📊 statistics

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

Este artículo presenta un algoritmo basado en datos para un problema de surtido dinámico de dos lados con parámetros de elección desconocidos en ambos lados, logrando un arrepentimiento polilogarítmico óptimo en tasa al aprender simultáneamente las preferencias de clientes y vendedores mientras maximiza los ingresos de la plataforma.

Autores originales: Rahul Roy, Nur Sunar, Jayashankar M. Swaminathan

Publicado 2026-06-10

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rahul Roy, Nur Sunar, Jayashankar M. Swaminathan

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que diriges un bullicioso mercado digital, como una versión de alta tecnología de un mercado de agricultores o una aplicación de citas. Tienes dos grupos de personas: Clientes (que quieren comprar servicios) y Vendedores (que quieren prestarlos). Tu trabajo es decidir qué Vendedores mostrar a cada Cliente que entra por la puerta.

Este artículo aborda un problema muy difícil: No sabes qué le gusta a nadie.

El Problema Central: El Mercado de la "Cita a Ciegas"

En la mayoría de las plataformas en línea, el sistema intenta adivinar qué quieren los clientes. Pero en el escenario de este artículo, la plataforma es ciega en dos sentidos:

No sabe qué quieren los Clientes: Algunos clientes aman a los instaladores de paneles solares; otros prefieren a redactores independientes. La plataforma no sabe qué tipo de cliente llegará después.
No sabe qué quieren los Vendedores: Incluso si un cliente elige a un vendedor, ese vendedor podría decir "No, gracias". Tal vez el vendedor odia trabajar con ese tipo específico de cliente. La plataforma tampoco conoce estas preferencias.

Es como una configuración de citas a ciegas donde el casamentero no sabe qué le gusta al chico, y tampoco sabe qué le gusta a la chica. Si el chico elige a la chica, ella aún podría rechazarlo. Si el casamentero solo aprende lo que el chico quiere pero ignora lo que la chica quiere, seguirá organizando citas fallidas.

El Ciclo de Eventos

El artículo describe un ritmo específico de cómo funciona este mercado:

La Llegada: Llega un cliente.
El Menú: La plataforma les muestra una pequeña lista (un "sortido") de vendedores.
La Propuesta: El cliente elige un vendedor de la lista (o ninguno).
La Revisión: El vendedor recibe un lote de propuestas. Cada pocos días (un "ciclo"), el vendedor revisa las propuestas y elige, como máximo, a un cliente para trabajar con él.
La Recompensa: La plataforma solo recibe el pago (o obtiene un "match") si tanto el cliente eligió al vendedor como el vendedor eligió al cliente.

El Desafío: Aprender Mientras se Hace

El gerente de la plataforma tiene que tomar decisiones ahora sin conocer el futuro. Tiene que descubrir:

"¿Qué vendedores le gustan al Tipo de Cliente A?"
"¿Qué tipos de clientes acepta el Tipo de Vendedor B?"

Si la plataforma simplemente sigue mostrando a los mismos vendedores populares, nunca aprenderá si un nuevo vendedor es en realidad una gran combinación para un tipo de cliente específico. Pero si muestra demasiados vendedores aleatorios, desperdicia tiempo y dinero en malas coincidencias. Este es el clásico dilema de "Exploración vs. Explotación".

La Solución: El Algoritmo de "Aprendizaje de Dos Vías"

Los autores crearon un programa informático inteligente (un algoritmo) llamado TWL-UCB. Piensa en él como un casamentero súper observador que mantiene un "puntaje de confianza" para cada posible pareja.

El Juego de las Adivinanzas: El algoritmo comienza adivinando cuánto se gustan los clientes y los vendedores.
La Prueba del "¿Qué Pasaría Si?": Utiliza un truco matemático llamado "Límite de Confianza Superior" (UCB). Imagina que el algoritmo juega sobre seguro pero también toma riesgos calculados. Piensa: "Estoy 90% seguro de que al Cliente A le gusta el Vendedor X, pero solo estoy un 50% seguro del Vendedor Y. Probemos con el Vendedor Y solo para ver, ¡porque si tengo razón, podría ser una gran victoria!"
Doble Verificación: A diferencia de los métodos anteriores que solo observaban lo que hacían los clientes, este algoritmo observa ambos lados.
- Actualiza su suposición sobre lo que les gusta a los clientes cada vez que un cliente toma una decisión.
- Actualiza su suposición sobre lo que les gusta a los vendedores cada vez que un vendedor acepta o rechaza una propuesta.
El Resultado: Con el tiempo, el algoritmo se vuelve increíblemente bueno prediciendo la combinación perfecta, minimizando el número de citas fallidas (el arrepentimiento o regret).

Los Grandes Descubrimientos

Los autores demuestran tres cosas principales utilizando matemáticas y simulaciones por computadora:

1. Mejora Rápido (La Victoria "Polilogarítmica")
Los autores demostraron que su algoritmo aprende de manera tan eficiente que los "errores" que comete crecen muy lentamente a lo largo del tiempo. En términos matemáticos, el error crece como el cuadrado de un logaritmo (una curva muy lenta).

