Dengan personalisasi Remote Config, Anda dapat otomatis memilih parameter Remote Config untuk setiap pengguna guna mengoptimalkan objektif. Personalisasi parameter sama seperti pengujian A/B yang bersifat otomatis, individual, terus ditingkatkan, dan berkelanjutan.
Dengan menggunakan personalisasi Remote Config di aplikasi, Anda menciptakan pengalaman yang lebih menarik untuk setiap pengguna dengan memberikan salah satu dari beberapa pengalaman pengguna alternatif, yang mengoptimalkan objektif yang Anda pilih, secara otomatis. Anda dapat menarget parameter Remote Config yang dipersonalisasi ke grup pengguna tertentu menggunakan kondisi penargetan Remote Config.
Anda dapat mengoptimalkan setiap objektif yang dapat diukur menggunakan Google Analytics, dan mengoptimalkan menurut jumlah peristiwa atau menurut nilai gabungan (jumlah) dari sebuah parameter peristiwa. Ini mencakup metrik bawaan berikut:
- User engagement time, yang dioptimalkan menurut waktu engagement pengguna
- Ad click, yang dioptimalkan menurut jumlah total peristiwa klik iklan
- Tayangan iklan, yang dioptimalkan berdasarkan jumlah tayangan iklan
Atau, Anda dapat mengoptimalkan metrik kustom berdasarkan peristiwa Analytics. Beberapa kemungkinan mencakup:
- Pengiriman rating untuk Play Store atau App Store
- Keberhasilan pengguna pada tugas tertentu, seperti menyelesaikan level game
- Peristiwa pembelian dalam aplikasi
- Peristiwa e-commerce, seperti menambahkan item ke keranjang, atau memulai atau menyelesaikan checkout
- Pembelian dalam aplikasi dan pendapatan iklan
- Pembelanjaan mata uang virtual
- Aktivitas berbagi link dan konten, serta berjejaring sosial
Untuk mengetahui informasi selengkapnya tentang potensi kasus penggunaan personalisasi, lihat Apa yang bisa dilakukan dengan personalisasi Remote Config?
Bagaimana cara kerjanya?
Personalisasi menggunakan machine learning untuk menentukan pengalaman yang optimal bagi setiap pengguna. Algoritme ini secara efisien melakukan kompromi antara mempelajari pengalaman terbaik untuk berbagai jenis pengguna dan memanfaatkan pengetahuan tersebut untuk memaksimalkan metrik objektif Anda. Hasil personalisasi secara otomatis dibandingkan dengan grup pengguna tertentu yang menerima pengalaman acak tetap yang diambil dari alternatif yang Anda berikan. Perbandingan ini menunjukkan berapa banyak "peningkatan" (nilai inkremental) yang dihasilkan oleh sistem personalisasi.
Untuk informasi selengkapnya tentang algoritma dan konsep personalisasi Remote Config, lihat Tentang personalisasi Remote Config.
Alur implementasi
- Terapkan dua pengalaman pengguna alternatif atau lebih yang Anda harapkan akan menjadi optimal untuk sebagian pengguna, tetapi tidak untuk sebagian yang lain.
- Jadikan alternatif ini dapat dikonfigurasi dari jarak jauh dengan parameter Remote Config. Lihat Memulai Remote Config dan strategi pemuatan Remote Config.
- Aktifkan personalisasi untuk parameter. Remote Config akan menetapkan pengalaman yang optimal bagi setiap pengguna Anda. Lihat panduan Memulai.
Personalisasi vs. Pengujian A/B
Tidak seperti pengujian A/B, yang dirancang untuk menemukan satu pengalaman pengguna dengan performa terbaik, personalisasi mencoba memaksimalkan objektif dengan secara dinamis memilih pengalaman pengguna yang optimal untuk setiap pengguna. Untuk sebagian besar jenis masalah, personalisasi memberikan hasil terbaik, tetapi pengujian A/B lebih bermanfaat dalam keadaan tertentu:
| Lebih tepat dengan personalisasi | Lebih tepat dengan pengujian A/B |
|---|---|
| Saat setiap pengguna dapat meraih manfaat dari pengalaman pengguna yang dipersonalisasi | Saat Anda menginginkan suatu pengalaman optimal untuk semua pengguna atau subkumpulan pengguna yang ditentukan |
| Saat Anda ingin terus mengoptimalkan model personalisasi | Saat Anda ingin melakukan pengujian selama jangka waktu tetap |
| Saat sasaran pengoptimalan Anda dapat dinyatakan cukup sebagai jumlah peristiwa analisis yang diberi bobot | Saat sasaran pengoptimalan Anda membutuhkan evaluasi mendalam pada beberapa metrik yang saling dibandingkan |
| Saat sasaran pengoptimalan Anda memiliki tujuan tertentu terlepas dari kompromi apa pun | Saat Anda ingin memastikan apakah satu varian menunjukkan peningkatan yang signifikan secara statistik terhadap varian lain sebelum meluncurkannya |
| Saat peninjauan hasil secara manual tidak diperlukan atau diinginkan | Saat peninjauan hasil secara manual diinginkan |
Misalnya, Anda ingin memaksimalkan jumlah pengguna yang memberi rating aplikasi Anda di Play Store saat Anda memintanya. Salah satu faktor yang mungkin menyebabkan keberhasilan adalah waktu kemunculan permintaan: apakah Anda menampilkannya saat pengguna membuka aplikasi untuk pertama, kedua, atau ketiga kalinya? Atau, apakah permintaan ditampilkan saat pengguna berhasil menyelesaikan tugas tertentu? Waktu yang ideal mungkin bergantung pada tiap pengguna: sebagian pengguna mungkin sudah siap memberikan rating pada aplikasi Anda saat itu juga, sementara pengguna lainnya mungkin membutuhkan waktu lebih lama.
Mengoptimalkan waktu pemunculan permintaan masukan adalah kasus penggunaan yang ideal untuk personalisasi:
- Setelan optimal kemungkinan berbeda untuk setiap pengguna.
- Keberhasilan dapat diukur dengan mudah menggunakan Analytics.
- Perubahan UX yang dipermasalahkan cukup berisiko rendah sehingga Anda mungkin tidak perlu mempertimbangkan kompromi atau melakukan peninjauan manual.