เกี่ยวกับการปรับเปลี่ยนการกำหนดค่าระยะไกลตามโปรไฟล์ของผู้ใช้

การปรับตามโปรไฟล์ของผู้ใช้ใช้แมชชีนเลิร์นนิง ซึ่งก็คืออัลกอริทึม แบบหลายแขนตามบริบทโดยเฉพาะ เพื่อ กําหนดประสบการณ์ที่เหมาะสมสําหรับผู้ใช้แต่ละรายเพื่อให้บรรลุวัตถุประสงค์ ในกรณีของเรา วัตถุประสงค์คือการเพิ่มประสิทธิภาพเพื่อให้ได้จํานวนรวมหรือค่าพารามิเตอร์รวมของGoogle Analyticsเหตุการณ์ที่เฉพาะเจาะจง

อัลกอริทึม Contextual Multi-Armed Bandit คืออะไร

"โจรสิบแขน" เป็นคำอุปมาที่ใช้เพื่ออธิบายสถานการณ์ที่เราต้องการเลือกเส้นทางที่นำไปสู่รางวัลที่สูงที่สุดและน่าเชื่อถือที่สุดอย่างต่อเนื่องจากรายการเส้นทางหลายเส้นทาง หากต้องการเห็นภาพ ให้ลองนึกถึง อุปมาอุปมัยของนักพนันที่ยืนอยู่หน้าแถวของสล็อตแมชชีน ซึ่งมักเรียกกันอย่างไม่เป็นทางการว่า "โจรแขนเดียว" เนื่องจากสล็อตแมชชีนมีคันโยก (หรือแขน) อันเดียวและรับเงินของคุณ เนื่องจากเราต้องการแก้ปัญหาสำหรับ "แขน" หลายแขน One-Armed Bandit จึงกลายเป็น Multi-Armed Bandit

ตัวอย่างเช่น หากเรามี 3 ตัวเลือกและต้องการพิจารณาว่าตัวเลือกใดให้รางวัลที่เชื่อถือได้มากที่สุด เราอาจลองใช้แต่ละตัวเลือก จากนั้นหลังจากได้รับผลลัพธ์แล้ว เราก็เลือกใช้ตัวเลือกที่ให้รางวัลมากที่สุดต่อไป ซึ่งเราเรียกวิธีนี้ว่าอัลกอริทึมแบบตะกละ นั่นคือตัวเลือกที่ให้ผลลัพธ์ดีที่สุด เมื่อเราลองใช้ครั้งแรกจะเป็นตัวเลือกที่เราจะเลือกต่อไป แต่เราเข้าใจว่าวิธีนี้อาจไม่ได้ผลเสมอไป เนื่องจากรางวัลสูงอาจเป็นเพียงความโชคดี หรืออาจมีบริบทเฉพาะผู้ใช้ที่ส่งผลให้ได้รับ รางวัลสูงขึ้นในช่วงระยะเวลาดังกล่าว ซึ่งอาจไม่มีประสิทธิภาพเท่าในภายหลัง

เราจึงเพิ่มบริบทเพื่อให้การทำงานของอัลกอริทึมมีประสิทธิภาพมากขึ้น สำหรับRemote Configการปรับเปลี่ยนในแบบของคุณ บริบทเริ่มต้นนี้คือการสุ่มตัวอย่าง หรือความไม่แน่นอนที่ให้เอนโทรปีแก่การทดสอบ ซึ่งจะใช้ Multi-Armed Bandit ตามบริบท เมื่อการทดสอบดำเนินต่อไป การสำรวจและการสังเกตอย่างต่อเนื่องจะเพิ่มบริบทที่ได้เรียนรู้จริงเกี่ยวกับกลุ่มทดสอบ ที่มีแนวโน้มมากที่สุดที่จะกระตุ้นให้โมเดลได้รับรางวัล ซึ่งจะทำให้มีประสิทธิภาพมากขึ้น

การเปลี่ยนแปลงนี้จะส่งผลต่อแอปของฉันอย่างไร

ตอนนี้เรามาพูดถึงความหมายของอัลกอริทึมแบบสล็อตแมชชีนในบริบทของแอปกัน สมมติว่าคุณกำลังเพิ่มประสิทธิภาพเพื่อให้ได้คลิกโฆษณาแบนเนอร์ ในกรณีนี้ "แขน" ของการปรับตามโปรไฟล์ของผู้ใช้จะเป็นค่าสำรองที่คุณระบุเพื่อ แสดงแทนโฆษณาแบนเนอร์ต่างๆ ที่คุณต้องการแสดงต่อผู้ใช้ การคลิกโฆษณาแบนเนอร์ คือรางวัล ซึ่งเราเรียกว่าวัตถุประสงค์

