เดอแรม – ในช่วงไม่กี่ปีที่ผ่านมา โลกได้เห็นการเพิ่มขึ้นของ gig Economy ซึ่งเป็นตลาดแรงงานที่อาศัยงานชั่วคราวของผู้รับเหมาอิสระและฟรีแลนซ์เป็นอย่างมาก
จากการสำรวจเมื่อเร็วๆ นี้ พบว่าชาวอเมริกัน 59 ล้านคน หรือมากกว่าหนึ่งในสามของแรงงานในสหรัฐฯ ทั้งหมด ทำงานอิสระ ในปีที่ผ่านมา หลายๆ คนพบงานเหล่านั้นผ่านแพลตฟอร์มออนไลน์ เช่น Upwork, TaskRabbit หรือ Fiverr ที่ช่วยเชื่อมต่อลูกค้ากับผู้ให้บริการอิสระ
หนึ่งในความท้าทายที่ยิ่งใหญ่ที่สุดที่แพลตฟอร์มเหล่านี้เผชิญคือการหาคู่ที่ดีที่สุดระหว่างลูกค้าและฟรีแลนซ์ ลูกค้ามักจะมีความต้องการเฉพาะซึ่งไม่ใช่ว่าพนักงานทุกคนจะสามารถตอบสนองได้อย่างเหมาะสม ปัญหาประเภทนี้เป็นหนึ่งในหลาย ๆ งานวิจัยที่พัฒนาโดย เจียหมิง ซูรองศาสตราจารย์ด้านวิทยาศาสตร์การตัดสินใจที่ Duke University's โรงเรียนธุรกิจ Fuqua.
ความสนใจในการวิจัยหลักของ Xu คือการพัฒนาอัลกอริทึมเพื่ออนุมานข้อมูลที่เป็นประโยชน์จากข้อมูลเครือข่าย “เราพบกับเครือข่ายหลายประเภทในการใช้งานทางธุรกิจ วิศวกรรม และแม้แต่วิทยาศาสตร์ธรรมชาติ” เขากล่าว “คำถามสำคัญคือจะดึงข้อมูลที่เป็นประโยชน์จากเครือข่ายเหล่านี้ได้อย่างไรเพื่อเป็นแนวทางในการตัดสินใจขั้นปลายน้ำ”
เจียหมิง ซู (ภาพมหาวิทยาลัยดุ๊ก)
เครือข่ายเหล่านี้ตามที่พบในโลกแห่งความเป็นจริง มีแนวโน้มที่จะมีขนาดใหญ่และซับซ้อนมาก บางครั้งเกี่ยวข้องกับโหนดหลายล้านโหนดและการเชื่อมโยงประเภทต่างๆ ระหว่างเครือข่ายเหล่านั้น ยิ่งไปกว่านั้น ข้อมูลที่สังเกตได้อาจมีสัญญาณรบกวนหรือเป็นบางส่วน “ฉันทำงานเพื่อพัฒนาอัลกอริธึมที่ปรับขนาดได้ซึ่งสามารถทำงานได้เร็วมากและในขณะเดียวกันก็แยกข้อมูลประเภทนี้แม้ว่าจะมีสัญญาณที่อ่อนมากในข้อมูลก็ตาม” Xu กล่าว
การจัดการกับความไม่แน่นอน
ในกรณีของแพลตฟอร์มอิสระ การจับคู่ลูกค้าและผู้ให้บริการอาจเป็นเรื่องยากเป็นพิเศษ เนื่องจากความไม่แน่นอนที่มีอยู่ในกระบวนการ ก่อนอื่น แพลตฟอร์มจะไม่ทราบก่อนที่จะดำเนินการให้บริการว่าฟรีแลนซ์ที่ได้รับมอบหมายจะมีประสิทธิภาพเพียงใดในการทำงานบางอย่างที่ได้รับมอบหมายจากลูกค้าให้สำเร็จ กล่าวอีกนัยหนึ่ง ไม่ทราบผลตอบแทนของลูกค้า
อีกประเด็นหนึ่งก็คือจำนวนประชากรของลูกค้ามีความเปลี่ยนแปลงอย่างมาก พวกเขามักจะมาถึงชานชาลาเพื่อตอบสนองความต้องการบางอย่าง อยู่พักหนึ่งแล้วออกเดินทางหลังจากได้รับบริการ สถิติการเข้าออกของลูกค้ายังไม่ทราบล่วงหน้า นอกจากนี้ ฟรีแลนซ์แต่ละคนมีความสามารถที่จำกัดในการให้บริการ ซึ่งเป็นข้อจำกัดที่ต้องพิจารณาด้วย “นั่นคือความไม่แน่นอนประการที่สอง—วิธีจับคู่ลูกค้ากับฟรีแลนซ์ในลักษณะที่ไม่ทำให้เกิดความแออัดในระบบ” Xu กล่าว
พร้อมด้วยผู้ร่วมเขียนของเขา—เว่ยคังซูวิศวกรอัลกอริทึมการเรียนรู้ของเครื่องที่ Apple ปัจจุบัน เสี่ยวจุน หลินศาสตราจารย์ด้านวิศวกรรมไฟฟ้าและคอมพิวเตอร์ที่มหาวิทยาลัย Purdue และ มาร์ค อาร์. เบลล์ซึ่งเป็นศาสตราจารย์ด้านวิศวกรรมไฟฟ้าและคอมพิวเตอร์ที่ Purdue University—Xu ได้พิจารณาปัญหานี้ในรายงานฉบับนี้ “การเรียนรู้ออนไลน์แบบบูรณาการและการควบคุมแบบปรับเปลี่ยนในระบบคิวพร้อมผลตอบแทนที่ไม่แน่นอน” จัดพิมพ์โดยวารสาร การวิจัยการดำเนินงาน.
