Kişiselleştirme, kullanıcıların hedeflerine ulaşmaları için en uygun deneyimi belirlemek amacıyla makine öğrenimini (özellikle bağlama dayalı çok kollu haydut algoritmasını) kullanır. Bizim durumumuzda amaç, belirli Google Analytics etkinliklerinin toplam sayısı veya toplam parametre değeri için optimizasyon yapmaktır.
Bağlamsal çok kollu makine algoritması nedir?
"Çok kollu haydut", birden fazla yol listesinden sürekli olarak en yüksek ve en güvenilir ödüllere götüren bir yol seçmek istediğimiz durumu tanımlamak için kullanılan bir metafordur. Bunu görselleştirmek için bir kumar makinesi sırasının önündeki kumarbaz metaforunu kullanabilirsiniz. Kumar makineleri genellikle "tek kollu haydut" olarak adlandırılır. Bunun nedeni, makinelerin tek bir kolu (veya kolu) olması ve paranızı almasıdır. Birden fazla "kol" için çözüm bulmak istediğimizde tek kollu makine çok kollu makine olur.
Örneğin, üç seçeneğimiz olduğunu ve en güvenilir ödülü hangisinin sağladığını belirlemek istediğimizi varsayalım: Her seçeneği deneyebiliriz ve ardından bir sonuç aldıktan sonra en fazla ödülü veren kolu seçmeye devam edebiliriz. Bu, açgözlü algoritma olarak adlandırılır: İlk denemede en iyi sonucu veren seçeneği seçmeye devam ederiz. Ancak bu yöntemin her zaman işe yaramayabileceğini anlayabiliyoruz. Örneğin, yüksek ödül bir tesadüf olabilir. Belki de bu dönemde daha yüksek ödüller sunan, kullanıcıya özel bir bağlam vardır ve bu bağlam daha sonra o kadar etkili olmaz.
Bu nedenle, algoritmayı daha etkili hale getirmek için bağlam eklenir. Remote Config Kişiselleştirme için bu başlangıç bağlamı, denemeye entropi sağlayan rastgele örnekleme veya belirsizliktir. Bu, "bağlamsal çok kollu makine" uygular. Deneme devam ederken devam eden keşif ve gözlem, hangi kolların ödül verme olasılığının en yüksek olduğuyla ilgili gerçek öğrenilen bağlamı modele ekleyerek modeli daha etkili hale getirir.
Bu durum uygulamam için ne anlama geliyor?
Şimdi, birden çok kolu olan bandit algoritmasının uygulamanız bağlamında ne anlama geldiğini tartışalım. Banner reklam tıklamaları için optimizasyon yaptığınızı varsayalım. Bu durumda, kişiselleştirmenin "kolları", kullanıcılara göstermek istediğiniz farklı banner reklamları temsil etmek için belirttiğiniz alternatif değerler olur. Banner reklam tıklaması, hedef olarak adlandırdığımız ödüldür.
Bir kişiselleştirmeyi ilk kez başlattığınızda model, her kullanıcı için hedefinize ulaşma olasılığı en yüksek alternatif değeri bilemez. Kişiselleştirme, hedefinize ulaşma olasılığını anlamak için her alternatif değeri keşfettikçe temel model daha bilgili hale gelir ve her kullanıcı için optimum deneyimi tahmin etme ve seçme özelliğini iyileştirir.
Kişiselleştirme, 24 saatlik bir yeniden ziyaret aralığı kullanır. Bu, kişiselleştirme algoritmasının tek bir alternatif değeri keşfetme süresidir. Kişiselleştirmelerinizin her alternatif değeri birden çok kez keşfetmesi için yeterli süre (genellikle yaklaşık 14 gün) tanımanız gerekir. İdeal olarak, uygulamanız ve kullanıcı davranışları değiştikçe sürekli olarak iyileşip uyum sağlayabilmeleri için bu modelleri sürekli olarak çalıştırabilirsiniz.
Ek metrikleri izleme
Remote Config kişiselleştirme, sonuçlarınızı bağlama yerleştirmenize yardımcı olmak için iki ek metriği izleme olanağı da sunar. Bir sosyal uygulama geliştirdiğinizi ve genel etkileşimi artırmak için kullanıcıları içerikleri arkadaşlarıyla paylaşmaya teşvik etmek amacıyla farklı alternatif değerler belirlediğinizi varsayalım.
