Bei der Personalisierung wird maschinelles Lernen eingesetzt, insbesondere ein kontextbezogener Multi-Armed Bandit-Algorithmus, um das optimale Angebot für einzelne Nutzer zu ermitteln und so ein Ziel zu erreichen. In unserem Fall besteht das Ziel darin, die Gesamtzahl oder den Gesamt Parameterwert bestimmter Google Analytics Ereignisse zu optimieren.
Was ist ein kontextbezogener Multi-Armed Bandit-Algorithmus?
Der Begriff „Multi-Armed Bandit“ ist eine Metapher für die Situation, in der wir aus einer Liste von mehreren Optionen kontinuierlich den Pfad auswählen möchten, der die höchsten und zuverlässigsten Belohnungen bietet. Zur Veranschaulichung können Sie die Metapher eines Spielers vor einer Reihe von Spielautomaten verwenden. Diese werden oft umgangssprachlich als „einarmiger Bandit“ bezeichnet, da ein Spielautomat einen Hebel (oder Arm) hat und das Geld des Spielers nimmt. Da wir mehrere „Arme“ berücksichtigen möchten, wird aus dem einarmigen Bandit ein Multi-Armed Bandit.
Angenommen, wir haben drei Optionen und möchten herausfinden, welche die zuverlässigste Belohnung bietet. Wir könnten jede Option ausprobieren und dann, nachdem wir ein Ergebnis erhalten haben, einfach immer den Arm auswählen, der die meisten Belohnungen eingebracht hat. Das wird als greedy -Algorithmus bezeichnet: Die Option, die beim ersten Versuch das beste Ergebnis liefert, wird immer wieder ausgewählt. Das funktioniert aber nicht immer. Zum einen könnte die hohe Belohnung ein Zufall sein. Oder es gibt einen nutzerspezifischen Kontext, der in diesem Zeitraum zu höheren Belohnungen geführt hat, aber später nicht mehr so effektiv wäre.
Deshalb wird Kontext hinzugefügt, um den Algorithmus effektiver zu machen. Bei der Remote Config Personalisierung ist dieser anfängliche Kontext eine Zufallsstichprobe, oder Unsicherheit, die dem Test etwas Entropie verleiht. Dadurch wird ein kontextbezogener Multi-Armed Bandit implementiert. Während der Test weiterläuft, werden durch kontinuierliche Tests und Beobachtungen echte, gelernte Kontextinformationen darüber, welche Arme am wahrscheinlichsten eine Belohnung erzielen, dem Modell hinzugefügt. So wird es effektiver.
Was bedeutet das für meine App?
Sehen wir uns nun an, was ein Multi-Armed Bandit-Algorithmus im Kontext Ihrer App bedeutet. Angenommen, Sie optimieren für Banneranzeigenklicks. In diesem Fall wären die „Arme“ der Personalisierung die alternativen Werte , die Sie angeben, um die verschiedenen Banneranzeigen darzustellen, die Nutzern angezeigt werden sollen. Der Banneranzeigenklick ist die Belohnung, die wir als Zielvorhaben bezeichnen.
Wenn Sie eine Personalisierung zum ersten Mal starten, weiß das Modell nicht, welcher alternative Wert für jeden einzelnen Nutzer am wahrscheinlichsten zum Erreichen Ihres Zielvorhabens führt. Während die Personalisierung jeden alternativen Wert untersucht, um die Wahrscheinlichkeit zu ermitteln, mit der Ihr Zielvorhaben erreicht wird, werden die Informationen des zugrunde liegenden Modells erweitert. So kann es das optimale Angebot für jeden Nutzer besser vorhersagen und auswählen.
Bei der Personalisierung wird ein Stickiness-Fenster von 24 Stunden verwendet. Das ist die Zeit, in der der Personalisierungsalgorithmus einen einzelnen alternativen Wert untersucht. Sie sollten Ihren Personalisierungen genügend Zeit geben, um jeden alternativen Wert mehrmals zu untersuchen (in der Regel etwa 14 Tage). Im Idealfall lassen Sie sie dauerhaft laufen, damit sie sich kontinuierlich verbessern und anpassen können, wenn sich Ihre App und das Nutzerverhalten ändern.
