يستخدم التخصيص تكنولوجيا تعلُّم الآلة، وتحديدًا خوارزمية سياقية متعددة الأذرع، لتحديد التجربة الأفضل للمستخدمين الفرديين من أجل تحقيق هدف معيّن. في حالتنا، الهدف هو تحسين إجمالي عدد أحداث Google Analytics معيّنة أو إجمالي قيمة مَعلمتها.
ما هي خوارزمية "قطاع الطرق المتعدد الأذرع" المستندة إلى السياق؟
"آلة القمار ذات الذراع المتعددة" هي استعارة تُستخدم لوصف الحالة التي نريد فيها أن نختار باستمرار مسارًا يؤدي إلى أعلى المكافآت وأكثرها موثوقية من قائمة مسارات متعددة. لتوضيح ذلك، يمكنك استخدام تشبيه المقامر أمام صف من ماكينات القمار، والتي يشار إليها غالبًا بشكل عامي باسم "اللص ذو الذراع الواحدة" لأنّ ماكينة القمار لها مقبض واحد (أو ذراع) وتأخذ أموالك. بما أنّنا نريد إيجاد حلول لخيارات متعددة، يصبح اللص ذو الذراع الواحدة لصًا متعدد الأذرع.
على سبيل المثال، لنفترض أنّ لدينا ثلاثة خيارات ونريد تحديد الخيار الذي يقدّم المكافأة الأكثر موثوقية: يمكننا تجربة كل خيار، ثم بعد تلقّي نتيجة، يمكننا مواصلة اختيار الخيار الذي حقّق أكبر عدد من المكافآت. يُعرف هذا النوع من الخوارزميات باسم الخوارزمية الجشعة، أي أنّ الخيار الذي يحقّق أفضل نتيجة عند تجربته للمرة الأولى هو الخيار الذي سنواصل اختياره. لكننا ندرك أنّ هذه الطريقة قد لا تنجح دائمًا، لأنّ المكافأة العالية قد تكون مجرد صدفة. أو ربما يكون هناك بعض السياق الخاص بالمستخدم الذي أدّى إلى مكافآت أعلى خلال تلك الفترة الزمنية، ولن يكون بنفس الفعالية لاحقًا.
لذلك، تتم إضافة السياق لجعل الخوارزمية أكثر فعالية. بالنسبة إلى Remote Config التخصيص، يكون السياق الأوّلي عبارة عن أخذ عيّنات عشوائية، أو عدم يقين، ما يوفّر بعض العشوائية للتجربة. يتم تنفيذ a "contextual multi-armed bandit" في هذه الحالة. مع استمرار التجربة، تضيف عملية الاستكشاف والمراقبة المستمرة سياقًا حقيقيًا تم التعلّم منه بشأن المجموعات التي من المرجّح أن تحقّق مكافأة للنموذج، ما يجعلها أكثر فعالية.
ما تأثير ذلك في تطبيقي؟
لنناقش الآن ما تعنيه خوارزمية ماكينات الألعاب المتعددة في سياق تطبيقك. لنفترض أنّك تعمل على تحسين عدد النقرات على إعلانات البانر. في هذه الحالة، ستكون "أذرع" التخصيص هي القيم البديلة التي تحدّدها لتمثيل إعلانات البانر المختلفة التي تريد عرضها للمستخدمين. ويتمثل المكافأة في النقر على الإعلان البانر، ونشير إلى ذلك باسم هدف.
عند إطلاق عملية تخصيص لأول مرة، لا يعرف النموذج القيمة البديلة التي من المرجّح أن تساعد في تحقيق هدفك لكل مستخدم على حدة. أثناء استكشاف التخصيص لكل قيمة بديلة لفهم احتمالية تحقيق هدفك، يصبح النموذج الأساسي أكثر استنارة، ما يحسّن قدرته على توقّع التجربة المثالية واختيارها لكل مستخدم.
يستخدم التخصيص فترة ثبات مدتها 24 ساعة. هذا هو مقدار الوقت الذي يستغرقه خوارزمية التخصيص في استكشاف قيمة بديلة واحدة. يجب أن تمنح عمليات التخصيص وقتًا كافيًا لاستكشاف كل قيمة بديلة عدة مرات (حوالي 14 يومًا بشكل عام). من المفترض أن تتيح تشغيلها بشكل دائم حتى تتمكّن من التحسين والتكيّف باستمرار مع تغيُّر تطبيقك وسلوك المستخدمين.
