DURHAM – Under de senaste åren har världen sett uppkomsten av spelningsekonomin, en arbetsmarknad som är starkt beroende av tillfälligt arbete av oberoende entreprenörer och frilansare.
Enligt en färsk undersökning har 59 miljoner amerikaner, eller mer än en tredjedel av hela den amerikanska arbetskraften, utfört frilansarbete i det senaste året. Många hittar dessa spelningar via onlineplattformar som Upwork, TaskRabbit eller Fiverr, som hjälper till att koppla kunder till frilansande tjänsteleverantörer.
En av de största utmaningarna som dessa plattformar står inför är att hitta den bästa matchningen mellan kunder och frilansare. Kunder har ofta specifika behov som inte alla arbetare kan uppfylla ordentligt. Denna typ av problem är en av många forskningslinjer som utvecklas av Jiaming Xu, docent i beslutsvetenskap vid Duke University's Fuqua School of Business.
Xus huvudsakliga forskningsintresse är att utveckla algoritmer för att härleda användbar information från nätverksdata. "Vi möter många olika typer av nätverk inom affärsapplikationer, teknik och till och med naturvetenskap", säger han. "Nyckelfrågan är hur man kan extrahera användbar information från dessa nätverk för att vägleda beslutsfattande nedströms."
Jiaming Xu (bild från Duke University),
Dessa nätverk, eftersom de finns i den verkliga världen, tenderar att vara mycket stora och komplexa och ibland involverar miljontals noder och olika typer av länkar mellan dem. Dessutom kan de observerade data vara bullriga eller partiella. "Jag arbetar med att utveckla skalbara algoritmer som kan köras väldigt snabbt och samtidigt extrahera den här typen av information även när det bara finns en mycket svag signal i datan", säger Xu.
Att hantera osäkerheter
När det gäller frilansplattformar kan det vara särskilt svårt att matcha kunder och tjänsteleverantörer på grund av de osäkerheter som är inneboende i processen. För det första vet inte plattformen innan en tjänst utförs hur effektiv en given frilansare kommer att vara i att slutföra en viss uppgift som tilldelas av en kund. Med andra ord är kundens utdelning okänd.
En annan fråga är att klientpopulationen är mycket dynamisk. De anländer vanligtvis till plattformen för att uppfylla ett visst behov, stannar en tid och avgår efter att ha fått tjänsten. Statistiken för kunders ankomster och avgångar är också okänd på förhand. Dessutom har varje frilansare en begränsad kapacitet att utföra tjänster, en begränsning som också måste beaktas. "Det är den andra osäkerheten - hur man matchar kunder med frilansare på ett sätt som inte orsakar överbelastning i systemet", säger Xu.
Tillsammans med sina medförfattare—Wei-Kang Hsu, en maskininlärningsalgoritmtekniker för närvarande på Apple, Xiaojun Lin, professor i el- och datorteknik vid Purdue University, och Mark R. Bell, även professor i el- och datorteknik vid Purdue University — Xu undersökte detta problem i tidningen "Integrerad onlineinlärning och adaptiv kontroll i kösystem med osäkra utbetalningar," publicerad av tidskriften Operations Research.
"Vi studerade detta som ett onlinematchningsproblem", säger han. "Målet är att hitta den här matchen och samtidigt lära sig de okända vinsterna och även se till att systemet är stabilt och inte överbelastat. Då kan vi maximera den totala utdelningen för onlineplattformen.”
I ett idealiskt fall skulle plattformen gradvis lära sig varje kunds preferenser från försök och misstag. I den verkliga världen har systemet dock inte råd med för många fel. Om kundens behov blir ouppfyllda kommer de helt enkelt att lämna plattformen efter några försök, så inlärningskurvan måste vara snabb. "Utmaningen är att du på något sätt mycket snabbt vill lära dig kundens preferenser baserat på feedbacken eller resultatet av uppdragen", säger Xu.
