Kişiselleştirme, bireysel kullanıcıların bir hedefe ulaşması için en uygun deneyimi belirlemek üzere makine öğrenimini (özellikle bağlamsal çok kollu haydut algoritması) kullanır. Bizim durumumuzda amaç, belirli Google Analytics olaylarının toplam sayısı veya toplam parametre değeri için optimizasyon yapmaktır.
Bağlamsal çok kollu haydut algoritması nedir?
"Çok kollu haydut", birden çok yol listesinden en yüksek, en güvenilir ödüllere götüren yolu sürekli olarak seçmek istediğimiz durumu tanımlamak için kullanılan bir metafordur. Bunu görselleştirmek için, bir sıra slot makinesinin önündeki kumarbaz metaforunu kullanabilirsiniz - genellikle halk arasında "tek kollu haydut" olarak anılır, çünkü bir kumar makinesinin tek kolu (veya kolu) vardır ve paranızı alır. Birden çok "kol"u çözmek istediğimiz için, tek kollu haydut , çok kollu haydut olur.
Örneğin, üç seçeneğimiz olduğunu ve hangisinin en güvenilir ödülü sağladığını belirlemek istediğimizi varsayalım: Her seçeneği deneyebilir ve ardından, bir sonuç aldıktan sonra, en fazla ödülü veren kolu seçmeye devam edebiliriz. Açgözlü algoritma olarak adlandırılan şey budur: İlk denediğimizde en iyi sonucu veren seçenek, seçmeye devam edeceğimiz seçenektir. Ancak bunun her zaman işe yaramayacağını anlayabiliriz; bir kere, yüksek ödül bir şans olabilir. Veya belki de o zaman diliminde daha yüksek ödüllerle sonuçlanan ve daha sonra o kadar etkili olmayacak, kullanıcıya özel bazı bağlamlar vardır.
Böylece, algoritmayı daha etkili hale getirmek için bağlam eklenir. Remote Config kişiselleştirmesi için bu başlangıç bağlamı, deneye bir miktar entropi sağlayan rastgele örnekleme veya belirsizliktir . Bu, bir " bağlamsal çok kollu haydut" uygular. Deney çalışmaya devam ettikçe, devam eden keşif ve gözlemler, hangi kolların modele bir ödül getirme olasılığının en yüksek olduğu hakkında gerçek öğrenilmiş bağlam ekleyerek modeli daha etkili hale getirir.
Bu benim uygulamam için ne anlama geliyor?
Şimdi, uygulamanız bağlamında çok kollu haydut algoritmasının ne anlama geldiğini tartışalım. Diyelim ki banner reklam tıklamaları için optimizasyon yapıyorsunuz. Bu durumda, kişiselleştirmenin "kolları", kullanıcılara göstermek istediğiniz farklı banner reklamları temsil etmek için belirttiğiniz alternatif değerler olacaktır. Banner reklam tıklaması, amaç olarak adlandırdığımız ödüldür.
Bir kişiselleştirmeyi ilk başlattığınızda model, her bir kullanıcı için hangi alternatif değerin hedefinize ulaşma olasılığının daha yüksek olacağını bilmez. Kişiselleştirme, hedefinize ulaşma olasılığınızı anlamak için her bir alternatif değeri araştırdıkça, temel model daha bilgili hale gelir ve her kullanıcı için optimum deneyimi tahmin etme ve seçme becerisini geliştirir.
Kişiselleştirme, 24 saatlik bir yapışkanlık penceresi kullanır. Bu, kişiselleştirme algoritmasının tek bir alternatif değeri keşfetme süresidir. Kişiselleştirmelerinize, her bir alternatif değeri birden çok kez keşfetmeniz için yeterli süre vermelisiniz (genellikle yaklaşık 14 gün). İdeal olarak, uygulamanız ve kullanıcı davranışlarınız değiştikçe sürekli olarak gelişip uyum sağlayabilmeleri için sürekli olarak çalışmalarına izin verebilirsiniz.
Ek metrikleri izleyin
Remote Config kişiselleştirme, sonuçlarınızı bağlamsallaştırmanıza yardımcı olmak için iki adede kadar ek ölçümü izleme yeteneği de sağlar. Diyelim ki bir sosyal uygulama geliştirdiniz ve genel etkileşimi artırmak için kullanıcıları arkadaşlarınızla içerik paylaşmaya teşvik edecek farklı alternatif değerler belirlediniz.
Bu durumda, kullanıcı etkileşiminin ve kullanıcının açtığı bağlantı sayısının arttığını (gerçek etkileşim) veya düştüğünü (muhtemelen çok fazla spam içeren bağlantı) anlamak için link_received gibi bir Analytics olayı için optimizasyon yapmayı seçebilir ve iki metriğinizi user_engagement ve link_opened olarak ayarlayabilirsiniz. ).
Bu ek metrikler, kişiselleştirme algoritmasına dahil edilmeyecek olsa da, kişiselleştirme sonuçlarınızın yanı sıra bunları izleyerek, kişiselleştirmenin genel hedeflerinize ulaşma becerisine ilişkin değerli içgörüler sağlayabilirsiniz.
Kişiselleştirme sonuçlarını anlama
Bir kişiselleştirme veri toplamak için yeterince uzun süre çalıştıktan sonra sonuçlarını görüntüleyebilirsiniz.
Kişiselleştirme sonuçlarını görüntülemek için:
Remote Config sayfasını açın ve Kişiselleştirmeler'e tıklayın.
Görüntülemek istediğiniz kişiselleştirmeyi seçin. Belirli bir kişiselleştirmeyi ada veya hedefe göre arayabilir ve Ad, Başlangıç zamanı veya Toplam artışa göre sıralayabilirsiniz.
Sonuçlar sayfası, kişiselleştirmenin Temel grup üzerinden sağladığı Toplam artışı veya performanstaki yüzde farkını özetler.
Sonuçlar sayfası ayrıca kişiselleştirmenin mevcut durumunu, kişiselleştirmenin özniteliklerini ve aşağıdakileri sağlayan etkileşimli bir grafiği gösterir:
Kişiselleştirmenin taban çizgisine göre nasıl performans gösterdiğine dair ayrıntılı günlük ve toplam görünümü gösterir.
Her bir değerin temel grup genelinde genel olarak nasıl performans gösterdiğini gösterir.
Özetin üst kısmındaki sekmeler kullanılarak erişilebilen, seçtiğiniz ek metriklere göre hedef sonuçlarını ve performansı görüntüler.
Bir kişiselleştirme süresiz olarak çalışır durumda bırakılabilir ve performansını izlemek için sonuçlar sayfasını tekrar ziyaret etmeye devam edebilirsiniz. Algoritma, kullanıcı davranışı değiştiğinde uyum sağlayabilmesi için öğrenmeye ve ayarlamaya devam edecektir.
Sonraki adımlar
Remote Config kişiselleştirme kullanım örneklerini keşfedin.
Remote Config kişiselleştirmeye başlayın .