Dzięki personalizacji Remote Config możesz automatycznie wybierać parametry Remote Config dla każdego użytkownika, aby optymalizować pod kątem celu. Personalizacja parametru przypomina przeprowadzanie automatycznego, zindywidualizowanego, stale ulepszanego i niekończącego się testu A/B.
Gdy używasz personalizacji Remote Config w swoich aplikacjach, tworzysz bardziej angażujące środowisko dla każdego użytkownika, automatycznie udostępniając mu jedną z kilku alternatywnych wersji – tę, która optymalizuje wybrany przez Ciebie cel. Możesz kierować spersonalizowane parametry Remote Config na określone grupy użytkowników, korzystając z warunków kierowania Remote Config.
Możesz optymalizować kampanie pod kątem dowolnego celu, który można zmierzyć za pomocą Google Analytics, oraz pod kątem liczby zdarzeń lub zagregowanej wartości (sumy) parametru zdarzenia. Obejmuje to te wbudowane dane:
- Czas zaangażowania użytkownika, który optymalizuje pod kątem czasu zaangażowania użytkownika.
- Kliknięcia reklam, które optymalizują kampanię pod kątem łącznej liczby zdarzeń kliknięcia reklamy.
- Wyświetlenia reklam – optymalizacja pod kątem liczby wyświetleń reklam.
Możesz też optymalizować pod kątem danych niestandardowych na podstawie dowolnego zdarzenia Analytics. Oto kilka potencjalnych przyczyn:
- Przesyłanie ocen w Sklepie Play lub App Store
- sukcesy użytkowników w określonych zadaniach, np. ukończenie poziomów gry;
- Zdarzenia zakupu w aplikacji
- zdarzenia e-commerce, takie jak dodanie produktów do koszyka, rozpoczęcie lub zakończenie procesu płatności;
- Przychody z zakupów w aplikacji i reklam
- Wydanie wirtualnej waluty
- Udostępnianie linków i treści oraz aktywność w sieciach społecznościowych
Więcej informacji o potencjalnych przypadkach użycia personalizacji znajdziesz w artykule Co mogę zrobić dzięki personalizacji Remote Config?.
Jak to działa?
Personalizacja wykorzystuje uczenie maszynowe do określania optymalnego sposobu działania dla każdego użytkownika. Algorytm skutecznie równoważy naukę najlepszych rozwiązań dla różnych typów użytkowników i wykorzystywanie tej wiedzy do maksymalizacji danych związanych z realizacją celu. Wyniki personalizacji są automatycznie porównywane z grupą kontrolną użytkowników, którzy otrzymują stałe losowe doświadczenie wybrane z podanych przez Ciebie alternatyw. To porównanie pokazuje, jaki „wzrost” (wartość przyrostową) generuje system personalizacji.
Więcej informacji o algorytmie i pojęciach związanych z personalizacją Remote Config znajdziesz w artykule Informacje o personalizacji Remote Config.
Ścieżka implementacji
- Wdróż co najmniej 2 alternatywne wersje interfejsu, które Twoim zdaniem będą optymalne dla niektórych użytkowników, ale nie dla wszystkich.
- Ustaw te alternatywne opcje jako konfigurowalne zdalnie za pomocą parametru Remote Config. Zobacz Pierwsze kroki z Remote Config i Strategie wczytywania Remote Config.
- Włącz personalizację parametru. Remote Config przypisze każdemu użytkownikowi optymalne dla niego ustawienia. Zapoznaj się z przewodnikiem dla początkujących.
Personalizacja a testy A/B
W przeciwieństwie do testów A/B, które pozwalają znaleźć pojedynczy zestaw ustawień zapewniający najlepsze wrażenia wszystkim użytkownikom, personalizacja pozwala dążyć do zrealizowania określonego celu przez dynamiczne wybieranie optymalnych ustawień w przypadku każdego użytkownika. W przypadku wielu typów problemów personalizacja daje najlepsze wyniki, ale testy A/B nadal mają swoje zastosowania:
| Preferowana personalizacja | A/B Testing preferowany |
|---|---|
| gdy każdy użytkownik może skorzystać ze spersonalizowanych funkcji; | Gdy chcesz zapewnić optymalne wrażenia wszystkim użytkownikom lub określonej ich grupie. |
| Gdy chcesz stale optymalizować model personalizacji | Gdy chcesz przeprowadzić testy w określonym przedziale czasu |
| gdy cel optymalizacji można wyrazić jako ważoną sumę zdarzeń analitycznych; | gdy cel optymalizacji wymaga przemyślanej oceny kilku różnych, konkurujących ze sobą danych; |
| Gdy chcesz optymalizować pod kątem celu niezależnie od kompromisów | gdy chcesz określić, czy jeden wariant wykazuje istotną statystycznie poprawę w porównaniu z innym, zanim go wdrożysz; |
| gdy ręczne sprawdzanie wyników nie jest wymagane; | gdy preferowane jest ręczne sprawdzanie wyników. |
Załóżmy na przykład, że chcesz zmaksymalizować liczbę użytkowników, którzy ocenią Twoją aplikację w Sklepie Play, gdy ich o to poprosisz. Jednym z czynników, które mogą przyczynić się do sukcesu, jest moment wyświetlenia prośby: czy pokazujesz ją, gdy użytkownik otwiera aplikację po raz pierwszy, drugi czy trzeci? A może wyświetlasz prośbę, gdy użytkownik wykona określone zadanie? Idealny moment zależy prawdopodobnie od konkretnego użytkownika: niektórzy mogą być gotowi do oceny aplikacji od razu, podczas gdy inni mogą potrzebować więcej czasu.
Optymalizacja czasu wyświetlania prośby o opinię to idealny przypadek użycia personalizacji:
- Optymalne ustawienie jest prawdopodobnie inne dla każdego użytkownika.
- Sukces można mierzyć za pomocą Analytics.
- Zmiana UX, o której mowa, jest na tyle mało ryzykowna, że prawdopodobnie nie musisz rozważać kompromisów ani przeprowadzać ręcznego sprawdzania.