📊 statistics

Data-Driven Dynamic Assortment in Online Platforms: Learning about Two Sides

Dieses Paper stellt einen datengesteuerten Algorithmus für ein zweiseitiges dynamisches Sortimentsproblem mit unbekannten Wahlparametern auf beiden Seiten vor, der durch die gleichzeitige Erlernung von Kunden- und Verkäuferpräferenzen bei gleichzeitiger Maximierung des Plattformumsatzes einen ratenoptimalen polylogarithmischen Regret erzielt.

Ursprüngliche Autoren: Rahul Roy, Nur Sunar, Jayashankar M. Swaminathan

Veröffentlicht 2026-06-10

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Rahul Roy, Nur Sunar, Jayashankar M. Swaminathan

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie betreiben einen geschäftigen digitalen Marktplatz, wie eine hochtechnologische Version eines Bauernmarktes oder einer Dating-App. Sie haben zwei Gruppen von Menschen: Kunden (die Dienstleistungen kaufen wollen) und Verkäufer (die diese anbieten wollen). Ihre Aufgabe ist es zu entscheiden, welche Verkäufer Sie jedem Kunden zeigen, der durch die Tür tritt.

Dieses Paper befasst sich mit einem sehr kniffligen Problem: Sie wissen nicht, was jemand mag.

Das Kernproblem: Der „Blind Date“-Marktplatz

In den meisten Online-Plattformen versucht das System zu erraten, was Kunden wollen. Aber im Szenario dieses Papers ist die Plattform in zweierlei Hinsicht blind:

Sie weiß nicht, was Kunden wollen: Manche Kunden lieben Solarteure; andere bevorzugen freiberufliche Texter. Die Plattform weiß nicht, welcher Kundentyp als Nächstes eintrifft.
Sie weiß nicht, was Verkäufer wollen: Selbst wenn ein Kunde einen Verkäufer auswählt, kann dieser „Nein danke“ sagen. Vielleicht mag dieser Verkäufer diese spezifische Art von Kunden nicht. Die Plattform kennt diese Vorlieben ebenfalls nicht.

Es ist wie bei einem Blind-Date-Setup, bei dem der Arrangeur nicht weiß, was der Typ mag, und nicht weiß, was das Mädchen mag. Wenn der Typ das Mädchen wählt, könnte sie ihn trotzdem abweisen. Wenn der Arrangeur nur lernt, was der Typ mag, aber ignoriert, was das Mädchen mag, wird er immer wieder schlechte Dates arrangieren.

Der Zyklus der Ereignisse

Das Paper beschreibt einen spezifischen Rhythmus, wie dieser Marktplatz funktioniert:

Die Ankunft: Ein Kunde kommt an.
Das Menü: Die Plattform zeigt ihm eine kleine Liste (ein „Sortiment“) von Verkäufern.
Der Vorschlag: Der Kunde wählt einen Verkäufer aus der Liste (oder keinen).
Die Überprüfung: Der Verkäufer erhält einen Stapel Vorschläge. Alle paar Tage (ein „Zyklus“) überprüft der Verkäufer sie und wählt höchstens einen Kunden aus, mit dem er zusammenarbeiten möchte.
Die Belohnung: Die Plattform erhält nur dann eine Vergütung (oder einen „Match“), wenn sowohl der Kunde den Verkäufer gewählt hat als auch der Verkäufer den Kunden gewählt hat.

Die Herausforderung: Lernen während des Handelns

Der Plattform-Manager muss Entscheidungen jetzt treffen, ohne die Zukunft zu kennen. Er muss herausfinden:

„Welche Verkäufer mag Kundentyp A?“
„Welche Kundentypen akzeptiert Verkäufer Typ B?“

Wenn die Plattform einfach immer dieselben beliebten Verkäufer zeigt, erfährt sie nie, ob ein neuer Verkäufer tatsächlich ein großartiges Match für einen bestimmten Kundentyp ist. Aber wenn sie zu viele zufällige Verkäufer zeigt, verschwendet sie Zeit und Geld für schlechte Matches. Dies ist das klassische „Exploration vs. Exploitation“-Dilemma (Erkundung vs. Ausnutzung).

Die Lösung: Der „Two-Way Learning“-Algorithmus

Die Autoren haben ein kluges Computerprogramm (einen Algorithmus) namens TWL-UCB entwickelt. Denken Sie an einen super-aufmerksamen Arrangeur, der für jede mögliche Paarung einen „Konfidenzwert“ führt.

