شخصی‌سازی از یادگیری ماشینی استفاده می‌کند - به‌ویژه یک الگوریتم راهزن چند مسلح متنی - برای تعیین تجربه بهینه برای تک تک کاربران برای دستیابی به یک هدف. در مورد ما، هدف بهینه سازی برای تعداد کل یا مقدار کل پارامتر رویدادهای خاص Google Analytics است.
الگوریتم راهزن چند مسلح متنی چیست؟
"راهزن چند مسلح" استعاره ای است که برای توصیف موقعیتی استفاده می شود که در آن ما می خواهیم به طور مداوم مسیری را انتخاب کنیم که به بالاترین و قابل اطمینان ترین پاداش ها از لیستی از مسیرهای متعدد منتهی شود. برای تجسم این موضوع، می‌توانید از استعاره یک قمارباز در مقابل ردیفی از ماشین‌های بازی استفاده کنید – که اغلب در عامیانه به آن «راهزن یک‌دست» می‌گویند، زیرا یک دستگاه بازی یک دسته (یا بازو) دارد و پول شما را می‌گیرد. از آنجایی که ما می خواهیم چندین "بازو" را حل کنیم، راهزن یک دست تبدیل به راهزن چند مسلح می شود.
به عنوان مثال، فرض کنید ما سه گزینه داریم و می‌خواهیم مشخص کنیم که کدام یک قابل اطمینان‌ترین پاداش را ارائه می‌کند: می‌توانیم هر گزینه را امتحان کنیم، و سپس، پس از دریافت نتیجه، می‌توانیم بازویی را که بیشترین پاداش را به همراه داشت را انتخاب کنیم. این همان چیزی است که از آن به عنوان یک الگوریتم حریص یاد می شود: گزینه ای که در اولین تلاش بهترین نتیجه را به دست می دهد، گزینه ای است که ما به انتخاب خود ادامه خواهیم داد. اما می‌توانیم درک کنیم که این ممکن است همیشه کارساز نباشد - برای یک چیز، پاداش بالا می‌تواند تصادفی باشد. یا شاید زمینه خاصی برای کاربر وجود داشته باشد که منجر به پاداش‌های بالاتری در آن دوره زمانی شده است که بعداً آنقدر مؤثر نخواهد بود.
بنابراین زمینه اضافه می شود تا الگوریتم موثرتر باشد. برای شخصی‌سازی Remote Config ، این زمینه اولیه نمونه‌برداری تصادفی یا عدم قطعیت است که مقداری آنتروپی را برای آزمایش فراهم می‌کند. این یک "راهزن متنی چند مسلح" را پیاده سازی می کند. همانطور که آزمایش ادامه می یابد، کاوش و مشاهدات مداوم، زمینه های واقعی آموخته شده را در مورد اینکه کدام بازوها به احتمال زیاد به مدل پاداش می دهند اضافه می کند و آن را موثرتر می کند.
این برای برنامه من چه معنایی دارد؟
اکنون، بیایید در مورد معنای الگوریتم راهزن چند مسلح در زمینه برنامه شما بحث کنیم. فرض کنید در حال بهینه سازی برای کلیک بر روی بنر هستید. در این مورد، "بازوهای" شخصی سازی مقادیر جایگزینی است که شما برای نشان دادن تبلیغات بنری متفاوتی که می خواهید به کاربران نمایش دهید، مشخص می کنید. کلیک بر روی بنر پاداشی است که به عنوان هدف از آن یاد می کنیم.
وقتی برای اولین بار شخصی‌سازی را راه‌اندازی می‌کنید، مدل نمی‌داند که کدام ارزش جایگزین برای هر کاربر فردی به احتمال زیاد به هدف شما می‌رسد. همانطور که شخصی‌سازی هر مقدار جایگزین را برای درک احتمال دستیابی به هدف شما بررسی می‌کند، مدل زیربنایی آگاه‌تر می‌شود و توانایی آن را برای پیش‌بینی و انتخاب تجربه بهینه برای هر کاربر بهبود می‌بخشد.
شخصی سازی از یک پنجره چسبندگی 24 ساعته استفاده می کند. این مقدار زمانی است که الگوریتم شخصی‌سازی یک مقدار جایگزین واحد را بررسی می‌کند. شما باید به شخصی سازی های خود زمان کافی برای کاوش هر مقدار جایگزین چندین بار (به طور کلی حدود 14 روز) اختصاص دهید. در حالت ایده‌آل، می‌توانید به آنها اجازه دهید دائماً اجرا شوند تا بتوانند به طور مداوم با تغییر برنامه و رفتار کاربر، بهبود یابند و سازگار شوند.
