Informacje o personalizacji Zdalnej konfiguracji

Personalizacja wykorzystuje uczenie maszynowe — w szczególności kontekstowy algorytm wielorękiego bandyty — w celu określenia optymalnego doświadczenia poszczególnych użytkowników w celu osiągnięcia celu. W naszym przypadku celem jest optymalizacja pod kątem łącznej liczby lub łącznej wartości parametrów określonych zdarzeń Google Analytics.

Co to jest kontekstowy algorytm wielorękiego bandyty?

„Wieloręki bandyta” to metafora używana do opisania sytuacji, w której chcemy nieustannie wybierać ścieżkę, która prowadzi do najwyższych, najbardziej niezawodnych nagród z listy wielu ścieżek. Aby to zobrazować, możesz posłużyć się metaforą hazardzisty przed rzędem automatów do gier – często potocznie określanego jako „jednoręki bandyta”, ponieważ automat do gry ma jedną rączkę (lub ramię) i bierze twoje pieniądze. Ponieważ chcemy rozwiązać dla wielu „ramion”, jednoręki bandyta staje się wielorękim bandytą.

Załóżmy na przykład, że mamy trzy opcje i chcemy określić, która zapewnia najbardziej niezawodną nagrodę: możemy wypróbować każdą opcję, a następnie, po otrzymaniu wyniku, możemy po prostu wybrać ramię, które przyniosło najwięcej nagród. Nazywa się to algorytmem zachłannym : opcja, która daje najlepszy wynik przy pierwszej próbie, jest tą, którą będziemy nadal wybierać. Możemy jednak zrozumieć, że nie zawsze to działa — po pierwsze, wysoka nagroda może być dziełem przypadku. A może istnieje jakiś kontekst specyficzny dla użytkownika, który zaowocował wyższymi nagrodami w tym okresie, które później nie byłyby tak skuteczne.

Dodawany jest więc kontekst , aby algorytm był bardziej efektywny. W przypadku personalizacji zdalnej konfiguracji tym początkowym kontekstem jest próbkowanie losowe lub niepewność , która zapewnia pewną entropię eksperymentowi. Implementuje to „ kontekstowego wielorękiego bandytę”. W miarę trwania eksperymentu, ciągła eksploracja i obserwacja dodaje do modelu rzeczywisty, wyuczony kontekst dotyczący tego, które ramiona z największym prawdopodobieństwem wywołają nagrodę, czyniąc go bardziej skutecznym.

Co to oznacza dla mojej aplikacji?

Teraz omówmy, co oznacza algorytm wielorękiego bandyty w kontekście Twojej aplikacji. Załóżmy, że optymalizujesz reklamy pod kątem kliknięć banerów reklamowych. W tym przypadku „ramionami” personalizacji byłyby podane przez Ciebie alternatywne wartości reprezentujące różne banery reklamowe, które chcesz wyświetlać użytkownikom. Kliknięcie banera reklamowego jest nagrodą, którą określamy jako cel .

Kiedy po raz pierwszy uruchamiasz personalizację, model nie wie, która alternatywna wartość z większym prawdopodobieństwem pozwoli osiągnąć Twój cel dla każdego indywidualnego użytkownika. Gdy personalizacja bada każdą alternatywną wartość, aby zrozumieć prawdopodobieństwo osiągnięcia celu, podstawowy model staje się bardziej świadomy, poprawiając jego zdolność przewidywania i wybierania optymalnego doświadczenia dla każdego użytkownika.

Personalizacja wykorzystuje 24-godzinne okno lepkości . Jest to czas, przez jaki algorytm personalizacji bada pojedynczą wartość alternatywną. Daj swoim personalizacjom wystarczająco dużo czasu na wielokrotne zapoznanie się z każdą alternatywną wartością (zwykle około 14 dni). W idealnej sytuacji możesz pozwolić im działać bez przerwy, aby mogły stale ulepszać i dostosowywać się do zmian w Twojej aplikacji i zachowaniach użytkowników.

