DURHAM – De afgelopen jaren heeft de wereld de opkomst gezien van de gig-economie, een arbeidsmarkt die sterk afhankelijk is van tijdelijk werk door onafhankelijke contractanten en freelancers.
Volgens een recent onderzoek hebben 59 miljoen Amerikanen, of meer dan een derde van de gehele Amerikaanse beroepsbevolking, freelancewerk verricht in het afgelopen jaar. Velen vinden die optredens via online platforms zoals Upwork, TaskRabbit of Fiverr, die klanten helpen in contact te komen met freelance dienstverleners.
Een van de grootste uitdagingen waarmee deze platforms worden geconfronteerd, is het vinden van de beste match tussen klanten en freelancers. Klanten hebben vaak specifieke behoeften die niet alle medewerkers goed kunnen vervullen. Dit soort problemen is een van de vele onderzoekslijnen die door dit type worden ontwikkeld Jiaming Xu, universitair hoofddocent beslissingswetenschappen aan de Duke University Fuqua School of Business.
Xu’s belangrijkste onderzoeksinteresse is het ontwikkelen van algoritmen om nuttige informatie uit netwerkgegevens af te leiden. “We komen veel verschillende soorten netwerken tegen in zakelijke toepassingen, techniek en zelfs in de natuurwetenschappen”, zegt hij. “De belangrijkste vraag is hoe we nuttige informatie uit deze netwerken kunnen halen om de besluitvorming verderop in de keten te begeleiden.”
Jiaming Xu (foto Duke University),
Deze netwerken zijn, zoals ze in de echte wereld voorkomen, vaak erg groot en complex, en omvatten soms miljoenen knooppunten en verschillende soorten verbindingen daartussen. Bovendien kunnen de waargenomen gegevens ruis of gedeeltelijk bevatten. “Ik werk aan de ontwikkeling van schaalbare algoritmen die heel snel kunnen werken en tegelijkertijd dit soort informatie kunnen extraheren, zelfs als er maar een heel zwak signaal in de data zit”, zegt Xu.
Omgaan met onzekerheden
In het geval van freelanceplatforms kan het matchen van klanten en dienstverleners bijzonder moeilijk zijn vanwege de onzekerheden die inherent zijn aan het proces. Allereerst weet het platform voordat een dienst wordt uitgevoerd niet hoe efficiënt een bepaalde freelancer zal zijn in het voltooien van een bepaalde taak die door een klant is toegewezen. Met andere woorden, de uitbetaling van de klant is onbekend.
Een ander probleem is dat de klantenpopulatie zeer dynamisch is. Ze komen meestal op het platform aan om aan een bepaalde behoefte te voldoen, blijven er een tijdje en vertrekken nadat ze de dienst hebben verkregen. Ook de statistieken over aankomst en vertrek van klanten zijn op voorhand onbekend. Bovendien heeft elke freelancer een beperkte capaciteit om diensten te verlenen, een beperking waarmee ook rekening moet worden gehouden. “Dat is de tweede onzekerheid: hoe kunnen we klanten en freelancers matchen op een manier die geen opstoppingen in het systeem veroorzaakt”, zegt Xu.
Samen met zijn co-auteurs-Wei-Kang Hsu, een machine learning-algoritme-ingenieur die momenteel bij Apple werkt, Xiaojun Lin, een professor in elektrische en computertechniek aan de Purdue University, en Mark R.Bell, ook hoogleraar elektrotechniek en computertechniek aan de Purdue University, heeft Xu dit probleem in de paper onderzocht “Geïntegreerd online leren en adaptieve controle in wachtrijsystemen met onzekere uitbetalingen,” gepubliceerd door het tijdschrift Operations Research.
“We hebben dit onderzocht als een online matchingprobleem”, zegt hij. “Het doel is om deze match te vinden en tegelijkertijd de onbekende uitbetalingen te leren kennen en er ook voor te zorgen dat het systeem stabiel is en niet overbelast. Dan kunnen we de totale opbrengst voor het online platform maximaliseren.”
In het ideale geval zou het platform met vallen en opstaan geleidelijk de voorkeuren van elke klant leren kennen. In de echte wereld kan het systeem zich echter niet te veel fouten permitteren. Als de behoeften van de klant onvervuld blijven, verlaten ze het platform na een paar pogingen gewoon, dus de leercurve moet snel zijn. “De uitdaging is dat je op de een of andere manier heel snel de voorkeuren van de klant wilt leren kennen op basis van de feedback of de uitkomst van de opdrachten”, zegt Xu.