เมื่อเปิดตัวการปรับเปลี่ยนในแบบของคุณเป็นครั้งแรก โมเดลจะไม่ทราบว่าค่าสำรองใดมีแนวโน้มที่จะบรรลุเป้าหมายสำหรับผู้ใช้แต่ละรายมากกว่า เมื่อการปรับตามโปรไฟล์ของผู้ใช้สำรวจค่าสำรองแต่ละค่าเพื่อทำความเข้าใจความน่าจะเป็นในการบรรลุวัตถุประสงค์ โมเดลพื้นฐานจะมีความรู้มากขึ้น ซึ่งจะช่วยเพิ่มความสามารถในการคาดการณ์และเลือกประสบการณ์ที่เหมาะสมที่สุดสำหรับผู้ใช้แต่ละราย

การปรับเปลี่ยนในแบบของคุณใช้กรอบเวลาความสามารถในการดึงดูด 24 ชั่วโมง นี่คือระยะเวลาที่อัลกอริทึมการปรับเปลี่ยนในแบบของคุณจะสำรวจค่าสำรองค่าเดียว คุณควรให้เวลาการปรับเปลี่ยนในแบบของคุณมากพอที่จะสำรวจมูลค่าทางเลือกแต่ละรายการหลายครั้ง (โดยทั่วไปประมาณ 14 วัน) ในอุดมคติ คุณสามารถปล่อยให้ทำงานอย่างต่อเนื่องเพื่อให้ปรับปรุงและปรับเปลี่ยนได้อย่างต่อเนื่องเมื่อแอปและพฤติกรรมของผู้ใช้เปลี่ยนแปลงไป

ติดตามเมตริกเพิ่มเติม

Remote Configการปรับเปลี่ยนในแบบของคุณยังช่วยให้คุณติดตามเมตริกเพิ่มเติมได้สูงสุด 2 รายการ เพื่อช่วยให้คุณเข้าใจผลลัพธ์ได้ดียิ่งขึ้น สมมติว่าคุณ พัฒนาแอปโซเชียลและกำหนดมูลค่าทางเลือกที่แตกต่างกันเพื่อกระตุ้น ให้ผู้ใช้แชร์เนื้อหากับเพื่อนๆ เพื่อเพิ่มการมีส่วนร่วมโดยรวม

ในกรณีนี้ คุณอาจเลือกเพิ่มประสิทธิภาพสําหรับAnalyticsเหตุการณ์ เช่น link_received และตั้งค่าเมตริก 2 รายการเป็น user_engagement และ link_opened เพื่อทําความเข้าใจว่าการมีส่วนร่วมของผู้ใช้และจํานวนลิงก์ที่ผู้ใช้เปิดเพิ่มขึ้น (การมีส่วนร่วมจริง) หรือลดลง (อาจมีลิงก์สแปมมากเกินไป)

แม้ว่าเมตริกเพิ่มเติมเหล่านี้จะไม่รวมอยู่ในอัลกอริทึมการปรับเปลี่ยนในแบบของคุณ แต่คุณสามารถติดตามเมตริกเหล่านี้ควบคู่ไปกับผลลัพธ์การปรับเปลี่ยนในแบบของคุณได้ ซึ่งจะช่วยให้ข้อมูลเชิงลึกที่มีประโยชน์เกี่ยวกับความสามารถของการปรับเปลี่ยนในแบบของคุณในการบรรลุเป้าหมายโดยรวม

ทําความเข้าใจผลลัพธ์ของการปรับเปลี่ยนในแบบของคุณ

หลังจากที่การปรับเปลี่ยนในแบบของคุณทํางานมานานพอที่จะรวบรวมข้อมูลได้แล้ว คุณจะ ดูผลลัพธ์ได้

