DURHAM – Selama beberapa tahun terakhir, dunia telah menyaksikan kebangkitan gig economy, sebuah pasar tenaga kerja yang sangat bergantung pada pekerjaan sementara yang dilakukan oleh kontraktor independen dan pekerja lepas.
Menurut survei baru-baru ini, 59 juta orang Amerika, atau lebih dari sepertiga seluruh angkatan kerja Amerika, mengalaminya melakukan pekerjaan lepas dalam satu tahun terakhir. Banyak yang menemukan pertunjukan tersebut melalui platform online seperti Upwork, TaskRabbit, atau Fiverr, yang membantu menghubungkan pelanggan dengan penyedia layanan freelance.
Salah satu tantangan terbesar yang dihadapi platform ini adalah menemukan kecocokan terbaik antara pelanggan dan pekerja lepas. Klien seringkali mempunyai kebutuhan spesifik yang tidak semua pekerja dapat penuhi dengan baik. Masalah jenis ini merupakan salah satu dari sekian banyak bidang penelitian yang dikembangkan Jiaming Xu, profesor madya dalam ilmu keputusan di Duke University's Sekolah Bisnis Fuqua.
Minat penelitian utama Xu adalah mengembangkan algoritma untuk menyimpulkan informasi berguna dari data jaringan. “Kami menemukan berbagai jenis jaringan dalam aplikasi bisnis, teknik, dan bahkan ilmu alam,” katanya. “Pertanyaan kuncinya adalah bagaimana mengekstraksi informasi yang berguna dari jaringan ini untuk memandu pengambilan keputusan di sektor hilir.”
Jiaming Xu (foto Universitas Duke),
Jaringan ini, seperti yang ditemukan di dunia nyata, cenderung sangat besar dan kompleks, terkadang melibatkan jutaan node dan berbagai jenis tautan di antara jaringan tersebut. Selain itu, data yang diamati mungkin mengandung noise atau parsial. “Saya bekerja untuk mengembangkan algoritma terukur yang dapat berjalan sangat cepat dan, pada saat yang sama, mengekstrak informasi jenis ini bahkan ketika hanya ada sinyal yang sangat lemah dalam data,” kata Xu.
Berurusan dengan ketidakpastian
Dalam kasus platform freelance, mencocokkan klien dan penyedia layanan bisa jadi sangat sulit karena ketidakpastian yang melekat pada prosesnya. Pertama-tama, platform tidak mengetahui sebelum suatu layanan dilakukan seberapa efisien seorang pekerja lepas tertentu dalam menyelesaikan tugas tertentu yang diberikan oleh klien. Dengan kata lain, imbalan klien tidak diketahui.
Persoalan lainnya adalah populasi klien sangat dinamis. Mereka biasanya tiba di peron untuk memenuhi kebutuhan tertentu, tinggal beberapa waktu dan berangkat setelah mendapatkan layanan. Statistik kedatangan dan keberangkatan pelanggan juga tidak diketahui sebelumnya. Selain itu, setiap pekerja lepas mempunyai kapasitas terbatas dalam memenuhi layanan, sebuah kendala yang juga perlu dipertimbangkan. “Itulah ketidakpastian kedua—bagaimana mencocokkan pelanggan dengan pekerja lepas dengan cara yang tidak menyebabkan kemacetan dalam sistem,” kata Xu.
Bersama dengan rekan penulisnya—Wei-Kang Hsu, seorang insinyur algoritme pembelajaran mesin yang saat ini bekerja di Apple, Xiaojun Lin, seorang profesor teknik elektro dan komputer di Universitas Purdue, dan Mark R.Bel, juga seorang profesor teknik elektro dan komputer di Universitas Purdue—Xu membahas masalah ini di makalahnya “Pembelajaran Online Terintegrasi dan Kontrol Adaptif dalam Sistem Antrian dengan Hasil yang Tidak Pasti,” diterbitkan oleh jurnal tersebut Operasi pencarian.
“Kami mempelajari ini sebagai masalah pencocokan online,” katanya. “Tujuannya adalah untuk menemukan kecocokan ini dan, pada saat yang sama, mempelajari hasil yang tidak diketahui dan juga memastikan sistem stabil dan tidak macet. Kemudian kami dapat memaksimalkan total keuntungan untuk platform online.”
Dalam skenario kasus yang ideal, platform secara bertahap akan mempelajari preferensi setiap klien dari trial and error. Namun, di dunia nyata, sistem tidak boleh mengalami terlalu banyak kesalahan. Jika kebutuhan klien tidak terpenuhi, mereka akan meninggalkan platform setelah beberapa kali mencoba, sehingga kurva pembelajarannya harus cepat. “Tantangannya adalah Anda ingin mempelajari preferensi pelanggan dengan cepat berdasarkan masukan atau hasil penugasan,” kata Xu.