Analogía: Imagina a un estudiante tomando un examen. La mayoría de los métodos de aprendizaje cometen errores que se acumulan como una colina empinada. Este algoritmo comete errores que se acumulan como una pendiente suave. Aprende las reglas del juego mucho más rápido que cualquier otro.

2. No Se Puede Hacer Mucho Mejor (El "Límite Inferior")
Los autores también demostraron que ninguna otra estrategia posible puede aprender significativamente más rápido que la suya. Mostraron que incluso un algoritmo "perfecto" seguiría cometiendo un número similar de errores en el peor de los casos.

Analogía: Demostraron que su algoritmo es el "Medallista de Oro". No puedes ganar una carrera más rápida porque la pista en sí es así de rápida.

3. Más Grande No Siempre es Mejor (La Sorpresa del "Tamaño del Menú")
Realizaron simulaciones para ver qué sucede si la plataforma muestra una lista enorme de vendedores (un menú grande) frente a una lista pequeña.

El Hallazgo: Una vez que el menú alcanza cierto tamaño (alrededor de 30 vendedores en su simulación), hacer que sea más grande no ayuda mucho.
Analogía: Piensa en el menú de un restaurante. Si tienes 5 platos excelentes, añadir 50 platos mediocres más no hace al cliente más feliz; solo lo confunde. La plataforma obtiene el mismo número de coincidencias exitosas con un menú de tamaño medio que con uno masivo.

Por Qué Esto Importa

Este artículo es el primero en resolver el rompecabezas de aprender ambos lados de un mercado simultáneamente cuando no sabes qué quiere ninguno de los dos lados. Muestra que, al tratar el problema como un desafío de aprendizaje de "dos vías" en lugar de solo un desafío de "elección del cliente", las plataformas pueden tomar decisiones mucho más inteligentes, rápidas y rentables.

En resumen: Para dirigir un mercado de dos caras con éxito, no basta con adivinar lo que el comprador quiere; también tienes que aprender lo que el vendedor quiere. Y si haces ambas cosas al mismo tiempo con la matemática adecuada, ganas.

Resumen Técnico: Surtido Dinámico Basado en Datos en Plataformas en Línea: Aprendizaje sobre Dos Lados

Formulación del Problema
El artículo aborda un problema de selección de surtido dinámico en una plataforma de servicios de dos lados que opera bajo información incompleta. A diferencia de los problemas de surtido tradicionales donde un tomador de decisiones selecciona productos para maximizar los ingresos basándose únicamente en las preferencias de los clientes, este entorno involucra participantes "activos" tanto en el lado de la demanda (clientes) como en el de la oferta (vendedores).

El sistema opera en tiempo discreto sobre un horizonte de $T$ períodos. La plataforma gestiona un conjunto de $N$ vendedores y encuentra una secuencia de clientes que llegan con tipos heterogéneos. En cada período, el gestor de la plataforma selecciona un surtido (un subconjunto de vendedores de tamaño máximo $B$ ) para mostrarlo a un cliente entrante. El cliente entonces elige, como máximo, un vendedor del surtido mostrado de acuerdo con un modelo de elección Multinomial Logit (MNL), regido por parámetros de preferencia desconocidos $v_{z,i}$ (donde $z$ es el tipo de cliente e $i$ es el vendedor).

Crucialmente, una transacción no se finaliza tras la elección del cliente. En su lugar, la propuesta del cliente se retiene durante una duración fija de $K$ períodos. Al final de cada época (un bloque de $K$ períodos), los vendedores revisan las propuestas que han recibido y deciden si aceptan, como máximo, un cliente, basándose en sus propios parámetros de preferencia MNL desconocidos $u_{i,z}$ . Una transacción (y la recompensa subsiguiente) ocurre solo si un vendedor acepta una propuesta. El objetivo del gestor de la plataforma es maximizar la recompensa esperada total sobre el horizonte de planificación.

El desafío central es el Aprendizaje de Dos Vías (Two-Way Learning): la plataforma no conoce los parámetros de elección ni de los clientes ( $V$ ) ni de los vendedores ( $U$ ), y debe aprenderlos dináicamente mientras toma simultáneamente las decisiones de surtido. Esto difiere de la literatura existente, que típicamente asume un aprendizaje de una sola vía (solo se desconocen las preferencias del cliente) o una realización de pago inmediata.

Metodología
Los autores proponen un algoritmo en línea basado en datos llamado TWL-UCB (Two-Way Learning via Upper Confidence Bound). El algoritmo está diseñado para equilibrar la exploración y la explotación, además de manejar la estructura de retroalimentación asíncrona del mercado de dos lados.

