Dzięki personalizacji Remote Config możesz automatycznie wybrać parametry Remote Config dla każdego użytkownika, aby zoptymalizować je pod kątem celu. Personalizacja parametru jest jak przeprowadzanie automatycznego, zindywidualizowanego, stale ulepszanego i ciągłego testu A/B.
Korzystając z personalizacji zdalnej konfiguracji w swoich aplikacjach, tworzysz bardziej atrakcyjne środowiska dla każdego ze swoich użytkowników, automatycznie udostępniając im jedno z kilku alternatywnych środowisk użytkownika — alternatywę, która optymalizuje wybrany przez Ciebie cel. Spersonalizowane parametry zdalnej konfiguracji można kierować do określonych grup użytkowników, korzystając z warunków kierowania zdalnej konfiguracji .
Możesz optymalizować pod kątem dowolnego celu, który można zmierzyć za pomocą Google Analytics, i optymalizować według liczby zdarzeń lub zagregowanej wartości (sumy) parametru zdarzenia. Obejmuje to następujące wbudowane dane:
- Czas zaangażowania użytkownika, który optymalizuje czas zaangażowania użytkownika
- Kliknięcia reklam, które są optymalizowane na podstawie łącznej liczby zdarzeń kliknięć reklam
- Wyświetlenia reklam, które są optymalizowane pod kątem liczby wyświetleń reklam
Możesz też zoptymalizować dane pod kątem niestandardowych danych na podstawie dowolnego zdarzenia Analytics. Niektóre możliwości obejmują:
- Przesłane oceny w Sklepie Play lub App Store
- Sukces użytkownika w określonych zadaniach, takich jak ukończenie poziomów gry
- Zdarzenia zakupu w aplikacji
- Zdarzenia e-commerce, takie jak dodawanie produktów do koszyka lub rozpoczęcie lub zakończenie realizacji zakupu
- Zakupy w aplikacji i przychody z reklam
- Wydatki na wirtualną walutę
- Udostępnianie linków i treści oraz aktywność w sieciach społecznościowych
Aby uzyskać więcej informacji na temat potencjalnych przypadków użycia personalizacji, zobacz Co mogę zrobić z personalizacją Remote Config?
Jak to działa?
Personalizacja wykorzystuje uczenie maszynowe do określenia optymalnego doświadczenia dla każdego użytkownika. Algorytm skutecznie dokonuje kompromisu między poznaniem najlepszego doświadczenia dla różnych typów użytkowników a wykorzystaniem tej wiedzy do maksymalizacji celu. Wyniki personalizacji są automatycznie porównywane z wstrzymaną grupą użytkowników, którzy otrzymują trwałe, losowe wrażenia pochodzące z dostarczonych przez Ciebie alternatyw — to porównanie pokazuje, jak duży „wzrost” (wartość przyrostowa) jest generowany przez system personalizacji.
Aby uzyskać więcej informacji na temat algorytmu i koncepcji personalizacji Remote Config, zobacz Informacje o personalizacji Remote Config .
Ścieżka wdrożenia
- Zaimplementuj dwa lub więcej alternatywnych środowisk użytkownika, które według Ciebie będą optymalne dla niektórych użytkowników, ale nie dla innych.
- Spraw, aby te alternatywy były konfigurowane zdalnie za pomocą parametru Remote Config. Zobacz Rozpoczęcie pracy ze zdalną konfiguracją i strategiami ładowania Zdalnej konfiguracji .
- Włącz personalizację parametru. Zdalna konfiguracja przypisze każdemu użytkownikowi optymalne dla niego doświadczenie. Zobacz przewodnik Pierwsze kroki .
Personalizacja a testy A/B
W przeciwieństwie do testów A/B, które mają na celu znalezienie pojedynczego, najlepiej działającego doświadczenia użytkownika, personalizacja ma na celu maksymalizację celu poprzez dynamiczny wybór optymalnego doświadczenia użytkownika dla każdego użytkownika. W przypadku wielu rodzajów problemów personalizacja daje najlepsze wyniki, ale testy A/B wciąż mają swoje zastosowania:
Preferowana personalizacja | Preferowane testy A/B |
---|---|
Kiedy każdy użytkownik może skorzystać ze spersonalizowanego doświadczenia użytkownika | Gdy potrzebujesz jednego optymalnego doświadczenia dla wszystkich użytkowników lub określonej podgrupy użytkowników |
Gdy chcesz stale optymalizować model personalizacji | Gdy chcesz przeprowadzić testy w ustalonym przedziale czasowym |
Gdy cel optymalizacji można wyrazić po prostu jako sumę ważoną zdarzeń analitycznych | Gdy Twój cel optymalizacji wymaga przemyślanej oceny kilku różnych konkurencyjnych wskaźników |
Gdy chcesz zoptymalizować pod kątem celu bez względu na kompromisy | Gdy chcesz określić, czy jeden wariant wykazuje statystycznie istotną poprawę w stosunku do innego, zanim go wdrożysz |
Gdy ręczny przegląd wyników nie jest wymagany ani pożądany | Gdy pożądany jest ręczny przegląd wyników |
Załóżmy na przykład, że chcesz zmaksymalizować liczbę użytkowników oceniających Twoją aplikację w Sklepie Play, gdy ich o to poprosisz. Jednym z czynników, które mogą przyczynić się do sukcesu, jest czas wyświetlenia monitu: czy wyświetlasz go, gdy użytkownik otwiera aplikację po raz pierwszy, drugi lub trzeci? A może podpowiadasz im, kiedy pomyślnie wykonują określone zadania? Idealny czas prawdopodobnie zależy od indywidualnego użytkownika: niektórzy użytkownicy mogą od razu ocenić Twoją aplikację, podczas gdy inni mogą potrzebować więcej czasu.
Optymalizacja czasu wyświetlania monitu o informację zwrotną jest idealnym przykładem zastosowania w przypadku personalizacji:
- Optymalne ustawienie jest prawdopodobnie inne dla każdego użytkownika.
- Sukces można łatwo zmierzyć za pomocą Analytics.
- Omawiana zmiana UX jest na tyle ryzykowna, że prawdopodobnie nie trzeba rozważać kompromisów ani przeprowadzać ręcznego przeglądu.