Inom maskininlärning är detta dilemma känt som kompromissen mellan utforskning och exploatering. Om du fortsätter att utforska nya matchningar kan du offra kundens belåtenhet. Men om du inte utforskar kan du också missa chansen att hitta den bästa möjliga matchningen. "Det är därför du vill utforska, men inte för mycket, eftersom du kan sluta förlora mycket av vinsten eller fördelen."
Tänker optimistiskt
För att hjälpa till att lösa detta dilemma använde Xu och hans kollegor den övre konfidensgränsalgoritmen, som hjälper till att kombinera utforskning och exploatering för att få bästa resultat så snabbt som möjligt.
Enligt det tillvägagångssättet, när prestandan för en potentiell matchning är okänd, antar den här algoritmen optimistiskt att det finns en större chans att det blir en bra matchning. Med andra ord, när osäkerheten är hög är resultaten optimistiskt "uppblåsta". Efter att du haft chansen att observera prestandan i en match om och om igen, behöver du inte blåsa upp resultaten lika mycket eftersom det finns högre förtroende för att du observerar något i närheten av den faktiska genomsnittliga prestandan för den matchen.
"Du väljer alltid den bästa matchningen baserat på de uppblåsta resultaten, inte de faktiska observerade resultaten. Detta kallas den övre förtroendegränsen och det är i grunden så vi lär oss kundens preferenser när vi gör matcherna”, säger Xu.
Matchar rättvist
Samtidigt som den hittar bästa möjliga matchning för varje kund, måste algoritmen också ta hänsyn till den begränsade kapaciteten hos varje tjänsteleverantör och osäkerheten i kundernas ankomster. Att helt enkelt girigt matcha för att maximera den nuvarande uppskattade utdelningen visar sig vara mycket suboptimal. ”Vi formulerar detta som ett optimeringsproblem. Det finns vissa kapacitetsbegränsningar för varje server och du måste se till att du inte bryter mot dem. Dessutom är varje kund associerad med en nyttofunktion av den mottagna servicegraden och du måste maximera både det totala verktyget och de beräknade matchande utbetalningarna.” Verktygsfunktionen främjar rättvisa i matchning, vilket är önskvärt på två sätt. För det första har den ett öga för framtiden, så att vi kan hitta rätt balans mellan nuvarande och framtida utdelningar. För det andra kontrollerar den också inlärningsprocesserna för alla kunder på ett rättvist sätt, så att även kunder med låga uppskattade utbetalningar fortfarande kan få viss service och få sina utbetalningsuppskattningar förbättrade.
För att utvärdera algoritmens prestanda beräknade Xu och hans kollegor ångerfrekvensen, som jämför resultatet av den nya algoritmen med resultatet av ett orakel som känner till alla kunders dynamik och preferenser i förväg. "Vi visade att ångern är väldigt liten och den minskar om du kör systemet under en längre tid", säger Xu. Ångern minskar också om en viss kund tilldelar flera uppgifter. I så fall blir systemet allt bättre på att lära sig kundens preferenser.
Det huvudsakliga bidraget från detta dokument är att föreslå en lösning som tar itu med den osäkerhet som är inneboende i dessa typer av plattformar. Tidigare arbeten i litteraturen antog ett scenario där ankomstfrekvensen för olika typer av kunder till plattformen och matchande utbetalningar var kända i förväg. ”I vårt fall behöver vi inte känna till den här informationen. Vi kan dynamiskt fördela våra uppdrag som svar på dessa olika ankomstpriser och matchande utbetalningar. Det är det intressanta med vår algoritm och policy.”
Xu säger att han är särskilt intresserad av att studera nätverk eftersom många system och plattformar med affärsapplikationer kan modelleras som nätverk. En av hans forskningslinjer är nätverksdatasekretess och hur lätt information kan spåras tillbaka till enskilda användare. "Nätverk är visuellt mycket tilltalande eftersom du faktiskt kan rita noderna, kanterna och enkelt förklara dem för en publik", säger han. "Samtidigt ligger det mycket djup matematik bakom dem."
(C) Duke University
Obs: Den här historien publicerades ursprungligen kl: https://www.fuqua.duke.edu/duke-fuqua-insights/finding-best-match-between-clients-and-freelancers-online-platforms
