Loading...
Publication
Otimização do algoritmo de correspondência de prestadores de serviços para uma plataforma de serviços domésticos
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 5.13 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
This thesis addresses the optimization of the service provider–client matching algorithm in Oscar, a growing start-up offering on-demand and scheduled home services. The existing algorithm relied on rules with a low flexibility, resulting in high cancellation rates, poor provider engagement, and limited visibility into decision-making. To overcome these challenges, the work combines two complementary directions: algorithmic improvement through a fairnessaware boosting framework, and the integration of observability to enhance monitoring and transparency. A systematic mapping study was conducted to analyze state-of-the-art matching algorithms, supply–demand compatibility strategies, and observability methodologies. Based on the findings,
a Conceptual Boosting Framework was designed, incorporating modular heuristics such as task performance and recent activity boosts, while ensuring configurability and fairness monitoring. Observability was integrated via structured logging, telemetry, and tracing, enabling detailed insights into algorithmic decisions and operational metrics. The solution was implemented and deployed in the production system of Oscar. Evaluation
included unit and integration tests, as well as one-week of A/B testing comparing the new algorithm against the baseline. The final results demonstrated significant improvements: cancellations decreased by 17.9%, pool time by 18.5%, and time-to-accept by 26.1%, while acceptance rate increased by 15.3%. These outcomes validate the effectiveness of the approach in improving efficiency and user satisfaction. The thesis contributes by introducing a practical framework that balances efficiency, fairness, and observability, empirically validating it on a live service platform, and documenting a design that is extensible to other gig-economy domains. Limitations include low prioritization for testing, reliance on heuristics rather than machine learning, and lack of quantitative fairness
auditing. Future work should address these aspects through long-term experiments, machine learning-based adaptive boosting, and formal fairness evaluation.
A presente tese aborda a otimização do algoritmo de correspondência entre prestadores de serviços e clientes na Oscar, uma start-up em crescimento que disponibiliza serviços domésticos imediatos e agendados. O algoritmo existente fundamentava-se em regras de baixa flexibilidade, resultando em altas taxas de cancelamento, baixo envolvimento dos prestadores e visibilidade limitada nas decisões tomadas. Para superar estes desafios, o trabalho combina duas direções complementares: melhoria algorítmica por meio de uma estrutura de impulsionamento consciente da equidade e integração da observabilidade para melhoria da monitorização e da transparência. Foi realizado um estudo de mapeamento sistemático para analisar algoritmos de correspondência de última geração, estratégias de compatibilidade entre oferta e procura e metodologias de observabilidade. Com base nas conclusões, foi concebida uma Conceptual Boosting Framework, incorporando heurísticas modulares, como o desempenho de tarefas e o reforço de atividades recentes, garantindo simultaneamente a configurabilidade e a monitorização da equidade. A observabilidade foi integrada através de um registo estruturado, telemetria e rastreamento, permitindo uma visão detalhada das decisões algorítmicas e das métricas operacionais. A solução foi implementada e implantada no sistema de produção do Oscar. A avaliação foi realizada através da implementação de testes unitários e de integração, bem como da realização de uma semana de testes A/B, com o objetivo de comparar o novo algoritmo com a linha de base. Os resultados finais demonstraram melhorias significativas: os cancelamentos diminuíram 17.9%, o tempo de espera 18.5% e o tempo de aceitação 26.1%, enquanto a taxa de aceitação aumentou 15.3%. Estes resultados validam a eficácia da abordagem na melhoria da eficiência e da satisfação do utilizador. A tese introduz uma estrutura prática que equilibra eficiência, justiça e observabilidade, tendo a sua validação sido obtida empiricamente numa plataforma do Oscar. O design apresentado é passível de extensão a outros domínios da economia gig. As limitações identificadas incluem uma baixa priorização para testes, uma dependência em heurísticas em vez de aprendizagem automática e a ausência de auditoria quantitativa de justiça. No futuro trabalho, é imperativo que se abordem estes aspetos por meio de experiências de longo prazo, impulsionamento adaptativo baseado em aprendizagem automática e avaliação formal de justiça.
A presente tese aborda a otimização do algoritmo de correspondência entre prestadores de serviços e clientes na Oscar, uma start-up em crescimento que disponibiliza serviços domésticos imediatos e agendados. O algoritmo existente fundamentava-se em regras de baixa flexibilidade, resultando em altas taxas de cancelamento, baixo envolvimento dos prestadores e visibilidade limitada nas decisões tomadas. Para superar estes desafios, o trabalho combina duas direções complementares: melhoria algorítmica por meio de uma estrutura de impulsionamento consciente da equidade e integração da observabilidade para melhoria da monitorização e da transparência. Foi realizado um estudo de mapeamento sistemático para analisar algoritmos de correspondência de última geração, estratégias de compatibilidade entre oferta e procura e metodologias de observabilidade. Com base nas conclusões, foi concebida uma Conceptual Boosting Framework, incorporando heurísticas modulares, como o desempenho de tarefas e o reforço de atividades recentes, garantindo simultaneamente a configurabilidade e a monitorização da equidade. A observabilidade foi integrada através de um registo estruturado, telemetria e rastreamento, permitindo uma visão detalhada das decisões algorítmicas e das métricas operacionais. A solução foi implementada e implantada no sistema de produção do Oscar. A avaliação foi realizada através da implementação de testes unitários e de integração, bem como da realização de uma semana de testes A/B, com o objetivo de comparar o novo algoritmo com a linha de base. Os resultados finais demonstraram melhorias significativas: os cancelamentos diminuíram 17.9%, o tempo de espera 18.5% e o tempo de aceitação 26.1%, enquanto a taxa de aceitação aumentou 15.3%. Estes resultados validam a eficácia da abordagem na melhoria da eficiência e da satisfação do utilizador. A tese introduz uma estrutura prática que equilibra eficiência, justiça e observabilidade, tendo a sua validação sido obtida empiricamente numa plataforma do Oscar. O design apresentado é passível de extensão a outros domínios da economia gig. As limitações identificadas incluem uma baixa priorização para testes, uma dependência em heurísticas em vez de aprendizagem automática e a ausência de auditoria quantitativa de justiça. No futuro trabalho, é imperativo que se abordem estes aspetos por meio de experiências de longo prazo, impulsionamento adaptativo baseado em aprendizagem automática e avaliação formal de justiça.
Description
Keywords
Matching algorithms Observability Home services Boosting framework On-demand platforms