Estimaciones de Límite Superior de Confianza (UCB) (Upper Confidence Bound): El algoritmo mantiene estimaciones UCB tanto para los parámetros de preferencia del cliente ( $v_{z,i}$ $v_{z, i}$ ) como para los parámetros de preferencia del vendedor ( $u_{i,z}$ $u_{i, z}$ ).
- Actualizaciones del Cliente (Paso II): Después de cada período, la plataforma actualiza las estimaciones del cliente basándose en las elecciones de los clientes (propuestas) observadas dentro de los surtidos ofrecidos.
- Actualizaciones del Vendedor (Paso III): Las estimaciones del vendedor se actualizan solo al final de cada época ( $K$ períodos), basándose en las decisiones de emparejamiento observadas (aceptaciones/rechazos) por parte de los vendedores.
Optimización del Surtido (Paso I): En cada período, la plataforma selecciona un surtido que maximiza el incremento marginal esperado en los emparejamientos. Esta métrica, denotada como $\Delta_M$ , captura la ganancia esperada en emparejamientos para la época actual dado el estado actual de las propuestas y las estimaciones UCB de las preferencias tanto del cliente como del vendedor.
Minimización del Arrepentimiento (Regret): El desempeño se evalúa utilizando el arrepentimiento (regret), definido como la diferencia entre la recompensa total lograda por una política clarividente (que conoce todos los parámetros y secuencias de llegada) y la recompensa lograda por el algoritmo propuesto.

Resultos Clave y Contribuciones Teóricas
El artículo establece la optimalidad teórica del algoritmo TWL-UCB mediante el emparejamiento de límites superiores e inferiores de arrepentimiento:

Límite Superior (Teorema 1): Los autores demuestran que el arrepentimiento en el peor de los casos del algoritmo TWL-UCB crece polilogarítmicamente con el tiempo: $O(\log^2(NT))$ . Esta es una mejora significativa respecto a los límites de arrepentimiento $\tilde{O}(\sqrt{T})$ encontrados en la literatura de surtido dinámico existente que se enfoca en el aprendizaje de una sola vía.
Límite Inferior (Teorema 2): El artículo deriva un límite inferior correspondiente, mostrando que para cualquier política admisible, el arrepentimiento en el peor de los casos es al menos $\tilde{\Omega}(\log^2(NT))$ .
Optimalidad de la Tasa: La alineación de los límites superiores e inferiores establece que el algoritmo TWL-UCB es óptimo en tasa para el problema de Aprendizaje de Dos Vías.
Hallazgos de Simulación:
- El algoritmo TWL-UCB supera consistentemente a las versiones adaptadas de algoritmos de aprendizaje de una sola vía (específicamente, el algoritmo UCB de Agrawal et al., 2019) en entornos de dos lados. Este último falla porque no puede contabilizar la retroalimentación retrasada y la incertidumbre del lado del vendedor.
- El estudio identifica un efecto de umbral respecto al tamaño del surtido: aumentar el tamaño máximo del surtido ( $B$ ) más allá de un cierto punto (observado alrededor de 30 en las simulaciones) genera rendimientos decrecientes en la recompensa total de la plataforma.

Extensiones y Robustez
El artículo analiza dos extensiones para demostrar la robustez del algoritmo:

Transparencia de la Información: El algoritmo mantiene su límite de arrepentimiento $O(\log^2(NT))$ incluso si el gestor de la plataforma comparte solo información parcial específica del cliente con los vendedores (Teorema 3).
Recompensas Dependientes del Cliente: El límite de arrepentimiento se mantiene incluso cuando la recompensa por un emparejamiento exitoso depende del tipo específico de cliente emparejado, en lugar de ser un valor fijo por época (Teorema 4).

Significancia y Reivindicaciones
Los autores afirman que este es el primer estudio que formula y analiza un problema de surtido dinámico donde el tomador de decisiones debe aprender los parámetros de elección de ambos lados de un mercado de dos lados simultáneamente.

La significancia del trabajo radica en:

Novedad del Problema: Ir más allá del aprendizaje de una sola vía hacia un marco de "Aprendizaje de Dos Vías" que refleja la naturaleza activa de los participantes en las plataformas de servicios modernas (por ejemplo, Airbnb, Upwork, HomeAdvisor).
Avance Algorítmico: Demostrar que es posible lograr un arrepentimiento polilogarítmico en este complejo entorno de retroalimentación retrasada, donde los problemas de aprendizaje de una sola vía suelen sufrir de un arrepentimiento de raíz cuadrada.
Perspectiva Práctica: Destacar que los algoritmos diseñados para el aprendizaje de un solo lado son ineficaces en entornos de dos lados y que los gestores de plataformas deben ser cautelosos al expandir los tamaños de surtido debido a los rendimientos decrecientes.

El artículo concluye que el algoritmo TWL-UCB propuesto proporciona una solución teóricamente óptima y robusta para los gestores de plataformas que operan bajo información incompleta en mercados de dos lados.