Từ Quy Tắc Thủ Công Đến Mô Hình: Cách Tự Động Hóa Trợ Cấp Mà Không Làm Giảm Chỉ Số A/B

Avito Podrabotka, dịch vụ việc làm tạm thời, trước đây thường thủ công gán trợ cấp 'ontop' cho người lao động tự do (gig workers) ở các ca làm kém hấp dẫn, với ngân sách lấy từ quỹ nền tảng. Khi dịch vụ phát triển, việc quản lý thủ công trở nên kém hiệu quả, dẫn đến chi tiêu quá mức ở các phân khúc không co giãn (inelastic segments) và chi tiêu dưới mức ở những nơi cần trợ cấp, và mục tiêu được đặt ra là giảm SubGMV (mức trợ cấp) mà không làm tổn hại đến các chỉ số kinh doanh. Nhóm đã đánh giá nhiều phương pháp khác nhau bao gồm quy tắc kinh doanh, uplift nhị phân, bandits, học tăng cường (reinforcement learning) và phương pháp Bayes, nhưng đã chọn mô hình phản ứng giá (price-response model) do các ràng buộc: dữ liệu lệch, khả năng thử nghiệm hạn chế (không thể loại bỏ ontop trong các bài kiểm tra), tần suất thấp và phản hồi chậm, và cần khả năng diễn giải. Mô hình dự đoán xác suất một ca làm sẽ được lấp đầy trong ngày cụ thể, dựa trên giá (mức lương cơ bản cộng với ontop), tham số ca làm, vị trí địa lý, thị trường và số liệu thống kê lịch sử của nền tảng. Để khắc phục độ lệch dữ liệu, họ đã mở rộng dữ liệu huấn luyện với dữ liệu thử nghiệm A/B (A/B test data) và định hình nhiệm vụ thành bài toán phân loại ba lớp (liên hệ trong nhóm A, liên hệ trong nhóm B, không liên hệ), sau đó thu gọn thành hai lớp trong sản xuất. Họ áp dụng ràng buộc đơn điệu (monotonic constraint) trên các đặc trưng giá để đảm bảo rằng trợ cấp cao hơn không làm giảm xác suất lấp đầy, được thực hiện bằng cách phân rã CatBoost thành hai mô hình nhị phân. Các chỉ số đánh giá chính bao gồm LogLoss 0,44, Brier 0,29, độ lệch Fill Rate -0,6 điểm phần trăm và khoảng cách đối xứng (symmetry gap) dưới 0,01. Việc hiệu chuẩn mô hình là rất quan trọng cho thuật toán phân bổ ngân sách để phân phối trợ cấp hiệu quả mà không làm giảm chất lượng Completed slots và Fill Rate.