Dalam pembelajaran mesin, dilema ini dikenal sebagai trade-off eksplorasi vs eksploitasi. Jika Anda terus menjelajahi pertandingan baru, Anda mungkin mengorbankan kepuasan pelanggan. Namun jika Anda tidak menjelajah, Anda mungkin juga kehilangan kesempatan untuk menemukan pasangan terbaik. “Itulah mengapa Anda ingin menjelajah, tetapi jangan terlalu banyak, karena Anda mungkin akan kehilangan banyak hasil atau keuntungan.”
Berpikir optimis
Untuk membantu memecahkan dilema ini, Xu dan rekan-rekannya menggunakan algoritma batas kepercayaan atas, yang membantu menggabungkan eksplorasi dan eksploitasi untuk mendapatkan hasil terbaik secepat mungkin.
Berdasarkan pendekatan tersebut, ketika performa dari suatu kecocokan potensial tidak diketahui, algoritme ini secara optimis berasumsi bahwa terdapat peluang yang lebih tinggi untuk menjadi kecocokan yang baik. Dengan kata lain, ketika ketidakpastian tinggi, hasil yang diperoleh akan “meningkat” secara optimis. Setelah Anda berkesempatan mengamati performa sebuah pertandingan berulang kali, Anda tidak perlu membesar-besarkan hasilnya karena ada keyakinan yang lebih tinggi bahwa Anda mengamati sesuatu yang mendekati performa rata-rata sebenarnya dari pertandingan tersebut.
“Anda selalu memilih kecocokan terbaik berdasarkan hasil yang dilebih-lebihkan, bukan hasil pengamatan sebenarnya. Ini disebut batas kepercayaan atas dan pada dasarnya itulah cara kami mempelajari preferensi pelanggan saat melakukan pencocokan,” kata Xu.
Mencocokkan secara adil
Saat menemukan kecocokan terbaik untuk setiap pelanggan, algoritme juga harus memperhitungkan keterbatasan kapasitas setiap penyedia layanan dan ketidakpastian kedatangan klien. Mencocokkan dengan rakus untuk memaksimalkan perkiraan hasil saat ini ternyata sangat tidak optimal. “Kami merumuskan ini sebagai masalah optimasi. Ada beberapa batasan kapasitas untuk setiap server dan Anda harus memastikan bahwa Anda tidak melanggarnya. Selain itu, setiap klien dikaitkan dengan fungsi utilitas dari tarif layanan yang diterima dan Anda perlu memaksimalkan total utilitas dan perkiraan hasil yang sesuai.” Fungsi utilitas mendorong keadilan dalam pencocokan, yang diinginkan dalam dua cara. Pertama, mereka mempunyai pandangan terhadap masa depan, sehingga kita dapat mencapai keseimbangan yang tepat antara keuntungan saat ini dan masa depan. Kedua, ia juga mengontrol proses pembelajaran semua klien dengan cara yang adil, sehingga bahkan klien dengan perkiraan imbalan yang rendah masih bisa menerima layanan dan meningkatkan perkiraan imbalannya.
Untuk mengevaluasi kinerja algoritme, Xu dan rekan-rekannya menghitung tingkat penyesalan, yang membandingkan hasil algoritme baru dengan hasil oracle yang mengetahui semua dinamika dan preferensi klien sebelumnya. “Kami menunjukkan bahwa penyesalannya sangat kecil dan akan berkurang jika Anda menjalankan sistem untuk waktu yang lebih lama,” kata Xu. Penyesalan juga berkurang jika pelanggan tertentu memberikan banyak tugas. Dalam hal ini, sistem menjadi semakin baik dalam mempelajari preferensi klien.
Kontribusi utama dari makalah ini adalah untuk mengusulkan solusi yang mengatasi ketidakpastian yang melekat pada platform jenis ini. Penelitian sebelumnya dalam literatur mengasumsikan sebuah skenario di mana tingkat kedatangan berbagai jenis pelanggan ke platform dan hasil yang sesuai telah diketahui sebelumnya. “Dalam kasus kami, kami tidak perlu mengetahui informasi ini. Kami dapat secara dinamis mengalokasikan tugas kami sebagai respons terhadap tingkat kedatangan yang berbeda dan imbalan yang sesuai. Itulah hal yang menarik tentang algoritme dan kebijakan kami.”
Xu mengatakan dia sangat tertarik mempelajari jaringan karena banyak sistem dan platform dengan aplikasi bisnis dapat dimodelkan sebagai jaringan. Salah satu bidang penelitiannya adalah privasi data jaringan dan betapa mudahnya informasi dapat ditelusuri kembali ke masing-masing pengguna. “Jaringan secara visual sangat menarik karena Anda dapat menggambar simpul, tepi, dan menjelaskannya dengan mudah kepada audiens,” katanya. “Pada saat yang sama, ada matematika yang sangat mendalam di baliknya.”
(C) Universitas Duke
Catatan: Cerita ini awalnya diterbitkan di: https://www.fuqua.duke.edu/duke-fuqua-insights/finding-best-match-between-clients-and-freelancers-online-platforms
