Firebase is back at Google I/O on May 10! Register now

रिमोट कॉन्फिग वैयक्तिकरण के बारे में

संग्रह की मदद से व्यवस्थित रहें अपनी प्राथमिकताओं के आधार पर, कॉन्टेंट को सेव करें और कैटगरी में बांटें.

वैयक्तिकरण किसी उद्देश्य को प्राप्त करने के लिए व्यक्तिगत उपयोगकर्ताओं के लिए इष्टतम अनुभव निर्धारित करने के लिए मशीन लर्निंग का उपयोग करता है - विशेष रूप से एक प्रासंगिक मल्टी-आर्म्ड बैंडिट एल्गोरिथम। हमारे मामले में, उद्देश्य कुल संख्या या विशिष्ट Google Analytics ईवेंट के कुल पैरामीटर मान के लिए अनुकूलन करना है।

एक प्रासंगिक मल्टी-आर्म्ड बैंडिट एल्गोरिथम क्या है?

"मल्टी-आर्म्ड बैंडिट" एक रूपक है जिसका उपयोग उस स्थिति का वर्णन करने के लिए किया जाता है जहां हम लगातार एक ऐसा रास्ता चुनना चाहते हैं जो कई रास्तों की सूची से उच्चतम, सबसे विश्वसनीय पुरस्कार की ओर ले जाता है। इसकी कल्पना करने के लिए, आप स्लॉट मशीनों की एक पंक्ति के सामने एक जुआरी के रूपक का उपयोग कर सकते हैं - अक्सर बोलचाल की भाषा में "वन-आर्म्ड बैंडिट" के रूप में संदर्भित किया जाता है क्योंकि एक स्लॉट मशीन में एक हैंडल (या हाथ) होता है और आपका पैसा लेता है। चूंकि हम कई "आर्म्स" के लिए हल करना चाहते हैं, इसलिए एक-सशस्त्र डाकू मल्टी-आर्म्ड बैंडिट बन जाता है।

उदाहरण के लिए, मान लें कि हमारे पास तीन विकल्प हैं और हम यह निर्धारित करना चाहते हैं कि कौन सा सबसे विश्वसनीय पुरस्कार प्रदान करता है: हम प्रत्येक विकल्प को आज़मा सकते हैं, और फिर, परिणाम प्राप्त करने के बाद, हम केवल उस आर्म को चुनते रह सकते हैं जो सबसे अधिक पुरस्कार प्रदान करता है। इसे एक लालची एल्गोरिदम के रूप में संदर्भित किया जाता है: जब हम पहली बार प्रयास करते हैं तो सबसे अच्छा परिणाम देने वाला विकल्प वह होता है जिसे हम चुनना जारी रखेंगे। लेकिन हम समझ सकते हैं कि यह हमेशा काम नहीं कर सकता है—एक बात के लिए, उच्च इनाम एक अस्थायी हो सकता है। या हो सकता है कि कोई उपयोगकर्ता-विशिष्ट संदर्भ हो जिसके परिणामस्वरूप उस समयावधि के दौरान अधिक पुरस्कार मिले जो बाद में उतने प्रभावी नहीं होंगे।

इसलिए एल्गोरिथम को अधिक प्रभावी बनाने के लिए संदर्भ जोड़ा गया है। दूरस्थ कॉन्फ़िगरेशन वैयक्तिकरण के लिए, यह प्रारंभिक संदर्भ यादृच्छिक नमूनाकरण या अनिश्चितता है, जो प्रयोग को कुछ एंट्रॉपी प्रदान करता है। यह " प्रासंगिक बहु-सशस्त्र डाकू" को लागू करता है। जैसे-जैसे प्रयोग चलता रहता है, वैसे-वैसे अन्वेषण और अवलोकन वास्तविक सीखे गए संदर्भ को जोड़ता है, जिसके बारे में हथियारों से मॉडल को इनाम मिलने की सबसे अधिक संभावना है, जिससे यह अधिक प्रभावी हो जाता है।

मेरे ऐप के लिए इसका क्या मतलब है?

अब, आइए चर्चा करें कि आपके ऐप के संदर्भ में मल्टी-आर्म्ड बैंडिट एल्गोरिद्म का क्या अर्थ है। मान लें कि आप बैनर विज्ञापन क्लिक के लिए अनुकूलित कर रहे हैं। इस मामले में, वैयक्तिकरण के "हथियार" आपके द्वारा उपयोगकर्ताओं को प्रदर्शित किए जाने वाले विभिन्न बैनर विज्ञापनों का प्रतिनिधित्व करने के लिए निर्दिष्ट वैकल्पिक मान होंगे। बैनर विज्ञापन क्लिक पुरस्कार है, जिसे हम एक उद्देश्य के रूप में संदर्भित करते हैं।

