Pencarian dan Pencocokan di Marketplace

Oleh Brian Tr · Diperbarui 7 Oktober 2026

Sebuah marketplace bisa punya banyak pembeli dan banyak penjual dan tetap gagal, karena pembeli yang tepat tidak pernah bertemu penjual yang tepat. Pasokan duduk tak terlihat di halaman sembilan. Permintaan mengetik kueri dan tidak mendapat apa-apa. Kedua sisi hadir, dan tidak ada transaksi yang terjadi.

Kesenjangan itu adalah tugas pencarian dan pencocokan. Inilah lapisan yang mengubah tumpukan listing dan kerumunan pembeli menjadi kesepakatan nyata. Artikel ini membahas tiga cara utama marketplace melakukannya, sinyal yang masuk ke peringkat, riset di balik pencocokan dua sisi, apa yang wajib dikatakan platform tentang peringkatnya, dan metrik yang memberi tahu Anda apakah semuanya berjalan.

Kami akan tetap konseptual. Kami tidak akan memberi tahu rumus peringkat mana yang harus dipakai, karena itu tergantung kategori Anda. Kami akan memberi Anda kosakata, bukti, dan pertanyaan yang perlu diajukan.

Tiga cara menghubungkan pembeli dengan pasokan

Sebagian besar marketplace memakai salah satu dari tiga pendekatan, atau campurannya.

Pencarian dan peringkat. Pembeli menyatakan apa yang diinginkannya, dan platform mengembalikan daftar berurutan. Pembeli yang memilih. Pencarian di Etsy, Airbnb, dan Upwork bekerja seperti ini. Pengaruh platform ada pada urutan, filter, dan apa yang ditampilkan.

Pencocokan algoritmik. Platform memilih lawan transaksi, atau daftar yang sangat pendek, untuk pembeli. Ride-hailing adalah contoh standarnya: penumpang tidak menelusuri pengemudi, sistem yang menugaskan satu. Ini berhasil ketika barangnya cukup dapat dipertukarkan sehingga pembeli lebih peduli pada kecepatan dan harga daripada pada memilih.

Pencocokan terkelola. Manusia yang melakukan pencocokan. Seorang operator membaca permintaan, memilih pemasok, dan kadang menawarkan harga pekerjaan. Biayanya lebih tinggi per transaksi dan umum di tempat kualitas sangat bervariasi atau pekerjaannya kompleks. Kami membahas model itu di marketplace terkelola.

Ketiganya tidak saling meniadakan. Sebuah marketplace bisa meranking listing untuk sebagian besar pembeli dan mengarahkan permintaan terbesar atau tersulitnya ke manusia. Pertanyaan yang berguna adalah pendekatan mana yang sesuai dengan seberapa banyak pilihan yang diinginkan pembeli dan seberapa berbeda pasokan dari satu penjual ke penjual berikutnya.

Apa yang masuk ke dalam peringkat

Peringkat adalah masalah prediksi dengan tujuan bisnis yang melekat. Platform memperkirakan listing mana yang paling mungkin diinginkan pembeli tertentu, dan mengurutkan hasil sesuai itu. Sinyalnya biasanya terbagi dalam beberapa keluarga.

• Relevansi. Seberapa baik listing cocok dengan kueri, kategori, tanggal, atau kebutuhan yang dinyatakan.
• Kualitas. Ulasan, riwayat penyelesaian, perilaku respons, dan bukti serupa bahwa penjual memenuhi janjinya.
• Ketersediaan. Apakah penjual benar-benar bisa mengerjakan pekerjaan untuk tanggal, jumlah, atau waktu yang diminta.
• Jarak. Untuk barang lokal atau yang diantar, seberapa dekat pasokan dengan pembeli.
• Harga dan kecocokan. Apakah harga berada dalam kisaran yang tampaknya diinginkan pembeli.
• Faktor komersial. Biaya, promosi, atau penempatan berbayar, yang akan kita bahas lagi di bawah.

