การปรับตามโปรไฟล์ของผู้ใช้ใช้แมชชีนเลิร์นนิง โดยเฉพาะ อัลกอริทึมการทดสอบแบบสล็อตแมชชีนตามบริบท กำหนดประสบการณ์ที่ดีที่สุดสำหรับผู้ใช้แต่ละรายเพื่อให้บรรลุวัตถุประสงค์ ในกรณีของเรา วัตถุประสงค์คือการเพิ่มประสิทธิภาพเพื่อจํานวนทั้งหมดหรือยอดรวม ค่าพารามิเตอร์ของเหตุการณ์ Google Analytics ที่เฉพาะเจาะจง
อัลกอริทึมการทดสอบแบบสล็อตแมชชีนตามบริบทคืออะไร
"การทดสอบแบบสล็อตแมชชีน" เป็นคำอุปมาที่ใช้อธิบายสถานการณ์ที่เรา ต้องการเลือกเส้นทางที่พาไปสู่จุดสูงสุด ที่เชื่อถือได้มากที่สุดอย่างต่อเนื่อง รางวัลจากรายการหลายเส้นทาง หากต้องการดูภาพนี้ คุณสามารถใช้ การเปรียบเทียบระหว่างนักพนันยืนอยู่หน้าสล็อตแมชชีน เรียกว่า "การทดสอบแบบสล็อตแมชชีน" เพราะสล็อตแมชชีนมีแค่แฮนเดิลเดียว (หรือ กลุ่ม) และใช้เงินของคุณ เนื่องจากเราต้องการแก้โจทย์ "แขน" การทดสอบแบบสล็อตแมชชีนจะกลายเป็นการทดสอบแบบสล็อตแมชชีนแบบ Multi-Armed
ตัวอย่างเช่น สมมติว่าเรามี 3 ตัวเลือก และเราต้องการพิจารณาว่าตัวเลือกใด รางวัลที่น่าเชื่อถือที่สุด เราสามารถลองใช้แต่ละตัวเลือก และหลังจากได้รับ เราก็เลือกเครื่องที่ให้รางวัลมากที่สุดต่อไปได้ ช่วงเวลานี้ อัลกอริทึมที่เรียกกันว่าโลภ ซึ่งเป็นตัวเลือกที่ให้ผลตอบแทนสูงสุด เมื่อเราลองครั้งแรก ผลลัพธ์นั้นคือสิ่งที่เราจะเลือก แต่เราทำได้ เข้าใจว่าวิธีนี้อาจไม่ได้ผลเสมอไป เพราะสิ่งหนึ่งคือการให้ผลตอบแทนสูง อาจเป็นช่วงเวลาเผื่อไว้ หรืออาจมีบริบทเฉพาะของผู้ใช้ มากขึ้นในระหว่างช่วงเวลานั้น ซึ่งจะไม่มีประสิทธิภาพในภายหลัง
เราจึงเพิ่มบริบทเพื่อช่วยให้อัลกอริทึมมีประสิทธิภาพมากขึ้น สำหรับ การปรับเปลี่ยนการกำหนดค่าระยะไกลในแบบของคุณ บริบทเริ่มต้นนี้เป็นการสุ่มตัวอย่าง หรือความไม่แน่นอนที่ทำให้เกิดเอนโทรปีบางอย่างในการทดลอง การดำเนินการนี้ "การทดสอบแบบสล็อตแมชชีนตามบริบท" เมื่อการทดสอบดำเนินต่อไป การสำรวจและสังเกตการณ์อย่างต่อเนื่องเพิ่มบริบทที่ได้เรียนรู้อย่างแท้จริงว่ากลุ่มใดบ้าง มักจะทำให้โมเดลได้ผลลัพธ์ที่ต้องการ ซึ่งมีประสิทธิภาพมากกว่า
ผลกระทบต่อแอป
ทีนี้ เราจะมาอธิบายว่าอัลกอริทึมการทดสอบแบบสล็อตแมชชีนหมายถึงอะไรในบริบทของ แอปของคุณ สมมติว่าคุณกำลังเพิ่มประสิทธิภาพเพื่อการคลิกโฆษณาแบนเนอร์ ในกรณีนี้ ค่า "แขน" ของการปรับเปลี่ยนในแบบของคุณจะเป็นค่าสำรองที่คุณระบุ หมายถึงโฆษณาแบนเนอร์ต่างๆ ที่คุณต้องการแสดงให้ผู้ใช้เห็น โฆษณาแบนเนอร์ คลิกคือรางวัล ซึ่งเราเรียกว่าวัตถุประสงค์