تتبُّع مقاييس إضافية
توفّر ميزة Remote Config التخصيص أيضًا إمكانية تتبُّع ما يصل إلى مقياسَين إضافيَّين، وذلك لمساعدتك في فهم نتائجك بشكل أفضل. لنفترض أنّك طوّرت تطبيقًا على وسائل التواصل الاجتماعي وحدّدت قيمًا بديلة مختلفة لتشجيع المستخدمين على مشاركة المحتوى مع الأصدقاء من أجل زيادة التفاعل بشكل عام.
في هذه الحالة، يمكنك اختيار تحسين الأداء لحدث Analytics، مثل
link_received، وضبط مقياسَيك على user_engagement وlink_opened لمعرفة ما إذا كان تفاعل المستخدم وعدد الروابط التي يفتحها المستخدم يرتفعان (تفاعل حقيقي) أو ينخفضان (ربما عدد كبير جدًا من الروابط غير المرغوب فيها).
مع أنّ هذه المقاييس الإضافية لن يتم أخذها في الاعتبار في خوارزمية التخصيص، يمكنك تتبُّعها بجانب نتائج التخصيص مباشرةً، ما يقدّم لك إحصاءات قيّمة حول قدرة التخصيص على تحقيق أهدافك الإجمالية.
فهم نتائج التخصيص
بعد أن يتم عرض التخصيص لفترة كافية لجمع البيانات، يمكنك الاطّلاع على نتائجه.
للاطّلاع على نتائج التخصيص، اتّبِع الخطوات التالية:
افتح صفحة Remote Config وانقر على عمليات التخصيص.
اختَر التخصيص الذي تريد الاطّلاع عليه. يمكنك البحث عن التخصيص المحدّد حسب الاسم أو الهدف، ويمكنك الترتيب حسب الاسم أو وقت البدء أو التحسّن الإجمالي.
تلخّص صفحة النتائج الزيادة الإجمالية، أو الفرق في الأداء كنسبة مئوية، الذي يوفّره التخصيص مقارنةً بمجموعة المجموعة الأساسية.
تعرض صفحة النتائج أيضًا الحالة الحالية للتخصيص وسمات التخصيص ورسمًا بيانيًا تفاعليًا يوضّح ما يلي:
تعرِض هذه البطاقة عرضًا تفصيليًا يوميًا وإجماليًا لطريقة أداء التخصيص مقارنةً بالأداء الأساسي.
تعرِض هذه السمة مستوى الأداء العام لكل قيمة على مستوى المجموعة الأساسية.
تعرض هذه الصفحة نتائج الأهداف والأداء مقارنةً بالمقاييس الإضافية التي اخترتها، ويمكن الوصول إليها باستخدام علامات التبويب في أعلى الملخّص.
يمكن ترك عملية التخصيص قيد التشغيل إلى أجل غير مسمى، ويمكنك مواصلة إعادة زيارة صفحة النتائج لمراقبة أدائها. ستواصل الخوارزمية التعلّم والتعديل، ما يتيح لها التكيّف عند تغيُّر سلوك المستخدمين.
التعرّف على حذف التخصيص
يمكنك حذف عملية تخصيص باستخدام وحدة تحكّم Firebase أو عن طريق إزالة مَعلمة تخصيص من نموذجك باستخدام Firebase Remote Config API. لا يمكن استعادة عمليات التخصيص المحذوفة. لمعرفة المزيد عن الاحتفاظ بالبيانات، يُرجى الاطّلاع على مقالة حذف البيانات.
يمكنك أيضًا حذف عمليات التخصيص من خلال التراجع أو استيراد نموذج.
عمليات العودة إلى الحالة السابقة
إذا كان النموذج الحالي يتضمّن عمليات تخصيص وتراجعت إلى نموذج لا يتضمّن عمليات التخصيص نفسها، سيتم حذف عمليات التخصيص. للرجوع إلى نموذج سابق، استخدِم وحدة تحكّم Firebase أو roll back باستخدام واجهة برمجة التطبيقات Firebase Remote Config.
عند حذف عملية تخصيص والرجوع إلى نموذج سابق، يظهر مرجع إلى عملية التخصيص غير الصالحة هذه في وحدة تحكّم Firebase. يمكنك إزالة التخصيص غير الصالح من وحدة تحكّم Firebase من خلال تعديل التخصيص في علامة التبويب "المَعلمات" ضمن صفحة Remote Config.
عمليات الاستيراد
يؤدي استيراد نموذج لم يعُد يتضمّن عمليات التخصيص الحالية إلى حذف عمليات التخصيص هذه أيضًا. لاستيراد نموذج، استخدِم وحدة تحكّم Firebase أو استخدِم Remote Config REST API.