Con la personalización de Remote Config, puedes seleccionar de manera automática los parámetros de Remote Config para cada usuario a fin de aplicar optimizaciones según un objetivo. Personalizar un parámetro es como realizar una prueba A/B automática, individualizada, perfeccionada y perpetua.
Cuando utilizas la personalización de Remote Config en tus apps, creas experiencias más atractivas para cada uno de tus usuarios proporcionándoles automáticamente una de varias experiencias alternativas, aquella que aplica optimizaciones según el objetivo que elijas. Puedes segmentar tus parámetros personalizados de Remote Config a grupos de usuarios específicos mediante las Condiciones de segmentación de Remote Config.
Puedes realizar optimizaciones para cualquier objetivo que se pueda medir con Google Analytics y también según la cantidad de eventos o el valor agregado (suma) de un parámetro de evento. Esto incluye las siguientes métricas integradas:
- Tiempo de participación del usuario, que se optimiza en función del tiempo de participación
- Clics en el anuncio, que se optimiza según la cantidad total de eventos de clic en el anuncio
- Impresiones de anuncios, que se optimiza según la cantidad de impresiones de anuncios
O bien, puedes hacerlo según métricas personalizadas basadas en cualquier evento de Analytics. Algunas de las posibilidades son:
- Envíos de calificaciones de Play Store o App Store
- El éxito del usuario en tareas específicas, como completar niveles de juego
- Eventos de compra directa desde la aplicación
- Eventos de comercio electrónico, como agregar artículos a un carrito, comenzar o completar la confirmación de la compra
- Ingresos publicitarios y compras directas desde la aplicación
- Inversión en moneda virtual
- Uso compartido de vínculos y contenido, y actividad de redes sociales
Para obtener más información sobre posibles casos de uso de personalización, consulta ¿Qué puedo hacer con la personalización de Remote Config?
¿Cómo funciona?
La personalización usa el aprendizaje automático para determinar la experiencia óptima de cada uno de tus usuarios. El algoritmo cambia con eficacia entre el aprendizaje de la mejor experiencia para los diferentes tipos de usuarios y el uso de ese conocimiento a fin de maximizar tu métrica objetivo. Los resultados de la personalización se comparan automáticamente con un grupo de usuarios excluido que recibe una experiencia aleatoria y persistente a partir de las alternativas proporcionadas. En esta comparación, se muestra el nivel de “efectividad” (valor incremental) que genera el sistema de personalización.
Para obtener más información sobre el algoritmo de personalización y los conceptos de Remote Config, consulta Acerca de la personalización de Remote Config.
Ruta de implementación
- Implementa dos o más experiencias del usuario alternativas que esperas que sean óptimas para algunos usuarios, pero no para otros.
- Haz que estas alternativas sean configurables de forma remota con un parámetro de Remote Config. Consulta Comienza a usar Remote Config y Estrategias de carga de Remote Config.
- Habilita la personalización para el parámetro. Remote Config asignará la experiencia óptima para cada uno de tus usuarios. Consulta la guía de introducción.
Personalización frente a pruebas A/B
A diferencia de las pruebas A/B, que están diseñadas para encontrar la experiencia del usuario que funciona mejor, la personalización intenta maximizar un objetivo mediante la selección dinámica de una experiencia óptima para cada usuario. Para muchos tipos de problemas, la personalización produce los mejores resultados, pero las pruebas A/B tienen casos de uso específicos:
| Es preferible la personalización | Son preferibles las pruebas A/B |
|---|---|
| Cuando un usuario puede beneficiarse de la experiencia personalizada | Cuando quieras una única experiencia óptima para todos los usuarios o un subconjunto definido de usuarios |
| Cuando quieras optimizar el modelo de personalización continuamente | Cuando quieras realizar pruebas durante un período fijo |
| Cuando tu objetivo de optimización se pueda expresar solo como una suma ponderada de eventos de análisis | Cuando tu objetivo de optimización requiera una evaluación detallada de varias métricas competitivas diferentes |
| Cuando quieras aplicar optimizaciones en función de un objetivo independientemente de las desventajas | Cuando quieras determinar si una variante muestra una mejora estadística importante en comparación con otra antes de implementarla |
| Cuando no se requiera ni desee la revisión manual de los resultados | Cuando quieras revisar manualmente los resultados |
Por ejemplo, supongamos que deseas maximizar la cantidad de usuarios que califican tu app en Play Store cuando se les pide que lo hagan. Un factor que podría contribuir al éxito es el momento de tu mensaje: ¿lo muestras cuando el usuario abre la app por primera, segunda o tercera vez? ¿O lo muestras cuando realiza correctamente determinadas tareas? El momento ideal probablemente depende de cada usuario: algunos usuarios podrían estar listos para calificar tu app de inmediato, mientras que otros pueden necesitar más tiempo.
Optimizar el momento de tu solicitud de comentarios es un caso de uso ideal para la personalización:
- El parámetro de configuración óptimo es diferente para cada usuario.
- El éxito se puede medir fácilmente en Analytics.
- El cambio de la UX en cuestión es de bajo riesgo y probablemente no debas considerar desventajas ni realizar una revisión manual.