Ikuti semua informasi yang diumumkan di Firebase Summit, dan pelajari bagaimana Firebase dapat membantu Anda mempercepat pengembangan aplikasi dan menjalankan aplikasi dengan percaya diri. Pelajari Lebih Lanjut

Tentang personalisasi Remote Config

Personalisasi menggunakan pembelajaran mesin—khususnya algoritme bandit multi-persenjataan kontekstual—untuk menentukan pengalaman optimal bagi pengguna individu untuk mencapai suatu tujuan. Dalam kasus kami, tujuannya adalah untuk mengoptimalkan jumlah total atau nilai parameter total dari peristiwa Google Analytics tertentu.

Apa itu algoritme bandit multi-bersenjata kontekstual?

"Bandit multi-bersenjata" adalah metafora yang digunakan untuk menggambarkan situasi di mana kami ingin terus memilih jalur yang mengarah ke hadiah tertinggi dan paling dapat diandalkan dari daftar beberapa jalur. Untuk memvisualisasikan ini, Anda dapat menggunakan metafora seorang penjudi di depan deretan mesin slot–seringkali dalam bahasa sehari-hari disebut sebagai "bandit bertangan satu" karena mesin slot memiliki satu pegangan (atau lengan) dan mengambil uang Anda. Karena kita ingin menyelesaikan beberapa "lengan", bandit berlengan satu menjadi bandit berlengan banyak .

Misalnya, kita memiliki tiga opsi dan ingin menentukan mana yang memberikan hadiah paling andal: Kita dapat mencoba setiap opsi, dan kemudian, setelah menerima hasil, kita dapat terus memilih lengan yang menghasilkan hadiah paling banyak. Inilah yang disebut sebagai algoritme serakah : opsi yang menghasilkan hasil terbaik saat pertama kali kita mencobanya adalah opsi yang akan terus kita pilih. Tetapi kita dapat memahami bahwa ini mungkin tidak selalu berhasil — untuk satu hal, hadiah yang tinggi bisa menjadi kebetulan. Atau mungkin ada beberapa konteks khusus pengguna yang menghasilkan imbalan lebih tinggi selama jangka waktu tersebut yang nantinya tidak akan seefektif itu.

Jadi konteks ditambahkan untuk membuat algoritme lebih efektif. Untuk personalisasi Remote Config, konteks awal ini adalah pengambilan sampel acak, atau ketidakpastian , yang memberikan beberapa entropi untuk eksperimen. Ini mengimplementasikan "bandit multi-bersenjata kontekstual ." Saat eksperimen terus berjalan, eksplorasi dan observasi berkelanjutan menambahkan konteks yang dipelajari secara nyata tentang lengan mana yang paling mungkin mendapatkan hadiah untuk model, menjadikannya lebih efektif.

Apa artinya ini bagi aplikasi saya?

Sekarang, mari kita bahas apa arti algoritme multi-strategi dalam konteks aplikasi Anda. Katakanlah Anda mengoptimalkan klik iklan banner. Dalam hal ini, "lengan" personalisasi akan menjadi nilai alternatif yang Anda tetapkan untuk mewakili berbagai iklan spanduk yang ingin Anda tampilkan kepada pengguna. Klik iklan spanduk adalah hadiah, yang kami sebut sebagai tujuan .

Saat Anda pertama kali meluncurkan personalisasi, model tidak mengetahui nilai alternatif mana yang lebih mungkin mencapai tujuan Anda untuk setiap pengguna individu. Saat personalisasi mengeksplorasi setiap nilai alternatif untuk memahami kemungkinan mencapai tujuan Anda, model yang mendasari tumbuh lebih banyak informasi, meningkatkan kemampuannya untuk memprediksi dan memilih pengalaman optimal untuk setiap pengguna.

Personalisasi menggunakan jendela lengket 24 jam. Ini adalah jumlah waktu algoritme personalisasi mengeksplorasi nilai alternatif tunggal. Anda harus menyediakan waktu yang cukup bagi personalisasi untuk mempelajari setiap nilai alternatif beberapa kali (umumnya sekitar 14 hari). Idealnya, Anda dapat membiarkannya berjalan terus-menerus sehingga dapat terus ditingkatkan dan diadaptasi saat aplikasi dan perilaku pengguna Anda berubah.

Lacak metrik tambahan

Personalisasi Remote Config juga menyediakan kemampuan untuk melacak hingga dua metrik tambahan, untuk membantu Anda mengontekstualisasikan hasil. Katakanlah Anda telah mengembangkan aplikasi sosial dan telah menetapkan nilai alternatif yang berbeda untuk mendorong pengguna berbagi konten dengan teman guna meningkatkan keterlibatan secara keseluruhan.

Dalam hal ini, Anda dapat memilih untuk mengoptimalkan peristiwa Analytics seperti link_received dan menetapkan dua metrik Anda ke user_engagement dan link_opened untuk memahami apakah interaksi pengguna dan jumlah link yang dibuka pengguna naik (interaksi sebenarnya) atau turun (mungkin terlalu banyak link berisi spam ).

Meskipun metrik tambahan ini tidak akan diperhitungkan dalam algoritme personalisasi, Anda dapat melacaknya tepat di samping hasil personalisasi Anda, memberikan wawasan berharga tentang kemampuan personalisasi untuk mencapai sasaran Anda secara keseluruhan.

Pahami hasil personalisasi

Setelah personalisasi berjalan cukup lama untuk mengumpulkan data, Anda dapat melihat hasilnya.

Untuk melihat hasil personalisasi:

  1. Buka halaman Remote Config dan klik Personalizations .

  2. Pilih personalisasi yang ingin Anda lihat. Anda dapat mencari personalisasi tertentu berdasarkan nama atau tujuan, dan dapat mengurutkan berdasarkan Nama, Waktu mulai, atau Peningkatan total.

Laman hasil meringkas Peningkatan total , atau perbedaan persentase dalam kinerja, yang diberikan oleh personalisasi pada grup Dasar .

Halaman hasil juga menampilkan status personalisasi saat ini, atribut personalisasi, dan grafik interaktif yang:

  • Menampilkan tampilan harian dan total mendetail tentang performa personalisasi terhadap baseline.

  • Menampilkan performa setiap nilai secara keseluruhan di seluruh grup dasar.

  • Menampilkan hasil sasaran dan kinerja terhadap metrik tambahan yang Anda pilih, dapat diakses menggunakan tab di bagian atas ringkasan.

Personalisasi dapat dibiarkan berjalan tanpa batas waktu dan Anda dapat terus mengunjungi kembali halaman hasil untuk memantau kinerjanya. Algoritme akan terus belajar dan menyesuaikan, sehingga dapat beradaptasi ketika perilaku pengguna berubah.

Langkah selanjutnya