เกี่ยวกับการปรับเปลี่ยนการกำหนดค่าระยะไกลตามโปรไฟล์ของผู้ใช้

การปรับตามโปรไฟล์ของผู้ใช้ใช้แมชชีนเลิร์นนิง โดยเฉพาะอัลกอริทึมแบบ Multi-Armed Bandit ตามบริบท เพื่อพิจารณาประสบการณ์การใช้งานที่ดีที่สุดให้แก่ผู้ใช้แต่ละรายเพื่อให้บรรลุวัตถุประสงค์ ในกรณีของเรา วัตถุประสงค์คือการเพิ่มประสิทธิภาพเพื่อจำนวนทั้งหมดหรือค่าพารามิเตอร์ทั้งหมดของเหตุการณ์ Google Analytics ที่เฉพาะเจาะจง

อัลกอริทึม Multi-Armed Bandit ตามบริบทคืออะไร

"โจรหลายมือ" เป็นอุปมาที่ใช้อธิบายสถานการณ์ที่เราต้องการเลือกเส้นทางที่นําไปสู่รางวัลสูงสุดและน่าเชื่อถือที่สุดอย่างต่อเนื่องจากรายการเส้นทางหลายรายการ คุณสามารถจินตนาการถึงเรื่องนี้ได้โดยใช้อุปมาอุปมัยของนักพนันที่ยืนอยู่หน้าแถวสล็อตแมชชีน ซึ่งมักเรียกกันโดยทั่วไปว่า "โจรแขนเดียว" เนื่องจากสล็อตแมชชีนมีด้ามจับ (หรือแขน) เพียงด้ามเดียวและดึงเงินของคุณ เนื่องจากเราต้องการคําแก้ปัญหาสําหรับ "แขน" หลายแบบ โจรที่ใช้ปืนพกจึงกลายเป็นโจรที่ใช้ปืนหลายกระบอก

ตัวอย่างเช่น สมมติว่าเรามี 3 ตัวเลือกและต้องการระบุว่าตัวเลือกใดให้รางวัลที่เชื่อถือได้มากที่สุด เราอาจลองใช้แต่ละตัวเลือก แล้วหลังจากได้รับผลลัพธ์แล้ว ก็เลือกกลุ่มที่ให้รางวัลมากที่สุดต่อไป อัลกอริทึมนี้เรียกว่าอัลกอริทึมแบบโลภ ซึ่งก็คือเราจะเลือกตัวเลือกที่ให้ผลลัพธ์ดีที่สุดเมื่อพยายามใช้ครั้งแรกต่อไป แต่เราเข้าใจว่าวิธีนี้อาจไม่ได้ผลเสมอไป รางวัลสูงอาจเกิดจากความบังเอิญ หรืออาจมีบริบทเฉพาะผู้ใช้บางอย่างที่ส่งผลให้มีการให้รางวัลสูงขึ้นในช่วงระยะเวลาดังกล่าว แต่อาจไม่มีประสิทธิภาพเท่าในภายหลัง

จึงมีการเพิ่มบริบทเพื่อให้อัลกอริทึมมีประสิทธิภาพมากขึ้น สําหรับRemote Configการปรับให้เหมาะกับผู้ใช้แต่ละราย บริบทเริ่มต้นนี้คือการสุ่มตัวอย่าง หรือความไม่แน่นอน ซึ่งให้ข้อมูลความน่าจะเป็นบางอย่างแก่การทดสอบ การดำเนินการนี้ใช้ "Multi-Armed Banditตามบริบท" เมื่อการทดสอบทํางานต่อไป การสำรวจและการสังเกตอย่างต่อเนื่องจะเพิ่มบริบทที่เรียนรู้จริงเกี่ยวกับกลุ่มทดสอบที่มีแนวโน้มจะกระตุ้นรางวัลให้กับโมเดลมากที่สุด ซึ่งทําให้โมเดลมีประสิทธิภาพมากขึ้น