Das Ratespiel: Der Algorithmus beginnt damit zu raten, wie sehr Kunden und Verkäufer einander mögen.
Der „Was wäre wenn“-Test: Er verwendet einen mathematischen Trick namens „Upper Confidence Bound“ (UCB). Stellen Sie sich vor, der Algorithmus spielt sicher, geht aber auch kalkulierte Risiken ein. Er denkt: „Ich bin zu 90 % sicher, dass Kunde A Verkäufer X mag, aber ich bin mir nur zu 50 % sicher über Verkäufer Y. Lass uns Verkäufer Y ausprobieren, nur um zu sehen – denn wenn ich recht habe, könnte das ein riesiger Gewinn sein!“
Doppel-Check: Im Gegensatz zu älteren Methoden, die nur beobachteten, was Kunden taten, beobachtet dieser Algorithmus beide Seiten.
- Er aktualisiert seine Schätzung darüber, was Kunden mögen, jedes Mal, wenn ein Kunde eine Wahl trifft.
- Er aktualisiert seine Schätzung darüber, was Verkäufer mögen, jedes Mal, wenn ein Verkäufer einen Vorschlag annimmt oder ablehnt.
Das Ergebnis: Mit der Zeit wird der Algorithmus unglaublich gut darin, das perfekte Match vorherzusagen und die Anzahl der gescheiterten Dates (Regret/Reue) zu minimieren.

Die großen Entdeckungen

Die Autoren beweisen drei Hauptpunkte mithilfe von Mathematik und Computersimulationen:

1. Es wird schnell besser (Der „polylogarithmische“ Sieg)
Die Autoren haben bewiesen, dass ihr Algorithmus so effizient lernt, dass die „Fehler“, die es macht, über die Zeit sehr langsam wachsen. In mathematischen Begriffen wächst der Fehler wie das Quadrat eines Logarithmus (eine sehr langsame Kurve).

Analogie: Stellen Sie sich einen Schüler vor, der eine Prüfung ablegt. Die meisten Lernmethoden machen Fehler, die sich wie ein steiler Hügel aufhäufen. Dieser Algorithmus macht Fehler, die sich wie ein sanfter Hang aufhäufen. Er lernt die Regeln des Spiels viel schneller als jeder andere.

2. Man kann nicht viel besser werden (Die „Lower Bound“ / Untergrenze)
Die Autoren haben auch bewiesen, dass keine andere mögliche Strategie signifikant schneller lernen könnte als ihre. Sie zeigten, dass selbst ein „perfekter“ Algorithmus im schlimmsten Fall eine ähnliche Anzahl an Fehlern machen würde.

Analogie: Sie haben bewiesen, dass ihr Algorithmus der „Goldmedaillengewinner“ ist. Man kann nicht schneller rennen, weil die Strecke selbst schon so schnell ist.

3. Größer ist nicht immer besser (Die „Menügröße“-Überraschung)
Sie führten Simulationen durch, um zu sehen, was passiert, wenn die Plattform eine riesige Liste von Verkäufern (ein großes Menü) versus eine kleine Liste zeigt.

Das Ergebnis: Sobald das Menü eine bestimmte Größe erreicht (etwa 30 Verkäufer in ihrer Simulation), hilft eine Vergrößerung nicht mehr viel.
Analogie: Denken Sie an eine Speisekarte in einem Restaurant. Wenn Sie 5 tolle Gerichte haben, hilft es dem Kunden nicht viel, wenn Sie 50 weitere mittelmäßige Gerichte hinzufügen; es verwirrt ihn nur. Die Plattform erzielt mit einem mittelgroßen Menü die gleiche Anzahl an erfolgreichen Matches wie mit einem massiven Menü.

Warum das wichtig ist

Dieses Paper ist das erste, das das Rätsel löst, beide Seiten eines Marktplatzes gleichzeitig zu lernen, wenn man nicht weiß, was entweder die eine oder die andere Seite will. Es zeigt, dass Plattformen, indem sie das Problem als eine „Zwei-Wege“-Lernherausforderung behandeln und nicht nur als eine „Kundenwahl“-Herausforderung, viel klügere, schnellere und profitablere Entscheidungen treffen können.

Kurz gesagt: Um einen erfolgreichen Zwei-Seiten-Marktplatz zu führen, darf man nicht nur raten, was der Käufer will; man muss auch lernen, was der Verkäufer will. Und wenn man beides gleichzeitig mit der richtigen Mathematik tut, gewinnt man.