Zusätzliche Messwerte erfassen
Remote Config Personalisierung bietet auch die Möglichkeit, bis zu zwei zusätzliche Messwerte zu erfassen, um Ihre Ergebnisse in einen Kontext zu setzen. Angenommen, Sie haben eine soziale App entwickelt und verschiedene alternative Werte festgelegt, um Nutzer dazu zu bewegen, Inhalte mit Freunden zu teilen und so das allgemeine Engagement zu steigern.
In diesem Fall können Sie beispielsweise für ein Analytics Ereignis wie
link_received optimieren und die beiden Messwerte auf user_engagement und
link_opened festlegen, um zu sehen, ob das Nutzerengagement und die Anzahl der vom
Nutzer geöffneten Links steigt (echtes Engagement) oder sinkt (möglicherweise zu viele Spam-Links).
Diese zusätzlichen Messwerte werden zwar nicht in den Personalisierungsalgorithmus einbezogen, aber Sie können sie direkt neben den Personalisierungsergebnissen erfassen. So erhalten Sie wertvolle Einblicke in die Fähigkeit der Personalisierung, Ihre allgemeinen Zielvorhaben zu erreichen.
Personalisierungsergebnisse verstehen
Nachdem eine Personalisierung lange genug ausgeführt wurde, um Daten zu erfassen, können Sie sich die Ergebnisse ansehen.
So rufen Sie Personalisierungsergebnisse auf:
Öffnen Sie die Remote Config Seite und klicken Sie Personalisierungen.
Wählen Sie die Personalisierung aus, die Sie sich ansehen möchten. Sie können nach der Personalisierung anhand des Namens oder des Zielvorhabens suchen und nach „Name“, „Startzeit“ oder „Gesamtsteigerung“ sortieren.
Auf der Ergebnisseite wird die Gesamtsteigerung zusammengefasst, d. h. die prozentuale Leistungssteigerung, die die Personalisierung im Vergleich zur Referenzgruppe bietet.
Auf der Ergebnisseite werden auch der aktuelle Status der Personalisierung, die Attribute der Personalisierung und ein interaktives Diagramm angezeigt, das Folgendes enthält:
Eine detaillierte tägliche und Gesamtansicht der Leistung der Personalisierung im Vergleich zur Referenz.
Die Gesamtleistung jedes Werts in der Referenzgruppe.
Ergebnisse für Zielvorhaben und Leistung im Vergleich zu den von Ihnen ausgewählten zusätzlichen Messwerten, die über die Tabs oben in der Zusammenfassung zugänglich sind.
Eine Personalisierung kann unbegrenzt ausgeführt werden. Sie können die Ergebnisseite immer wieder aufrufen, um die Leistung zu beobachten. Der Algorithmus lernt und passt sich weiter an, sodass er sich an Änderungen im Nutzerverhalten anpassen kann.
Löschen von Personalisierungen
Sie können eine Personalisierung über die Firebase Konsole löschen oder einen Personalisierungsparameter aus Ihrer Vorlage entfernen. Verwenden Sie dazu die Firebase Remote Config API. Gelöschte Personalisierungen können nicht wiederhergestellt werden. Informationen zur Datenaufbewahrung finden Sie unter Datenlöschung.
Sie können Personalisierungen auch löschen, indem Sie ein Rollback durchführen oder eine Vorlage importieren.
Rollbacks
Wenn Ihre aktuelle Vorlage Personalisierungen enthält und Sie ein Rollback zu einer Vorlage durchführen, die nicht dieselben Personalisierungen enthält, werden die Personalisierungen gelöscht. Wenn Sie zu einer
vorherigen Vorlage zurückkehren möchten, verwenden Sie die Firebase Konsole oder
roll back
mit der Firebase Remote Config API.
Wenn Sie eine Personalisierung löschen und ein Rollback zu einer vorherigen Vorlage durchführen, wird in der Firebase Konsole ein Verweis auf diese ungültige Personalisierung angezeigt. Sie können die ungültige Personalisierung aus der Firebase Konsole entfernen, indem Sie die Personalisierung auf dem Tab „Parameter“ der Remote Config Seite bearbeiten.
Importe
Wenn Sie eine Vorlage importieren, die Ihre aktuellen Personalisierungen nicht mehr enthält, werden diese Personalisierungen ebenfalls gelöscht. Verwenden Sie die Firebase Konsole oder verwenden Sie dieRemote Config REST API, um eine Vorlage zu importieren.
Nächste Schritte
Anwendungsfälle für die Remote Config Personalisierung ansehen.
Mit der Personalisierung beginnenRemote Config.