📊 statistics

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

Dit artikel introduceert een datagedreven algoritme voor een tweezijdig dynamisch assortimentprobleem met onbekende keuzeparameters aan beide zijden, waarbij een op de snelheid optimale polylogaritmische regret wordt bereikt door gelijktijdig klant- en verkoperpreferenties te leren terwijl de platformomzet wordt gemaximaliseerd.

Oorspronkelijke auteurs: Rahul Roy, Nur Sunar, Jayashankar M. Swaminathan

Gepubliceerd 2026-06-10

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Rahul Roy, Nur Sunar, Jayashankar M. Swaminathan

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een bruisende digitale marktplaats beheert, zoals een technologisch hoogstaande versie van een boerenmarkt of een datingapp. Je hebt twee groepen mensen: Klanten (die diensten willen kopen) en Verkopers (die diensten willen aanbieden). Jouw taak is om te beslissen welke Verkopers je aan elke Klant laat zien die de deur binnenkomt.

Dit artikel behandelt een zeer lastig probleem: Je weet niet waar iemand van houdt.

Het Kernprobleid: De "Blind Date" Marktplaats

In de meeste online platforms probeert het systeem te raden wat klanten willen. Maar in het scenario van dit artikel is het platform op twee manieren blind:

Het weet niet wat Klanten willen: Sommige klanten houden van zonneinstallateurs; anderen geven de voorkeur aan freelance schrijvers. Het platform weet niet welk type klant er als volgende arriveert.
Het weet niet wat Verkopers willen: Zelfs als een klant een verkoper kiest, kan die verkoper "Nee bedankt" zeggen. Misschien werkt de verkoper liever niet met dat specifieke type klant. Het platform kent deze voorkeuren ook niet.

Het is als een blind date-opstelling waarbij de matchmaker niet weet waar de man van houdt, en ook niet weet waar het meisje van houdt. Als de man het meisje kiest, kan zij hem nog steeds afwijzen. Als de matchmaker alleen leert waar de man van houdt maar de voorkeuren van het meisje negeert, zullen ze steeds weer slechte dates arrangeren.

De Cyclus van Gebeurtenissen

Het artikel beschrijft een specifieke ritme waarin deze marktplaats werkt:

De Aankomst: Een klant arriveert.
Het Menu: Het platform toont hen een kleine lijst (een "assortiment") van verkopers.
Het Voorstel: De klant kiest één verkoper uit de lijst (of geen enkele).
De Beoordeling: De verkoper krijgt een batch voorstellen. Elke paar dagen (een "cyclus") beoordeelt de verkoper de voorstellen en kiest hij maximaal één klant om mee samen te werken.
De Beloning: Het platform krijgt alleen betaald (of krijgt een "match") als zowel de klant de verkoper heeft gekozen ALS de verkoper de klant heeft gekozen.

De Uitdaging: Leren Terwijl Je Doet

De manager van het platform moet nu beslissingen nemen zonder de toekomst te kennen. Ze moeten uitzoeken:

"Van welke type verkoper houdt Klant Type A?"
"Welke klanttypen accepteert Verkoper Type B?"

Als het platform alleen maar de populaire verkopers blijft tonen, leert het nooit of een nieuwe verkoper eigenlijk een geweldige match is voor een specifere klantsoort. Maar als het te veel willekeurige verkopers laat zien, verspilt het tijd en geld aan slechte matches. Dit is het klassieke "Exploration vs. Exploitation" dilemma (onderzoeken versus exploiteren).

De Oplossing: Het "Two-Way Learning" Algoritme

De auteurs hebben een slim computerprogramma (een algoritme) ontwikkeld genaamd TWL-UCB. Denk aan het als een super-observante matchmaker die een "vertrouwensscore" bijhoudt voor elke mogelijke koppeling.

Het Raadspel: Het algoritme begint met te gokken hoeveel klanten en verkopers elkaar leuk vinden.
De "Wat Als" Test: Het algoritme gebruikt een wiskundige truc genaamd "Upper Confidence Bound" (UCB). Stel je voor dat het algoritme veilig speelt maar ook berekende risico's neemt. Het denkt: "Ik ben 90% zeker dat Klant A Verkoper X leuk vindt, maar ik ben slechts 50% zeker over Verkoper Y. Laten we Verkoper Y proberen, gewoon om te zien, want als ik gelijk heb, kan dat een enorme winst opleveren!"
Dubbelchecken: In tegen naar oudere methoden die alleen keken naar wat klanten deden, kijkt dit algoritme naar beide kanten.
- Het werkt zijn schatting over wat klanten leuk vinden bij elke keer dat een klant een keuze maakt.
- Het werkt zijn schatting over wat verkopers leuk vinden bij elke keer dat een verkoper een voorstel accepteert of afwijst.
Het Resultaat: Na verloop van tijd wordt het algoritme ongelooflijk goed in het voorspellen van de perfecte match, waardoor het aantal mislukte dates (regret) wordt geminimaliseerd.

