Los algoritmos de economía gig del profesor de Duke pueden ayudar a unir a los trabajadores independientes con los proveedores de servicios

Según una encuesta reciente, 59 millones de estadounidenses, o más de un tercio de toda la fuerza laboral estadounidense, tienen realizó trabajos independientes en el año pasado. Muchos encuentran esos trabajos a través de plataformas en línea como Upwork, TaskRabbit o Fiverr, que ayudan a conectar a los clientes con proveedores de servicios independientes.

Uno de los mayores desafíos que enfrentan estas plataformas es encontrar la mejor combinación entre clientes y autónomos. Los clientes suelen tener necesidades específicas que no todos los trabajadores pueden satisfacer adecuadamente. Este tipo de problemas es una de las muchas líneas de investigación que está desarrollando Jiaming Xu, profesor asociado en ciencias de la decisión en la Universidad de Duke Escuela de Negocios Fuqua.

El principal interés de investigación de Xu es desarrollar algoritmos para inferir información útil a partir de datos de la red. "Encontramos muchos tipos diferentes de redes en aplicaciones empresariales, ingeniería e incluso en ciencias naturales", afirma. "La cuestión clave es cómo extraer información útil de estas redes para guiar la toma de decisiones posteriores".

Estas redes, tal como se encuentran en el mundo real, tienden a ser muy grandes y complejas, y a veces involucran millones de nodos y diferentes tipos de enlaces entre ellos. Además de eso, los datos observados pueden ser ruidosos o parciales. "Trabajo para desarrollar algoritmos escalables que puedan ejecutarse muy rápido y, al mismo tiempo, extraer este tipo de información incluso cuando solo hay una señal muy débil en los datos", dice Xu.

Lidiar con las incertidumbres

En el caso de las plataformas independientes, poner en contacto a clientes y proveedores de servicios puede resultar especialmente difícil debido a las incertidumbres inherentes al proceso. En primer lugar, la plataforma no sabe, antes de realizar un servicio, qué tan eficiente será un trabajador independiente determinado al completar una determinada tarea asignada por un cliente. En otras palabras, se desconoce el pago del cliente.

Otro problema es que la población de clientes es muy dinámica. Suelen llegar a la plataforma para satisfacer una determinada necesidad, permanecen un tiempo y se marchan tras obtener el servicio. Las estadísticas de llegadas y salidas de clientes también se desconocen de antemano. Además, cada trabajador autónomo tiene una capacidad limitada para prestar servicios, una limitación que también debe tenerse en cuenta. "Ésa es la segunda incertidumbre: cómo conectar a los clientes con los trabajadores independientes de una manera que no cause congestión en el sistema", dice Xu.

Junto con sus coautores—Wei-Kang Hsu, ingeniero de algoritmos de aprendizaje automático actualmente en Apple, Xiaojun Lin, profesor de ingeniería eléctrica e informática en la Universidad Purdue, y marca r campana, también profesor de ingeniería eléctrica e informática en la Universidad Purdue. Xu analizó este problema en el artículo. "Aprendizaje en línea integrado y control adaptativo en sistemas de colas con resultados inciertos" publicado por la revista La investigación de operaciones.

"Estudiamos esto como un problema de correspondencia en línea", dice. “El objetivo es encontrar esta coincidencia y, al mismo tiempo, conocer los beneficios desconocidos y también asegurarse de que el sistema sea estable y no esté congestionado. Entonces podremos maximizar el beneficio total de la plataforma en línea”.

En un escenario ideal, la plataforma aprendería gradualmente las preferencias de cada cliente mediante prueba y error. Sin embargo, en el mundo real el sistema no puede permitirse demasiados errores. Si las necesidades del cliente no se satisfacen, simplemente abandonarán la plataforma después de algunos intentos, por lo que la curva de aprendizaje debe ser rápida. "El desafío es que de alguna manera se quiere conocer muy rápidamente las preferencias del cliente basándose en la retroalimentación o el resultado de las tareas", dice Xu.