Bu durumda, kullanıcı etkileşiminin ve kullanıcının açtığı bağlantıların sayısının artıp artmadığını (gerçek etkileşim) veya düştüğünü (muhtemelen çok fazla spam bağlantı) anlamak için link_received gibi bir Analytics etkinliği için optimizasyon yapmayı ve iki metriğinizi user_engagement ve link_opened olarak ayarlamayı seçebilirsiniz.
Bu ek metrikler kişiselleştirme algoritmasına dahil edilmese de kişiselleştirme sonuçlarınızın yanında bu metrikleri de izleyebilirsiniz. Böylece, kişiselleştirmenin genel hedeflerinize ulaşmadaki kapasitesi hakkında değerli bilgiler edinebilirsiniz.
Kişiselleştirme sonuçlarını anlama
Bir kişiselleştirme, veri toplamak için yeterince uzun süre çalıştıktan sonra sonuçlarını görüntüleyebilirsiniz.
Kişiselleştirme sonuçlarını görüntülemek için:
Remote Config sayfasını açıp Kişiselleştirmeler'i tıklayın.
Görüntülemek istediğiniz kişiselleştirmeyi seçin. Belirli bir kişiselleştirmeyi ada veya hedefe göre arayabilir ve ada, başlangıç zamanı veya toplam artışa göre sıralayabilirsiniz.
Sonuçlar sayfasında, kişiselleştirmenin Referans grubuna kıyasla sağladığı Toplam artış veya performanstaki yüzdelik fark özetlenmiştir.
Sonuçlar sayfasında kişiselleştirmenin mevcut durumu, kişiselleştirmenin özellikleri ve aşağıdakileri gösteren etkileşimli bir grafik de yer alır:
Kişiselleştirmenin referans değere kıyasla nasıl performans gösterdiğine dair ayrıntılı bir günlük ve toplam görünüm gösterir.
Her bir değerin referans grubu genelindeki genel performansını gösterir.
Özetin üst kısmındaki sekmeler kullanılarak erişilebilen, seçtiğiniz ek metriklere göre hedef sonuçlarını ve performansı gösterir.
Kişiselleştirmeler süresiz olarak çalıştırılabilir ve performansını izlemek için sonuçlar sayfasını tekrar ziyaret etmeye devam edebilirsiniz. Algoritma, kullanıcı davranışı değiştiğinde uyum sağlayabilmek için öğrenmeye ve ayar yapmaya devam eder.
Kişiselleştirme silme işlemini anlama
Bir kişiselleştirmeyi Firebase konsolunu kullanarak veya Firebase Remote Config API'yi kullanarak şablonunuzdan kişiselleştirme parametresini kaldırarak silebilirsiniz. Silinen kişiselleştirmeler geri yüklenemez. Veri saklama hakkında bilgi edinmek için Veri silme başlıklı makaleyi inceleyin.
Kişiselleştirmeleri geri döndürerek veya bir şablonu içe aktararak da silebilirsiniz.
Geri alma sayısı
Mevcut şablonunuzda kişiselleştirmeler varsa ve aynı kişiselleştirmelere sahip olmayan bir şablona geri dönerseniz kişiselleştirmeler silinir. Önceki bir şablona dönmek için Firebase konsolunu veya Firebase Remote Config API'yi kullanarak roll back'yi kullanın.
Bir kişiselleştirmeyi silip önceki bir şablona geri döndüğünüzde, Firebase konsolunda bu geçersiz kişiselleştirmeye dair bir referans gösterilir. Remote Config sayfasının Parametreler sekmesinde kişiselleştirmeyi düzenleyerek geçersiz kişiselleştirmeyi Firebase konsolundan kaldırabilirsiniz.
İçe Aktarımlar
Artık mevcut kişiselleştirmelerinizi içermeyen bir şablonu içe aktardığınızda bu kişiselleştirmeler de silinir. Şablon içe aktarmak için Firebase konsolunu veya Remote Config REST API'sini kullanın.
Sonraki adımlar
Remote Config kişiselleştirme kullanım alanlarını keşfedin.
Remote Config kişiselleştirmeyi kullanmaya başlayın.