Dzięki personalizacji Remote Config możesz automatycznie wybrać parametry Remote Config dla każdego użytkownika, aby zoptymalizować je pod kątem określonego celu. Personalizacja parametru przypomina przeprowadzenie automatycznego, zindywidualizowanego, stale udoskonalającego i ciągłego testu A/B.
Używając personalizacji Remote Config w swoich aplikacjach, możesz zapewnić każdemu użytkownikowi bardziej wciągające doświadczenia, automatycznie zapewniając im jedno z kilku alternatywnych rozwiązań — alternatywę, która optymalizuje się pod kątem wybranego celu. Możesz kierować spersonalizowane parametry Zdalnej konfiguracji do określonych grup użytkowników, korzystając z warunków kierowania Zdalnej konfiguracji .
Możesz optymalizować pod kątem dowolnego celu, który można zmierzyć za pomocą Google Analytics, i optymalizować według liczby zdarzeń lub zagregowanej wartości (sumy) parametru zdarzenia. Obejmuje to następujące wbudowane wskaźniki:
- Czas zaangażowania użytkownika, który jest optymalizowany pod kątem czasu zaangażowania użytkownika
- Kliknięcia reklam, które optymalizują na podstawie całkowitej liczby zdarzeń kliknięć reklam
- Wyświetlenia reklam, które optymalizują liczbę wyświetleń reklam
Możesz też przeprowadzić optymalizację pod kątem niestandardowych danych na podstawie dowolnego zdarzenia Analytics. Niektóre możliwości obejmują:
- Przesłane oceny ze Sklepu Play lub App Store
- Sukces użytkownika w określonych zadaniach, takich jak ukończenie poziomów gry
- Zdarzenia związane z zakupami w aplikacji
- Zdarzenia związane z handlem elektronicznym, takie jak dodawanie produktów do koszyka czy rozpoczęcie lub zakończenie realizacji transakcji
- Zakupy w aplikacji i przychody z reklam
- Wydatki w wirtualnej walucie
- Udostępnianie linków i treści oraz aktywność w sieciach społecznościowych
Aby uzyskać więcej informacji na temat potencjalnych przypadków użycia personalizacji, zobacz Co mogę zrobić z personalizacją Remote Config?
Jak to działa?
Personalizacja wykorzystuje uczenie maszynowe, aby określić optymalne doświadczenie dla każdego użytkownika. Algorytm skutecznie wybiera kompromis pomiędzy uczeniem się najlepszego doświadczenia dla różnych typów użytkowników i wykorzystaniem tej wiedzy w celu maksymalizacji obiektywnych wskaźników. Wyniki personalizacji są automatycznie porównywane z pozostałą grupą użytkowników, którzy otrzymują trwałe, losowe doświadczenie pochodzące z dostarczonych przez Ciebie alternatyw — to porównanie pokazuje, ile „wzrostu” (wartości przyrostowej) wygenerował system personalizacji.
Aby uzyskać więcej informacji na temat algorytmu i koncepcji personalizacji Remote Config, zobacz temat Personalizacja Remote Config .
Ścieżka realizacji
- Zaimplementuj co najmniej dwa alternatywne środowiska użytkownika, które Twoim zdaniem będą optymalne dla niektórych użytkowników, ale nie dla innych.
- Możliwość zdalnej konfiguracji tych alternatyw za pomocą parametru Remote Config. Zobacz Rozpoczęcie korzystania ze strategii zdalnej konfiguracji i ładowania zdalnej konfiguracji .
- Włącz personalizację parametru. Remote Config przydzieli każdemu z Twoich użytkowników optymalne dla niego środowisko. Zobacz podręcznik Pierwsze kroki .
Personalizacja a testy A/B
W przeciwieństwie do testów A/B, które mają na celu znalezienie jednego, najskuteczniejszego doświadczenia użytkownika, personalizacja ma na celu maksymalizację celu poprzez dynamiczny wybór optymalnego doświadczenia użytkownika dla każdego użytkownika. W przypadku wielu typów problemów personalizacja daje najlepsze rezultaty, ale testowanie A/B nadal ma swoje zastosowania:
Preferowana personalizacja | Preferowane testy A/B |
---|---|
Kiedy każdy użytkownik może skorzystać ze spersonalizowanego doświadczenia użytkownika | Gdy chcesz mieć jedno optymalne doświadczenie dla wszystkich użytkowników lub określonego podzbioru użytkowników |
Gdy chcesz stale optymalizować model personalizacji | Gdy chcesz przeprowadzić testy w ustalonym oknie czasowym |
Kiedy cel optymalizacji można wyrazić po prostu jako ważoną sumę zdarzeń analitycznych | Gdy cel optymalizacji wymaga przemyślanej oceny kilku różnych konkurujących ze sobą wskaźników |
Gdy chcesz dokonać optymalizacji pod kątem określonego celu, bez względu na kompromisy | Gdy chcesz przed wdrożeniem sprawdzić, czy jeden wariant wykazuje statystycznie istotną poprawę w stosunku do innego |
Gdy ręczne przeglądanie wyników nie jest wymagane ani pożądane | Gdy pożądany jest ręczny przegląd wyników |
Załóżmy na przykład, że chcesz zmaksymalizować liczbę użytkowników, którzy oceniają Twoją aplikację w Sklepie Play, gdy ich o to poprosisz. Jednym z czynników, który może przyczynić się do sukcesu, jest moment pojawienia się zachęty: czy wyświetlasz ją, gdy użytkownik otwiera Twoją aplikację po raz pierwszy, drugi czy trzeci? A może podpowiadasz im, kiedy pomyślnie wykonają określone zadania? Idealny moment prawdopodobnie zależy od konkretnego użytkownika: niektórzy użytkownicy mogą być gotowi ocenić Twoją aplikację od razu, podczas gdy inni mogą potrzebować więcej czasu.
Optymalizacja czasu wyświetlania monitu o opinię jest idealnym przypadkiem użycia do personalizacji:
- Optymalne ustawienie jest prawdopodobnie inne dla każdego użytkownika.
- Sukces można łatwo zmierzyć za pomocą Analytics.
- Przedmiotowa zmiana UX wiąże się z na tyle niskim ryzykiem, że prawdopodobnie nie trzeba rozważać kompromisów ani przeprowadzać ręcznego przeglądu.