De Grote Ontdekkingen

De auteurs bewijzen drie belangrijke zaken met behulp van wiskunde en computersimulaties:

1. Het Wordt Snel Beter (De "Polylogarithmische" Winst)
De auteurs hebben bewezen dat hun algoritme zo efficiënt leert dat de "fouten" die het maakt heel langzaam groeien over de tijd. In wiskundige termen groeit de fout als het kwadraat van een logaritme (een zeer trage curve).

Analogie: Stel je een student voor die een toets maakt. De meeste leermethoden laten fouten zich opstapelen als een steile heuvel. Dit algoritme laat fouten zich opstapelen als een flauwe helling. Het leert de regels van het spel veel sneller dan wie dan ook.

2. Je Kunt Niet Veel Beter (De "Lower Bound")
De auteurs hebben ook bewezen dat geen enkele andere mogelijke strategie aanzienlijk sneller kan leren dan de hunne. Ze lieten zien dat zelfs een "perfect" algoritme in het slechtste scenario een vergelijkbaar aantal fouten zou maken.

Analogie: Ze hebben bewezen dat hun algoritme de "Gouden Medaille Winnaar" is. Je kunt niet sneller een race winnen omdat de baan zelf die snelheid heeft.

3. Groter Is Niet Altijd Beter (De "Menu Size" Verrassing)
Ze hebben simulaties uitgevoerd om te zien wat er gebeurt als het platform een enorme lijst met verkopers toont (een groot menu) versus een kleine lijst.

De Bevinding: Zodra het menu een bepaalde grootte bereikt (ongeveer 30 verkopers in hun simulatie), helpt het maken van het menu groter niet veel meer.
Analogie: Denk aan een menukaart in een restaurant. Als je 5 geweldige gerechten hebt, helpt het toevoegen van 50 middelmatige gerechten de klant niet echt meer; het verwart de klant alleen maar. Het platform krijgt evenveel succesvolle matches met een middelgroot menu als met een enorm menu.

Waarom Dit Er Toe Doet

Dit artikel is de eerste die het puzzelstukje oplost van het tegelijkertijd leren van beide kanten van een marktplaats wanneer je niet weet wat beide kanten willen. Het laat zien dat door het probleem te behandelen als een "tweezijdige" leeruitdaging in plaats van alleen een "klantkeuze"-uitdaging, platforms veel slimmere, snellere en winstgevendere beslissingen kunnen nemen.

Kortom: Om een succesvolle tweezijdige marktplaats te runnen, kun je niet alleen raden wat de koper wil; je moet ook leren wat de verkoper wil. En als je beide tegelijk doet met de juiste wiskunde, win je.

Technische Samenvatting: Data-gestuurde Dynamische Assortimentselectie in Online Platformen: Leren over Twee Zijden

Probleemformulering
Het artikel behandelt een dynamisch assortimentselectieprobleem op een tweezijdig serviceplatform dat opereert onder onvolledige informatie. In tegenstelling tot traditionele assortimentproblemen waarbij een besluitvormer producten selecteert om de omzet te maximaliseren op basis van louter klantvoorkeuren, omvat deze setting "actieve" deelnemers aan zowel de vraagzijde (klanten) als de aanbodzijde (verkopers).

Het systeem werkt in discrete tijd over een horizon van $T$ perioden. De platformbeheerder beheert een verzameling van $N$ verkopers en komt een opeenvolging van arriverende klanten met heterogene typen tegen. In elke periode selecteert de platformbeheerder een assortiment (een deelverzameling van verkopers van grootte ten hoogste $B$ ) om aan een arriverende klant te tonen. De klant kiest vervolgens maximaal één verkoper uit het getoonde assortiment volgens een Multinomial Logit (MNL) keuzemodel, gestuurd door onbekende preferentieparameters $v_{z,i}$ (waarbij $z$ de klanttype is en $i$ de verkoper).

Cruciaal is dat een transactie niet wordt afgerond bij de keuze van de klant. In plaats daarvan wordt het voorstel van de klant gedurende een vaste duur van $K$ perioden vastgehouden. Aan het einde van elke epoch (een blok van $K$ perioden) beoordelen verkopers de ontvangen voorstellen en beslissen zij of zij maximaal één klant accepteren, gebaseerd op hun eigen onbekende MNL-preferentieparameters $u_{i,z}$ . Een transactie (en de daaropvolgende beloning) vindt alleen plaats als een verkoper een voorstel accepteert. De platformbeheerder heeft als doel de totale verwachte beloning over de planningshorizon te maximaliseren.

De kernuitdaging is Tweezijdige Leerprocessen (Two-Way Learning): het platform kent de keuzeparameters voor noch de klanten ( $V$ ), noch de verkopers ( $U$ ), en moet deze dynamisch leren terwijl het tegelijkertijd assortimentbeslissingen neemt. Dit verschilt van de bestaande literatuur, die doorgaans een eenzijdige leeromgeving (alleen onbekende klantvoorkeuren) of onmiddellijke realisatie van uitbetalingen veronderstelt.

Methodologie
De auteurs stellen een data-gestuurd online algoritme voor genaamd TWL-UCB (Two-Way Learning via Upper Confidence Bound). Het algoritme is ontworend om een balans te vinden tussen exploratie en exploitatie, terwijl het de asynchrone feedbackstructuur van een tweezijdige markt afhandelt.

