Algoritmos de gig economy do professor Duke podem ajudar a combinar freelancers e prestadores de serviços

De acordo com uma pesquisa recente, 59 milhões de americanos, ou mais de um terço de toda a força de trabalho dos EUA, têm realizou trabalho freelance no ano passado. Muitos encontram esses trabalhos por meio de plataformas online como Upwork, TaskRabbit ou Fiverr, que ajudam a conectar clientes com prestadores de serviços autônomos.

Um dos maiores desafios que essas plataformas enfrentam é encontrar a melhor combinação entre clientes e freelancers. Os clientes muitas vezes têm necessidades específicas que nem todos os trabalhadores conseguem satisfazer adequadamente. Esse tipo de problema é uma das muitas linhas de pesquisa desenvolvidas pela Jiaming Xu, professor associado em ciências da decisão na Universidade Duke Escola de Negócios Fuqua.

O principal interesse de pesquisa de Xu é desenvolver algoritmos para inferir informações úteis a partir de dados de rede. “Encontramos muitos tipos diferentes de redes em aplicações de negócios, engenharia e até mesmo nas ciências naturais”, diz ele. “A questão principal é como extrair informações úteis dessas redes para orientar a tomada de decisões a jusante.”

Estas redes, tal como são encontradas no mundo real, tendem a ser muito grandes e complexas, envolvendo por vezes milhões de nós e diferentes tipos de ligações entre eles. Além disso, os dados observados podem ser ruidosos ou parciais. “Trabalho para desenvolver algoritmos escaláveis ​​que possam rodar muito rápido e, ao mesmo tempo, extrair esse tipo de informação mesmo quando há apenas um sinal muito fraco nos dados”, diz Xu.

Lidando com incertezas

No caso de plataformas freelance, a correspondência entre clientes e prestadores de serviços pode ser especialmente difícil devido às incertezas inerentes ao processo. Em primeiro lugar, a plataforma não sabe, antes de um serviço ser executado, quão eficiente será um determinado freelancer na execução de uma determinada tarefa atribuída por um cliente. Em outras palavras, o retorno do cliente é desconhecido.

Outra questão é que a população de clientes é muito dinâmica. Geralmente chegam à plataforma para atender uma determinada necessidade, permanecem por algum tempo e partem após a obtenção do serviço. As estatísticas de chegadas e saídas de clientes também são desconhecidas de antemão. Além disso, cada freelancer tem uma capacidade limitada para cumprir serviços, um constrangimento que também precisa de ser considerado. “Essa é a segunda incerteza: como combinar clientes com freelancers de uma forma que não cause congestionamento no sistema”, diz Xu.

Junto com seus coautores—Wei-Kang Hsu, engenheiro de algoritmos de aprendizado de máquina atualmente na Apple, Xiaojun Lin, professor de engenharia elétrica e de computação na Purdue University, e Marcos R. Bell, também professor de engenharia elétrica e de computação na Purdue University – Xu analisou esse problema no artigo “Aprendizagem Online Integrada e Controle Adaptativo em Sistemas de Filas com Resultados Incertos,” publicado pela revista Pesquisa Operacional.

“Estudamos isso como um problema de correspondência online”, diz ele. “O objetivo é encontrar essa correspondência e, ao mesmo tempo, aprender os resultados desconhecidos e também garantir que o sistema esteja estável e não congestionado. Então poderemos maximizar o retorno total da plataforma online.”

Em um cenário ideal, a plataforma aprenderia gradualmente as preferências de cada cliente por tentativa e erro. No mundo real, entretanto, o sistema não pode permitir muitos erros. Caso as necessidades do cliente não sejam atendidas, ele simplesmente sairá da plataforma após algumas tentativas, portanto a curva de aprendizado deve ser rápida. “O desafio é que você deseja aprender de alguma forma muito rapidamente as preferências do cliente com base no feedback ou no resultado das tarefas”, diz Xu.

