Tính năng cá nhân hoá sử dụng công nghệ học máy (cụ thể là thuật toán bandit đa tay theo ngữ cảnh) để xác định trải nghiệm tối ưu cho từng người dùng nhằm đạt được một mục tiêu. Trong trường hợp của chúng tôi, mục tiêu là tối ưu hoá cho tổng số hoặc tổng giá trị tham số của các sự kiện cụ thể Google Analytics.
Thuật toán bandit đa tay theo ngữ cảnh là gì?
"Bandit đa tay" là một phép ẩn dụ dùng để mô tả tình huống mà chúng ta muốn liên tục chọn một con đường dẫn đến phần thưởng cao nhất và đáng tin cậy nhất trong danh sách nhiều con đường. Để hình dung điều này, bạn có thể sử dụng phép ẩn dụ về một người đánh bạc đứng trước một hàng máy đánh bạc – thường được gọi là "bandit một tay" vì máy đánh bạc có một tay cầm (hoặc tay) và lấy tiền của bạn. Vì chúng ta muốn giải quyết nhiều "tay" nên bandit một tay trở thành bandit đa tay.
Ví dụ: giả sử chúng ta có 3 lựa chọn và muốn xác định lựa chọn nào mang lại phần thưởng đáng tin cậy nhất. Chúng ta có thể thử từng lựa chọn, sau đó, sau khi nhận được kết quả, chúng ta có thể tiếp tục chọn tay mang lại nhiều phần thưởng nhất. Đây là thuật toán tham lam: lựa chọn mang lại kết quả tốt nhất khi chúng ta thử lần đầu tiên là lựa chọn mà chúng ta sẽ tiếp tục chọn. Nhưng chúng ta có thể hiểu rằng điều này không phải lúc nào cũng hiệu quả – một phần là vì phần thưởng cao có thể là một sự may mắn. Hoặc có thể có một số ngữ cảnh dành riêng cho người dùng dẫn đến phần thưởng cao hơn trong khoảng thời gian đó mà sau này sẽ không còn hiệu quả nữa.
Vì vậy, ngữ cảnh được thêm vào để làm cho thuật toán hiệu quả hơn. Đối với Remote Config tính năng cá nhân hoá, ngữ cảnh ban đầu này là lấy mẫu ngẫu nhiên, hoặc tính không chắc chắn, cung cấp một số entropy cho thử nghiệm. Điều này triển khai một bandit đa tay theo ngữ cảnh. Khi thử nghiệm tiếp tục chạy, quá trình khám phá và quan sát liên tục sẽ thêm ngữ cảnh đã học thực tế về những tay có nhiều khả năng mang lại phần thưởng nhất cho mô hình, giúp mô hình hiệu quả hơn.
Điều này có ý nghĩa gì đối với ứng dụng của tôi?
Bây giờ, hãy thảo luận về ý nghĩa của thuật toán bandit đa tay trong ngữ cảnh ứng dụng của bạn. Giả sử bạn đang tối ưu hoá cho số lượt nhấp vào quảng cáo biểu ngữ. Trong trường hợp này, "tay" của tính năng cá nhân hoá sẽ là các giá trị thay thế mà bạn chỉ định để biểu thị các quảng cáo biểu ngữ khác nhau mà bạn muốn hiển thị cho người dùng. Lượt nhấp vào quảng cáo biểu ngữ là phần thưởng mà chúng ta gọi là mục tiêu.
Khi bạn lần đầu tiên ra mắt tính năng cá nhân hoá, mô hình sẽ không biết giá trị thay thế nào có nhiều khả năng đạt được mục tiêu của bạn cho từng người dùng. Khi tính năng cá nhân hoá khám phá từng giá trị thay thế để hiểu khả năng đạt được mục tiêu của bạn, mô hình cơ bản sẽ có nhiều thông tin hơn, cải thiện khả năng dự đoán và chọn trải nghiệm tối ưu cho từng người dùng.
Tính năng cá nhân hoá sử dụng cửa sổ độ ổn định trong 24 giờ. Đây là khoảng thời gian mà thuật toán cá nhân hoá khám phá một giá trị thay thế duy nhất. Bạn nên cung cấp cho tính năng cá nhân hoá đủ thời gian để khám phá từng giá trị thay thế nhiều lần (thường là khoảng 14 ngày). Tốt nhất là bạn có thể để chúng chạy vĩnh viễn để chúng có thể liên tục cải thiện và thích ứng khi ứng dụng và hành vi của người dùng thay đổi.