Śledź dodatkowe wskaźniki

Personalizacja Remote Config zapewnia również możliwość śledzenia do dwóch dodatkowych metryk, aby pomóc w kontekstualizacji wyników. Załóżmy, że stworzyłeś aplikację społecznościową i ustawiłeś różne alternatywne wartości, aby zachęcić użytkowników do udostępniania treści znajomym w celu zwiększenia ogólnego zaangażowania.

W takim przypadku możesz zdecydować się na optymalizację pod kątem zdarzenia Analytics, takiego jak link_received i ustawić dwa rodzaje danych: user_engagement i link_opened , aby zrozumieć, czy zaangażowanie użytkowników i liczba otwieranych przez nich linków rośnie (rzeczywiste zaangażowanie), czy spada (prawdopodobnie zbyt wiele spamerskich linków) ).

Chociaż te dodatkowe metryki nie będą uwzględniane w algorytmie personalizacji, możesz je śledzić razem z wynikami personalizacji, zapewniając cenny wgląd w zdolność personalizacji do osiągnięcia ogólnych celów.

Zapoznaj się z wynikami personalizacji

Gdy personalizacja działa wystarczająco długo, aby zebrać dane, możesz wyświetlić jej wyniki.

Aby wyświetlić wyniki personalizacji:

  1. Otwórz stronę Zdalna konfiguracja i kliknij Personalizacja .

  2. Wybierz personalizację, którą chcesz wyświetlić. Możesz wyszukać konkretną personalizację według nazwy lub celu, a także sortować według nazwy, czasu rozpoczęcia lub całkowitego wzrostu.

Strona wyników podsumowuje łączny wzrost , czyli procentową różnicę w wynikach uzyskaną dzięki personalizacji w grupie bazowej .

Strona wyników pokazuje również aktualny stan personalizacji, atrybuty personalizacji oraz interaktywny wykres, który:

  • Pokazuje szczegółowy dzienny i całkowity widok skuteczności personalizacji w stosunku do linii bazowej.

  • Pokazuje ogólną skuteczność każdej wartości w grupie bazowej.

  • Wyświetla wyniki i skuteczność celów w zestawieniu z wybranymi przez Ciebie dodatkowymi metrykami, dostępnymi na kartach u góry podsumowania.

Personalizacja może działać w nieskończoność i możesz nadal odwiedzać stronę wyników, aby monitorować jej wydajność. Algorytm będzie się nadal uczył i dostosowywał, aby móc dostosować się do zmian w zachowaniu użytkownika.

Omówienie usuwania personalizacji

Możesz usunąć personalizację za pomocą konsoli Firebase lub usuwając parametr personalizacji z szablonu za pomocą Firebase Remote Config API . Usuniętych personalizacji nie można przywrócić. Aby dowiedzieć się więcej o przechowywaniu danych, zobacz Usuwanie danych .

Możesz także usunąć personalizacje, wycofując zmiany lub importując szablon .

Wycofanie

Jeśli bieżący szablon ma personalizacje i przywrócisz szablon, który nie ma tych samych personalizacji, personalizacje zostaną usunięte. Aby powrócić do poprzedniego szablonu, użyj konsoli Firebase lub roll back za pomocą Firebase Remote Config API.

Gdy usuniesz personalizację i przywrócisz poprzedni szablon, w konsoli Firebase pojawi się odwołanie do tej nieprawidłowej personalizacji. Możesz usunąć nieprawidłową personalizację z konsoli Firebase , edytując personalizację na karcie Parametry na stronie Zdalna konfiguracja.

Import

Zaimportowanie szablonu, który nie zawiera już bieżących personalizacji, powoduje również usunięcie tych personalizacji. Aby zaimportować szablon, użyj konsoli Firebase lub interfejsu API REST usługi Remote Config .

