La personnalisation utilise le machine learning, plus précisément un algorithme bandit manchot contextuel, pour déterminer l'expérience optimale pour chaque utilisateur afin d'atteindre un objectif. Dans notre cas, l'objectif est d'optimiser le nombre total ou la valeur totale du paramètre d'événements Google Analytics spécifiques.
Qu'est-ce qu'un algorithme de bandit manchot contextuel ?
Le "bandit manchot" est une métaphore utilisée pour décrire la situation dans laquelle nous souhaitons choisir en permanence un chemin qui mène aux récompenses les plus élevées et les plus fiables à partir d'une liste de plusieurs chemins. Pour illustrer ce concept, vous pouvez utiliser la métaphore d'un joueur devant une rangée de machines à sous, souvent appelées familièrement "bandits manchots" parce qu'une machine à sous a une poignée (ou un bras) et prend votre argent. Comme nous voulons résoudre plusieurs "bras", le bandit manchot devient un bandit multibras.
Par exemple, supposons que nous ayons trois options et que nous voulions déterminer celle qui offre la récompense la plus fiable : nous pourrions essayer chaque option, puis, après avoir reçu un résultat, nous pourrions simplement continuer à choisir le bras qui a généré le plus de récompenses. C'est ce qu'on appelle un algorithme glouton : l'option qui donne le meilleur résultat lors de notre première tentative est celle que nous continuerons de choisir. Mais nous comprenons que cela ne fonctionne pas toujours. Par exemple, la récompense élevée peut être un coup de chance. Il peut également s'agir d'un contexte spécifique à l'utilisateur qui a entraîné des récompenses plus élevées pendant cette période, mais qui ne seraient pas aussi efficaces plus tard.
Le contexte est donc ajouté pour rendre l'algorithme plus efficace. Pour la personnalisation Remote Config, ce contexte initial est un échantillonnage aléatoire, ou incertitude, qui fournit une certaine entropie au test. Cela implémente un bandit manchot contextuel. Au fur et à mesure que le test se poursuit, l'exploration et l'observation continues ajoutent un contexte réel appris sur les bras les plus susceptibles de susciter une récompense pour le modèle, ce qui le rend plus efficace.
Quel impact pour mon application ?
Maintenant, voyons ce qu'un algorithme bandit à plusieurs bras signifie dans le contexte de votre application. Supposons que vous optimisiez les clics sur les bannières publicitaires. Dans ce cas, les "bras" de la personnalisation seraient les valeurs alternatives que vous spécifiez pour représenter les différentes bannières publicitaires que vous souhaitez afficher aux utilisateurs. Le clic sur la bannière publicitaire est la récompense, que nous appelons objectif.
Lorsque vous lancez une personnalisation pour la première fois, le modèle ne sait pas quelle valeur alternative est la plus susceptible d'atteindre votre objectif pour chaque utilisateur. À mesure que la personnalisation explore chaque autre valeur pour comprendre la probabilité d'atteindre votre objectif, le modèle sous-jacent devient plus informé, ce qui améliore sa capacité à prédire et à sélectionner l'expérience optimale pour chaque utilisateur.
La personnalisation utilise une période de persistance de 24 heures. Il s'agit du temps pendant lequel l'algorithme de personnalisation explore une seule autre valeur. Vous devez laisser suffisamment de temps à vos personnalisations pour explorer plusieurs fois chaque valeur alternative (environ 14 jours en général). Dans l'idéal, vous pouvez les exécuter en continu afin qu'ils puissent s'améliorer et s'adapter en permanence à l'évolution de votre application et des comportements des utilisateurs.
Suivre des métriques supplémentaires
La personnalisation Remote Config vous permet également de suivre jusqu'à deux métriques supplémentaires pour vous aider à contextualiser vos résultats. Imaginons que vous ayez développé une application sociale et que vous ayez défini différentes valeurs alternatives pour encourager les utilisateurs à partager du contenu avec leurs amis afin d'accroître l'engagement global.
Dans ce cas, vous pouvez choisir d'optimiser un événement Analytics tel que link_received et de définir vos deux métriques sur user_engagement et link_opened pour comprendre si l'engagement des utilisateurs et le nombre de liens qu'ils ouvrent augmentent (engagement réel) ou diminuent (peut-être trop de liens spammés).
Bien que ces métriques supplémentaires ne soient pas prises en compte dans l'algorithme de personnalisation, vous pouvez les suivre en même temps que vos résultats de personnalisation. Vous obtiendrez ainsi des informations précieuses sur la capacité de la personnalisation à atteindre vos objectifs globaux.
Comprendre les résultats de la personnalisation
Une fois qu'une personnalisation a été exécutée suffisamment longtemps pour collecter des données, vous pouvez afficher ses résultats.
Pour afficher les résultats de la personnalisation :
Ouvrez la page Remote Config, puis cliquez sur Personnalisations.
Sélectionnez la personnalisation que vous souhaitez afficher. Vous pouvez rechercher la personnalisation spécifique par nom ou objectif, et trier les résultats par nom, heure de début ou impact total.
La page de résultats récapitule le Total lift, ou la différence de pourcentage en termes de performances, que la personnalisation offre par rapport au groupe de référence.
La page de résultats affiche également l'état actuel de la personnalisation, ses attributs et un graphique interactif qui :
Affiche une vue quotidienne et totale détaillée des performances de la personnalisation par rapport à la référence.
Indique les performances globales de chaque valeur dans le groupe de référence.
Affiche les résultats des objectifs et les performances par rapport aux métriques supplémentaires que vous avez choisies. Vous pouvez y accéder à l'aide des onglets en haut du récapitulatif.
Une personnalisation peut être exécutée indéfiniment. Vous pouvez continuer à consulter la page de résultats pour surveiller ses performances. L'algorithme continuera d'apprendre et de s'adapter aux changements de comportement des utilisateurs.
Comprendre la suppression de la personnalisation
Vous pouvez supprimer une personnalisation à l'aide de la console Firebase ou en supprimant un paramètre de personnalisation de votre modèle à l'aide de l'API Firebase Remote Config. Les personnalisations supprimées ne peuvent pas être restaurées. Pour en savoir plus sur la conservation des données, consultez Suppression des données.
Vous pouvez également supprimer les personnalisations en rétrogradant ou en important un modèle.
Rollbacks
Si votre modèle actuel comporte des personnalisations et que vous rétrogradez vers un modèle qui ne comporte pas les mêmes personnalisations, celles-ci sont supprimées. Pour revenir à un modèle précédent, utilisez la console Firebase ou roll back à l'aide de l'API Firebase Remote Config.
Lorsque vous supprimez une personnalisation et revenez à un modèle précédent, une référence à cette personnalisation non valide s'affiche dans la console Firebase. Vous pouvez supprimer la personnalisation non valide de la console Firebase en modifiant la personnalisation dans l'onglet "Paramètres" de la page Remote Config.
Importations
Si vous importez un modèle qui ne contient plus vos personnalisations actuelles, celles-ci seront également supprimées. Pour importer un modèle, utilisez la console Firebase ou l'API REST Remote Config.
Étapes suivantes
Découvrez les cas d'utilisation de la personnalisation Remote Config.
Premiers pas avec la personnalisation Remote Config.