La personnalisation utilise le machine learning, en particulier un algorithme de bandit multi-bras contextuel, pour déterminer l'expérience optimale pour chaque utilisateur afin d'atteindre un objectif. Ici, l'objectif est d'optimiser le nombre total Valeur du paramètre d'événements Google Analytics spécifiques.
Qu'est-ce qu'un algorithme de bandit contextuel à plusieurs bras ?
Le "bandit à plusieurs bras" est une métaphore utilisée pour décrire la situation dans laquelle nous veulent choisir en permanence un chemin qui mène à la solution la plus fiable les récompenses à partir d'une liste de plusieurs chemins. Pour visualiser ces données, vous pouvez utiliser métaphore d'un parieur devant une rangée de machines à sous, généralement familière appelé "bandit à une main" car une machine à sous a une poignée (ou et vous prend votre argent. Puisque nous voulons résoudre plusieurs « bras », le bandit à un bras devient le bandit à plusieurs bras.
Par exemple, supposons que nous avons trois options et que nous souhaitons déterminer celle qui fournit la récompense la plus fiable: nous pourrions essayer chaque option. Ensuite, après avoir reçu nous pouvions continuer à choisir le bras qui rapportait le plus de récompenses. Ce est ce que l'on appelle un algorithme cupide, c'est-à-dire l'option qui offre le meilleur résultat lors de la première tentative, c'est celui que nous continuerons à choisir. Mais nous pouvons vous comprenez que cela peut parfois ne pas fonctionner. D'abord, la récompense élevée pourrait être un hasard. Ou peut-être y a-t-il un contexte spécifique à l'utilisateur qui a conduit à des récompenses plus élevées pendant cette période qui ne seront pas aussi efficaces par la suite.
Un 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 permet d'implémenter un "bandit à plusieurs bras contextuel". Au fur et à mesure que le test se poursuit, L'exploration et l'observation continues fournissent un contexte appris réel sur les bras sont les plus susceptibles de récompenser le modèle, ce qui le rend plus efficace.
Quel impact pour mon application ?
Voyons maintenant ce qu'est un algorithme de bandit à plusieurs bras dans le contexte de votre application. Imaginons que vous optimisiez votre application pour les clics sur les bannières publicitaires. Dans ce cas, "bras" de la personnalisation correspond aux valeurs alternatives que vous spécifiez qui représentent les différentes bannières que vous souhaitez présenter aux utilisateurs. La bannière le clic constitue la récompense, que nous appelons objectif.
Lorsque vous lancez une personnalisation pour la première fois, le modèle ne sait pas une valeur alternative sera plus susceptible d’atteindre votre objectif pour chaque individu utilisateur. Alors que la personnalisation explore chaque valeur alternative pour comprendre la probabilité d'atteindre votre objectif, le modèle sous-jacent informée, ce qui améliore sa capacité à prédire et à sélectionner l'expérience optimale pour chaque utilisateur.
La personnalisation utilise une fenêtre de persistance de 24 heures. Il s'agit de la quantité chaque fois que l'algorithme de personnalisation explore une seule valeur alternative. Toi doit laisser suffisamment de temps à vos personnalisations pour qu'elles puissent explorer chaque solution (environ 14 jours en général). Dans l'idéal, vous pouvez les laisser s'exécuter en permanence afin qu'ils puissent s'améliorer et s'adapter continuellement à mesure que les comportements de votre application et des utilisateurs évoluent.
Suivre des métriques supplémentaires
La personnalisation Remote Config permet aussi de suivre jusqu'à deux des métriques supplémentaires pour vous aider à contextualiser vos résultats. Disons que vous avez développé une application de réseau social et défini différentes valeurs alternatives pour encourager aux utilisateurs de partager du contenu avec des amis afin d'augmenter l'engagement global.
Dans ce cas, vous pouvez choisir d'optimiser un événement Analytics comme
link_received, puis définissez vos deux métriques sur user_engagement.
link_opened pour déterminer si l'engagement utilisateur et le nombre de liens
le nombre d'ouvertures par l'utilisateur augmente (engagement réel) ou chute (peut-être trop de liens contenant du spam).
Bien que ces métriques supplémentaires ne soient pas prises en compte dans la personnalisation vous pouvez les suivre directement à côté de vos résultats de personnalisation, pour fournir des informations précieuses sur la capacité de la personnalisation à atteindre vos objectifs objectifs généraux.
Comprendre les résultats de la personnalisation
Lorsqu'une personnalisation est exécutée depuis suffisamment longtemps pour collecter des données, vous pouvez consulter les résultats.
Pour afficher les résultats de la personnalisation:
Ouvrir la page Remote Config et cliquez sur Personnalisations :
Sélectionnez la personnalisation à afficher. Vous pouvez rechercher la personnalisation spécifique par nom ou par objectif, et trier les résultats par nom, heure de début ou augmentation totale.
La page des résultats résume l'augmentation totale, ou la différence de pourcentage de performances, que la personnalisation apporte par rapport au groupe de référence.
La page de résultats indique également l'état actuel de la personnalisation, de la personnalisation, ainsi qu'un graphique interactif qui:
Affiche une vue détaillée (quotidienne et totale) des performances de la personnalisation par rapport à la valeur de référence.
Affiche les performances globales de chaque valeur dans le groupe de référence.
Affiche les objectifs et les performances par rapport aux métriques supplémentaires que vous de votre choix, accessibles à l'aide des onglets situés en haut du résumé.
Une personnalisation peut s'exécuter indéfiniment et vous pouvez continuer de revenir sur la page de résultats pour surveiller ses performances. L'algorithme continuera d'apprendre et de s'ajuster afin de s'adapter lorsque le comportement des utilisateurs change.
Comprendre la suppression des personnalisations
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 aussi supprimer des personnalisations en glissant retour ou en important un modèle.
Rollbacks
Si votre modèle actuel comporte des personnalisations et que vous
retour à un modèle qui ne contient pas
les mêmes personnalisations, elles sont supprimées. Pour rétablir 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 que vous 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
Importez également un modèle qui ne contient plus vos personnalisations actuelles supprime ces personnalisations. Pour importer un modèle, utiliser la console Firebase ou utilisez les API REST Remote Config
Étapes suivantes
Découvrir la personnalisation de Remote Config cas d'utilisation.
Lancez-vous avec Personnalisation de Remote Config.