No aprendizado de máquina, esse dilema é conhecido como compensação entre exploração e exploração. Se você continuar explorando novas combinações, poderá sacrificar a satisfação do cliente. Mas se você não explorar, também poderá perder a chance de encontrar a melhor combinação possível. “É por isso que você quer explorar, mas não muito, porque pode acabar perdendo grande parte da recompensa ou benefício.”

Pensando com otimismo

Para ajudar a resolver esse dilema, Xu e seus colegas usaram o algoritmo de limite de confiança superior, que ajuda a combinar exploração e exploração para obter o melhor resultado o mais rápido possível.

Sob essa abordagem, quando o desempenho de uma correspondência potencial é desconhecido, este algoritmo assume de forma otimista que há uma chance maior de que seja uma boa correspondência. Por outras palavras, quando a incerteza é elevada, os resultados são “inflacionados” de forma optimista. Depois de ter tido a oportunidade de observar o desempenho de uma partida repetidas vezes, você não precisa inflacionar tanto os resultados porque há maior confiança de que você está observando algo próximo do desempenho médio real daquela partida.

“Você sempre escolhe a melhor correspondência com base nos resultados inflacionados, não nos resultados reais observados. Isso é chamado de limite superior de confiança e é basicamente assim que aprendemos as preferências do cliente enquanto fazemos as correspondências”, diz Xu.

Correspondência justa

Ao mesmo tempo que procura a melhor correspondência possível para cada cliente, o algoritmo também deve ter em conta a capacidade limitada de cada prestador de serviços e a incerteza na chegada de clientes. Simplesmente combinar avidamente para maximizar os atuais retornos estimados revela-se altamente abaixo do ideal. “Formulamos isso como um problema de otimização. Existem algumas restrições de capacidade para cada servidor e você deve ter certeza de não violá-las. Além disso, cada cliente está associado a uma função de utilidade da taxa de serviço recebida e você precisa maximizar tanto o total de utilidades quanto os pagamentos correspondentes estimados.” A função de utilidade promove justiça na correspondência, o que é desejável de duas maneiras. Em primeiro lugar, está de olho no futuro, para que possamos encontrar o equilíbrio certo entre os benefícios atuais e futuros. Em segundo lugar, também controla os processos de aprendizagem de todos os clientes de uma forma justa, de modo que mesmo os clientes com baixos retornos estimados ainda possam receber algum serviço e melhorar as suas estimativas de retorno.

Para avaliar o desempenho do algoritmo, Xu e seus colegas calcularam a taxa de arrependimento, que compara os resultados do novo algoritmo com o de um oráculo que conhece previamente toda a dinâmica e preferências dos clientes. “Mostramos que o arrependimento é muito pequeno e diminui se o sistema for executado por mais tempo”, diz Xu. O arrependimento também diminui se um determinado cliente atribuir múltiplas tarefas. Nesse caso, o sistema fica cada vez mais bom em aprender as preferências do cliente.

A principal contribuição deste artigo é propor uma solução que aborde a incerteza inerente a este tipo de plataformas. Trabalhos anteriores na literatura assumiram um cenário onde as taxas de chegada de diferentes tipos de clientes à plataforma e os pagamentos correspondentes eram conhecidos de antemão. “No nosso caso, não precisamos saber essa informação. Podemos alocar dinamicamente nossas atribuições em resposta a essas diferentes taxas de chegada e pagamentos correspondentes. Essa é a coisa interessante sobre nosso algoritmo e política.”

Xu diz que está especialmente interessado em estudar redes porque muitos sistemas e plataformas com aplicações de negócios podem ser modelados como redes. Uma de suas linhas de pesquisa é privacidade de dados de rede e com que facilidade as informações podem ser rastreadas até usuários individuais. “As redes são visualmente muito atraentes porque você pode realmente desenhar os nós, as bordas, e explicá-los facilmente ao público”, diz ele. “Ao mesmo tempo, há uma matemática muito profunda por trás deles.”

(C) Universidade do Duque

Nota: Esta história foi publicada originalmente em: https://www.fuqua.duke.edu/duke-fuqua-insights/finding-best-match-between-clients-and-freelancers-online-platforms