشاف كل قيمة بديلة عدة مرات (بشكل عام حوالي 14 يومًا). من الناحية المثالية ، يمكنك السماح لهم بالعمل بشكل دائم حتى يتمكنوا من التحسين والتكيف باستمرار مع تغير تطبيقك وسلوكيات المستخدم.

تتبع المقاييس الإضافية

يوفر تخصيص Remote Config أيضًا القدرة على تتبع ما يصل إلى مقياسين إضافيين ، لمساعدتك في تحديد سياق نتائجك. لنفترض أنك طورت تطبيقًا اجتماعيًا ووضعت قيمًا بديلة مختلفة لتشجيع المستخدمين على مشاركة المحتوى مع الأصدقاء لزيادة المشاركة الإجمالية.

في هذه الحالة ، قد تختار التحسين لحدث Analytics مثل link_received وتعيين المقياسين على user_engagement و link_opened لفهم ما إذا كان تفاعل المستخدم وعدد الروابط التي يفتحها المستخدم يرتفع (المشاركة الحقيقية) أو ينخفض ​​(ربما يكون هناك عدد كبير جدًا من الروابط غير المرغوب فيها ).

في حين أن هذه المقاييس الإضافية لن يتم أخذها في الاعتبار في خوارزمية التخصيص ، يمكنك تتبعها جنبًا إلى جنب مع نتائج التخصيص الخاصة بك ، مما يوفر نظرة ثاقبة حول قدرة التخصيص على تحقيق أهدافك الإجمالية.

افهم نتائج التخصيص

بعد تشغيل التخصيص لفترة كافية لجمع البيانات ، يمكنك عرض نتائجه.

لعرض نتائج التخصيص:

  1. افتح صفحة "التكوين عن بعد" وانقر فوق التخصيصات .

  2. حدد التخصيص الذي تريد عرضه. يمكنك البحث عن التخصيص المحدد بالاسم أو الهدف ، ويمكنك الفرز حسب الاسم أو وقت البدء أو إجمالي الارتفاع.

تلخص صفحة النتائج التأثير الإجمالي ، أو نسبة الاختلاف في الأداء ، الذي يوفره التخصيص عبر مجموعة خط الأساس .

تعرض صفحة النتائج أيضًا الحالة الحالية للتخصيص ، وسمات التخصيص ، والرسم البياني التفاعلي الذي:

  • يُظهر عرضًا مفصلاً يوميًا وإجماليًا لكيفية أداء التخصيص مقابل خط الأساس.

  • يُظهر كيفية أداء كل قيمة بشكل عام عبر مجموعة الأساس.

  • يعرض نتائج الأهداف والأداء مقابل المقاييس الإضافية التي اخترتها ، ويمكن الوصول إليها باستخدام علامات التبويب أعلى الملخص.

يمكن ترك التخصيص قيد التشغيل إلى أجل غير مسمى ويمكنك الاستمرار في زيارة صفحة النتائج لمراقبة أدائها. ستستمر الخوارزمية في التعلم والضبط ، بحيث يمكن أن تتكيف عندما يتغير سلوك المستخدم.

افهم حذف التخصيص

يمكنك حذف التخصيص باستخدام وحدة تحكم Firebase أو عن طريق إزالة معلمة التخصيص من نموذجك باستخدام Firebase Remote Config API . لا يمكن استعادة التخصيصات المحذوفة. لمعرفة المزيد حول الاحتفاظ بالبيانات ، راجع حذف البيانات .

يمكنك أيضًا حذف التخصيصات عن طريق التراجع عن قالب أو استيراده .

التراجع

إذا كان قالبك الحالي يحتوي على تخصيصات وقمت بالرجوع إلى قالب لا يحتوي على نفس التخصيصات ، فسيتم حذف التخصيصات. للرجوع إلى نموذج سابق ، استخدم وحدة تحكم Firebase أو roll back باستخدام Firebase Remote Config API.

عند حذف التخصيص والعودة إلى نموذج سابق ، يظهر مرجع لهذا التخصيص غير الصحيح في وحدة تحكم Firebase. يمكنك إزالة التخصيص غير الصحيح من وحدة تحكم Firebase عن طريق تحرير التخصيص في علامة التبويب "المعلمات" في صفحة "التكوين عن بُعد".

الواردات

يؤدي استيراد قالب لم يعد يحتوي على تخصيصاتك الحالية إلى حذف هذه التخصيصات أيضًا. لاستيراد قالب ، استخدم وحدة تحكم Firebase أو استخدم Remote Config REST API .

الخطوات التالية