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. Dans notre cas, l'objectif est d'optimiser pour le nombre total ou la valeur totale du paramètre d'événements Google Analytics spécifiques.
Qu'est-ce qu'un algorithme de bandit multi-bras contextuel ?
Le "bandit multi-bras" est une métaphore utilisée pour décrire la situation dans laquelle nous voulons continuellement choisir un chemin qui mène aux récompenses les plus élevées et les plus fiables parmi une liste de plusieurs chemins. Pour visualiser cela, vous pouvez utiliser la métaphore d'un joueur devant une rangée de machines à sous, souvent appelées "bandit à un bras", car une machine à sous comporte une poignée (ou un bras) et prend votre argent. Étant donné que nous souhaitons résoudre le problème pour plusieurs "bras", le bandit manchot devient le bandit multibras.
Par exemple, imaginons que nous ayons trois options et que nous souhaitions déterminer celle qui offre la récompense la plus fiable. Nous pourrions essayer chaque option, puis, après avoir reçu un résultat, nous pourrions continuer à choisir le bras qui a généré le plus de récompenses. C'est ce que l'on appelle un algorithme avid: l'option qui donne le meilleur résultat lors de la première tentative est celle que nous continuerons de choisir. Toutefois, nous comprenons que cela ne fonctionne pas toujours. Par exemple, la récompense élevée peut être un coup de chance. Ou peut-être qu'un contexte spécifique à l'utilisateur a entraîné des récompenses plus élevées pendant cette période, qui ne seraient 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 une incertitude, qui fournit une certaine entropie au test. Cela implémente un bandit manchot contextuel. À mesure que le test se poursuit, l'exploration et l'observation continues ajoutent un contexte d'apprentissage réel sur les bras les plus susceptibles de générer une récompense pour 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, les "bras" de la personnalisation correspondraient aux valeurs alternatives que vous spécifiez pour représenter les différentes bannières que vous souhaitez afficher aux utilisateurs. Le clic sur la bannière publicitaire est la récompense, que nous appelons un objectif.
Lorsque vous lancez une personnalisation pour la première fois, le modèle ne sait pas quelle valeur alternative est la plus susceptible d'atteindre votre objectif pour chaque utilisateur. À mesure que la personnalisation explore chaque valeur alternative pour comprendre la probabilité d'atteindre votre objectif, le modèle sous-jacent devient plus informé, 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 du temps pendant lequel l'algorithme de personnalisation explore une seule valeur alternative. Vous devez laisser suffisamment de temps à vos personnalisations pour qu'elles explorent chaque valeur alternative plusieurs fois (généralement environ 14 jours). Dans l'idéal, vous pouvez les 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 d'autres métriques
La personnalisation Remote Config vous permet également de suivre jusqu'à deux métriques supplémentaires pour vous aider à contextualiser vos résultats. Imaginons que vous ayez développé une application de réseau social et que vous ayez défini différentes valeurs alternatives pour encourager les utilisateurs à partager du contenu avec leurs amis afin d'accroître l'engagement global.
Dans ce cas, vous pouvez choisir d'optimiser pour un événement Analytics comme link_received et de définir vos deux métriques sur user_engagement et link_opened pour comprendre si l'engagement utilisateur et le nombre de liens que l'utilisateur ouvre augmentent (engagement réel) ou diminuent (trop de liens indésirables, par exemple).
Bien que ces métriques supplémentaires ne soient pas prises en compte dans l'algorithme de personnalisation, vous pouvez les suivre en même temps que vos résultats de personnalisation. Vous obtiendrez ainsi des insights précieux sur la capacité de la personnalisation à atteindre vos objectifs globaux.
Comprendre les résultats de la personnalisation
Une fois qu'une personnalisation a été diffusée suffisamment longtemps pour collecter des données, vous pouvez consulter ses résultats.
Pour afficher les résultats de la personnalisation:
Ouvrez la page Remote Config, puis cliquez sur Personnalisations.
Sélectionnez la personnalisation que vous souhaitez 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 des résultats affiche également l'état actuel de la personnalisation, ses attributs et un graphique interactif qui:
Affiche une vue détaillée quotidienne et globale de la performance de la personnalisation par rapport à la référence.
Indique les performances globales de chaque valeur dans le groupe de référence.
Affiche les résultats et les performances des objectifs par rapport aux métriques supplémentaires que vous avez choisies, accessibles via les onglets en haut du récapitulatif.
Vous pouvez laisser une personnalisation s'exécuter indéfiniment et continuer à consulter la page des résultats pour surveiller ses performances. L'algorithme continuera d'apprendre et de s'ajuster pour s'adapter lorsque le comportement des utilisateurs changera.
Comprendre la suppression de la personnalisation
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 la section Suppression des données.
Vous pouvez également supprimer des personnalisations en annulant les modifications ou en important un modèle.
Rollbacks
Si votre modèle actuel comporte des personnalisations et que vous revenez en arrière vers un modèle qui ne comporte pas les mêmes personnalisations, celles-ci sont supprimées. Pour revenir à 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
L'importation d'un modèle qui ne contient plus vos personnalisations actuelles entraîne également la suppression de ces personnalisations. Pour importer un modèle, utilisez la console Firebase ou l'API REST Remote Config.
Étapes suivantes
Découvrez les cas d'utilisation de la personnalisation Remote Config.
Commencez à utiliser la personnalisation Remote Config.