Mit der Remote Config-Personalisierung können Sie automatisch Remote Config-Parameter für jeden Benutzer auswählen, um sie für ein bestimmtes Ziel zu optimieren. Die Personalisierung eines Parameters ist wie die Durchführung eines automatischen, individualisierten, sich kontinuierlich verbessernden und fortwährenden A/B-Tests.
Wenn Sie die Remote Config-Personalisierung in Ihren Apps verwenden, schaffen Sie ansprechendere Erfahrungen für jeden Ihrer Benutzer, indem Sie ihnen automatisch eine von mehreren alternativen Benutzererfahrungen bereitstellen – die Alternative, die für das von Ihnen gewählte Ziel optimiert ist. Sie können Ihre personalisierten Remote Config-Parameter mithilfe von Remote Config-Targeting-Bedingungen auf bestimmte Benutzergruppen ausrichten.
Sie können für jedes Ziel optimieren, das mit Google Analytics messbar ist, und nach der Anzahl der Ereignisse oder nach dem aggregierten Wert (Summe) eines Ereignisparameters optimieren. Dazu gehören die folgenden integrierten Metriken:
- Benutzereingriffszeit, die durch Benutzereingriffszeit optimiert wird
- Anzeigenklicks, die nach der Gesamtzahl der Anzeigenklickereignisse optimiert werden
- Anzeigenimpressionen, die nach der Anzahl der Anzeigenimpressionen optimiert werden
Oder Sie können basierend auf beliebigen Analytics-Ereignissen benutzerdefinierte Metriken optimieren. Einige Möglichkeiten umfassen:
- Play Store- oder App Store-Bewertungseinsendungen
- Benutzererfolg bei bestimmten Aufgaben, wie dem Abschließen von Spiellevels
- In-App-Kaufereignisse
- E-Commerce-Ereignisse, wie z. B. das Hinzufügen von Artikeln zu einem Einkaufswagen oder das Beginnen oder Abschließen des Bezahlvorgangs
- In-App-Käufe und Werbeeinnahmen
- Ausgaben für virtuelle Währungen
- Teilen von Links und Inhalten sowie Aktivitäten in sozialen Netzwerken
Weitere Informationen zu möglichen Personalisierungsanwendungsfällen finden Sie unter Was kann ich mit der Remote Config-Personalisierung tun?
Wie funktioniert es?
Personalisierung nutzt maschinelles Lernen, um das optimale Erlebnis für jeden Ihrer Benutzer zu ermitteln. Der Algorithmus wägt effizient ab zwischen dem Erlernen der besten Erfahrung für verschiedene Arten von Benutzern und der Nutzung dieses Wissens, um Ihre objektive Metrik zu maximieren. Die Personalisierungsergebnisse werden automatisch mit einer Holdout-Gruppe von Benutzern verglichen, die eine dauerhafte zufällige Erfahrung erhalten, die aus Ihren bereitgestellten Alternativen gezogen wird. Dieser Vergleich zeigt, wie viel „Lift“ (inkrementeller Wert) vom Personalisierungssystem generiert wird.
Weitere Informationen zu Remote Config-Personalisierungsalgorithmen und -konzepten finden Sie unter Über Remote Config-Personalisierung .
Implementierungspfad
- Implementieren Sie zwei oder mehr alternative Benutzererfahrungen, von denen Sie erwarten, dass sie für einige Benutzer optimal sind, für andere jedoch nicht.
- Machen Sie diese Alternativen mit einem Remote Config-Parameter fernkonfigurierbar. Siehe Erste Schritte mit Remote Config und Strategien zum Laden von Remote Config .
- Aktivieren Sie die Personalisierung für den Parameter. Remote Config weist jedem Ihrer Benutzer die für ihn optimale Erfahrung zu. Siehe die Anleitung „Erste Schritte“ .
Personalisierung vs. A/B-Tests
Im Gegensatz zu A/B-Tests, die darauf ausgelegt sind, ein einziges Benutzererlebnis mit der besten Leistung zu finden, versucht die Personalisierung, ein Ziel zu maximieren, indem dynamisch ein optimales Benutzererlebnis für jeden Benutzer ausgewählt wird. Bei vielen Arten von Problemen führt Personalisierung zu den besten Ergebnissen, aber A/B-Tests haben immer noch ihren Nutzen:
| Personalisierung bevorzugt | A/B-Tests bevorzugt |
|---|---|
| Wenn jeder Benutzer von einer personalisierten Benutzererfahrung profitieren könnte | Wenn Sie ein einziges optimales Erlebnis für alle Benutzer oder eine definierte Untergruppe von Benutzern wünschen |
| Wenn Sie das Personalisierungsmodell kontinuierlich optimieren möchten | Wenn Sie Tests in einem festen Zeitfenster durchführen möchten |
| Wenn Ihr Optimierungsziel einfach als gewichtete Summe von Analyseereignissen ausgedrückt werden kann | Wenn Ihr Optimierungsziel eine sorgfältige Auswertung mehrerer verschiedener konkurrierender Metriken erfordert |
| Wenn Sie unabhängig von Kompromissen für ein Ziel optimieren möchten | Wenn Sie vor der Einführung feststellen möchten, ob eine Variante eine statistisch signifikante Verbesserung gegenüber einer anderen aufweist |
| Wenn eine manuelle Überprüfung der Ergebnisse nicht erforderlich oder erwünscht ist | Wenn eine manuelle Überprüfung der Ergebnisse wünschenswert ist |
Angenommen, Sie möchten die Anzahl der Benutzer maximieren, die Ihre App im Play Store bewerten, wenn Sie sie dazu auffordern. Ein Faktor, der zum Erfolg beitragen könnte, ist das Timing Ihrer Aufforderung: Zeigen Sie sie, wenn der Benutzer Ihre App zum ersten, zweiten oder dritten Mal öffnet? Oder fordern Sie sie auf, wenn sie bestimmte Aufgaben erfolgreich abgeschlossen haben? Das ideale Timing hängt wahrscheinlich vom einzelnen Benutzer ab: Einige Benutzer sind möglicherweise sofort bereit, Ihre App zu bewerten, während andere möglicherweise mehr Zeit benötigen.
Die Optimierung des Timings Ihrer Feedback-Aufforderung ist ein idealer Anwendungsfall für die Personalisierung:
- Die optimale Einstellung ist wahrscheinlich für jeden Benutzer unterschiedlich.
- Der Erfolg ist mit Analytics leicht messbar.
- Die fragliche UX-Änderung ist so risikoarm, dass Sie wahrscheinlich keine Kompromisse in Betracht ziehen oder eine manuelle Überprüfung durchführen müssen.