À propos de la personnalisation de la configuration à distance

La personnalisation utilise l'apprentissage automatique, en particulier un algorithme contextuel de bandit à plusieurs bras, pour déterminer l'expérience optimale permettant aux utilisateurs individuels d'atteindre un objectif. Dans notre cas, l'objectif est d'optimiser le nombre total ou la valeur totale des paramètres d'événements Google Analytics spécifiques.

Qu'est-ce qu'un algorithme contextuel de bandit multi-armé ?

Le « bandit à plusieurs bras » est une métaphore utilisée pour décrire la situation dans laquelle nous voulons continuellement choisir un chemin qui mène aux récompenses les plus élevées et les plus fiables parmi une liste de chemins multiples. Pour visualiser cela, vous pouvez utiliser la métaphore d'un joueur devant une rangée de machines à sous – souvent appelé familièrement un « bandit manchot » car une machine à sous a une poignée (ou un bras) et prend votre argent. Puisque nous voulons résoudre plusieurs « armes », le bandit manchot devient le bandit à plusieurs bras .

Par exemple, disons que nous avons trois options et que nous voulons déterminer laquelle offre la récompense la plus fiable : nous pourrions essayer chaque option, puis, après avoir reçu un résultat, nous pourrions simplement continuer à choisir le bras qui a rapporté le plus de récompenses. C'est ce qu'on appelle un algorithme glouton : l'option qui donne le meilleur résultat lors de la première tentative est celle que nous continuerons à choisir. Mais nous pouvons comprendre que cela ne fonctionne pas toujours : d’une part, la récompense élevée pourrait être un hasard. Ou peut-être qu'il existe un contexte spécifique à l'utilisateur qui a entraîné des récompenses plus élevées au cours de cette période, qui ne seraient pas aussi efficaces plus tard.

Le contexte est donc ajouté pour rendre l’algorithme plus efficace. Pour la personnalisation de Remote Config, ce contexte initial est un échantillonnage aléatoire, ou incertitude , qui fournit une certaine entropie à l'expérience. Cela met en œuvre un « bandit multi-armé contextuel ». Au fur et à mesure que l'expérience se poursuit, l'exploration et l'observation continues ajoutent un véritable contexte appris sur les armes les plus susceptibles de susciter une récompense pour le modèle, le rendant ainsi plus efficace.

Qu'est-ce que cela signifie pour mon application ?

Voyons maintenant ce que signifie un algorithme de bandit multi-armé dans le contexte de votre application. Supposons que vous optimisiez les clics sur les bannières publicitaires. Dans ce cas, les « bras » de la personnalisation seraient les valeurs alternatives que vous spécifiez pour représenter les différentes bannières publicitaires que vous souhaitez afficher aux utilisateurs. Le clic sur la bannière publicitaire est la récompense, que nous appelons un objectif .

Lorsque vous lancez une personnalisation pour la première fois, le modèle ne sait pas quelle valeur alternative sera la plus susceptible d'atteindre votre objectif pour chaque utilisateur individuel. À mesure que la personnalisation explore chaque valeur alternative pour comprendre la probabilité d'atteindre votre objectif, le modèle sous-jacent devient plus informé, améliorant ainsi sa capacité à prédire et à sélectionner l'expérience optimale pour chaque utilisateur.

La personnalisation utilise une fenêtre d’adhésivité de 24 heures. Il s'agit de la durée pendant laquelle l'algorithme de personnalisation explore une seule valeur alternative. Vous devez accorder à vos personnalisations suffisamment de temps pour explorer chaque valeur alternative plusieurs fois (généralement environ 14 jours). Idéalement, vous pouvez les laisser fonctionner en permanence afin qu'ils puissent continuellement s'améliorer et s'adapter à mesure que votre application et les comportements des utilisateurs changent.

Suivre des métriques supplémentaires

La personnalisation de Remote Config offre également la possibilité de suivre jusqu'à deux métriques supplémentaires, pour vous aider à contextualiser vos résultats. Supposons que vous ayez développé une application sociale et que vous ayez défini différentes valeurs alternatives pour encourager les utilisateurs à partager du contenu avec des amis afin d'augmenter l'engagement global.

Dans ce cas, vous pouvez choisir d'optimiser un événement Analytics tel que link_received et définir vos deux métriques sur user_engagement et link_opened pour comprendre si l'engagement de l'utilisateur et le nombre de liens qu'il ouvre augmentent (engagement réel) ou diminuent (peut-être trop de liens spammés). ).

Bien que ces mesures supplémentaires ne soient pas prises en compte dans l'algorithme de personnalisation, vous pouvez les suivre directement en parallèle de vos résultats de personnalisation, fournissant ainsi des informations précieuses sur la capacité de la personnalisation à atteindre vos objectifs globaux.

Comprendre les résultats de la personnalisation

Une fois qu’une personnalisation a été exécutée suffisamment longtemps pour collecter des données, vous pouvez afficher ses résultats.

Pour afficher les résultats de la personnalisation :

  1. Ouvrez la page Configuration à distance et cliquez sur Personnalisations .

  2. Sélectionnez la personnalisation que vous souhaitez afficher. Vous pouvez rechercher la personnalisation spécifique par nom ou objectif, et la trier par nom, heure de début ou impact total.

La page de résultats résume l' amélioration totale , ou la différence en pourcentage de performances, fournie par la personnalisation par rapport au groupe de référence .

La page de résultats affiche également l'état actuel de la personnalisation, les attributs de la personnalisation et un graphique interactif qui :

  • Affiche une vue quotidienne et totale détaillée des performances de la personnalisation par rapport à la référence.

  • Montre les performances globales de chaque valeur dans le groupe de référence.

  • Affiche les résultats des objectifs et les performances par rapport aux mesures supplémentaires que vous avez choisies, accessibles à l'aide des onglets en haut du résumé.

Une personnalisation peut rester en cours indéfiniment et vous pouvez continuer à consulter la page de résultats pour surveiller ses performances. L’algorithme continuera d’apprendre et de s’ajuster, afin de pouvoir s’adapter lorsque le comportement des utilisateurs change.

Comprendre la suppression de la personnalisation

Vous pouvez supprimer une personnalisation à l'aide de la console Firebase ou en supprimant un paramètre de personnalisation de votre modèle à l'aide de l' API Firebase Remote Config . Les personnalisations supprimées ne peuvent pas être restaurées. Pour en savoir plus sur la conservation des données, consultez Suppression de données .

Vous pouvez également supprimer des personnalisations en annulant ou en important un modèle .

Annulations

Si votre modèle actuel comporte des personnalisations et que vous revenez à un modèle qui ne comporte pas les mêmes personnalisations, les personnalisations sont supprimées. Pour revenir à un modèle précédent, utilisez la console Firebase ou roll back à l'aide de l'API Firebase Remote Config.

Lorsque vous supprimez une personnalisation et revenez à un modèle précédent, une référence à cette personnalisation non valide apparaît dans la console Firebase. Vous pouvez supprimer la personnalisation non valide de la console Firebase en modifiant la personnalisation dans l'onglet Paramètres de la page Remote Config.

Importations

L'importation d'un modèle qui ne contient plus vos personnalisations actuelles supprime également ces personnalisations. Pour importer un modèle, utilisez la console Firebase ou utilisez l' API REST Remote Config .

Prochaines étapes