“เราศึกษาเรื่องนี้ว่าเป็นปัญหาการจับคู่ทางออนไลน์” เขากล่าว “เป้าหมายคือการค้นหาแมตช์นี้และในขณะเดียวกันก็เรียนรู้ผลตอบแทนที่ไม่ทราบและตรวจสอบให้แน่ใจว่าระบบมีเสถียรภาพและไม่แออัด จากนั้นเราจะสามารถเพิ่มผลตอบแทนรวมสูงสุดสำหรับแพลตฟอร์มออนไลน์ได้”
ในกรณีที่เหมาะสมที่สุด แพลตฟอร์มจะค่อยๆ เรียนรู้ความต้องการของลูกค้าแต่ละรายจากการลองผิดลองถูก อย่างไรก็ตาม ในโลกแห่งความเป็นจริง ระบบไม่สามารถทนต่อข้อผิดพลาดได้มากเกินไป หากความต้องการของลูกค้าไม่ได้รับการตอบสนอง พวกเขาจะออกจากแพลตฟอร์มหลังจากพยายามไม่กี่ครั้ง ดังนั้นการเรียนรู้จะต้องรวดเร็ว “ความท้าทายคือคุณต้องการเรียนรู้ความต้องการของลูกค้าอย่างรวดเร็วโดยพิจารณาจากคำติชมหรือผลลัพธ์ของการมอบหมายงาน” Xu กล่าว
ในการเรียนรู้ของเครื่อง ภาวะที่กลืนไม่เข้าคายไม่ออกนี้เรียกว่าการแลกเปลี่ยนระหว่างการสำรวจกับการหาผลประโยชน์ หากคุณสำรวจแมตช์ใหม่ ๆ ต่อไป คุณอาจสละความพึงพอใจของลูกค้าได้ แต่ถ้าคุณไม่สำรวจคุณอาจพลาดโอกาสในการค้นหาคู่ที่ดีที่สุดเท่าที่จะเป็นไปได้ “นั่นคือเหตุผลที่คุณต้องการสำรวจแต่อย่ามากเกินไป เพราะคุณอาจสูญเสียผลตอบแทนหรือผลประโยชน์ไปมากมาย”
คิดในแง่ดี
เพื่อช่วยแก้ปัญหานี้ Xu และเพื่อนร่วมงานของเขาใช้อัลกอริธึมขอบเขตความเชื่อมั่นขั้นสูง ซึ่งช่วยผสมผสานการสำรวจและการใช้ประโยชน์เพื่อให้ได้ผลลัพธ์ที่ดีที่สุดโดยเร็วที่สุด
ภายใต้แนวทางดังกล่าว เมื่อไม่ทราบประสิทธิภาพของการจับคู่ที่เป็นไปได้ อัลกอริธึมนี้จะสันนิษฐานในแง่ดีว่ามีโอกาสสูงกว่าที่การจับคู่นั้นจะดี กล่าวอีกนัยหนึ่ง เมื่อมีความไม่แน่นอนสูง ผลลัพธ์จะ "สูงเกินจริง" ในแง่ดี หลังจากที่คุณมีโอกาสสังเกตประสิทธิภาพของการแข่งขันครั้งแล้วครั้งเล่า คุณไม่จำเป็นต้องเพิ่มผลลัพธ์มากนัก เนื่องจากมีความมั่นใจมากขึ้นว่าคุณกำลังสังเกตเห็นบางสิ่งที่ใกล้เคียงกับประสิทธิภาพโดยเฉลี่ยที่แท้จริงของนัดนั้น
“คุณมักจะเลือกการจับคู่ที่ดีที่สุดโดยพิจารณาจากผลลัพธ์ที่สูงเกินจริง ไม่ใช่ผลลัพธ์ที่สังเกตได้จริง สิ่งนี้เรียกว่าขอบเขตความเชื่อมั่นขั้นสูง และนั่นคือวิธีที่เราเรียนรู้ความชอบของลูกค้าขณะทำการจับคู่” Xu กล่าว
เข้ากันได้อย่างเป็นธรรม