Następne kroki

,

Personalizacja wykorzystuje uczenie maszynowe — w szczególności kontekstowy algorytm wielorękiego bandyty — w celu określenia optymalnego doświadczenia poszczególnych użytkowników w celu osiągnięcia celu. W naszym przypadku celem jest optymalizacja pod kątem łącznej liczby lub łącznej wartości parametrów określonych zdarzeń Google Analytics.

Co to jest kontekstowy algorytm wielorękiego bandyty?

„Wieloręki bandyta” to metafora używana do opisania sytuacji, w której chcemy nieustannie wybierać ścieżkę, która prowadzi do najwyższych, najbardziej niezawodnych nagród z listy wielu ścieżek. Aby to zobrazować, możesz posłużyć się metaforą hazardzisty przed rzędem automatów do gier – często potocznie określanego jako „jednoręki bandyta”, ponieważ automat do gry ma jedną rączkę (lub ramię) i bierze twoje pieniądze. Ponieważ chcemy rozwiązać dla wielu „ramion”, jednoręki bandyta staje się wielorękim bandytą.

Załóżmy na przykład, że mamy trzy opcje i chcemy określić, która zapewnia najbardziej niezawodną nagrodę: możemy wypróbować każdą opcję, a następnie, po otrzymaniu wyniku, możemy po prostu wybrać ramię, które przyniosło najwięcej nagród. Nazywa się to algorytmem zachłannym : opcja, która daje najlepszy wynik przy pierwszej próbie, jest tą, którą będziemy nadal wybierać. Możemy jednak zrozumieć, że nie zawsze to działa — po pierwsze, wysoka nagroda może być dziełem przypadku. A może istnieje jakiś kontekst specyficzny dla użytkownika, który zaowocował wyższymi nagrodami w tym okresie, które później nie byłyby tak skuteczne.

Dodawany jest więc kontekst , aby algorytm był bardziej efektywny. W przypadku personalizacji zdalnej konfiguracji tym początkowym kontekstem jest próbkowanie losowe lub niepewność , która zapewnia pewną entropię eksperymentowi. Implementuje to „ kontekstowego wielorękiego bandytę”. W miarę trwania eksperymentu, ciągła eksploracja i obserwacja dodaje do modelu rzeczywisty, wyuczony kontekst dotyczący tego, które ramiona z największym prawdopodobieństwem wywołają nagrodę, czyniąc go bardziej skutecznym.

Co to oznacza dla mojej aplikacji?

Teraz omówmy, co oznacza algorytm wielorękiego bandyty w kontekście Twojej aplikacji. Załóżmy, że optymalizujesz reklamy pod kątem kliknięć banerów reklamowych. W tym przypadku „ramionami” personalizacji byłyby podane przez Ciebie alternatywne wartości reprezentujące różne banery reklamowe, które chcesz wyświetlać użytkownikom. Kliknięcie banera reklamowego jest nagrodą, którą określamy jako cel .

Kiedy po raz pierwszy uruchamiasz personalizację, model nie wie, która alternatywna wartość z większym prawdopodobieństwem pozwoli osiągnąć Twój cel dla każdego indywidualnego użytkownika. Gdy personalizacja bada każdą alternatywną wartość, aby zrozumieć prawdopodobieństwo osiągnięcia celu, podstawowy model staje się bardziej świadomy, poprawiając jego zdolność przewidywania i wybierania optymalnego doświadczenia dla każdego użytkownika.

Personalizacja wykorzystuje 24-godzinne okno lepkości . Jest to czas, przez jaki algorytm personalizacji bada pojedynczą wartość alternatywną. Daj swoim personalizacjom wystarczająco dużo czasu na wielokrotne zapoznanie się z każdą alternatywną wartością (zwykle około 14 dni). W idealnej sytuacji możesz pozwolić im działać bez przerwy, aby mogły stale ulepszać i dostosowywać się do zmian w Twojej aplikacji i zachowaniach użytkowników.

