Khi cá nhân hoá Cấu hình từ xa, bạn có thể tự động chọn Thông số Cấu hình từ xa cho từng người dùng để tối ưu hoá cho mục tiêu. Việc cá nhân hoá một thông số cũng giống như thực hiện việc cá nhân hoá, tự động liên tục cải thiện và thử nghiệm A/B vĩnh viễn.
Khi sử dụng hoạt động cá nhân hoá Cấu hình từ xa trong ứng dụng của mình, bạn sẽ tạo ra nhiều nội dung hơn trải nghiệm hấp dẫn cho từng người dùng bằng cách tự động cung cấp cho họ một trong nhiều trải nghiệm người dùng thay thế – giải pháp thay thế giúp tối ưu hoá cho mục tiêu mà bạn chọn. Bạn có thể nhắm mục tiêu Cấu hình từ xa được cá nhân hoá cho các nhóm người dùng cụ thể bằng cách sử dụng Điều kiện nhắm mục tiêu Cấu hình từ xa.
Bạn có thể tối ưu hoá cho bất kỳ mục tiêu nào có thể đo lường bằng cách sử dụng Google Analytics và tối ưu hoá theo số lượng sự kiện hoặc theo chỉ số tổng hợp giá trị (tổng) của một thông số sự kiện. Điều này bao gồm các chỉ số được tích hợp sẵn sau:
- Thời gian tương tác của người dùng, được tối ưu hoá theo thời gian tương tác của người dùng
- Lần nhấp quảng cáo, tối ưu hóa theo tổng số sự kiện nhấp chuột quảng cáo
- Lượt hiển thị quảng cáo được tối ưu hoá theo số lượt hiển thị quảng cáo
Ngoài ra, bạn có thể tối ưu hoá cho chỉ số tuỳ chỉnh dựa trên bất kỳ sự kiện nào trong Analytics. Hơi nhiều có thể bao gồm:
- Gửi điểm xếp hạng trên Cửa hàng Play hoặc App Store
- Thành công của người dùng đối với một số nhiệm vụ cụ thể, chẳng hạn như hoàn thành các cấp độ trong trò chơi
- Sự kiện mua hàng trong ứng dụng
- Sự kiện thương mại điện tử, chẳng hạn như thêm mặt hàng vào giỏ hàng, bắt đầu hoặc hoàn thành thanh toán
- Giao dịch mua hàng trong ứng dụng và doanh thu từ quảng cáo
- Chi tiêu bằng tiền ảo
- Chia sẻ nội dung, liên kết và hoạt động mạng xã hội
Để biết thêm thông tin về các trường hợp có thể sử dụng tính năng cá nhân hoá, hãy xem Tôi có thể làm gì với hoạt động cá nhân hoá Cấu hình từ xa?
Tính năng này hoạt động như thế nào?
Hoạt động cá nhân hoá sử dụng công nghệ học máy để xác định trải nghiệm tối ưu cho mỗi người dùng. Thuật toán cân bằng một cách hiệu quả giữa việc học trải nghiệm tốt nhất cho các kiểu người dùng khác nhau và tận dụng kiến thức đó để tối đa hoá chỉ số mục tiêu của mình. Kết quả cá nhân hoá sẽ tự động xuất hiện so với một nhóm người dùng tạm thời nhận được trải nghiệm ngẫu nhiên liên tục được rút ra từ các lựa chọn thay thế mà bạn đã cung cấp—so sánh này cho biết số lượng "nâng" (giá trị gia tăng) là do hệ thống cá nhân hoá tạo ra.
Để biết thêm thông tin về thuật toán và khái niệm cá nhân hoá Cấu hình từ xa, xem Giới thiệu về hoạt động cá nhân hoá Cấu hình từ xa.
Lộ trình triển khai
- Triển khai hai hoặc nhiều trải nghiệm người dùng thay thế mà bạn mong đợi tối ưu cho một số người dùng nhưng không tối ưu cho những người dùng khác.
- Có thể định cấu hình các lựa chọn thay thế này từ xa bằng Cấu hình từ xa . Xem Bắt đầu sử dụng Cấu hình từ xa và chiến lược tải Cấu hình từ xa.
- Bật tính năng cá nhân hoá cho thông số này. Cấu hình từ xa sẽ chỉ định từng trải nghiệm tối ưu cho người dùng của họ. Xem Hướng dẫn bắt đầu.
Hoạt động cá nhân hoá so với thử nghiệm A/B
Không giống như thử nghiệm A/B, được thiết kế để tìm một người dùng hoạt động hiệu quả nhất trải nghiệm, cá nhân hoá cố gắng tối đa hoá mục tiêu bằng cách linh động chọn trải nghiệm người dùng tối ưu cho từng người dùng. Đối với nhiều loại bài toán, hoạt động cá nhân hoá sẽ tạo ra kết quả tốt nhất, nhưng thử nghiệm A/B vẫn có các công dụng của nó:
| Ưu tiên chế độ cá nhân hoá | Ưu tiên thử nghiệm A/B |
|---|---|
| Khi mỗi người dùng có thể hưởng lợi từ một trải nghiệm người dùng được cá nhân hoá | Khi bạn muốn có một chiến dịch trải nghiệm cho tất cả người dùng hoặc một nhóm nhỏ người dùng xác định |
| Khi bạn muốn liên tục tối ưu hoá mô hình cá nhân hoá | Khi bạn muốn tiến hành thử nghiệm trong một khoảng thời gian cố định |
| Khi nào mục tiêu tối ưu hoá của bạn có thể là được biểu diễn dưới dạng tổng có trọng số của sự kiện trong Analytics | Khi mục tiêu tối ưu hoá của bạn cần phải đánh giá kỹ lưỡng về một số đối thủ cạnh tranh chỉ số |
| Khi bạn muốn tối ưu hoá cho một mục tiêu bất kể ưu nhược điểm | Khi bạn muốn xác định xem một Biến thể cho thấy một biến thể thống kê cải thiện đáng kể so với khác trước khi ra mắt |
| Khi quy trình xem xét thủ công các kết quả không bắt buộc hoặc mong muốn | Khi quy trình xem xét thủ công các kết quả được mong muốn |
Ví dụ: giả sử bạn muốn tối đa hoá số lượng người dùng xếp hạng ứng dụng của bạn trong Cửa hàng Play khi bạn nhắc trẻ. Một yếu tố có thể góp phần thành công là thời điểm lời nhắc của bạn xuất hiện: bạn có hiển thị câu lệnh khi người dùng mở lời nhắc của bạn không lần đầu, thứ hai hay thứ ba? Hoặc bạn có nhắc họ khi họ hoàn thành thành công một số nhiệm vụ nhất định? Thời điểm lý tưởng có thể phụ thuộc vào người dùng cá nhân: một số người dùng có thể sẵn sàng xếp hạng ứng dụng của bạn ngay lập tức, trong khi những người khác có thể cần thêm thời gian.
Việc tối ưu hoá thời gian cho lời nhắc phản hồi của bạn là trường hợp sử dụng lý tưởng để cá nhân hoá:
- Chế độ cài đặt tối ưu có thể khác nhau đối với mỗi người dùng.
- Bạn có thể dễ dàng đo lường mức độ thành công bằng cách sử dụng Analytics.
- Thay đổi về trải nghiệm người dùng được đề cập có rủi ro đủ thấp để có thể bạn không cần để xem xét cả ưu nhược điểm lẫn nhau hoặc xem xét thủ công.