La personnalisation utilise le machine learning, et plus précisément un algorithme de bandit manchot contextuel, pour déterminer l'expérience optimale pour chaque utilisateur afin d'atteindre un objectif. Dans notre cas, l'objectif est d'optimiser le nombre total ou la valeur totale du paramètre d'événements Google Analytics spécifiques.
Qu'est-ce qu'un algorithme de bandit manchot contextuel ?
Le "bandit manchot" est une métaphore utilisée pour décrire la situation dans laquelle nous voulons choisir en permanence un chemin qui mène aux récompenses les plus élevées et les plus fiables parmi une liste de plusieurs chemins. Pour visualiser cela, vous pouvez utiliser la métaphore d'un joueur devant une rangée de machines à sous, souvent appelées "bandits manchots" car elles ont un levier (ou bras) et prennent votre argent. Comme nous voulons résoudre plusieurs "bras", le bandit manchot devient un bandit manchot.
Par exemple, imaginons que nous ayons trois options et que nous voulions 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 généré le plus de récompenses. C'est ce qu'on appelle un algorithme glouton : l'option qui donne le meilleur résultat lors de notre première tentative est celle que nous continuerons à choisir. Mais nous comprenons que cela ne fonctionne pas toujours. Par exemple, la récompense élevée peut être un coup de chance. Ou peut-être qu'un contexte spécifique à l'utilisateur a entraîné des récompenses plus élevées au cours de cette période, mais qui ne seraient pas aussi efficaces plus tard.
Nous ajoutons donc un contexte pour rendre l'algorithme plus efficace. Pour Remote Config personnalisation, ce contexte initial est un échantillonnage aléatoire, ou incertitude, qui fournit une certaine entropie à l'expérience. Cela implémente un bandit manchot contextuel. Au fur et à mesure que l'expérience se poursuit, l'exploration et l'observation continues ajoutent un contexte réel appris sur les bras les plus susceptibles de générer une récompense au modèle, ce qui le rend plus efficace.
Qu'est-ce que cela signifie pour mon application ?
Voyons maintenant ce qu'un algorithme de bandit manchot signifie 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 objectif.
Lorsque vous lancez une personnalisation pour la première fois, le modèle ne sait pas quelle valeur alternative est la plus susceptible d'atteindre votre objectif pour chaque utilisateur. Au fur et à mesure que la personnalisation explore chaque valeur alternative pour comprendre la probabilité d'atteindre votre objectif, le modèle sous-jacent devient plus informé, ce qui améliore sa capacité à prédire et à sélectionner l'expérience optimale pour chaque utilisateur.
La personnalisation utilise une fenêtre de persistance de 24 heures. Il s'agit du temps pendant lequel l'algorithme de personnalisation explore une seule valeur alternative. Vous devez laisser suffisamment de temps à vos personnalisations pour explorer chaque valeur alternative plusieurs fois (en général, environ 14 jours). Idéalement, vous pouvez les laisser s'exécuter en permanence afin qu'elles puissent s'améliorer et s'adapter en continu à mesure que votre application et les comportements des utilisateurs changent.
Suivre des métriques supplémentaires
Remote Config personnalisation vous permet également 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 leurs amis afin d'accroître l'engagement global.
Dans ce cas, vous pouvez choisir d'optimiser un événement Analytics tel que
link_received et de définir vos deux métriques sur user_engagement et
link_opened pour déterminer si l'engagement des utilisateurs et le nombre de liens que l'
utilisateur ouvre augmentent (engagement réel) ou diminuent (trop de liens de spam potentiels).
Bien que ces métriques supplémentaires ne soient pas prises en compte dans l'algorithme de personnalisation, vous pouvez les suivre directement à côté des résultats de personnalisation, ce qui vous donne des informations précieuses sur la capacité de la personnalisation à atteindre vos objectifs globaux.
Comprendre les résultats de personnalisation
Une fois qu'une personnalisation s'est exécutée suffisamment longtemps pour collecter des données, vous pouvez afficher ses résultats.
Pour afficher les résultats de personnalisation :
Ouvrez la Remote Config page puis cliquez sur "Personnalisations".
Sélectionnez la personnalisation que vous souhaitez afficher. Vous pouvez rechercher la personnalisation spécifique par nom ou par objectif, et trier par nom, heure de début ou impact total.
La page de résultats récapitule l'impact total, ou la différence de performances en pourcentage, que la personnalisation offre par rapport au groupe de référence.
La page de résultats affiche également l'état actuel de la personnalisation, ses attributs et un graphique interactif qui :
affiche une vue quotidienne et totale détaillée des performances de la personnalisation par rapport à la référence ;
indique les performances globales de chaque valeur dans le groupe de référence ;
affiche les résultats des objectifs et les performances par rapport aux métriques supplémentaires que vous avez choisies, accessibles à l'aide des onglets en haut du résumé.
Une personnalisation peut être laissée en cours d'exécution indéfiniment, et vous pouvez continuer à consulter la page de résultats pour surveiller ses performances. L'algorithme continuera d'apprendre et de s'adapter 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 Firebase console ou en supprimant un paramètre de personnalisation de votre modèle à l'aide de l' Firebase Remote Config API. Les personnalisations supprimées ne peuvent pas être restaurées. Pour en savoir plus sur la conservation des données, consultez Suppression des données.
Vous pouvez également supprimer des personnalisations en effectuant un rollback ou en important un modèle.
Rollbacks
Si votre modèle actuel comporte des personnalisations et que vous effectuez un
rollback vers un modèle qui ne comporte pas
les mêmes personalisations, celles-ci sont supprimées. Pour revenir à un
modèle précédent, utilisez la Firebase console ou
roll back
à l'aide de l'API Firebase Remote Config.
Lorsque vous supprimez une personnalisation et que vous effectuez un rollback vers un modèle précédent, une référence à cette personnalisation non valide s'affiche dans la Firebase console. Vous pouvez supprimer la personnalisation non valide de la Firebase console en la modifiant dans l'onglet "Paramètres" de la Remote Config page.
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.
Étapes suivantes
Découvrez les cas d'utilisation de la personnalisation Remote Config .
Commencez à utiliser Remote Config la personnalisation.