การเปลี่ยนแปลงนี้จะส่งผลต่อแอปของฉันอย่างไร

ตอนนี้มาพูดถึงความหมายของอัลกอริทึมแบบสล็อตแมชชีนหลายช่องในบริบทของแอปกัน สมมติว่าคุณกำลังเพิ่มประสิทธิภาพเพื่อคลิกโฆษณาแบนเนอร์ ในกรณีนี้ "กลุ่ม" ของการปรับเปลี่ยนในแบบของคุณจะเป็นค่าทางเลือกที่คุณระบุเพื่อแสดงโฆษณาแบนเนอร์ต่างๆ ที่ต้องการแสดงต่อผู้ใช้ การคลิกโฆษณาแบนเนอร์คือรางวัล ซึ่งเราเรียกว่าวัตถุประสงค์

เมื่อคุณเปิดตัวการปรับโฆษณาตามโปรไฟล์ของผู้ใช้เป็นครั้งแรก โมเดลจะไม่รู้ว่าค่าสำรองใดมีแนวโน้มที่จะบรรลุเป้าหมายสําหรับผู้ใช้แต่ละรายมากกว่า เมื่อการปรับตามโปรไฟล์ของผู้ใช้สำรวจค่าทางเลือกแต่ละค่าเพื่อทำความเข้าใจความเป็นไปได้ในการบรรลุวัตถุประสงค์ โมเดลพื้นฐานจะมีความรู้มากขึ้น ซึ่งจะช่วยปรับปรุงความสามารถในการคาดการณ์และเลือกประสบการณ์การใช้งานที่ดีที่สุดให้กับผู้ใช้แต่ละราย

การปรับเปลี่ยนในแบบของคุณใช้กรอบเวลาการคงผู้ใช้ไว้ 24 ชั่วโมง ระยะเวลาที่อัลกอริทึมการปรับให้เหมาะกับผู้ใช้แต่ละรายสํารวจค่าทางเลือกเดียว คุณควรให้เวลาการปรับเปลี่ยนในแบบของคุณเพียงพอที่จะสํารวจค่าทางเลือกแต่ละค่าหลายครั้ง (โดยทั่วไปประมาณ 14 วัน) เราขอแนะนำให้คุณเรียกใช้รายงานเหล่านี้อย่างต่อเนื่องเพื่อให้ปรับปรุงและปรับตัวได้อย่างต่อเนื่องเมื่อแอปและพฤติกรรมของผู้ใช้มีการเปลี่ยนแปลง

ติดตามเมตริกเพิ่มเติม

นอกจากนี้Remote Configการปรับเปลี่ยนในแบบของคุณยังช่วยให้คุณติดตามเมตริกเพิ่มเติมได้สูงสุด 2 รายการเพื่อช่วยให้คุณจัดบริบทของผลลัพธ์ได้ สมมติว่าคุณได้พัฒนาแอปโซเชียลและกำหนดค่าทางเลือกอื่นเพื่อกระตุ้นให้ผู้ใช้แชร์เนื้อหากับเพื่อนเพื่อเพิ่มการมีส่วนร่วมโดยรวม

ในกรณีนี้ คุณอาจเลือกเพิ่มประสิทธิภาพสําหรับเหตุการณ์ Analytics เช่น link_received และตั้งค่าเมตริก 2 รายการเป็น user_engagement และ link_opened เพื่อให้ทราบว่าการมีส่วนร่วมของผู้ใช้และจํานวนลิงก์ที่ผู้ใช้เปิดเพิ่มขึ้น (การมีส่วนร่วมจริง) หรือลดลง (อาจมีลิงก์ที่เป็นสแปมมากเกินไป)

แม้ว่าเมตริกเพิ่มเติมเหล่านี้จะไม่รวมอยู่ในอัลกอริทึมการปรับให้เหมาะกับผู้ใช้ แต่คุณก็ติดตามเมตริกเหล่านี้ควบคู่ไปกับผลลัพธ์การปรับให้เหมาะกับผู้ใช้ได้ ซึ่งจะให้ข้อมูลเชิงลึกที่เป็นประโยชน์เกี่ยวกับความสามารถของการปรับให้เหมาะกับผู้ใช้ในการบรรลุเป้าหมายโดยรวม

ทําความเข้าใจผลการปรับเปลี่ยนในแบบของคุณ

หลังจากการปรับเปลี่ยนในแบบของคุณทํางานนานพอที่จะรวบรวมข้อมูลแล้ว คุณสามารถดูผลลัพธ์ได้