Technische Zusammenfassung: Datengesteuerte dynamische Sortimentsgestaltung in Online-Plattformen: Lernen über zwei Seiten

Problemformulierung
Das Paper behandelt ein Problem der dynamischen Sortimentswahl auf einer zweiseitigen Service-Plattform unter unvollständiger Information. Im Gegensatz zu traditionellen Sortimentsproblemen, bei denen ein Entscheidungsträger Produkte auswählt, um den Umsatz basierend ausschließlich auf Kundenpräferenzen zu maximieren, beinhaltet dieser Kontext „aktive“ Teilnehmer sowohl auf der Nachfrage- (Kunden) als auch auf der Angebotsseite (Verkäufer).

Das System operiert in diskreten Zeiten über einen Horizont von $T$ Perioden. Die Plattform verwaltet eine Menge von $N$ Verkäufern und sieht sich einer Sequenz eintreffender Kunden mit heterogenen Typen gegenüber. In jeder Periode wählt der Plattformmanager ein Sortiment (eine Teilmenge von Verkäufern der Größe höchstens $B$ ) aus, das einem eintreffenden Kunden angezeigt wird. Der Kunde wählt dann höchstens einen Verkäufer aus dem angezeigten Sortiment gemäß einem Multinomial Logit (MNL) Entscheidungsmodell, das durch unbekannte Präferenzparameter $v_{z,i}$ gesteuert wird (wobei $z$ der Kundentyp und $i$ der Verkäufer ist).

Entscheidend ist, dass eine Transaktion nicht unmittelbar nach der Wahl des Kunden abgeschlossen wird. Stattdessen wird der Vorschlag des Kunden für eine feste Dauer von $K$ Perioden vorgehalten. Am Ende jeder Epoche (einem Block von $K$ Perioden) überprüfen die Verkäufer die erhaltenen Vorschläge und entscheiden, ob sie höchstens einen Kunden akzeptieren, basierend auf ihren eigenen unbekannten MNL-Präferenzparametern $u_{i,z}$ . Eine Transaktion (und der daraus resultierende Ertrag) findet nur statt, wenn ein Verkäufer einen Vorschlag annimmt. Das Ziel des Plattformmanagers ist es, den erwarteten Gesamtertrag über den Planungszeitraum zu maximieren.

Die zentrale Herausforderung ist das Zweiseitige Lernen (Two-Way Learning): Die Plattform kennt weder die Entscheidungsparameter der Kunden ( $V$ ) noch die der Verkäufer ( $U$ ) und muss diese dynamisch lernen, während sie gleichzeitig die Sortimentsentscheidungen trifft. Dies unterscheidet sich von der bestehenden Literatur, die typischerweise ein einseitiges Lernen (nur die Kundenpräferenzen sind unbekannt) oder eine sofortige Realisierung des Ertrags voraussetzt.

Methodik
Die Autoren schlagen einen datengesteuerten Online-Algorithmus namens TWL-UCB (Two-Way Learning via Upper Confidence Bound) vor. Der Algorithmus ist darauf ausgelegt, Exploration und Exploitation auszubalancieren und dabei die asynchrone Feedbackstruktur eines zweiseitigen Marktes zu handhaben.

Upper Confidence Bound (UCB) Schätzungen: Der Algorithmus führt UCB-Schätzungen für sowohl die Kundenpräferenzparameter ( $v_{z,i}$ $v_{z, i}$ ) als auch die Verkäuferpräferenzparameter ( $u_{i,z}$ $u_{i, z}$ ) nach.
- Kunden-Updates (Schritt II): Nach jeder Periode aktualisiert die Plattform die Kundenschätzungen basierend auf den beobachteten Kundenentscheidungen (Vorschlägen) innerhalb der angebotenen Sortimente.
- Verkäufer-Updates (Schritt III): Die Verkäuferschätzungen werden erst am Ende jeder Epoche ( $K$ Perioden) aktualisiert, basierend auf den beobachteten Matching-Entscheidungen (Annahmen/Ablehnungen) der Verkäufer.
Sortimentsoptimierung (Schritt I): In jeder Periode wählt die Plattform ein Sortiment aus, das den geschätzten marginalen Anstieg des erwarteten Matchings maximiert. Diese Metrik, bezeichnet als $\Delta_M$ , erfasst den erwarteten Gewinn an Matches für die aktuelle Epoche unter Berücksendung des aktuellen Zustands der Vorschläge sowie der aktuellen UCB-Schätzungen sowohl der Kunden- als auch der Verkäuferpräferenzen.
Regret-Minimierung: Die Leistung wird mittels Regret (Reue) bewertet, definiert als die Differenz zwischen dem Gesamtertrag einer clairvoyanten Policy (die alle Parameter und Ankunftsequenzen kennt) und dem Ertrag, den der vorgeschlagene Algorithmus erzielt.

