Kişiselleştirme, bir hedefe ulaşmak için bireysel kullanıcılar açısından en uygun deneyimi belirlemek amacıyla makine öğrenimini (özellikle bağlamsal çok kollu makine algoritmasını) kullanır. Bizim örneğimizde amaç, belirli Google Analytics etkinliklerinin toplam sayısı veya toplam parametre değeri için optimizasyon yapmaktır.
Bağlamsal çok kollu makine algoritması nedir?
"Çok kollu makine", birden fazla yolun bulunduğu bir listeden sürekli olarak en yüksek ve en güvenilir ödüllere ulaşmamızı sağlayan yolu seçmek istediğimiz durumu tanımlamak için kullanılan bir metafordur. Bunu gözünüzde canlandırmak için bir sıra kollu kumar makinesinin önündeki kumarbaz metaforunu kullanabilirsiniz. Kollu kumar makineleri, tek bir kolu olduğu ve paranızı aldığı için genellikle "tek kollu haydut" olarak adlandırılır. Birden fazla "kol" için çözüm bulmak istediğimizden tek kollu makine, çok kollu makineye dönüşür.
Örneğin, üç seçeneğimiz olduğunu ve en güvenilir ödülü hangisinin sağladığını belirlemek istediğimizi varsayalım: Her seçeneği deneyebilir ve bir sonuç aldıktan sonra en çok ödül veren kolu seçmeye devam edebiliriz. Buna açgözlü algoritma denir. İlk denememizde en iyi sonucu veren seçeneği kullanmaya devam ederiz. Ancak bu yöntemin her zaman işe yaramayabileceğini anlayabiliriz. Örneğin, yüksek ödül bir tesadüf olabilir. Belki de o dönemde daha yüksek ödüllerle sonuçlanan ancak daha sonra o kadar etkili olmayacak kullanıcıya özel bir bağlam vardır.
Bu nedenle, algoritmayı daha etkili hale getirmek için bağlam eklenir. Remote ConfigKişiselleştirme için bu ilk bağlam, denemeye bir miktar entropi sağlayan rastgele örnekleme veya belirsizliktir. Bu, "bağlamsal çok kollu makine" uygulamasıdır. Deneme devam ettikçe, devam eden keşif ve gözlem, modele hangi kolların ödül alma olasılığının en yüksek olduğu hakkında gerçek öğrenilmiş bağlam ekleyerek modeli daha etkili hale getirir.
Bu durum uygulamam için ne anlama geliyor?
Çok kollu makine algoritmasının uygulamanız bağlamında ne anlama geldiğini düşünün. Banner reklam tıklamaları için optimizasyon yaptığınızı varsayalım. Bu durumda, kişiselleştirmenin "kolları", kullanıcılara göstermek istediğiniz farklı banner reklamları temsil etmek için belirttiğiniz alternatif değerler olur. Banner reklam tıklaması, hedef olarak adlandırılan ödüldür.
Bir kişiselleştirmeyi ilk kez başlattığınızda model, her bir kullanıcı için hangi alternatif değerin hedefinize ulaşma olasılığının daha yüksek olduğunu bilmez. Kişiselleştirme, hedefinize ulaşma olasılığını anlamak için her bir alternatif değeri keşfettikçe temel model daha fazla bilgi edinir ve her kullanıcı için en uygun deneyimi tahmin etme ve seçme yeteneğini geliştirir.
Kişiselleştirme, 24 saatlik bir yapışkanlık aralığı kullanır. Bu, kişiselleştirme algoritmasının tek bir alternatif değeri keşfetmek için harcadığı süredir. Kişiselleştirmelerinize her bir alternatif değeri birden çok kez keşfetmesi için yeterli süre (genellikle yaklaşık 14 gün) vermeniz gerekir. İdeal olarak, uygulamanız ve kullanıcı davranışlarınız değiştikçe sürekli olarak iyileşip uyum sağlayabilmeleri için bu kampanyaları süresiz olarak yayınlayabilirsiniz.
Ek metrikleri izleme
Remote Config kişiselleştirme, sonuçlarınızı bağlamsallaştırmanıza yardımcı olmak için iki ek metriği daha izleme olanağı da sunar. Örneğin, bir sosyal uygulama geliştirdiğinizi ve genel etkileşimi artırmak için kullanıcıları arkadaşlarıyla içerik paylaşmaya teşvik etmek amacıyla farklı alternatif değerler belirlediğinizi varsayalım.