ในครั้งแรกที่คุณเปิดใช้การปรับเปลี่ยนในแบบของคุณ โมเดลจะไม่รู้ว่า มูลค่าอื่นๆ มีแนวโน้มที่จะบรรลุเป้าหมายสำหรับผู้ใช้แต่ละคน ผู้ใช้ ขณะที่การปรับเปลี่ยนในแบบของคุณสำรวจค่าทางเลือกแต่ละค่าเพื่อทำความเข้าใจ แนวโน้มในการบรรลุวัตถุประสงค์ โมเดลสำคัญนี้จะเติบโต ปรับปรุงความสามารถในการคาดการณ์และเลือกประสบการณ์ที่ดีที่สุดสำหรับ ผู้ใช้แต่ละราย
การปรับเปลี่ยนในแบบของคุณจะใช้กรอบเวลาความสามารถในการดึงดูดที่ 24 ชั่วโมง นี่คือจำนวน เวลาที่อัลกอริทึมการปรับเปลี่ยนในแบบของคุณจะสำรวจค่าทางเลือกเพียงค่าเดียว คุณ ควรให้เวลาการปรับเปลี่ยนในแบบของคุณอย่างเพียงพอในการสำรวจทางเลือกต่างๆ หลายครั้ง (โดยทั่วไปคือประมาณ 14 วัน) ทางที่ดีคือคุณควรปล่อยให้แคมเปญทำงาน ตลอดไป เพื่อให้ลูกค้าสามารถปรับปรุงและปรับตัวได้อย่างต่อเนื่องตามแอปและผู้ใช้ของคุณ การเปลี่ยนแปลงของพฤติกรรม
ติดตามเมตริกเพิ่มเติม
การปรับเปลี่ยนการกำหนดค่าระยะไกลในแบบของคุณยังช่วยให้ติดตามได้สูงสุด เมตริกเพิ่มเติมเพื่อช่วยให้คุณดูบริบทของผลลัพธ์ได้ สมมติว่าคุณมี ได้พัฒนาแอปโซเชียลและได้กำหนดค่าทางเลือกต่างๆ เพื่อส่งเสริม ผู้ใช้แชร์เนื้อหากับเพื่อนๆ เพื่อเพิ่มการมีส่วนร่วมโดยรวม
ในกรณีนี้ คุณอาจเลือกเพิ่มประสิทธิภาพเหตุการณ์ Analytics เช่น
link_received และตั้งค่าเมตริก 2 รายการเป็น user_engagement และ
link_opened เพื่อให้ทราบว่าการมีส่วนร่วมของผู้ใช้และจํานวนลิงก์
ผู้ใช้ที่เปิดเพิ่มขึ้น (การมีส่วนร่วมจริง) หรือลดลง (อาจมีลิงก์สแปมมากเกินไป)
แม้ว่าเมตริกเพิ่มเติมเหล่านี้จะไม่รวมอยู่ในการปรับเปลี่ยนให้เหมาะกับแต่ละบุคคล คุณจะสามารถติดตามการแสดงผล ควบคู่กับผลการปรับเปลี่ยนในแบบของคุณ ให้ข้อมูลเชิงลึกที่เป็นประโยชน์เกี่ยวกับความสามารถในการปรับตามโปรไฟล์ของผู้ใช้ เพื่อให้บรรลุ เป้าหมายโดยรวม
ทําความเข้าใจผลลัพธ์ของการปรับเปลี่ยนในแบบของคุณ
หลังจากการปรับเปลี่ยนในแบบของคุณทำงานมานานพอที่จะรวบรวมข้อมูลได้แล้ว คุณจะดำเนินการต่อไปนี้ได้ ดูผลลัพธ์
วิธีดูผลลัพธ์การปรับเปลี่ยนในแบบของคุณ
เปิดหน้าการกำหนดค่าระยะไกล และคลิก การปรับเปลี่ยนในแบบของคุณ
เลือกการปรับเปลี่ยนในแบบของคุณที่ต้องการดู คุณสามารถค้นหา การปรับเปลี่ยนเฉพาะบุคคล ตามชื่อหรือวัตถุประสงค์ และสามารถจัดเรียงตามชื่อ เวลาเริ่มต้นหรือการเพิ่มทั้งหมด