Bij machinaal leren staat dit dilemma bekend als de afweging tussen exploratie en exploitatie. Als je nieuwe matches blijft ontdekken, kun je de tevredenheid van de klant opofferen. Maar als je niet op verkenning gaat, mis je misschien ook de kans om de best mogelijke match te vinden. "Daarom wil je ontdekken, maar niet te veel, omdat je uiteindelijk een groot deel van de uitbetaling of het voordeel kunt verliezen."
Optimistisch denken
Om dit dilemma te helpen oplossen, gebruikten Xu en zijn collega's het algoritme met een hoge betrouwbaarheidsgrens, dat helpt bij het combineren van exploratie en exploitatie om zo snel mogelijk het beste resultaat te behalen.
Bij deze benadering gaat dit algoritme, wanneer de prestaties van een potentiële match onbekend zijn, er optimistisch van uit dat de kans groter is dat die match een goede match is. Met andere woorden: als de onzekerheid groot is, zijn de resultaten optimistisch ‘opgeblazen’. Nadat je de kans hebt gehad om de prestaties van een wedstrijd keer op keer te observeren, hoef je de resultaten niet zo veel op te blazen, omdat er een groter vertrouwen is dat je iets waarneemt dat dicht bij de werkelijke gemiddelde prestatie van die wedstrijd ligt.
“Je kiest altijd de beste match op basis van de opgeblazen resultaten, niet de feitelijk waargenomen resultaten. Dit wordt de bovenste vertrouwensgrens genoemd en dat is eigenlijk hoe we de voorkeuren van de klant leren kennen terwijl we de matches doen”, zegt Xu.
Eerlijk matchen
Bij het vinden van de best mogelijke match voor elke klant, moet het algoritme ook rekening houden met de beperkte capaciteit van elke dienstverlener en de onzekerheid in de aankomst van klanten. Gewoon gretig matchen om de huidige geschatte uitbetalingen te maximaliseren, blijkt zeer suboptimaal. “Wij formuleren dit als een optimalisatieprobleem. Er zijn voor elke server enkele capaciteitsbeperkingen en u moet ervoor zorgen dat u deze niet schendt. Bovendien wordt elke klant geassocieerd met een nutsfunctie van het ontvangen servicetarief en moet je zowel de totale nutsvoorzieningen als de geschatte bijbehorende uitbetalingen maximaliseren.” De nutsfunctie bevordert eerlijkheid bij het matchen, wat op twee manieren wenselijk is. Ten eerste heeft het oog voor de toekomst, zodat we het juiste evenwicht kunnen vinden tussen de huidige en toekomstige uitbetalingen. Ten tweede controleert het ook de leerprocessen van alle klanten op een eerlijke manier, zodat zelfs klanten met lage geschatte uitbetalingen nog steeds enige service kunnen ontvangen en hun uitbetalingsschattingen kunnen verbeteren.
Om de prestaties van het algoritme te evalueren, berekenden Xu en zijn collega's het spijtpercentage, waarbij de resultaten van het nieuwe algoritme worden vergeleken met die van een orakel dat alle dynamiek en voorkeuren van de cliënt vooraf kent. “We hebben laten zien dat de spijt heel klein is en afneemt als je het systeem langer laat draaien”, zegt Xu. De spijt neemt ook af als een bepaalde klant meerdere taken toebedeelt. In dat geval wordt het systeem steeds beter in het leren van de voorkeuren van de klant.
De belangrijkste bijdrage van dit artikel is het voorstellen van een oplossing die de onzekerheid aanpakt die inherent is aan dit soort platforms. Eerder werk in de literatuur ging uit van een scenario waarin de aankomstpercentages van verschillende soorten klanten op het platform en de bijbehorende uitbetalingen vooraf bekend waren. “In ons geval hoeven we deze informatie niet te weten. We kunnen onze opdrachten dynamisch toewijzen als reactie op deze verschillende aankomstpercentages en bijpassende uitbetalingen. Dat is het interessante aan ons algoritme en ons beleid.”
Xu zegt dat hij vooral geïnteresseerd is in het bestuderen van netwerken, omdat veel systemen en platforms met bedrijfsapplicaties als netwerken kunnen worden gemodelleerd. Eén van zijn onderzoekslijnen is privacy van netwerkgegevens en hoe gemakkelijk informatie kan worden herleid tot individuele gebruikers. "Netwerken zijn visueel erg aantrekkelijk omdat je de knooppunten en randen daadwerkelijk kunt tekenen en deze gemakkelijk aan een publiek kunt uitleggen", zegt hij. “Tegelijkertijd zit er een zeer diepe wiskunde achter.”
(C) Duke Universiteit
Opmerking: dit verhaal is oorspronkelijk gepubliceerd op: https://www.fuqua.duke.edu/duke-fuqua-insights/finding-best-match-between-clients-and-freelancers-online-platforms
