การปรับเปลี่ยนในแบบของคุณใช้การเรียนรู้ของเครื่อง—โดยเฉพาะอัลกอริทึมของโจรหลายอาวุธตามบริบท—เพื่อกำหนดประสบการณ์ที่เหมาะสมที่สุดสำหรับผู้ใช้แต่ละรายเพื่อให้บรรลุวัตถุประสงค์ ในกรณีของเรา วัตถุประสงค์คือเพื่อเพิ่มประสิทธิภาพสำหรับจำนวนทั้งหมดหรือค่าพารามิเตอร์ทั้งหมดของเหตุการณ์ Google Analytics ที่เฉพาะเจาะจง
อัลกอริทึมโจรหลายอาวุธตามบริบทคืออะไร
"โจรหลายอาวุธ" เป็นคำอุปมาที่ใช้อธิบายสถานการณ์ที่เราต้องการเลือกเส้นทางที่นำไปสู่รางวัลสูงสุดและน่าเชื่อถือที่สุดอย่างต่อเนื่องจากรายการเส้นทางต่างๆ เพื่อให้เห็นภาพนี้ คุณสามารถใช้คำเปรียบเปรยของนักพนันที่อยู่หน้าแถวของสล็อตแมชชีน ซึ่งมักถูกเรียกว่า "โจรแขนเดียว" เพราะสล็อตแมชชีนมีมือจับ (หรือแขน) ข้างเดียวและรับเงินของคุณ เนื่องจากเราต้องการแก้ปัญหาสำหรับ "อาวุธหลายชิ้น" โจรแขนเดียวจึงกลายเป็นโจร หลายอาวุธ
ตัวอย่างเช่น สมมติว่าเรามีสามตัวเลือกและเราต้องการตัดสินว่าตัวเลือกใดให้รางวัลที่น่าเชื่อถือที่สุด: เราสามารถลองแต่ละตัวเลือก จากนั้นหลังจากได้รับผลลัพธ์ เราก็สามารถเลือกแขนที่ให้รางวัลมากที่สุดต่อไป นี่คือสิ่งที่เรียกว่าอัลกอริทึมแบบ ตะกละ : ตัวเลือกที่ให้ผลลัพธ์ดีที่สุดเมื่อเราพยายามครั้งแรกคือตัวเลือกที่เราจะเลือกต่อไป แต่เราเข้าใจได้ว่าสิ่งนี้อาจไม่ได้ผลเสมอไป ประการหนึ่ง รางวัลที่สูงอาจเป็นความบังเอิญ หรืออาจมีบริบทเฉพาะของผู้ใช้ที่ทำให้ได้รับรางวัลสูงขึ้นในช่วงเวลานั้นซึ่งจะไม่เป็นผลในภายหลัง
จึงมีการเพิ่ม บริบท เพื่อทำให้อัลกอริทึมมีประสิทธิภาพมากขึ้น สำหรับการกำหนดค่าระยะไกลส่วนบุคคล บริบทเริ่มต้นนี้เป็นการสุ่มตัวอย่างหรือ ความไม่แน่นอน ที่ให้ค่าเอนโทรปีแก่การทดสอบ สิ่งนี้ใช้ "โจรหลายอาวุธ ตามบริบท " ในขณะที่การทดสอบดำเนินต่อไป การสำรวจและการสังเกตอย่างต่อเนื่องจะเพิ่มบริบทที่เรียนรู้จริงว่าอาวุธใดที่มีแนวโน้มมากที่สุดที่จะกระตุ้นให้เกิดรางวัลแก่แบบจำลอง ซึ่งทำให้มีประสิทธิภาพมากขึ้น
นี่หมายความว่าอย่างไรสำหรับแอปของฉัน
ตอนนี้ เรามาคุยกันว่าอัลกอริทึม multi-armed bandit หมายถึงอะไรในบริบทของแอปของคุณ สมมติว่าคุณกำลังเพิ่มประสิทธิภาพสำหรับการคลิกโฆษณาแบนเนอร์ ในกรณีนี้ "ส่วนเสริม" ของการปรับเปลี่ยนในแบบของคุณจะเป็น ค่าทางเลือก ที่คุณระบุเพื่อแสดงโฆษณาแบนเนอร์ต่างๆ ที่คุณต้องการแสดงต่อผู้ใช้ การคลิกโฆษณาแบนเนอร์คือรางวัล ซึ่งเราเรียกว่า วัตถุประสงค์
เมื่อคุณเปิดใช้การปรับเปลี่ยนในแบบของคุณเป็นครั้งแรก โมเดลจะไม่ทราบว่าค่าทางเลือกใดที่จะมีแนวโน้มที่จะบรรลุเป้าหมายของคุณสำหรับผู้ใช้แต่ละราย เมื่อการปรับเปลี่ยนในแบบของคุณสำรวจค่าทางเลือกแต่ละค่าเพื่อทำความเข้าใจความเป็นไปได้ในการบรรลุวัตถุประสงค์ของคุณ โมเดลพื้นฐานจะมีข้อมูลมากขึ้น ปรับปรุงความสามารถในการคาดการณ์และเลือกประสบการณ์ที่เหมาะสมที่สุดสำหรับผู้ใช้แต่ละราย