หน้าผลการค้นหาจะสรุปการเพิ่มทั้งหมด หรือเปอร์เซ็นต์ความแตกต่างใน ประสิทธิภาพที่การปรับเปลี่ยนในแบบของผู้ใช้ให้มากกว่ากลุ่มเกณฑ์พื้นฐาน
หน้าผลการค้นหายังแสดงสถานะปัจจุบันของการปรับเปลี่ยนในแบบของคุณ ของการปรับเปลี่ยนในแบบของผู้ใช้ และกราฟเชิงโต้ตอบที่:
แสดงรายละเอียดรายวันและมุมมองโดยรวมเกี่ยวกับประสิทธิภาพของการปรับเปลี่ยนในแบบของคุณ เมื่อเทียบกับเกณฑ์พื้นฐาน
แสดงประสิทธิภาพโดยรวมของแต่ละค่าในกลุ่มที่เป็นฐาน
แสดงผลลัพธ์เป้าหมายและประสิทธิภาพโดยเทียบกับเมตริกอื่นๆ ที่คุณ ซึ่งเข้าถึงได้โดยใช้แท็บที่ด้านบนของสรุป
คุณจะปล่อยให้การปรับเปลี่ยนให้เหมาะกับแต่ละบุคคลทำงานไปอย่างไม่มีที่สิ้นสุด และคุณสามารถดำเนินการต่อไปนี้ กลับไปยังหน้าผลการค้นหาอีกครั้งเพื่อติดตามประสิทธิภาพ อัลกอริทึมจะดําเนินการต่อ เรียนรู้และปรับเปลี่ยนเพื่อปรับตัวเมื่อพฤติกรรมของผู้ใช้เปลี่ยนไป
ทําความเข้าใจการลบการปรับเปลี่ยนในแบบของคุณ
คุณลบการปรับเปลี่ยนในแบบของคุณได้โดยใช้คอนโซล Firebase หรือโดยการนำ พารามิเตอร์การปรับเปลี่ยนในแบบของคุณจากเทมเพลตโดยใช้ API การกำหนดค่าระยะไกลของ Firebase การปรับเปลี่ยนในแบบของคุณที่ลบไปแล้วจะกู้คืนไม่ได้ ดูข้อมูลเกี่ยวกับการเก็บรักษาข้อมูลได้ที่ การลบข้อมูล
คุณยังลบการปรับเปลี่ยนในแบบของคุณได้โดยเลื่อน ย้อนกลับ หรือการนำเข้า เทมเพลต
ย้อนกลับ
หากเทมเพลตปัจจุบันมีการปรับเปลี่ยนในแบบของคุณและคุณเลื่อน
ย้อนกลับไปยังเทมเพลตที่ไม่มี
การปรับเปลี่ยนเฉพาะบุคคลเดียวกันนั้นจะถูกลบไปด้วย หากต้องการเปลี่ยนกลับเป็น
เทมเพลตก่อนหน้า ให้ใช้คอนโซล Firebase หรือ
roll back
โดยใช้ Firebase Remote Config API
เมื่อคุณลบการปรับเปลี่ยนในแบบของคุณและย้อนกลับไปยังเทมเพลตก่อนหน้า การอ้างอิงว่าการปรับเปลี่ยนในแบบของคุณที่ไม่ถูกต้องปรากฏในคอนโซล Firebase คุณสามารถนำการปรับเปลี่ยนในแบบของคุณที่ไม่ถูกต้องออกจาก คอนโซล Firebase โดยแก้ไข การปรับเปลี่ยนในแบบของคุณในแท็บพารามิเตอร์ของหน้าการกำหนดค่าระยะไกล
การนำเข้า
การนำเข้าเทมเพลตที่ไม่มีการปรับเปลี่ยนในแบบของคุณในปัจจุบันแล้ว ลบการปรับเปลี่ยนในแบบของคุณเหล่านั้นออก หากต้องการนำเข้าเทมเพลต ใช้คอนโซล Firebase หรือใช้ REST API การกำหนดค่าระยะไกล
ขั้นตอนถัดไป
ดูการปรับเปลี่ยนการกำหนดค่าระยะไกลตามโปรไฟล์ของผู้ใช้ Use Case
เริ่มต้นด้วย การปรับเปลี่ยนการกำหนดค่าระยะไกลตามโปรไฟล์ของผู้ใช้