Bu durumda, link_received gibi bir Analytics etkinliği için optimizasyon yapmayı seçebilir ve kullanıcı etkileşiminin ve kullanıcının açtığı bağlantı sayısının artıp artmadığını (gerçek etkileşim) veya azalıp azalmadığını (muhtemelen çok fazla spam bağlantı) anlamak için iki metriğinizi user_engagement ve link_opened olarak ayarlayabilirsiniz.
Bu ek metrikler kişiselleştirme algoritmasına dahil edilmese de kişiselleştirme sonuçlarınızla birlikte izlenebilir. Böylece kişiselleştirmenin genel hedeflerinize ulaşma becerisi hakkında değerli analizler elde edebilirsiniz.
Kişiselleştirme sonuçlarını anlama
Kişiselleştirme, veri toplamak için yeterli süre boyunca çalıştıktan sonra sonuçlarını görüntüleyebilirsiniz.
Kişiselleştirme sonuçlarını görüntülemek için:
Firebase konsolunda DevOps & Engagement > Remote Config > Personalizations sayfasına gidin.
Görüntülemek istediğiniz kişiselleştirmeyi seçin. Belirli bir kişiselleştirmeyi ada veya hedefe göre arayabilir ve ada, başlangıç zamanına ya da toplam artışa göre sıralayabilirsiniz.
Sonuçlar sayfasında, kişiselleştirmenin referans gruba kıyasla sağladığı toplam artış veya performanstaki yüzde farkı özetlenir.
Sonuçlar sayfasında ayrıca kişiselleştirmenin mevcut durumu, kişiselleştirmenin özellikleri ve aşağıdakileri gösteren etkileşimli bir grafik de yer alır:
Kişiselleştirmenin referans değere kıyasla nasıl performans gösterdiğine dair ayrıntılı bir günlük ve toplam görünüm sunar.
Her bir değerin, referans grup genelinde nasıl performans gösterdiğini belirtir.
Seçtiğiniz ek metriklerle ilgili hedef sonuçlarını ve performansı gösterir. Özetin üst kısmındaki sekmeleri kullanarak bu metriklere erişebilirsiniz.
Kişiselleştirme süresiz olarak çalışmaya devam edebilir ve performansını izlemek için sonuçlar sayfasını tekrar ziyaret edebilirsiniz. Algoritma, kullanıcı davranışındaki değişikliklere uyum sağlayabilmek için öğrenmeye ve ayarlamalar yapmaya devam eder.
Kişiselleştirme verilerinin silinmesi hakkında bilgi
Kişiselleştirmeyi Firebase konsolunu kullanarak veya Firebase Remote Config API'yi kullanarak şablonunuzdan bir kişiselleştirme parametresini kaldırarak silebilirsiniz. Silinen kişiselleştirmeler geri yüklenemez. Veri saklama hakkında bilgi edinmek için Veri silme başlıklı makaleyi inceleyin.
Kişiselleştirmeleri geri alarak veya şablon içe aktararak da silebilirsiniz.
Geri alma sayısı
Mevcut şablonunuzda kişiselleştirmeler varsa ve aynı kişiselleştirmelere sahip olmayan bir şablona geri dönerseniz kişiselleştirmeler silinir. Önceki bir şablona geri dönmek için Firebase konsolunu veya Firebase Remote Config API'sini kullanarak roll back yöntemini kullanın.
Bir kişiselleştirmeyi silip önceki bir şablona geri döndüğünüzde Firebase konsolunda bu geçersiz kişiselleştirmeye dair bir referans görünür. Remote Config sayfasının Parametreler sekmesinde kişiselleştirmeyi düzenleyerek geçersiz kişiselleştirmeyi Firebase Console'dan kaldırabilirsiniz.
İçe Aktarımlar
Mevcut kişiselleştirmelerinizi içermeyen bir şablonu içe aktardığınızda bu kişiselleştirmeler de silinir. Şablonu içe aktarmak için Firebase konsolunu veya Remote Config REST API'sini kullanın.
Sonraki adımlar
Remote Config kişiselleştirme kullanım alanlarını keşfedin.
Remote Config kişiselleştirmeyi kullanmaya başlayın.