En el aprendizaje automático, este dilema se conoce como equilibrio entre exploración y explotación. Si sigue explorando nuevas coincidencias, puede sacrificar la satisfacción del cliente. Pero si no explora, también puede perder la oportunidad de encontrar la mejor combinación posible. "Es por eso que desea explorar, pero no demasiado, porque puede terminar perdiendo gran parte de la recompensa o beneficio".

Pensando con optimismo

Para ayudar a resolver este dilema, Xu y sus colegas utilizaron el algoritmo de límite superior de confianza, que ayuda a combinar exploración y explotación para obtener el mejor resultado lo más rápido posible.

Según ese enfoque, cuando se desconoce el rendimiento de una posible coincidencia, este algoritmo asume de manera optimista que existe una mayor probabilidad de que sea una buena coincidencia. En otras palabras, cuando la incertidumbre es alta, los resultados están “inflados” de manera optimista. Después de haber tenido la oportunidad de observar el rendimiento de un partido una y otra vez, no es necesario inflar tanto los resultados porque hay mayor confianza de que estás observando algo cercano al rendimiento promedio real de ese partido.

“Siempre se elige la mejor combinación basándose en los resultados inflados, no en los resultados reales observados. Esto se llama límite superior de confianza y así es básicamente como aprendemos las preferencias del cliente mientras hacemos las coincidencias”, dice Xu.

Coincidiendo justamente

Al encontrar la mejor opción posible para cada cliente, el algoritmo también debe tener en cuenta la capacidad limitada de cada proveedor de servicios y la incertidumbre en la llegada de clientes. Simplemente hacer coincidir con avidez para maximizar los beneficios estimados actuales resulta ser muy subóptimo. “Formulamos esto como un problema de optimización. Existen algunas limitaciones de capacidad para cada servidor y debe asegurarse de no violarlas. Además, cada cliente está asociado con una función de utilidad de la tarifa del servicio recibido y es necesario maximizar tanto las utilidades totales como los pagos equivalentes estimados”. La función de utilidad promueve la equidad en el emparejamiento, lo cual es deseable de dos maneras. En primer lugar, tiene visión para el futuro, de modo que podamos lograr el equilibrio adecuado entre los beneficios actuales y futuros. En segundo lugar, también controla los procesos de aprendizaje de todos los clientes de manera justa, de modo que incluso los clientes con ganancias estimadas bajas puedan recibir algún servicio y mejorar sus estimaciones de ganancias.

Para evaluar el rendimiento del algoritmo, Xu y sus colegas calcularon la tasa de arrepentimiento, que compara los resultados del nuevo algoritmo con los de un oráculo que conoce de antemano todas las dinámicas y preferencias de los clientes. "Demostramos que el arrepentimiento es muy pequeño y disminuye si se ejecuta el sistema durante más tiempo", dice Xu. El arrepentimiento también disminuye si un cliente en particular asigna varias tareas. En ese caso, el sistema se vuelve cada vez más bueno a la hora de conocer las preferencias del cliente.

La principal contribución de este artículo es proponer una solución que aborde la incertidumbre inherente a este tipo de plataformas. Trabajos anteriores en la literatura asumieron un escenario donde las tasas de llegada de diferentes tipos de clientes a la plataforma y los pagos correspondientes se conocían de antemano. “En nuestro caso, no necesitamos conocer esta información. Podemos asignar dinámicamente nuestras asignaciones en respuesta a estas diferentes tasas de llegada y pagos correspondientes. Eso es lo interesante de nuestro algoritmo y política”.

Xu dice que se siente especialmente atraído por el estudio de redes porque muchos sistemas y plataformas con aplicaciones comerciales pueden modelarse como redes. Una de sus líneas de investigación es privacidad de datos de red y la facilidad con la que se puede rastrear la información hasta llegar a usuarios individuales. "Las redes son visualmente muy atractivas porque puedes dibujar los nodos, los bordes y explicarlos fácilmente a la audiencia", dice. "Al mismo tiempo, detrás de ellos hay una matemática muy profunda".

(C) Universidad de Duke

Nota: Esta historia fue publicada originalmente en: https://www.fuqua.duke.edu/duke-fuqua-insights/finding-best-match-between-clients-and-freelancers-online-platforms