Śledź dodatkowe wskaźniki

Personalizacja Remote Config zapewnia również możliwość śledzenia do dwóch dodatkowych metryk, aby pomóc w kontekstualizacji wyników. Załóżmy, że stworzyłeś aplikację społecznościową i ustawiłeś różne alternatywne wartości, aby zachęcić użytkowników do udostępniania treści znajomym w celu zwiększenia ogólnego zaangażowania.

W takim przypadku możesz zdecydować się na optymalizację pod kątem zdarzenia Analytics, takiego jak link_received i ustawić dwa rodzaje danych: user_engagement i link_opened , aby zrozumieć, czy zaangażowanie użytkowników i liczba otwieranych przez nich linków rośnie (rzeczywiste zaangażowanie), czy spada (prawdopodobnie zbyt wiele spamerskich linków) ).

Chociaż te dodatkowe metryki nie będą uwzględniane w algorytmie personalizacji, możesz je śledzić razem z wynikami personalizacji, zapewniając cenny wgląd w zdolność personalizacji do osiągnięcia ogólnych celów.

Zapoznaj się z wynikami personalizacji

Gdy personalizacja działa wystarczająco długo, aby zebrać dane, możesz wyświetlić jej wyniki.

Aby wyświetlić wyniki personalizacji:

  1. Otwórz stronę Zdalna konfiguracja i kliknij Personalizacja .

  2. Wybierz personalizację, którą chcesz wyświetlić. Możesz wyszukać konkretną personalizację według nazwy lub celu, a także sortować według nazwy, czasu rozpoczęcia lub całkowitego wzrostu.

Strona wyników podsumowuje łączny wzrost , czyli procentową różnicę w wynikach uzyskaną dzięki personalizacji w grupie bazowej .

Strona wyników pokazuje również aktualny stan personalizacji, atrybuty personalizacji oraz interaktywny wykres, który:

  • Pokazuje szczegółowy dzienny i całkowity widok skuteczności personalizacji w stosunku do linii bazowej.

  • Pokazuje ogólną skuteczność każdej wartości w grupie bazowej.

  • Wyświetla wyniki i skuteczność celów w zestawieniu z wybranymi przez Ciebie dodatkowymi metrykami, dostępnymi na kartach u góry podsumowania.

Personalizacja może działać w nieskończoność i możesz nadal odwiedzać stronę wyników, aby monitorować jej wydajność. Algorytm będzie się nadal uczył i dostosowywał, aby móc dostosować się do zmian w zachowaniu użytkownika.

Omówienie usuwania personalizacji

Możesz usunąć personalizację za pomocą konsoli Firebase lub usuwając parametr personalizacji z szablonu za pomocą Firebase Remote Config API . Usuniętych personalizacji nie można przywrócić. Aby dowiedzieć się więcej o przechowywaniu danych, zobacz Usuwanie danych .

Możesz także usunąć personalizacje, wycofując zmiany lub importując szablon .

Wycofanie

Jeśli bieżący szablon ma personalizacje i przywrócisz szablon, który nie ma tych samych personalizacji, personalizacje zostaną usunięte. Aby powrócić do poprzedniego szablonu, użyj konsoli Firebase lub roll back za pomocą Firebase Remote Config API.

Gdy usuniesz personalizację i przywrócisz poprzedni szablon, w konsoli Firebase pojawi się odwołanie do tej nieprawidłowej personalizacji. Możesz usunąć nieprawidłową personalizację z konsoli Firebase , edytując personalizację na karcie Parametry na stronie Zdalna konfiguracja.

Import

Zaimportowanie szablonu, który nie zawiera już bieżących personalizacji, powoduje również usunięcie tych personalizacji. Aby zaimportować szablon, użyj konsoli Firebase lub interfejsu API REST usługi Remote Config .

Następne kroki