Bei der Personalisierung wird maschinelles Lernen eingesetzt, insbesondere ein kontextbezogener Banditenalgorithmus, um die optimale Nutzererfahrung für einzelne Nutzer zu ermitteln, um ein Ziel zu erreichen. In unserem Fall besteht das Ziel darin, im Hinblick auf die Gesamtzahl oder die Gesamtsumme zu optimieren. Parameterwert bestimmter Google Analytics-Ereignisse.
Was ist ein kontextbezogener Multi-Armed-Bandit-Algorithmus?
Multi-Armed-Bandit-Experiment ist eine Metapher, die die Situation beschreibt, in der ständig den Weg zum höchsten, zuverlässigsten aus einer Liste mit mehreren Pfaden. Zur Visualisierung können Sie den Metapher eines Spielers vor einer Reihe von Spielautomaten – oft umgangssprachlich auch als „One-Armed Bandit“ bezeichnet weil ein Spielautomat einen Griff hat (oder und Ihr Geld erhält. Da wir mehrere „Arme“, Das einarmige Bandit wird zum Multi-Armed-Bandit-Experiment.
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, immer wieder den Arm auswählen, der die meisten Prämien eingebracht hat. Dieses ist ein sogenannter Greedy-Algorithmus: die Option, die das beste Ergebnis Beim ersten Versuch wird es weiterhin ausgewählt. Aber wir können dass dies nicht immer funktioniert – zum einen die hohe Belohnung, ein Zufall sein. Oder vielleicht gibt es nutzerspezifischen Kontext, in diesem Zeitraum erhalten, die später nicht mehr so effektiv wären.
Daher wird Kontext hinzugefügt, um den Algorithmus effektiver zu gestalten. Bei der Remote ConfigPersonalisierung ist dieser anfängliche Kontext die Zufallsstichprobe oder Unsicherheit, die dem Test eine gewisse Entropie verleiht. Damit wird Ein Kontext-Multi-Armed-Bandit-Experiment. Im weiteren Verlauf des Tests Fortlaufende Erkundung und Beobachtung liefern realen, erlernten Kontext darüber, welche Verzweigungen wird das Modell am ehesten belohnt, sodass es effektiver ist.
Was bedeutet das für meine App?
Sehen wir uns nun an, was ein Multi-Armed-Bandit-Algorithmus im Kontext für Ihre App. Angenommen, Sie optimieren im Hinblick auf Klicks auf Banneranzeigen. In diesem Fall sind die „Äste“ der Personalisierung die alternativen Werte, die Sie für die verschiedenen Banneranzeigen angeben, die Nutzern präsentiert werden sollen. Banneranzeige Klick ist die Prämie, was wir als Ziel bezeichnen.
Wenn Sie eine Personalisierung zum ersten Mal starten, weiß das Modell nicht, mit höherer Wahrscheinlichkeit erreichen, dass Sie mit dem alternativen Wert Ihr Ziel für jeden einzelnen Nutzer erreichen Nutzer. Während die Personalisierung jeden alternativen Wert untersucht, um zu verstehen, Wahrscheinlichkeit, Ihr Ziel zu erreichen, wächst das zugrunde liegende Modell informiert, was die Vorhersage und Auswahl der optimalen Nutzererfahrung für für jeden Nutzer.
Für die Personalisierung wird ein Fenster für stabile Attributions von 24 Stunden verwendet. Dies ist die Menge an wenn der Personalisierungsalgorithmus einen einzelnen alternativen Wert untersucht. Ich Ihren Personalisierungen ausreichend Zeit geben, sich mit den einzelnen Alternativen vertraut zu machen den Wert mehrfach (in der Regel etwa 14 Tage). Idealerweise lassen sie damit sie kontinuierlich verbessert und angepasst werden können, wenn Ihre App und Verhaltensweisen zu ändern.
Zusätzliche Messwerte erfassen
Remote Config Bei der Personalisierung können Sie bis zu zwei zusätzliche Messwerte erfassen, um Ihre Ergebnisse besser einordnen zu können. Nehmen wir an, Sie haben eine soziale App entwickelt und verschiedene alternative Werte festgelegt haben, um um Inhalte mit Freunden zu teilen, um das Interesse insgesamt zu steigern.
