{"id":7638,"date":"2020-04-26T16:07:10","date_gmt":"2020-04-26T16:07:10","guid":{"rendered":"https:\/\/blogging-techies.com\/fr\/quest-ce-que-le-bandit-multi-arme-comment-ce-test-est-il-utilise\/"},"modified":"2020-04-26T16:07:10","modified_gmt":"2020-04-26T16:07:10","slug":"quest-ce-que-le-bandit-multi-arme-comment-ce-test-est-il-utilise","status":"publish","type":"post","link":"https:\/\/blogging-techies.com\/fr\/quest-ce-que-le-bandit-multi-arme-comment-ce-test-est-il-utilise\/","title":{"rendered":"Qu'est-ce que le bandit multi arm\u00e9? Comment ce test est-il utilis\u00e9?"},"content":{"rendered":"

La plupart des lecteurs de ce blog connaissent les tests A \/ B. Pour rappel, les tests A \/ B sont une exp\u00e9rience dans laquelle un visiteur al\u00e9atoire de votre propri\u00e9t\u00e9 num\u00e9rique pr\u00e9sente une version diff\u00e9rente de l'original (\u00e9galement appel\u00e9 " control ") \u00e0 la recherche d'un optimiseur pour d\u00e9couvrir une version optimale qui maximise les conversions. Par exemple, c'est peut-\u00eatre le bouton rouge qui maximise les clics ou c'est peut-\u00eatre le bouton bleu. Qui sait? Eh bien, votre test A \/ B le saurait. Cependant, dans cette qu\u00eate pour maximiser les conversions, il y a un co\u00fbt que vous engagez: une partie importante de votre trafic est achemin\u00e9e vers une variante perdante qui r\u00e9duit directement les param\u00e8tres de votre entreprise (comme les ventes ou les conversions).<\/p>\n

Dans un test A \/ B, le co\u00fbt de l'augmentation des conversions serait en soi des conversions. Nous disons, touchez. "<\/p>\n

Prenons l'exemple de Jim. Jim, un analyste UX, qui travaille avec une marque mobile qui lancera son dernier et meilleur t\u00e9l\u00e9phone la semaine prochaine. Pour exag\u00e9rer la demande et d\u00e9clencher des ventes incendiaires, Jim d\u00e9cide de lancer des ventes flash sur son application mobile pendant 3 jours.<\/p>\n

Cependant, voici un avenant: Jim est conscient que la navigation dans l'application de la marque fait d\u00e9faut (il a men\u00e9 une enqu\u00eate aupr\u00e8s des utilisateurs actifs pour arriver \u00e0 la conclusion) et les visiteurs sont confront\u00e9s \u00e0 des frictions lors de la localisation du produit. Pour am\u00e9liorer la navigation, il d\u00e9cide de faire une exp\u00e9rience dans laquelle il cr\u00e9e une variante avec une navigation plus intuitive qui am\u00e8ne les utilisateurs directement \u00e0 l'entonnoir de vente flash pour tester si cette version r\u00e9soudrait les probl\u00e8mes de d\u00e9couverte du nouveau t\u00e9l\u00e9phone. En r\u00e9sum\u00e9, Jim essaie d'am\u00e9liorer un KPI crucial: le pourcentage de sessions dans lesquelles les utilisateurs ont pu d\u00e9couvrir le nouveau t\u00e9l\u00e9phone.<\/p>\n

Regardez les donn\u00e9es entrantes de l'exp\u00e9rience et notez que les param\u00e8tres de navigation dans l'application montrent une forte am\u00e9lioration. Mais Jim est trop content: il veut partager les premiers r\u00e9sultats avec les top managers et les enthousiasmer. Au moment o\u00f9 elle s'appr\u00eate \u00e0 p\u00e9n\u00e9trer dans la cabine du CMO avec une copie des premi\u00e8res tendances pour la convaincre de diriger plus de trafic vers la nouvelle navigation, un data scientist l'arr\u00eate.<\/p>\n

Jim, ces tendances sont excellentes, mais sont-elles statistiquement solides? O\u00f9 est le sens?<\/p>\n

"Mais nous n'avons pas le temps d'attendre! La vente se termine dans 3 jours!" Grogna Jim.<\/p>\n

