شخصی‌سازی از یادگیری ماشین (به‌طور خاص، الگوریتم راهزن چنددسته‌ای زمینه‌ای) استفاده می‌کند تا تجربه بهینه را برای کاربران به‌صورت فردی تعیین کند و به هدف برسد. در مورد ما، هدف بهینه‌سازی برای تعداد کل یا مقدار پارامتر کل رویدادهای Google Analytics خاص است.
الگوریتم راهزن چنددسته‌ای زمینه‌ای چیست؟
«راهزن چنددست» استعاره‌ای است که برای توصیف وضعیتی استفاده می‌شود که در آن می‌خواهیم به‌طور مداوم مسیری را انتخاب کنیم که به بالاترین و قابل‌اعتمادترین پاداش‌ها از میان فهرستی از چندین مسیر منجر می‌شود. برای تجسم این موضوع، می‌توانید از استعاره قماربازی در مقابل ردیفی از ماشین‌های بخت‌آزمایی استفاده کنید که اغلب در زبان عامیانه به آن «راهزن یک‌دست» می‌گویند، زیرا ماشین بخت‌آزمایی یک دسته (یا دست) دارد و پول شما را می‌گیرد. چون می‌خواهیم برای چند «بازو» راه‌حل پیدا کنیم، راهزن یک‌دست به راهزن چنددست تبدیل می‌شود.
برای مثال، فرض کنید سه گزینه داریم و می‌خواهیم تعیین کنیم کدام‌یک مطمئن‌ترین پاداش را ارائه می‌دهد: می‌توانیم هر گزینه را امتحان کنیم و سپس، پس‌از دریافت نتیجه، فقط بازویی را انتخاب کنیم که بیشترین پاداش را داده است. به این الگوریتم، الگوریتم حریصانه می‌گویند: گزینه‌ای که در اولین تلاش بهترین نتیجه را می‌دهد، همان گزینه‌ای است که به انتخاب آن ادامه خواهیم داد. اما می‌توانیم درک کنیم که این روش ممکن است همیشه کارساز نباشد—برای مثال، پاداش بالا ممکن است اتفاقی باشد. یا شاید بافت خاصی برای کاربر وجود داشته که منجر به پاداش‌های بالاتر در آن دوره زمانی شده است که بعداً به همان اندازه مؤثر نخواهد بود.
بنابراین بافت اضافه می‌شود تا الگوریتم مؤثرتر شود. برای شخصی‌سازی Remote Config، این بافت اولیه نمونه‌گیری تصادفی، یا عدم قطعیت است که مقداری آنتروپی برای آزمایش فراهم می‌کند. این کار «راهزن چنددسته‌ای زمینه‌ای» را پیاده‌سازی می‌کند. با ادامه اجرای آزمایش، کاوش و مشاهده مداوم، بافت واقعی آموخته‌شده‌ای را درباره اینکه کدام شاخه‌ها به‌احتمال زیاد پاداش را به مدل برمی‌انگیزند اضافه می‌کند و آن را مؤثرتر می‌کند.
این برای برنامه من چه معنایی دارد؟
درنظر بگیرید که الگوریتم راهزن چنددسته‌ای در بافت برنامه شما چه معنایی دارد. فرض کنید درحال بهینه‌سازی برای کلیک‌های آگهی برنما هستید. دراین‌صورت، «بازوهای» شخصی‌سازی مقادیر جایگزینی خواهند بود که برای نشان دادن آگهی‌های برنماهای مختلفی که می‌خواهید به کاربران نمایش دهید مشخص می‌کنید. کلیک روی آگهی برنما همان پاداش است که به آن هدف گفته می‌شود.
وقتی برای اولین‌بار شخصی‌سازی را راه‌اندازی می‌کنید، مدل نمی‌داند کدام مقدار جایگزین احتمالاً برای هر کاربر به‌طور جداگانه به هدفتان دست پیدا می‌کند. همان‌طور که شخصی‌سازی هر مقدار جایگزین را برای درک احتمال دستیابی به هدف شما کاوش می‌کند، مدل زیربنایی آگاه‌تر می‌شود و توانایی آن برای پیش‌بینی و انتخاب تجربه بهینه برای هر کاربر بهبود می‌یابد.
شخصی‌سازی از پنجره چسبندگی ۲۴ ساعته استفاده می‌کند. این مقدار زمانی است که الگوریتم شخصی‌سازی یک مقدار جایگزین را بررسی می‌کند. باید به شخصی‌سازی‌هایتان زمان کافی بدهید تا هر مقدار جایگزین را چندین‌بار کاوش کنند (معمولاً حدود ۱۴ روز). در حالت ایده‌آل، می‌توانید اجازه دهید این کمپین‌ها به‌طور دائمی اجرا شوند تا بتوانند به‌طور مداوم بهبود یابند و با تغییرات برنامه و رفتار کاربران سازگار شوند.