Upper Confidence Bound (UCB) Schattingen: Het algoritme houdt UCB-schattingen bij voor zowel de klantvoorkeurenceparameters ( $v_{z,i}$ $v_{z, i}$ ) als de verkopervoorkeuenceparameters ( $u_{i,z}$ $u_{i, z}$ ).
- Klantupdates (Stap II): Na elke periode werkt de platformbeheerder de klant-schattingen bij op basis van geobserveerde klantkeuzes (voorstellen) binnen de aangeboden assortimenten.
- Verkoperupdates (Stap III): De schattingen van de verkoper worden alleen aan het einde van elke epoch ( $K$ perioden) bijgewerkt, op basis van geobserveerde matching-beslissingen (acceptaties/afwijzingen) door verkopers.
Assortiment Optimalisatie (Stap I): In elke periode selecteert het platform een assortiment dat de geschatte marginale toename in verwachte matches maximaliseert. Deze metriek, aangeduid als $\Delta_M$ , legt de verwachte winst in matches voor de huidige epoch vast, gegeven de huidige staat van voorstellen en de UCB-schattingen van zowel de klantvoorkeuren als de verkopervoorkeuren.
Regret Minimalisatie: De prestaties worden geëvalueerd met behulp van regret (spijt), gedefinieerd als het verschil tussen de totale beloning die een clairvoyante policy (die alle parameters en aankomstsequenties kent) behaalt en de beloning die het voorgestelde algoritme behaalt.

Belangrijkste Resultaten en Theoretische Bijdragen
Het artikel stelt de theoretische optimaliteit van het TWL-UCB algoritme vast door het matchen van boven- en ondergrenzen voor de regret:

Bovengrens (Theorem 1): De auteurs bewijzen dat de worst-case regret van het TWL-UCB algoritme polylogaritmisch groeit met de tijd: $O(\log^2(NT))$ . Dit is een significante verbetering ten opzichte van de $\tilde{O}(\sqrt{T})$ regret-bounds in de bestaande dynamische assortimentliteratuur die zich richt op eenzijdig leren.
Ondergrens (Theorem 2): Het artikel leidt een bijbehorende ondergrens af, waaruit blijkt dat de worst-case regret voor elke toelaatbare policy ten minste $\tilde{\Omega}(\log^2(NT))$ is.
Rate Optimaliteit: De uitlijning van de boven- en ondergrenzen stelt vast dat het TWL-UCB algoritme rate-optimaal is voor het Two-Way Learning probleem.
Simulatiebevindingen:
- Het TWL-UCB algoritme presteert consequent beter dan aangepaste versies van eenzijdige leeralgoritmen (specifiek het UCB algoritme van Agrawal et al., 2019) in tweezijdige settings. Deze laatsteën falen omdat ze geen rekening kunnen houden met de vertraagde feedback en de onzekerheid aan de verkoperzijde.
- De studie identificeert een drempeleffect met betrekking tot de assortimentsgrootte: het vergroten van de maximale assortimentsgrootte ( $B$ ) voorbij een bepaat punt (geobserveerd rond de 30 in simulaties) levert een afnemend rendement op in de totale platformbeloning.

Extensies en Robuustheid
Het artikel analyseert twee extensies om de robuustheid van het algoritme aan te tonen:

Informatie Transparantie: Het algoritme behoudt zijn $O(\log^2(NT))$ regret bound, zelfs als de platformbeheerder slechts gedeeltelijke klant-specifieke informatie met verkopers deelt (Theorem 3).
Klantafhankelijke Beloningen: De regret bound blijft geldig, zelfs wanneer de beloning voor een succesvolle match afhankelijk is van de specifieke type klant die gematcht is, in plaats van een vaste waarde per epoch (Theorem 4).

Betekenis en Claims
De auteurs claimen dat dit de eerste studie is die een dynamisch assortimentprobleem formuleert en analyseert waarbij de besluitvormer de keuzeparameters van beide zijden van een tweezijdige markt simultaan moet leren.

De betekenis van het werk ligt in:

Nieuwigheid van het Probleem: Het gaat verder dan eenzijdig leren naar een "Two-Way Learning" framework dat de actieve aard van deelnemers in moderne serviceplatformen reflecteert (bijv. Airbnb, Upwork, HomeAdvisor).
Algoritmische Vooruitgang: Het aantonen dat polylogaritmische regret haalbaar is in deze complexe setting met vertraagde feedback, terwijl eenzijdig leerproblemen doorgaans lijden onder vierkantswortel-regret.
Praktisch Inzicht: Het benadrukken dat algoritmen ontworpen voor eenzijdig leren ineffectief zijn in tweezijdige omgevingen en dat platformbeheerders voorzichtig moeten zijn met het uitbreiden van assortimenten voorbij een specifieke drempel vanwege de afnemende meeropbrengsten.

Het artikel concludeert dat het voorgestelde TWL-UCB algoritme een theoretisch optimale en robuuste oplossing biedt voor platformbeheerders die opereren onder onvolledige informatie in tweezijdige markten.