การปรับเปลี่ยนในแบบของคุณใช้ กรอบเวลาความเหนียว 24 ชั่วโมง นี่คือระยะเวลาที่อัลกอริทึมการปรับเปลี่ยนในแบบของคุณสำรวจค่าทางเลือกเดียว คุณควรให้เวลาการปรับเปลี่ยนในแบบของคุณอย่างเพียงพอในการสำรวจค่าทางเลือกแต่ละค่าหลายๆ ครั้ง (โดยทั่วไปประมาณ 14 วัน) ตามหลักการแล้ว คุณสามารถปล่อยให้แอปทำงานตลอดเวลาเพื่อให้พวกเขาสามารถปรับปรุงและปรับเปลี่ยนได้อย่างต่อเนื่องเมื่อแอปและพฤติกรรมผู้ใช้ของคุณเปลี่ยนไป
ติดตามเมตริกเพิ่มเติม
การกำหนดค่าระยะไกลในแบบของคุณยังให้ความสามารถในการติดตามเมตริกเพิ่มเติมได้ถึงสองรายการ เพื่อช่วยให้คุณปรับบริบทผลลัพธ์ของคุณ สมมติว่าคุณได้พัฒนาแอปโซเชียลและได้ตั้งค่าทางเลือกต่างๆ เพื่อกระตุ้นให้ผู้ใช้แชร์เนื้อหากับเพื่อนเพื่อเพิ่มการมีส่วนร่วมโดยรวม
ในกรณีนี้ คุณอาจเลือกเพิ่มประสิทธิภาพสำหรับเหตุการณ์ Analytics เช่น link_received และตั้งค่าเมตริก 2 รายการเป็น user_engagement และ link_opened เพื่อทำความเข้าใจว่าการมีส่วนร่วมของผู้ใช้และจำนวนลิงก์ที่ผู้ใช้เปิดเพิ่มขึ้น (การมีส่วนร่วมจริง) หรือลดลง (อาจมีลิงก์สแปมมากเกินไป ).
แม้ว่าเมตริกเพิ่มเติมเหล่านี้จะไม่รวมอยู่ในอัลกอริทึมการปรับเปลี่ยนในแบบของคุณ แต่คุณสามารถติดตามได้ควบคู่ไปกับผลลัพธ์ของการปรับเปลี่ยนในแบบของคุณ ซึ่งให้ข้อมูลเชิงลึกที่มีค่าเกี่ยวกับความสามารถของการปรับเปลี่ยนในแบบของคุณเพื่อบรรลุเป้าหมายโดยรวมของคุณ
ทำความเข้าใจกับผลลัพธ์ส่วนบุคคล
หลังจากการปรับเปลี่ยนในแบบของคุณทำงานเป็นเวลานานพอที่จะรวบรวมข้อมูล คุณสามารถดูผลลัพธ์ได้
หากต้องการดูผลลัพธ์ส่วนบุคคล:
เปิด หน้าการกำหนดค่าระยะไกล แล้วคลิก Personalization
เลือกการตั้งค่าส่วนบุคคลที่คุณต้องการดู คุณสามารถค้นหาการปรับเปลี่ยนในแบบของคุณตามชื่อหรือวัตถุประสงค์ และสามารถจัดเรียงตามชื่อ เวลาเริ่มต้น หรือการเพิ่มทั้งหมด
หน้าผลลัพธ์สรุป การเพิ่มทั้งหมด หรือเปอร์เซ็นต์ความแตกต่างของประสิทธิภาพ ซึ่งการปรับเปลี่ยนในแบบของคุณมีให้เหนือกลุ่ม พื้นฐาน
หน้าผลลัพธ์ยังแสดงสถานะปัจจุบันของการปรับเปลี่ยนในแบบของคุณ แอตทริบิวต์ของการปรับเปลี่ยนในแบบของคุณ และกราฟเชิงโต้ตอบที่:
แสดงรายละเอียดรายวันและมุมมองโดยรวมของวิธีดำเนินการส่วนบุคคลเทียบกับพื้นฐาน
แสดงประสิทธิภาพของแต่ละค่าโดยรวมในกลุ่มพื้นฐาน
แสดงผลเป้าหมายและประสิทธิภาพเทียบกับเมตริกเพิ่มเติมที่คุณเลือก เข้าถึงได้โดยใช้แท็บที่ด้านบนของข้อมูลสรุป
การปรับเปลี่ยนในแบบของคุณสามารถปล่อยให้ทำงานไปเรื่อย ๆ และคุณสามารถเยี่ยมชมหน้าผลลัพธ์ต่อไปเพื่อติดตามประสิทธิภาพ อัลกอริทึมจะเรียนรู้และปรับเปลี่ยนอย่างต่อเนื่องเพื่อให้สามารถปรับตัวได้เมื่อพฤติกรรมของผู้ใช้เปลี่ยนไป
ขั้นตอนถัดไป
สำรวจ กรณีการใช้งาน การกำหนดค่าส่วนบุคคลระยะไกล
เริ่มต้น ใช้งานการกำหนดค่าส่วนบุคคลจากระยะไกล