Airbnb telah menerbitkan lebih banyak detail tentang ini daripada kebanyakan perusahaan. Makalahnya pada 2018, Applying Deep Learning to Airbnb Search, menggambarkan tugasnya sebagai menanggapi tamu dengan daftar berurutan berisi beberapa listing dari ribuan yang tersedia. Makalah itu menyebut peringkat pencarian pertama adalah fungsi penilaian yang dibuat manual, dan menggantinya dengan model gradient boosted decision tree menghasilkan salah satu lonjakan terbesar dalam pemesanan sepanjang sejarah perusahaan, sebelum peningkatannya mendatar. Fitur yang mengisi jaringan sarafnya sebagian besar adalah properti listing sederhana seperti harga, fasilitas, dan jumlah pemesanan historis.

Dua detail dalam makalah itu layak dipertahankan. Pertama, model dilatih pada log di mana listing yang dipesan menjadi contoh positif dan sisanya contoh negatif, sehingga peringkat belajar dari apa yang benar-benar dipilih pembeli, bukan dari apa yang menurut manusia relevan. Kedua, para penulis menyatakan model ini hanya satu bagian dari ekosistem yang juga mencakup model yang memprediksi apakah seorang host akan menerima permintaan. Di marketplace dua sisi, hasil yang akan ditolak pemasok sebenarnya bukan hasil yang baik.

Poin kedua itulah yang membedakan peringkat marketplace dari pencarian web biasa. Mesin pencari mengoptimalkan untuk pencari. Marketplace harus peduli pada kedua sisi.

Menyeimbangkan kedua sisi

Makalah Airbnb 2023, Optimizing Airbnb Search Journey with Multi-task Learning, menyatakan masalahnya secara langsung. Tamu sering menghabiskan berminggu-minggu menjelajah dan membandingkan sebelum mengajukan permintaan, permintaan reservasi kemudian bisa ditolak atau dibatalkan oleh host, dan model harus menyeimbangkan preferensi tamu dan host. Jawabannya adalah memakai tindakan tamu di tahap antara, positif dan negatif, sebagai tonggak yang menggerakkan tamu menuju pemesanan yang berhasil.

Makalah lain dari kelompok yang sama, Learning to Rank Diversely at Airbnb, menantang asumsi umum lainnya. Peringkat tradisional memperkirakan peluang pemesanan tiap listing secara independen. Para penulis berpendapat bahwa kemiripan antarlisting memengaruhi keputusan pengguna, dan bahwa mengurangi redundansi di antara hasil yang mirip meningkatkan keragaman, yang mereka validasi dalam uji A/B produksi.

Dan Improving Deep Learning for Airbnb Search menyusun kerjanya sebagai arsitektur, bias, dan cold start. Bias posisi (orang mengeklik hasil yang lebih atas sebagian karena posisinya lebih atas) dan cold start (listing baru tidak punya riwayat) adalah masalah yang dihadapi setiap sistem peringkat marketplace.

Makalah-makalah ini menggambarkan sistem satu perusahaan. Isinya bukti tentang apa yang mungkin dan seperti apa masalahnya, bukan templat. Marketplace dengan 500 listing tidak membutuhkan peringkat saraf. Ia tetap perlu memutuskan apa yang sedang dioptimalkannya.

Pencocokan dua sisi: akar risetnya

Gagasan pencocokan di pasar memiliki sejarah akademis yang dalam yang mendahului internet.

Hadiah Nobel ekonomi 2012 diberikan kepada Alvin Roth dan Lloyd Shapley, dan siaran pers Royal Swedish Academy membingkai topik mereka sebagai masalah ekonomi sentral: bagaimana mencocokkan berbagai agen sebaik mungkin. Contohnya adalah siswa dengan sekolah dan donor organ dengan pasien yang membutuhkan transplantasi.

Beberapa gagasan dari siaran pers itu penting bagi marketplace.