ในขณะที่ค้นหาการจับคู่ที่ดีที่สุดที่เป็นไปได้สำหรับลูกค้าแต่ละราย อัลกอริธึมจะต้องคำนึงถึงความสามารถที่จำกัดของผู้ให้บริการทุกรายและความไม่แน่นอนในการมาถึงของลูกค้าด้วย การจับคู่อย่างตะกละตะกลามเพื่อเพิ่มผลตอบแทนโดยประมาณในปัจจุบันกลับกลายเป็นว่าไม่เหมาะอย่างมาก “เรากำหนดว่านี่เป็นปัญหาการปรับให้เหมาะสม มีข้อจำกัดด้านความจุสำหรับทุกเซิร์ฟเวอร์ และคุณต้องตรวจสอบให้แน่ใจว่าคุณไม่ได้ละเมิดเซิร์ฟเวอร์เหล่านั้น นอกจากนี้ ลูกค้าทุกรายยังเชื่อมโยงกับฟังก์ชันอรรถประโยชน์ตามอัตราค่าบริการที่ได้รับ และคุณจำเป็นต้องเพิ่มทั้งค่าสาธารณูปโภคทั้งหมดและผลตอบแทนที่ตรงกันโดยประมาณ" ฟังก์ชั่นอรรถประโยชน์ส่งเสริมความเป็นธรรมในการจับคู่ ซึ่งเป็นที่ต้องการในสองวิธี ประการแรก ให้ความสำคัญกับอนาคต เพื่อที่เราจะได้สร้างสมดุลที่เหมาะสมระหว่างผลตอบแทนในปัจจุบันและอนาคต ประการที่สอง ยังควบคุมกระบวนการเรียนรู้ของลูกค้าทุกคนอย่างยุติธรรม ดังนั้นแม้แต่ลูกค้าที่มีผลตอบแทนโดยประมาณต่ำก็ยังสามารถรับบริการบางอย่างและปรับปรุงการประมาณการผลตอบแทนของพวกเขาได้
เพื่อประเมินประสิทธิภาพของอัลกอริธึม Xu และเพื่อนร่วมงานของเขาได้คำนวณอัตราการเสียใจ ซึ่งเปรียบเทียบผลลัพธ์ของอัลกอริธึมใหม่กับออราเคิลที่ทราบไดนามิกและความชอบของลูกค้าทั้งหมดล่วงหน้า “เราแสดงให้เห็นว่าความเสียใจนั้นมีน้อยมาก และจะลดลงหากคุณใช้งานระบบเป็นเวลานาน” Xu กล่าว ความเสียใจจะลดลงหากลูกค้ารายใดรายหนึ่งมอบหมายงานหลายอย่าง ในกรณีนั้น ระบบจะเรียนรู้ความต้องการของลูกค้าได้ดียิ่งขึ้น
การสนับสนุนหลักของบทความนี้คือการเสนอวิธีแก้ปัญหาที่จัดการกับความไม่แน่นอนที่มีอยู่ในแพลตฟอร์มประเภทนี้ งานก่อนหน้านี้ในวรรณกรรมสันนิษฐานว่าเป็นสถานการณ์ที่ทราบอัตราการมาถึงของลูกค้าประเภทต่างๆ ไปยังแพลตฟอร์มและผลตอบแทนที่ตรงกันล่วงหน้า “ในกรณีของเรา เราไม่จำเป็นต้องรู้ข้อมูลนี้ เราสามารถจัดสรรงานของเราแบบไดนามิกเพื่อตอบสนองต่ออัตราการมาถึงที่แตกต่างกันและผลตอบแทนที่ตรงกัน นั่นเป็นสิ่งที่น่าสนใจเกี่ยวกับอัลกอริทึมและนโยบายของเรา”
Xu กล่าวว่าเขาสนใจศึกษาเครือข่ายเป็นพิเศษ เนื่องจากระบบและแพลตฟอร์มจำนวนมากที่มีแอปพลิเคชันทางธุรกิจสามารถจำลองเป็นเครือข่ายได้ หนึ่งในสายงานวิจัยของเขาคือ ความเป็นส่วนตัวของข้อมูลเครือข่าย และสามารถตรวจสอบย้อนกลับไปยังผู้ใช้แต่ละรายได้อย่างง่ายดายเพียงใด “เครือข่ายมีรูปลักษณ์ที่น่าดึงดูดใจมาก เพราะคุณสามารถวาดโหนด ขอบ และอธิบายให้ผู้ชมเข้าใจได้อย่างง่ายดาย” เขากล่าว “ในขณะเดียวกัน ก็ยังมีคณิตศาสตร์ที่ลึกซึ้งอยู่เบื้องหลังพวกเขา”
(C) มหาวิทยาลัยดุ๊ก
หมายเหตุ: เรื่องราวนี้เผยแพร่ครั้งแรกที่: https://www.fuqua.duke.edu/duke-fuqua-insights/finding-best-match-between-clients-and-freelancers-online-platforms