Wichtige Ergebnisse und theoretische Beiträge
Das Paper etabliert die theoretische Optimalität des TWL-UCB-Algorithmus durch das Abgleichen von oberen und unteren Schranken für den Regret:

Obere Schranke (Theorem 1): Die Autoren beweisen, dass der Worst-Case-Regret des TWL-UCB-Algorithmus polylogarithmisch mit der Zeit wächst: $O(\log^2(NT))$ . Dies ist eine signifikante Verbesserung gegenüber den $\tilde{O}(\sqrt{T})$ Regret-Schranken der bestehenden dynamischen Sortimentsliteratur, die sich auf einseitiges Lernen konzentriert.
Untere Schranke (Theorem 2): Das Paper leitet eine passende untere Schranke ab, die zeigt, dass der Worst-Case-Regret für jede zulässige Policy mindestens $\tilde{\Omega}(\log^2(NT))$ beträgt.
Raten-Optimalität: Die Übereinstimmung der oberen und unteren Schranken etabliert, dass der TWL-UCB-Algorithmus für das Two-Way-Learning-Problem raten-optimal ist.
Simulationsergebnisse:
- Der TWL-UCB-Algorithmus übertrifft konsistent adaptierte Versionen von einseitigen Lernalgorithmen (speziell den UCB-Algorithmus von Agrawal et al., 2019) in zweiseitigen Settings. Letzterer versagt, da er das verzögerte Feedback und die Unsicherheit auf der Verkäuferseite nicht berücksichtigen kann.
- Die Studie identifiziert einen Schwellenwerteffekt bezüglich der Sortimentsgröße: Eine Erhöhung der maximalen Sortimentsgröße ( $B$ ) über einen bestimmten Punkt hinaus (in Simulationen um 30 beobachtet) führt zu abnehmenden Grenzerträgen beim Gesamtertrag der Plattform.

Erweiterungen und Robustheit
Das Paper analysiert zwei Erweiterungen, um die Robustheit des Algorithmus zu demonstrieren:

Informationstransparenz: Der Algorithmus behält seine $O(\log^2(NT))$ Regret-Schranke bei, selbst wenn der Plattformmanager nur teilweise kunden-spezifische Informationen mit den Verkäufern teilt (Theorem 3).
Kundenspezifische Erträge: Die Regret-Schranke gilt auch dann, wenn der Ertrag für ein erfolgreiches Matching vom spezifischen Typ des gematchten Kunden abhängt, anstatt einen festen Wert pro Epoche zu haben (Theorem 4).

Bedeutung und Ansprüche
Die Autoren behaupten, dies sei die erste Studie, die ein dynamisches Sortimentsproblem formuliert und analysiert, bei dem der Entscheidungsträger die Wahlparameter beider Seiten eines zweiseitigen Marktes gleichzeitig lernen muss.

Die Bedeutung der Arbeit liegt in:

Neuheit des Problems: Die Erweiterung über das einseitige Lernen hinaus zu einem „Two-Way Learning“-Framework, das die aktive Natur der Teilnehmer in modernen Service-Plattformen (z. B. Airbnb, Upwork, HomeAdvisor) widerspiegelt.
Algorithmischer Fortschritt: Der Nachweis, dass ein polylogarithmischer Regret in diesem komplexen Setting mit verzögertem Feedback erreichbar ist, während typische einseitige Lernprobleme unter einer Quadratwurzel-Regret leiden.
Praktische Erkenntnis: Der Hinweis, dass Algorithmen, die für einseitiges Lernen konzipiert sind, in zweiseitigen Umgebungen ineffektiv sind, und dass Plattformmanager vorsichtig sein sollten, die Sortimentsgrößen über einen spezifischen Schwellenwert hinaus zu erweitern, da dies zu abnehmenden Grenzerträgen führt.

Das Paper schließt mit der Feststellung, dass der vorgeschlagene TWL-UCB-Algorithmus eine theoretisch optimale und robuste Lösung für Plattformmanager bietet, die unter unvollständiger Information in zweiseitigen Märkten operieren.