Qui a raison? Jim, qui est charg\u00e9 de faire de son mieux en 3 jours ou le data scientist qui remet en question la signification statistique. Eh bien, ils le sont tous les deux et voici pourquoi. Rappelez-vous le commentaire pr\u00e9c\u00e9dent sur le co\u00fbt de l'augmentation des conversions, \u00e9tant des conversions? La situation de Jim justifie une approche qui minimise le co\u00fbt de l'ex\u00e9cution d'un test A \/ B. La perte de conversions due \u00e0 une variation sous-performante est appel\u00e9e regret bay\u00e9sien. Il est particuli\u00e8rement important de minimiser les regrets dans les situations d'urgence ou dans les cas o\u00f9 le co\u00fbt d'une mauvaise variance est suffisamment \u00e9lev\u00e9 pour que les entreprises h\u00e9sitent \u00e0 ex\u00e9cuter des tests A \/ B. Puisque Jim s'appuie sur une fen\u00eatre de trois jours pour maximiser ventes, ne peut pas attendre la signification statistique ET perdre des conversions, qui prennent parfois des semaines (ou des mois, sur les sites Web \u00e0 faible trafic). Si vous attendez une signification statistique, vous ne pourrez pas utiliser les r\u00e9sultats car la fen\u00eatre de 3 jours sera termin\u00e9e.<\/p>\n

Si Jim avait des algorithmes de bandit multi-armes \u00e0 utiliser, ce probl\u00e8me ne se serait pas produit. Voil\u00e0 pourquoi.<\/p>\n

<\/figure>\n

<\/span>Que sont les bandits multi-arm\u00e9s?<\/span><\/h2>\n

Le MAB est un type de test A \/ B qui utilise l'apprentissage automatique pour apprendre des donn\u00e9es collect\u00e9es pendant le test afin d'augmenter dynamiquement l'allocation des visiteurs en faveur de variations plus performantes. Cela signifie que les variations qui ne sont pas bonnes obtiennent de moins en moins d'allocation de trafic au fil du temps. Le concept de \u00abr\u00e9partition dynamique du trafic\u00bb est au c\u0153ur du MAB: il s'agit d'une m\u00e9thode statistiquement robuste permettant d'identifier en permanence le degr\u00e9 de surperformance d'une version et de diriger la plupart du trafic de mani\u00e8re dynamique et en temps r\u00e9el vers la variante gagnante.<\/p>\n

Ce que le MAB garantit, c'est que, contrairement au test A \/ B, au cours du test, le nombre total de conversions sera maximis\u00e9. Le compromis avec le test A \/ B est que la certitude statistique est en arri\u00e8re-plan dans le MAB car l'accent est mis sur les conversions et la recherche des taux de conversion exacts (de toutes les variations, y compris les moins performantes).<\/p>\n

<\/span>Le probl\u00e8me des bandits multi-arm\u00e9s<\/span><\/h2>\n

Le MAB est nomm\u00e9 d'apr\u00e8s une exp\u00e9rience de pens\u00e9e dans laquelle un joueur doit choisir entre plusieurs machines \u00e0 sous avec diff\u00e9rents paiements, et la t\u00e2che d'un joueur est de maximiser le montant d'argent qu'il ram\u00e8ne \u00e0 la maison. Imaginez un instant que vous \u00eates le joueur. Comment maximiseriez-vous vos profits? <\/p>\n

Comme vous avez le choix entre plusieurs machines \u00e0 sous, vous pouvez d\u00e9terminer les paiements en prenant des risques avec toutes les machines, en collectant suffisamment de donn\u00e9es jusqu'\u00e0 ce que vous sachiez avec certitude quelle machine est la meilleure. Faire cela vous r\u00e9v\u00e9lera le taux de paiement exact de toutes les machines \u00e0 sous, mais dans le processus, vous auriez gaspill\u00e9 beaucoup d'argent sur les machines \u00e0 bas prix. C'est ce qui se passe dans un test A \/ B. Ou, vous pouvez vous concentrer plus rapidement sur certaines machines \u00e0 sous, \u00e9valuer les b\u00e9n\u00e9fices comme dans le cas pr\u00e9c\u00e9dent et maximiser vos investissements dans ces machines \u00e0 sous pour obtenir des b\u00e9n\u00e9fices plus \u00e9lev\u00e9s. C'est ce qui se passe dans le MAB.<\/p>\n