In diesem Fall können Sie die Optimierung auf ein Analytics-Ereignis wie link_received ausrichten und die beiden Messwerte auf user_engagement und link_opened festlegen, um zu sehen, ob das Nutzer-Engagement und die Anzahl der Links, die der Nutzer öffnet, steigen (echtes Engagement) oder sinken (möglicherweise zu viele Spam-Links).
Diese zusätzlichen Messwerte werden bei der Personalisierung können Sie diese direkt zusammen mit Ihren Personalisierungsergebnissen Es liefert wertvolle Einblicke in die Fähigkeit der Personalisierung, Ihre Ziele zu erreichen Gesamtziele zu erreichen.
Ergebnisse der Personalisierung
Sobald eine Personalisierung lange genug aktiv war, um Daten zu erheben, können Sie sich die Ergebnisse ansehen.
So rufen Sie Personalisierungsergebnisse auf:
Öffnen Sie die Remote Config-Seite. und klicken Sie auf Personalisierungen:
Wählen Sie die Personalisierung aus, die Sie sich ansehen möchten. Sie können nach der gewünschten Personalisierung anhand des Namens oder des Zielvorhabens suchen und nach Name, Startzeit oder Steigerung insgesamt sortieren.
Auf der Ergebnisseite wird die Steigerung insgesamt bzw. der prozentuale Unterschied bei Leistung, die die Personalisierung für die Gruppe Baseline bietet.
Auf der Ergebnisseite sehen Sie außerdem den aktuellen Status der Personalisierung, die Attribute der Personalisierung und ein interaktives Diagramm mit folgenden Informationen:
Zeigt eine detaillierte Tages- und Gesamtansicht der Leistung der Personalisierung an gegenüber dem Baseline-Wert.
Zeigt die Gesamtleistung der einzelnen Werte in der Referenzgruppe an.
Zeigt die Zielergebnisse und die Leistung im Vergleich zu den zusätzlichen Metriken an, Über die Tabs oben in der Zusammenfassung kannst du darauf zugreifen.
Eine Personalisierung kann auf unbestimmte Zeit aktiv bleiben. die Ergebnisseite erneut aufruft, um die Leistung zu überwachen. Der Algorithmus wird weiter und sich anpassen lassen, damit es sich an Änderungen des Nutzerverhaltens anpassen kann.
Löschen von Personalisierungen
Sie können eine Personalisierung löschen, indem Sie die Firebase-Konsole verwenden oder eine Personalisierungsparameter aus Ihrer Vorlage mithilfe des Firebase Remote Config API. Gelöschte Personalisierungen können nicht wiederhergestellt werden. Weitere Informationen zur Datenaufbewahrung finden Sie unter Datenlöschung:
Sie können Personalisierungen auch durch Rolling das Zurück- oder Importieren von Vorlage.
Rollbacks
Wenn die aktuelle Vorlage Personalisierungen enthält und Sie eine Roll-Anzeige zurück zu einer Vorlage, Personalisierungen gelöscht werden. Wenn Sie zu einer vorherigen Vorlage zurückkehren möchten, verwenden Sie die Firebase Console oder die Firebase Remote Config API.
Wenn Sie eine Personalisierung löschen und zu einer vorherigen Vorlage zurückkehren, wird eine Verweis auf diese ungültige Personalisierung wird in der Firebase-Konsole angezeigt. Sie können die ungültige Personalisierung Firebase-Konsole durch Bearbeiten des auf dem Tab „Parameter“ der Seite Remote Config.
Importe
Wenn Sie eine Vorlage importieren, die Ihre aktuellen Personalisierungen nicht mehr enthält, werden diese gelöscht. So importieren Sie eine Vorlage: verwenden Sie die Firebase-Konsole oder verwenden Sie die Remote Config REST API.
Nächste Schritte
Remote Config-Personalisierung ausprobieren Anwendungsfälle.
Erste Schritte mit Remote Config-Personalisierung.