วิธีดูผลการปรับเปลี่ยนในแบบของคุณ

  1. เปิดหน้า Remote Config แล้วคลิกการปรับแต่ง

  2. เลือกการปรับเฉพาะบุคคลที่ต้องการดู คุณสามารถค้นหาการปรับเปลี่ยนในแบบของคุณที่เฉพาะเจาะจงตามชื่อหรือวัตถุประสงค์ และจัดเรียงตามชื่อ เวลาเริ่มต้น หรือการเพิ่มทั้งหมดได้

หน้าผลลัพธ์จะสรุปการเพิ่มทั้งหมดหรือเปอร์เซ็นต์ความแตกต่างของประสิทธิภาพที่การปรับเปลี่ยนในแบบของคุณให้เมื่อเทียบกับกลุ่มฐาน

หน้าผลการค้นหายังแสดงสถานะปัจจุบันของการปรับเปลี่ยนเฉพาะบุคคล แอตทริบิวต์ของการปรับเปลี่ยนเฉพาะบุคคล และกราฟแบบอินเทอร์แอกทีฟที่มีลักษณะดังนี้

  • แสดงมุมมองแบบละเอียดรายวันและทั้งหมดเกี่ยวกับประสิทธิภาพของการปรับตามโปรไฟล์ของผู้ใช้เทียบกับเกณฑ์พื้นฐาน

  • แสดงประสิทธิภาพโดยรวมของค่าแต่ละค่าในกลุ่มฐาน

  • แสดงผลลัพธ์และประสิทธิภาพของเป้าหมายเทียบกับเมตริกเพิ่มเติมที่คุณเลือก ซึ่งเข้าถึงได้โดยใช้แท็บที่ด้านบนของข้อมูลสรุป

คุณสามารถเปิดการปรับเปลี่ยนในแบบของคุณไว้ได้ตลอด และกลับมาที่หน้าผลการค้นหาเพื่อตรวจสอบประสิทธิภาพต่อไป อัลกอริทึมจะเรียนรู้และปรับอย่างต่อเนื่องเพื่อให้ปรับตัวได้เมื่อพฤติกรรมของผู้ใช้เปลี่ยนแปลงไป

ทําความเข้าใจการลบการปรับเปลี่ยนในแบบของคุณ

คุณลบการปรับตามโปรไฟล์ของผู้ใช้ได้โดยใช้คอนโซล Firebase หรือนําพารามิเตอร์การปรับตามโปรไฟล์ของผู้ใช้ออกจากเทมเพลตโดยใช้ Firebase Remote Config API คุณจะกู้คืนการปรับเปลี่ยนในแบบของคุณที่ลบไปแล้วไม่ได้ ดูข้อมูลเกี่ยวกับการเก็บรักษาข้อมูลได้ที่หัวข้อการลบข้อมูล

นอกจากนี้ คุณยังลบการปรับตามโปรไฟล์ของผู้ใช้ได้โดยเปลี่ยนกลับหรือนําเข้าเทมเพลต

ย้อนกลับ

หากเทมเพลตปัจจุบันมีการปรับเปลี่ยนในแบบของคุณและคุณเปลี่ยนกลับไปใช้เทมเพลตที่ไม่มีการปรับแต่งเดียวกัน ระบบจะลบการปรับแต่งนั้น หากต้องการเปลี่ยนกลับไปใช้เทมเพลตก่อนหน้า ให้ใช้Firebaseคอนโซลหรือroll backโดยใช้ Firebase Remote Config API

เมื่อลบการปรับตามโปรไฟล์ของผู้ใช้และเปลี่ยนกลับไปใช้เทมเพลตก่อนหน้า การอ้างอิงถึงการปรับตามโปรไฟล์ของผู้ใช้ที่ไม่ถูกต้องนั้นจะปรากฏในคอนโซล Firebase คุณนําการปรับเฉพาะบุคคลที่ไม่ถูกต้องออกจากคอนโซล Firebase ได้โดยแก้ไขการปรับเฉพาะบุคคลในแท็บพารามิเตอร์ของหน้า Remote Config

การนำเข้า

การนําเข้าเทมเพลตที่ไม่มีการปรับให้เหมาะกับผู้ใช้ปัจจุบันอีกต่อไปจะเป็นการลบการปรับให้เหมาะกับผู้ใช้เหล่านั้นด้วย หากต้องการนําเข้าเทมเพลต ให้ใช้คอนโซล Firebase หรือใช้ Remote Config REST API

ขั้นตอนถัดไป