Theo dõi các chỉ số khác
Remote Config tính năng cá nhân hoá cũng cung cấp khả năng theo dõi tối đa hai chỉ số khác để giúp bạn đưa kết quả vào ngữ cảnh. Giả sử bạn đã phát triển một ứng dụng mạng xã hội và đã đặt các giá trị thay thế khác nhau để khuyến khích người dùng chia sẻ nội dung với bạn bè nhằm tăng mức độ tương tác tổng thể.
Trong trường hợp này, bạn có thể chọn tối ưu hoá cho một sự kiện Analytics như
link_received và đặt 2 chỉ số thành user_engagement và
link_opened để hiểu xem mức độ tương tác của người dùng và số lượng đường liên kết mà người dùng
mở có tăng (mức độ tương tác thực) hay giảm (có thể là quá nhiều đường liên kết rác).
Mặc dù các chỉ số khác này sẽ không được đưa vào thuật toán cá nhân hoá, nhưng bạn có thể theo dõi chúng ngay bên cạnh kết quả cá nhân hoá, cung cấp thông tin chi tiết có giá trị về khả năng đạt được mục tiêu tổng thể của tính năng cá nhân hoá.
Tìm hiểu kết quả cá nhân hoá
Sau khi tính năng cá nhân hoá chạy đủ lâu để thu thập dữ liệu, bạn có thể xem kết quả của tính năng đó.
Cách xem kết quả cá nhân hoá:
Mở trang Remote Config rồi nhấp vào Personalizations.
Chọn tính năng cá nhân hoá mà bạn muốn xem. Bạn có thể tìm kiếm tính năng cá nhân hoá cụ thể theo tên hoặc mục tiêu, đồng thời có thể sắp xếp theo Name (Tên), Start time (Thời gian bắt đầu) hoặc Total lift (Tổng mức tăng).
Trang kết quả tóm tắt Total lift (Tổng mức tăng) hoặc phần trăm chênh lệch về hiệu suất mà tính năng cá nhân hoá cung cấp so với nhóm Baseline (Cơ sở).
Trang kết quả cũng cho biết trạng thái hiện tại của tính năng cá nhân hoá, các thuộc tính của tính năng cá nhân hoá và một biểu đồ tương tác:
Cho biết thông tin chi tiết hằng ngày và tổng quan về hiệu suất của tính năng cá nhân hoá so với nhóm cơ sở.
Cho biết hiệu suất tổng thể của từng giá trị trên nhóm cơ sở.
Hiển thị kết quả mục tiêu và hiệu suất so với các chỉ số bổ sung mà bạn đã chọn, có thể truy cập bằng các thẻ ở đầu bản tóm tắt.
Bạn có thể để tính năng cá nhân hoá chạy vô thời hạn và có thể tiếp tục xem lại trang kết quả để theo dõi hiệu suất của tính năng đó. Thuật toán sẽ tiếp tục học và điều chỉnh để có thể thích ứng khi hành vi của người dùng thay đổi.
Tìm hiểu về việc xoá tính năng cá nhân hoá
Bạn có thể xoá tính năng cá nhân hoá bằng bảng điều khiển Firebase hoặc bằng cách xoá tham số cá nhân hoá khỏi mẫu bằng Firebase Remote Config API. Không thể khôi phục các tính năng cá nhân hoá đã xoá. Để tìm hiểu về việc giữ lại dữ liệu, hãy xem bài viết Xoá dữ liệu.
Bạn cũng có thể xoá các tính năng cá nhân hoá bằng cách khôi phục hoặc nhập mẫu.
Khôi phục
Nếu mẫu hiện tại của bạn có các tính năng cá nhân hoá và bạn khôi
phục về một mẫu không có
các tính năng cá nhân hoá tương tự, thì các tính năng cá nhân hoá đó sẽ bị xoá. Để khôi phục về một
mẫu trước đó, hãy sử dụng bảng điều khiển Firebase hoặc
roll back
sử dụng Firebase Remote Config API.
Khi bạn xoá một tính năng cá nhân hoá và khôi phục về một mẫu trước đó, một tham chiếu đến tính năng cá nhân hoá không hợp lệ đó sẽ xuất hiện trong bảng điều khiển Firebase. Bạn có thể xoá tính năng cá nhân hoá không hợp lệ khỏi Firebase bảng điều khiển bằng cách chỉnh sửa tính năng cá nhân hoá trong thẻ Parameters (Tham số) của Remote Config trang.
Số lần nhập
Việc nhập một mẫu không còn chứa các tính năng cá nhân hoá hiện tại cũng sẽ xoá các tính năng cá nhân hoá đó. Để nhập một mẫu, hãy sử dụng bảng điều khiển Firebase hoặc sử dụng Remote Config API REST.
Các bước tiếp theo
Khám phá các trường hợp sử dụng tính năng cá nhân hoá Remote Config .
Bắt đầu với Remote Config tính năng cá nhân hoá.