วิธีดูผลลัพธ์ของการปรับเปลี่ยนในแบบของคุณ

  1. เปิดหน้าRemote Config แล้วคลิก การปรับเปลี่ยนในแบบของคุณ

  2. เลือกการปรับเปลี่ยนในแบบที่คุณต้องการดู คุณสามารถค้นหา การปรับเปลี่ยนในแบบของคุณที่เฉพาะเจาะจงตามชื่อหรือวัตถุประสงค์ และจัดเรียงตามชื่อ เวลาเริ่มต้น หรือการเพิ่มรวมได้

หน้าผลลัพธ์จะสรุปการเพิ่มโดยรวมหรือความแตกต่างเป็นเปอร์เซ็นต์ใน ประสิทธิภาพที่การปรับเปลี่ยนในแบบของคุณมอบให้เมื่อเทียบกับกลุ่มพื้นฐาน

หน้าผลลัพธ์ยังแสดงสถานะปัจจุบันของการปรับเปลี่ยนในแบบของคุณ แอตทริบิวต์ของการปรับเปลี่ยนในแบบของคุณ และกราฟแบบอินเทอร์แอกทีฟที่ทำสิ่งต่อไปนี้

  • แสดงมุมมองรายวันและมุมมองรวมโดยละเอียดเกี่ยวกับประสิทธิภาพของการปรับเปลี่ยนในแบบของคุณ เทียบกับเกณฑ์พื้นฐาน

  • แสดงประสิทธิภาพโดยรวมของแต่ละค่าในกลุ่มเกณฑ์พื้นฐาน

  • แสดงผลลัพธ์เป้าหมายและประสิทธิภาพเทียบกับเมตริกเพิ่มเติมที่คุณเลือก ซึ่งเข้าถึงได้โดยใช้แท็บที่ด้านบนของข้อมูลสรุป

คุณปล่อยให้การปรับเปลี่ยนในแบบของคุณทำงานต่อไปได้เรื่อยๆ และสามารถกลับไปที่หน้าผลลัพธ์เพื่อตรวจสอบประสิทธิภาพได้ อัลกอริทึมจะเรียนรู้และปรับต่อไป เพื่อให้ปรับตัวได้เมื่อพฤติกรรมของผู้ใช้เปลี่ยนแปลงไป

ทําความเข้าใจการลบการปรับเปลี่ยนในแบบของคุณ

คุณลบการปรับเปลี่ยนในแบบของคุณได้โดยใช้Firebaseคอนโซลหรือโดยการนำพารามิเตอร์การปรับเปลี่ยนในแบบของคุณออกจากเทมเพลตโดยใช้ Firebase Remote Config API การปรับเปลี่ยนในแบบของคุณที่ลบไปแล้วจะกู้คืนไม่ได้ ดูข้อมูลเกี่ยวกับการเก็บรักษาข้อมูลได้ที่การลบข้อมูล

นอกจากนี้ คุณยังลบการปรับเปลี่ยนในแบบของคุณได้โดยย้อนกลับหรือนำเข้าเทมเพลต

ย้อนกลับ

หากเทมเพลตปัจจุบันมีการปรับเปลี่ยนในแบบของคุณ และคุณย้อนกลับไปใช้เทมเพลตที่ไม่มีการปรับเปลี่ยนในแบบของคุณเหมือนกัน ระบบจะลบการปรับเปลี่ยนในแบบของคุณ หากต้องการเปลี่ยนกลับไปใช้เทมเพลตก่อนหน้า ให้ใช้Firebaseคอนโซลหรือ roll back โดยใช้ Firebase Remote Config API

เมื่อลบการปรับเปลี่ยนในแบบของคุณและย้อนกลับไปใช้เทมเพลตก่อนหน้า การอ้างอิงถึงการปรับเปลี่ยนในแบบของคุณที่ไม่ถูกต้องนั้นจะปรากฏในคอนโซล Firebase คุณนําการปรับตามโปรไฟล์ของผู้ใช้ที่ไม่ถูกต้องออกจากFirebaseคอนโซลได้โดยแก้ไขการปรับตามโปรไฟล์ของผู้ใช้ในแท็บพารามิเตอร์ของหน้าRemote Config

การนำเข้า

การนำเข้าเทมเพลตที่ไม่มีการปรับเปลี่ยนในแบบของคุณในปัจจุบันอีกต่อไปจะ ลบการปรับเปลี่ยนในแบบของคุณเหล่านั้นด้วย หากต้องการนำเข้าเทมเพลต ให้ ใช้คอนโซล Firebase หรือใช้ Remote Config REST API

ขั้นตอนถัดไป