Cá nhân hóa cấu hình từ xa

Với tính năng cá nhân hóa Cấu hình từ xa, bạn có thể tự động chọn các thông số Cấu hình từ xa cho từng người dùng để tối ưu hóa cho một mục tiêu. Việc cá nhân hóa một thông số cũng giống như thực hiện thử nghiệm A/B tự động, cá nhân hóa, liên tục cải tiến và liên tục.

Khi bạn sử dụng tính năng cá nhân hóa Cấu hình từ xa trong ứng dụng của mình, bạn sẽ tạo ra nhiều trải nghiệm hấp dẫn hơn cho từng người dùng của mình bằng cách tự động cung cấp cho họ một trong nhiều trải nghiệm người dùng thay thế—giải pháp thay thế 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 tới 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 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, được tối ưu hóa theo thời gian tương tác của người dùng
  • Số lượt 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 các số liệu 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, như hoàn thành cấp độ trò chơi
  • Sự kiện mua hàng trong ứng dụng
  • Các sự kiện thương mại điện tử, như thêm mặt hàng vào giỏ hàng hoặc bắt đầu hoặc hoàn tất thanh toán
  • Mua hàng trong ứng dụng và doanh thu quảng cáo
  • Chi tiêu 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?

Bắt đầu

Làm thế nào nó hoạt động?

Hoạt động cá nhân hóa sử dụng công nghệ 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 việc sử dụng kiến ​​thức đó để tối đa hóa số liệu mục tiêu của bạn. Kết quả cá nhân hóa được tự động so sánh với một nhóm người dùng loại trừ, những người nhận được trải nghiệm ngẫu nhiên liên tục được rút ra từ các lựa chọn thay thế được cung cấp của bạn—sự so sánh này cho thấy mức độ "nâng cao" (giá trị gia tăng) được hệ thống cá nhân hóa tạo ra.

Để biết thêm thông tin về thuật toán và khái niệm cá nhân hóa Cấu hình từ xa, hãy xem Giới thiệu về cá nhân hóa Cấu hình từ xa .

Lộ trình thực hiện

  1. Triển khai hai hoặc nhiều trải nghiệm người dùng thay thế mà bạn mong đợi sẽ tối ưu cho một số người dùng nhưng không tối ưu cho những người dùng khác.
  2. 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 các chiến lược tải Cấu hình từ xa và Cấu hình từ xa .
  3. Bật tính năng cá nhân hóa cho tham số. Cấu hình từ xa sẽ chỉ định cho mỗi 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 ra trải nghiệm người dùng hoạt động tốt nhất, cá nhân hóa cố gắng tối đa hóa mục tiêu bằng cách linh hoạt chọn trải nghiệm người dùng tối ưu cho mỗi người dùng. Đối với nhiều loại vấn đề, việc cá nhân hóa mang lại kết quả tốt nhất, nhưng thử nghiệm A/B vẫn có những công dụng của nó:

Ưu tiên cá nhân hóa 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 nhỏ 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 thể hiện đơn giản dưới dạng tổng các sự kiện phân tích có trọng số Khi mục tiêu tối ưu hóa của bạn yêu cầu đánh giá kỹ lưỡng một số số liệu cạnh tranh khác nhau
Khi bạn muốn tối ưu hóa cho một mục tiêu bất chấp mọi sự đánh đổi Khi bạn muốn xác định xem một biến thể có cho thấy sự cải thiện đáng kể về mặt thống kê so với biến thể khác hay không trước khi triển khai
Khi việc xem xét kết quả thủ công là không cần thiết hoặc không mong muốn Khi muốn xem xét kết quả theo cách thủ công

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 tạo nên thành công là thời điểm đưa ra lời nhắc: bạn có hiển thị lời nhắc khi người dùng mở ứng dụng của bạn lần đầu tiên, lần thứ hai hay lần thứ ba không? Hay bạn nhắc nhở họ khi họ hoàn thành thành công một số nhiệm vụ nhất định? Thời điểm 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 đưa ra lời nhắc phản hồi là trường hợp sử dụng lý tưởng cho việc cá nhân hóa:

  • Cài đặt tối ưu có thể khác nhau đối với mỗi người dùng.
  • Thành công có thể dễ dàng đo lường được bằng cách sử dụng Analytics.
  • Thay đổi UX được đề cập có mức độ rủi ro thấp đến mức bạn có thể không cần phải cân nhắc đánh đổi hoặc tiến hành đánh giá thủ công.

Thử nó

Bắt đầu