\"Une
Source d'image (1)<\/figure>\n

<\/span>Exploration et exploitation<\/span><\/h2>\n

Pour mieux comprendre le MAB, il existe deux piliers qui alimentent cet algorithme: "l'exploration" et "l'exploitation". La plupart des tests A \/ B classiques sont, par conception, pour toujours en mode "scan"; apr\u00e8s tout, d\u00e9terminer des r\u00e9sultats statistiquement significatifs est sa raison d'\u00eatre, d'o\u00f9 une perp\u00e9tuelle exploration. Dans un test A \/ B, le but est de d\u00e9couvrir le taux de conversion exact des variations. MAB ajoute une touche aux tests A \/ B: l'exploitation. En raison de la texture, de l'exploitation et de l'exploration “ maximiser les conversions et les b\u00e9n\u00e9fices '' du MAB, ex\u00e9cut\u00e9es en parall\u00e8le, comme une voie ferr\u00e9e – pensez \u00e0 l'algorithme qui scanne \u00e0 un taux de nombreux visiteurs par seconde, atteignant des lignes gagnantes en constante \u00e9volution et allouer en permanence la majeure partie de votre trafic de mani\u00e8re dynamique \u00e0 la variante qui a les meilleures chances de gagner \u00e0 ce moment (exploitation).<\/p>\n

Il peut sembler que le MAB utilise des heuristiques pour mapper plus de trafic \u00e0 une meilleure variance de performances. Cependant, sous le capot, la mise en \u0153uvre par VWO du MAB est statistiquement robuste. VWO utilise un mod\u00e8le math\u00e9matique pour mettre \u00e0 jour en permanence les taux de conversion de variance estim\u00e9s et attribue la r\u00e9partition du trafic en proportion directe \u00e0 ces estimations. \u00c0 mesure que l'estimation de la meilleure variance de performances s'am\u00e9liore, cette variance obtient un pourcentage de trafic plus \u00e9lev\u00e9. Si vous souhaitez apprendre les math\u00e9matiques de l'algorithme VWO MAB, vous pouvez en savoir plus sur un concept appel\u00e9 Thompson Sampling (1).<\/p>\n

Pendant le cycle de test, l'algorithme \u00e9quilibre entre les phases d'exploration et d'exploitation. Au fur et \u00e0 mesure que les utilisateurs \u00e0 hautes performances obtiennent plus de conversions, la r\u00e9partition du trafic continue d'augmenter, atteignant un point o\u00f9 la grande majorit\u00e9 des utilisateurs re\u00e7oivent la meilleure variance de performances. De cette fa\u00e7on, MAB permet \u00e0 Jim, \u00e0 partir de notre exemple pr\u00e9c\u00e9dent, d'impl\u00e9menter progressivement la meilleure version de son application mobile, sans avoir \u00e0 attendre que ses tests atteignent une signification statistique.<\/p>\n

\"Une<\/figure>\n

<\/span>Si le MAB semble si \u00e9tonnant, pourquoi quelqu'un ferait-il des tests A \/ B?<\/span><\/h2>\n

Il est important de comprendre que les tests A \/ B et MAB servent des cas d'utilisation diff\u00e9rents car leur approche est diff\u00e9rente. Un test A \/ B est effectu\u00e9 pour collecter des donn\u00e9es avec la fiabilit\u00e9 statistique associ\u00e9e. Une entreprise utilise ensuite les donn\u00e9es collect\u00e9es, les interpr\u00e8te dans un contexte plus large, puis prend une d\u00e9cision. <\/p>\n

Au contraire, MAB est un algorithme d'optimisation qui maximise une m\u00e9trique donn\u00e9e (qui sont des conversions d'un type particulier dans le contexte de VWO). Il n'y a pas d'\u00e9tape interm\u00e9diaire d'interpr\u00e9tation et d'analyse, car l'algorithme MAB ajuste automatiquement le trafic.<\/p>\n

Cela signifie que les tests A \/ B sont parfaits dans les cas o\u00f9:<\/p>\n