Dzięki personalizacji Zdalnej konfiguracji możesz automatycznie wybrać parametry Zdalnej konfiguracji dla każdego użytkownika w celu optymalizacji pod kątem celu. Personalizacja parametru jest jak wykonywanie automatycznego, zindywidualizowanego, stale ulepszanego i ciągłego testu A/B.
Korzystając z personalizacji Zdalnej konfiguracji w swoich aplikacjach, tworzysz bardziej angażujące środowiska dla każdego użytkownika, automatycznie udostępniając im jedno z kilku alternatywnych środowisk użytkownika — alternatywę, która optymalizuje się pod kątem wybranego celu. Spersonalizowane parametry Zdalnej konfiguracji można kierować na określone grupy użytkowników, korzystając z warunków kierowania Zdalnej konfiguracji.
Możesz przeprowadzić optymalizację pod kątem dowolnego celu, który można zmierzyć za pomocą Google Analytics, i optymalizować według liczby zdarzeń lub łącznej wartości (sumy) parametru zdarzenia. Obejmuje to następujące wbudowane metryki:
- Czas zaangażowania użytkownika, który optymalizuje czas zaangażowania użytkownika
- Kliknięcia reklamy, która optymalizuje według łącznej liczby zdarzeń kliknięcia reklamy
- Wyświetlenia reklamy, która optymalizuje liczbę wyświetleń reklamy
Możesz też przeprowadzić optymalizację pod kątem niestandardowych danych na podstawie dowolnego zdarzenia Analytics. Niektóre możliwości obejmują:
- Zgłaszanie ocen w Sklepie Play lub App Store
- Sukces użytkownika w poszczególnych zadaniach, takich jak ukończenie poziomów gry
- Zdarzenia zakupu w aplikacji
- Zdarzenia e-commerce, takie jak dodawanie produktów do koszyka lub rozpoczynanie lub kończenie kasy
- Zakupy w aplikacji i przychody z reklam
- Wydatki w wirtualnej walucie
- 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 Zdalnej konfiguracji?
Jak to działa?
Personalizacja wykorzystuje uczenie maszynowe, aby określić optymalne środowisko dla każdego z Twoich użytkowników. Algorytm skutecznie godzi się między uczeniem się najlepszego doświadczenia dla różnych typów użytkowników a wykorzystaniem tej wiedzy do maksymalizacji obiektywnej metryki. Wyniki personalizacji są automatycznie porównywane z grupą wstrzymanych użytkowników, którzy otrzymują trwałe losowe środowisko pochodzące z podanych alternatyw — to porównanie pokazuje, ile „wzrostu” (wartość przyrostowa) jest generowana przez system personalizacji.
Aby uzyskać więcej informacji na temat algorytmu i pojęć personalizacji Zdalnej konfiguracji, zobacz Informacje o personalizacji Zdalnej konfiguracji .
Ścieżka wdrożenia
- Zaimplementuj co najmniej dwa alternatywne środowiska użytkownika, które według Ciebie będą optymalne dla niektórych użytkowników, ale nie dla innych.
- Te alternatywy można zdalnie konfigurować za pomocą parametru Remote Config. Zobacz Wprowadzenie do strategii ładowania Zdalnej konfiguracji i Zdalnej konfiguracji .
- Włącz personalizację parametru. Zdalna konfiguracja przypisze każdemu z Twoich użytkowników optymalne dla niego środowisko. Zobacz przewodnik Wprowadzenie .
Personalizacja a testy A/B
W przeciwieństwie do testów A/B, które mają na celu znalezienie jednego najlepiej działającego doświadczenia użytkownika, personalizacja próbuje zmaksymalizować cel poprzez dynamiczne wybieranie optymalnego doświadczenia użytkownika dla każdego użytkownika. W przypadku wielu rodzajów problemów personalizacja daje najlepsze wyniki, ale testy A/B nadal mają swoje zastosowanie:
| Preferowana personalizacja | Preferowane testy A/B |
|---|---|
| Kiedy każdy użytkownik może skorzystać ze spersonalizowanego doświadczenia użytkownika | Gdy potrzebujesz jednego optymalnego środowiska dla wszystkich użytkowników lub zdefiniowanego podzbioru użytkowników |
| Gdy chcesz stale optymalizować model personalizacji | Gdy chcesz przeprowadzić testy w ustalonym oknie czasowym |
| Kiedy cel optymalizacji można wyrazić po prostu jako ważoną sumę zdarzeń analitycznych | Gdy cel optymalizacji wymaga przemyślanej oceny kilku różnych konkurencyjnych wskaźników |
| Gdy chcesz zoptymalizować pod kątem celu, niezależnie od jakichkolwiek kompromisów | Gdy chcesz określić, czy jeden wariant wykazuje statystycznie istotną poprawę w stosunku do innego przed jego wdrożeniem |
| Gdy ręczny przegląd wyników nie jest wymagany lub pożądany | Gdy pożądane jest ręczne przeglądanie wyników |
Załóżmy na przykład, że chcesz zmaksymalizować liczbę użytkowników, którzy oceniają Twoją aplikację w Sklepie Play, gdy ich o to poprosisz. Jednym z czynników, który może przyczynić się do sukcesu, jest czas pojawienia się monitu: czy pokazujesz go, gdy użytkownik otwiera Twoją aplikację po raz pierwszy, drugi czy trzeci? A może podpowiadasz im, gdy pomyślnie wykonają określone zadania? Idealny czas prawdopodobnie zależy od konkretnego użytkownika: niektórzy użytkownicy mogą być gotowi do oceny Twojej aplikacji od razu, podczas gdy inni mogą potrzebować więcej czasu.
Optymalizacja czasu wyświetlania monitu o opinię to idealny przypadek użycia do personalizacji:
- Optymalne ustawienie jest prawdopodobnie różne dla każdego użytkownika.
- Sukces można łatwo zmierzyć za pomocą Analytics.
- Omawiana zmiana UX jest na tyle ryzykowna, że prawdopodobnie nie musisz rozważać kompromisów ani przeprowadzać ręcznego przeglądu.