ردیابی معیارهای اضافی
شخصی‌سازی Remote Config همچنین امکان ردیابی حداکثر دو معیار دیگر را فراهم می‌کند تا به شما در زمینه‌سازی نتایجتان کمک کند. فرض کنید یک برنامه اجتماعی ایجاد کرده اید و مقادیر جایگزین متفاوتی را برای تشویق کاربران به اشتراک گذاری محتوا با دوستان برای افزایش تعامل کلی تعیین کرده اید.
در این مورد، ممکن است انتخاب کنید که برای یک رویداد Analytics مانند link_received بهینه سازی کنید و دو معیار خود را روی user_engagement و link_opened تنظیم کنید تا بفهمید که آیا تعامل کاربر و تعداد لینک هایی که کاربر باز می کند افزایش می یابد (درگیری واقعی) یا کاهش می یابد (احتمالاً تعداد زیادی از پیوندهای هرزنامه. ).
در حالی که این معیارهای اضافی در الگوریتم شخصی‌سازی لحاظ نمی‌شوند، می‌توانید آنها را در کنار نتایج شخصی‌سازی خود دنبال کنید و بینش ارزشمندی را در مورد توانایی شخصی‌سازی برای دستیابی به اهداف کلی‌تان ارائه دهید.
نتایج شخصی سازی را درک کنید
پس از اینکه شخصی‌سازی برای مدت زمان کافی برای جمع‌آوری داده‌ها اجرا شد، می‌توانید نتایج آن را مشاهده کنید.
برای مشاهده نتایج شخصی سازی:
صفحه Remote Config را باز کنید و روی Personalizations کلیک کنید.
شخصی سازی مورد نظر برای مشاهده را انتخاب کنید. می‌توانید شخصی‌سازی خاص را بر اساس نام یا هدف جستجو کنید، و می‌توانید براساس نام، زمان شروع یا افزایش کل مرتب‌سازی کنید.
صفحه نتایج، افزایش کل یا درصد تفاوت در عملکرد را که شخصی‌سازی در گروه Baseline ارائه می‌کند، خلاصه می‌کند.
صفحه نتایج همچنین وضعیت فعلی شخصی‌سازی، ویژگی‌های شخصی‌سازی و یک نمودار تعاملی را نشان می‌دهد که:
نمای کلی و روزانه دقیق از نحوه انجام شخصی‌سازی در برابر خط مبنا را نشان می‌دهد.
نحوه عملکرد کلی هر مقدار در گروه پایه را نشان می دهد.
نتایج و عملکرد هدف را در مقابل معیارهای دیگری که انتخاب کرده‌اید نشان می‌دهد، که با استفاده از برگه‌های بالای خلاصه قابل دسترسی است.
شخصی‌سازی را می‌توان به‌طور نامحدود در حال اجرا گذاشت و می‌توانید برای نظارت بر عملکرد آن به صفحه نتایج دوباره مراجعه کنید. الگوریتم به یادگیری و تنظیم ادامه خواهد داد، به طوری که با تغییر رفتار کاربر بتواند سازگار شود.
حذف شخصی سازی را درک کنید
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. شخصی سازی های حذف شده قابل بازیابی نیستند. برای آشنایی با حفظ داده ها، به حذف داده ها مراجعه کنید.
همچنین می‌توانید شخصی‌سازی‌ها را با برگرداندن یا وارد کردن یک الگو حذف کنید.
بازگشت به عقب
اگر الگوی فعلی شما دارای شخصی‌سازی‌ها باشد و به قالبی برگردید که شخصی‌سازی‌های یکسانی ندارد، شخصی‌سازی‌ها حذف می‌شوند. برای بازگشت به الگوی قبلی، از کنسول Firebase استفاده کنید یا با استفاده از Firebase Remote Config API roll back .
وقتی شخصی‌سازی را حذف می‌کنید و به الگوی قبلی برمی‌گردید، ارجاعی به آن شخصی‌سازی نامعتبر در کنسول Firebase ظاهر می‌شود. می‌توانید شخصی‌سازی نامعتبر را از کنسول Firebase با ویرایش شخصی‌سازی در برگه پارامترها در صفحه Remote Config حذف کنید.
واردات
وارد کردن الگویی که دیگر شامل شخصی‌سازی‌های فعلی شما نیست، این شخصی‌سازی‌ها را نیز حذف می‌کند. برای وارد کردن یک الگو، از کنسول Firebase یا از Remote Config REST API استفاده کنید.
مراحل بعدی
موارد استفاده شخصی‌سازی Remote Config را کاوش کنید.
با شخصی سازی Remote Config شروع کنید .