ردیابی سنجه‌های بیشتر
شخصی‌سازی Remote Config همچنین امکان ردیابی حداکثر دو سنجه دیگر را فراهم می‌کند تا به شما کمک کند نتایج خود را زمینه‌سازی کنید. برای مثال، فرض کنید برنامه اجتماعی‌ای توسعه داده‌اید و مقادیر جایگزین متفاوتی تنظیم کرده‌اید تا کاربران را تشویق کنید محتوا را با دوستانشان هم‌رسانی کنند و تعامل کلی افزایش یابد.
در این حالت، ممکن است انتخاب کنید که برای رویداد Analytics مانند
link_received بهینه‌سازی کنید و دو سنجه خود را روی user_engagement و
link_opened تنظیم کنید تا متوجه شوید که آیا تعامل کاربر و تعداد پیوندهایی که
کاربر باز می‌کند افزایش می‌یابد (تعامل واقعی) یا کاهش می‌یابد (احتمالاً پیوندهای هرزنامه بسیار زیاد).
اگرچه این سنجه‌های اضافی در الگوریتم شخصی‌سازی لحاظ نمی‌شوند، می‌توانید آن‌ها را درست در کنار نتایج شخصی‌سازی‌تان پیگیری کنید و بینش ارزشمندی درباره توانایی شخصی‌سازی برای دستیابی به اهداف کلی‌تان به‌دست آورید.
درک نتایج شخصی‌سازی
پس‌از اینکه شخصی‌سازی به‌اندازه کافی برای جمع‌آوری داده اجرا شد، می‌توانید نتایج آن را مشاهده کنید.
برای مشاهده نتایج شخصی‌سازی:
در کنسول Firebase، به صفحه DevOps و تعامل > Remote Config > شخصی‌سازی‌ها بروید.
شخصی‌سازی موردنظرتان را برای مشاهده انتخاب کنید. می‌توانید شخصی‌سازی خاصی را براساس نام یا هدف جستجو کنید و می‌توانید براساس «نام»، «زمان شروع»، یا «بهبود کلی» مرتب کنید.
صفحه نتایج بهبود کلی یا تفاوت درصدی در عملکرد را که شخصی‌سازی نسبت‌به گروه خط مبنا ارائه می‌دهد خلاصه می‌کند.
صفحه نتایج همچنین وضعیت فعلی شخصی‌سازی، مشخصه‌های شخصی‌سازی، و نمودار تعاملی‌ای را نشان می‌دهد که:
نمای کلی روزانه و دقیق از نحوه عملکرد شخصی‌سازی درمقابل خط مبنا را نشان می‌دهد.
نشان می‌دهد هر مقدار در سراسر گروه خط مبنا به‌طور کلی چگونه عمل می‌کند.
نتایج هدف و عملکرد را درمقابل سنجه‌های اضافی که انتخاب کرده‌اید نمایش می‌دهد و بااستفاده از زبانه‌های بالای خلاصه قابل‌دسترسی است.
شخصی‌سازی را می‌توان به‌طور نامحدود درحال اجرا نگه داشت و می‌توانید همچنان به صفحه نتایج مراجعه کنید تا عملکرد آن را پایش کنید. الگوریتم به یادگیری و تنظیم ادامه می‌دهد تا بتواند با تغییر رفتار کاربر سازگار شود.
آشنایی با حذف شخصی‌سازی
می‌توانید شخصی‌سازی را بااستفاده از کنسول Firebase یا با برداشتن پارامتر شخصی‌سازی از الگو بااستفاده از Firebase Remote Config API حذف کنید. شخصی‌سازی‌های حذف‌شده قابل‌بازیابی نیستند. برای آشنایی با حفظ داده‌ها، حذف داده‌ها را ببینید.
همچنین می‌توانید شخصی‌سازی‌ها را با بازگرداندن یا وارد کردن الگو حذف کنید.
برگشتن‌ها
اگر الگوی فعلی شما شخصی‌سازی‌هایی داشته باشد و شما به الگویی برگردید که همان شخصی‌سازی‌ها را نداشته باشد، شخصی‌سازی‌ها حذف می‌شوند. برای برگشتن به
الگوی قبلی، از کنسول Firebase یا
roll back
بااستفاده از میانای برنامه‌سازی کاربردی Firebase Remote Config استفاده کنید.
وقتی شخصی‌سازی را حذف می‌کنید و به الگوی قبلی برمی‌گردید، ارجاعی به آن شخصی‌سازی نامعتبر در کنسول Firebase نشان داده می‌شود. می‌توانید شخصی‌سازی نامعتبر را با ویرایش شخصی‌سازی در برگه «پارامترها» در صفحه Remote Config از کنسول Firebase بردارید.
واردات
وارد کردن الگویی که دیگر حاوی شخصی‌سازی‌های فعلی شما نیست، آن شخصی‌سازی‌ها را نیز حذف می‌کند. برای وارد کردن الگو، از کنسول Firebase استفاده کنید یا از Remote Config REST API استفاده کنید.
مراحل بعدی
موارد استفاده شخصی‌سازی Remote Config را کاوش کنید.
با شخصی‌سازی Remote Config شروع کنید.