जब आप पहली बार एक वैयक्तिकरण लॉन्च करते हैं, तो मॉडल को यह नहीं पता होता है कि प्रत्येक व्यक्तिगत उपयोगकर्ता के लिए आपके लक्ष्य को प्राप्त करने के लिए कौन से वैकल्पिक मूल्य की अधिक संभावना होगी। जैसा कि वैयक्तिकरण आपके उद्देश्य को प्राप्त करने की संभावना को समझने के लिए प्रत्येक वैकल्पिक मूल्य की पड़ताल करता है, अंतर्निहित मॉडल अधिक सूचित होता है, इसकी भविष्यवाणी करने की क्षमता में सुधार होता है और प्रत्येक उपयोगकर्ता के लिए इष्टतम अनुभव का चयन करता है।

वैयक्तिकरण 24 घंटे की चिपचिपाहट विंडो का उपयोग करता है। यह वह समय है जब वैयक्तिकरण एल्गोरिद्म एकल वैकल्पिक मान की पड़ताल करता है। आपको अपने वैयक्तिकरण को प्रत्येक वैकल्पिक मान को कई बार (आमतौर पर लगभग 14 दिन) एक्सप्लोर करने के लिए पर्याप्त समय देना चाहिए। आदर्श रूप से, आप उन्हें लगातार चलने दे सकते हैं ताकि वे आपके ऐप और उपयोगकर्ता के व्यवहार में बदलाव के रूप में लगातार सुधार और अनुकूलन कर सकें।

अतिरिक्त मेट्रिक्स ट्रैक करें

Remote Config वैयक्तिकरण आपको अपने परिणामों को प्रासंगिक बनाने में मदद करने के लिए दो अतिरिक्त मेट्रिक्स तक ट्रैक करने की क्षमता भी प्रदान करता है। मान लें कि आपने एक सामाजिक ऐप विकसित किया है और समग्र जुड़ाव बढ़ाने के लिए उपयोगकर्ताओं को दोस्तों के साथ सामग्री साझा करने के लिए प्रोत्साहित करने के लिए अलग-अलग वैकल्पिक मूल्य निर्धारित किए हैं।

इस मामले में, आप किसी एनालिटिक्स इवेंट जैसे कि link_received के लिए ऑप्टिमाइज़ करना चुन सकते हैं और यह समझने के लिए user_engagement और link_opened पर अपनी दो मीट्रिक सेट कर सकते हैं कि क्या उपयोगकर्ता जुड़ाव और उपयोगकर्ता द्वारा खोले गए लिंक की संख्या बढ़ती है (सच्ची सगाई) या गिरती है (संभवतः बहुत अधिक स्पैमयुक्त लिंक ).

हालांकि इन अतिरिक्त मेट्रिक्स को वैयक्तिकरण एल्गोरिथम में शामिल नहीं किया जाएगा, लेकिन आप अपने वैयक्तिकरण परिणामों के साथ-साथ उन्हें सही तरीके से ट्रैक कर सकते हैं, जिससे आपके समग्र लक्ष्यों को प्राप्त करने के वैयक्तिकरण की क्षमता में बहुमूल्य अंतर्दृष्टि मिलती है।

वैयक्तिकरण परिणामों को समझें

डेटा एकत्र करने के लिए एक वैयक्तिकरण काफी लंबे समय तक चलने के बाद, आप इसके परिणाम देख सकते हैं।

वैयक्तिकरण परिणाम देखने के लिए:

  1. Remote Config पेज खोलें और वैयक्तिकरण पर क्लिक करें।

  2. वह वैयक्तिकरण चुनें जिसे आप देखना चाहते हैं। आप नाम या उद्देश्य से विशिष्ट वैयक्तिकरण की खोज कर सकते हैं, और नाम, प्रारंभ समय, या कुल लिफ़्ट द्वारा सॉर्ट कर सकते हैं।

परिणाम पृष्ठ कुल लिफ़्ट या प्रदर्शन में प्रतिशत अंतर को सारांशित करता है, जो वैयक्तिकरण बेसलाइन समूह पर प्रदान करता है।

परिणाम पृष्ठ वैयक्तिकरण की वर्तमान स्थिति, वैयक्तिकरण की विशेषताओं और एक इंटरैक्टिव ग्राफ़ को भी दिखाता है जो:

  • बेसलाइन के विरुद्ध वैयक्तिकरण ने कैसा प्रदर्शन किया, इसका विस्तृत दैनिक और कुल दृश्य दिखाता है।

  • दिखाता है कि बेसलाइन समूह में प्रत्येक मान समग्र रूप से कैसा प्रदर्शन करता है।

  • सारांश के शीर्ष पर स्थित टैब का उपयोग करके आपके द्वारा चुनी गई अतिरिक्त मीट्रिक के विरुद्ध लक्ष्य परिणाम और प्रदर्शन प्रदर्शित करता है।

एक वैयक्तिकरण को अनिश्चित काल के लिए चालू रखा जा सकता है और आप इसके प्रदर्शन की निगरानी के लिए परिणाम पृष्ठ पर फिर से जाना जारी रख सकते हैं। एल्गोरिथ्म सीखना और समायोजित करना जारी रखेगा, ताकि उपयोगकर्ता के व्यवहार में बदलाव आने पर वह अनुकूल हो सके।

अगले कदम