Với cá nhân hóa Cấu hình từ xa, bạn có thể tự động chọn các tham số Cấu hình từ xa cho mỗi người dùng để tối ưu hóa cho một mục tiêu. Cá nhân hóa một tham số giống như thực hiện thử nghiệm A/B tự động, được cá nhân hóa, cải tiến liên tục và vĩnh viễn.
Khi bạn sử dụng tính năng cá nhân hóa Cấu hình từ xa trong ứng dụng của mình, bạn tạo ra nhiều trải nghiệm hấp dẫn hơn cho từng người dùng của mình bằng cách tự động cung cấp cho họ một trong số các trải nghiệm người dùng thay thế—lựa chọn thay thế sẽ tối ưu hóa cho mục tiêu bạn chọn. Bạn có thể nhắm mục tiêu các tham số Cấu hình từ xa được cá nhân hóa của mình cho các nhóm người dùng cụ thể bằng cách sử dụng các điều kiện nhắm mục tiêu Cấu hình từ xa .
Bạn có thể tối ưu hóa cho bất kỳ mục tiêu nào có thể đo lường được bằng cách sử dụng Google Analytics và tối ưu hóa theo số lượng sự kiện hoặc theo giá trị tổng hợp (tổng) của một thông số sự kiện. Điều này bao gồm các số liệu tích hợp sau:
- Thời gian tương tác của người dùng, tối ưu hóa theo thời gian tương tác của người dùng
- Số lần nhấp vào quảng cáo, tối ưu hóa theo tổng số sự kiện nhấp vào quảng cáo
- Số lần hiển thị quảng cáo, tối ưu hóa theo số lần hiển thị quảng cáo
Hoặc, bạn có thể tối ưu hóa cho các chỉ số tùy chỉnh dựa trên bất kỳ sự kiện Analytics nào. Một số khả năng bao gồm:
- Gửi xếp hạng Play Store hoặc App Store
- Thành công của người dùng ở các nhiệm vụ cụ thể, chẳng hạn như hoàn thành các cấp trò chơi
- Sự kiện mua hàng trong ứng dụng
- Các sự kiện thương mại điện tử, như thêm mặt hàng vào giỏ hàng, bắt đầu hoặc hoàn tất quy trình thanh toán
- Mua hàng trong ứng dụng và doanh thu quảng cáo
- Chi tiền ảo
- Liên kết và chia sẻ nội dung và hoạt động mạng xã hội
Để biết thêm thông tin về các trường hợp sử dụng cá nhân hóa tiềm năng, hãy xem Tôi có thể làm gì với cá nhân hóa Cấu hình từ xa?
Làm thế nào nó hoạt động?
Cá nhân hóa sử dụng máy học để xác định trải nghiệm tối ưu cho từng người dùng của bạn. Thuật toán cân bằng hiệu quả giữa việc tìm hiểu trải nghiệm tốt nhất cho các loại người dùng khác nhau và sử dụng kiến thức đó để tối đa hóa chỉ số mục tiêu của bạn. Kết quả cá nhân hóa tự động được so sánh với nhóm người dùng loại trừ nhận được trải nghiệm ngẫu nhiên liên tục rút ra từ các lựa chọn thay thế mà bạn cung cấp—sự so sánh này cho biết mức độ "mức tăng" (giá trị gia tăng) do hệ thống cá nhân hóa tạo ra.
Để biết thêm thông tin về khái niệm và thuật toán cá nhân hóa Cấu hình từ xa, hãy xem Giới thiệu về cá nhân hóa Cấu hình từ xa .
đường dẫn thực hiện
- Triển khai hai hoặc nhiều trải nghiệm người dùng thay thế mà bạn mong đợi sẽ tối ưu cho một số người dùng chứ không phải những người dùng khác.
- Làm cho các lựa chọn thay thế này có thể cấu hình từ xa bằng tham số Cấu hình từ xa. Xem Bắt đầu với cấu hình từ xa và chiến lược tải cấu hình từ xa .
- Bật tính năng cá nhân hóa cho tham số. Remote Config sẽ chỉ định cho từng người dùng của bạn trải nghiệm tối ưu cho họ. Xem hướng dẫn Bắt đầu .
Cá nhân hóa so với thử nghiệm A/B
Không giống như thử nghiệm A/B, được thiết kế để tìm một trải nghiệm người dùng hoạt động tốt nhất, hoạt động cá nhân hóa cố gắng tối đa hóa mục tiêu bằng cách tự động chọn trải nghiệm người dùng tối ưu cho từng người dùng. Đối với nhiều loại vấn đề, cá nhân hóa tạo ra kết quả tốt nhất, nhưng thử nghiệm A/B vẫn có những công dụng của nó:
| Cá nhân hóa ưu tiên | Ưu tiên thử nghiệm A/B |
|---|---|
| Khi mỗi người dùng có thể hưởng lợi từ trải nghiệm người dùng được cá nhân hóa | Khi bạn muốn có một trải nghiệm tối ưu duy nhất cho tất cả người dùng hoặc một nhóm người dùng được xác định |
| Khi bạn muốn liên tục tối ưu hóa mô hình cá nhân hóa | Khi bạn muốn tiến hành kiểm tra trong khoảng thời gian cố định |
| Khi mục tiêu tối ưu hóa của bạn có thể được biểu thị đơn giản dưới dạng tổng trọng số của các sự kiện phân tích | Khi mục tiêu tối ưu hóa của bạn yêu cầu đánh giá cẩn thận một số chỉ số cạnh tranh khác nhau |
| Khi bạn muốn tối ưu hóa cho một mục tiêu bất kể sự đánh đổi nào | Khi bạn muốn xác định xem một biến thể có cải thiện đáng kể về mặt thống kê so với biến thể khác hay không trước khi ra mắt |
| Khi không cần hoặc không mong muốn xem xét thủ công các kết quả | Khi mong muốn xem xét thủ công các kết quả |
Ví dụ: giả sử bạn muốn tối đa hóa số lượng người dùng xếp hạng ứng dụng của bạn trong Cửa hàng Play khi bạn nhắc họ. Một yếu tố có thể góp phần vào sự thành công là thời gian của lời nhắc: bạn có hiển thị lời nhắc khi người dùng mở ứng dụng của bạn lần đầu tiên, lần thứ hai hoặc lần thứ ba không? Hay bạn có nhắc họ khi họ hoàn thành xuất sắc nhiệm vụ nào đó không? Thời gian lý tưởng có thể phụ thuộc vào từng người dùng: một số người dùng có thể sẵn sàng xếp hạng ứng dụng của bạn ngay lập tức, trong khi những người khác có thể cần thêm thời gian.
Tối ưu hóa thời gian của lời nhắc phản hồi là trường hợp sử dụng lý tưởng để cá nhân hóa:
- Cài đặt tối ưu có thể khác nhau đối với mỗi người dùng.
- Thành công có thể dễ dàng đo lường bằng cách sử dụng Analytics.
- Thay đổi UX được đề cập có rủi ro thấp đến mức bạn có thể không cần cân nhắc đánh đổi hoặc tiến hành đánh giá thủ công.