Dzięki personalizacji za pomocą Remote Config możesz automatycznie wybierać Remote Config parametry w przypadku poszczególnych użytkowników, aby prowadzić optymalizację pod kątem danego celu. Spersonalizowanie parametru jest jak przeprowadzenie automatycznego, indywidualnego, stale ulepszanego i ciągłego testu A/B.
Gdy używasz Remote Config personalizacji w swoich aplikacjach, tworzysz bardziej angażujące wrażenia dla każdego użytkownika, automatycznie udostępniając mu jedną z kilku alternatywnych wersji aplikacji – tę, która optymalizuje wybrany przez Ciebie cel. Możesz kierować spersonalizowane Remote Config parametry na określone grupy użytkowników za pomocą Remote Config warunków kierowania.
Możesz optymalizować pod kątem dowolnego celu, który można zmierzyć za pomocą Google Analytics, oraz optymalizować według liczby zdarzeń lub zagregowanej wartości (sumy) parametru zdarzenia. Obejmuje to te wbudowane dane:
- Czas zaangażowania użytkownika, który optymalizuje pod kątem czasu zaangażowania użytkownika.
- Kliknięcia reklam, które optymalizują pod kątem łącznej liczby zdarzeń kliknięcia reklamy.
- Wyświetlenia reklam, które optymalizują pod kątem liczby wyświetleń reklam.
Możesz też optymalizować pod kątem danych niestandardowych opartych na dowolnym zdarzeniu Analytics. Oto kilka przykładów:
- Przesłanie opinii w Sklepie Play lub App Store.
- Sukces użytkownika w określonych zadaniach, np. ukończenie poziomów gry.
- Zdarzenia zakupu w aplikacji.
- Zdarzenia e-commerce, takie jak dodanie produktów do koszyka, rozpoczęcie lub zakończenie procesu płatności.
- Przychody z zakupów w aplikacji i reklam.
- Wydatki na wirtualną walutę.
- Udostępnianie linków i treści oraz aktywność w mediach społecznościowych.
Więcej informacji o potencjalnych przypadkach użycia personalizacji znajdziesz w artykule Co mogę zrobić dzięki personalizacji za pomocą Remote Config?
Jak to działa?
Personalizacja korzysta z systemów uczących się, aby określić optymalne wrażenia dla każdego użytkownika. Algorytm skutecznie równoważy uczenie się najlepszych wrażeń dla różnych typów użytkowników i wykorzystywanie tej wiedzy do maksymalizowania danych celu. Wyniki personalizacji są automatycznie porównywane z grupą kontrolną użytkowników, którzy otrzymują stałe losowe wrażenia wybrane spośród podanych przez Ciebie alternatyw. To porównanie pokazuje, o ile „wzrost” (wartość przyrostowa) jest generowany przez system personalizacji.
Więcej informacji o algorytmie i koncepcjach personalizacji za pomocą Zdalnej konfiguracji znajdziesz w artykule zobacz Personalizacja za pomocą Zdalnej konfiguracji.
Ścieżka implementacji
- Zaimplementuj co najmniej 2 alternatywne wersje aplikacji, które według Ciebie będą optymalne dla niektórych użytkowników, ale nie dla innych.
- Umożliwiaj zdalne konfigurowanie tych alternatyw za pomocą Remote Config parametru. Zapoznaj się z artykułami Pierwsze kroki ze Remote Config i Remote Configstrategie wczytywania.
- Włącz personalizację parametru. Remote Config przypisze każdemu użytkownikowi optymalną dla niego wersję aplikacji. Zapoznaj się z przewodnikiem dla początkujących.
Personalizacja a testy A/B
W przeciwieństwie do testów A/B, które mają na celu znalezienie pojedynczego zestawu ustawień, które zapewnią najlepsze wrażenia wszystkim użytkownikom, personalizacja pozwala dążyć do zrealizowania określonego celu przez dynamiczne wybieranie optymalnych ustawień w przypadku każdego użytkownika. W przypadku wielu typów problemów personalizacja daje najlepsze wyniki, ale testy A/B nadal są przydatne:
| Preferowana personalizacja | Preferowane testy A/B |
|---|---|
| Gdy każdy użytkownik może skorzystać ze spersonalizowanych wrażeń. | Gdy chcesz uzyskać optymalne wrażenia dla wszystkich użytkowników lub określonego podzbioru użytkowników. |
| Gdy chcesz stale optymalizować model personalizacji. | Gdy chcesz przeprowadzać testy w określonym przedziale czasu. |
| Gdy cel optymalizacji można wyrazić po prostu jako ważoną sumę zdarzeń Analytics. | Gdy cel optymalizacji wymaga starannej oceny kilku różnych konkurujących ze sobą danych. |
| Gdy chcesz optymalizować pod kątem celu niezależnie od kompromisów. | Gdy przed wdrożeniem chcesz sprawdzić, czy jedna wersja wykazuje statystycznie istotną poprawę w porównaniu z inną. |
| Gdy ręczne sprawdzenie wyników nie jest wymagane ani pożądane. | Gdy ręczne sprawdzenie wyników jest pożądane. |
Załóżmy na przykład, że chcesz zmaksymalizować liczbę użytkowników, którzy ocenią Twoją aplikację w Sklepie Play, gdy wyświetlisz im prośbę o ocenę. Jednym z czynników, które mogą przyczynić się do sukcesu, jest czas wyświetlenia prośby: czy wyświetlasz ją, gdy użytkownik otworzy aplikację po raz pierwszy, drugi czy trzeci? A może wyświetlasz prośbę, gdy użytkownik pomyślnie wykona określone zadania? Idealny czas prawdopodobnie zależy od konkretnego użytkownika: niektórzy użytkownicy mogą być gotowi do oceny aplikacji od razu, a inni mogą potrzebować więcej czasu.
Optymalizacja czasu wyświetlania prośby o opinię to idealny przypadek użycia personalizacji:
- Optymalne ustawienie prawdopodobnie będzie inne dla każdego użytkownika.
- Sukces można łatwo zmierzyć za pomocą Analytics.
- Zmiana UX jest na tyle mało ryzykowna, że prawdopodobnie nie musisz brać pod uwagę kompromisów ani przeprowadzać ręcznego sprawdzenia.