Stabilitas. Sebuah pencocokan stabil jika tidak ada dua agen yang lebih memilih satu sama lain daripada pasangan mereka saat ini. Siaran pers itu mengakui Shapley dan rekan-rekannya atas metode, "khususnya yang disebut algoritma Gale-Shapley," yang selalu menghasilkan pencocokan stabil. Anggaplah sebagai ujian: jika seorang pembeli dan seorang penjual sama-sama lebih baik meninggalkan pasangan yang ditugaskan untuk satu sama lain, pencocokan itu akan runtuh, dan sistemnya belum benar-benar menyelesaikan masalah.

Manipulasi. Siaran pers menyebut metode ini juga membatasi motif agen untuk memanipulasi proses pencocokan. Itu penting di pasar mana pun di mana peserta bisa mengakali apa yang mereka laporkan.

Sisi mana yang diuntungkan. Siaran pers menambahkan bahwa Shapley menunjukkan bagaimana desain spesifik sebuah metode dapat secara sistematis menguntungkan satu sisi pasar dibanding sisi lainnya. Pilihan desain tidak netral. Siapa yang mengajukan, siapa yang menerima, dan siapa yang meranking semuanya menggeser hasil.

Praktik. Roth menyadari teori ini dapat menjelaskan pasar nyata. Ia dan rekan-rekannya menunjukkan secara empiris bahwa stabilitas adalah kunci untuk memahami keberhasilan institusi pasar tertentu, dan ia membantu mendesain ulang institusi untuk mencocokkan dokter baru dengan rumah sakit, siswa dengan sekolah, dan donor organ dengan pasien. Siaran pers mencatat reformasi itu didasarkan pada algoritma Gale-Shapley, yang dimodifikasi untuk keadaan khusus dan batasan etis seperti larangan pembayaran sampingan.

Seberapa banyak yang berlaku untuk marketplace komersial? Jujur saja, lebih sedikit daripada yang Anda harapkan. Pencocokan terpusat itu biasanya meminta kedua sisi menyerahkan preferensi berperingkat dan sebuah clearinghouse menyelesaikannya sekaligus. Sebagian besar marketplace online berjalan terus-menerus, preferensi tidak dinyatakan sepenuhnya, dan harga bergerak. Yang berlaku adalah kerangka berpikirnya. Pencocokan adalah masalah desain, stabilitas adalah standar yang berguna, dan aturan mekanismenya menentukan siapa yang menang.

Hambatan pencarian: mengapa kecocokan yang baik tetap terlewat

Satu jalur riset terpisah menjelaskan mengapa pasokan dan permintaan bisa berdampingan tanpa bertemu. Hadiah Nobel 2010, seperti dijelaskan siaran pers Academy, diberikan kepada Peter Diamond, Dale Mortensen, dan Christopher Pissarides "atas analisis mereka tentang pasar dengan hambatan pencarian."

Pengamatan inti siaran pers itu sederhana. Di banyak pasar, pembeli dan penjual tidak langsung saling menghubungi. Proses pencarian membutuhkan waktu dan sumber daya, sehingga menimbulkan hambatan. Di pasar seperti itu sebagian permintaan pembeli tidak terpenuhi sementara sebagian penjual tidak bisa menjual sebanyak yang mereka inginkan, pada saat yang sama. Siaran pers mencatat teori ini berlaku di luar pasar tenaga kerja, dan menyebut pasar perumahan sebagai salah satu contoh.

Bagi operator marketplace, "hambatan" adalah kata yang berguna. Masing-masing berikut ini adalah hambatan:

• Pembeli tidak bisa menjelaskan apa yang diinginkannya dengan istilah yang dipahami kategori Anda.
• Hasilnya relevan tetapi pembeli tidak bisa menilai penjual mana yang bagus.
• Kalender atau stok penjual sudah kedaluwarsa, sehingga hasilnya tidak bisa dipenuhi.
• Pembeli menghubungi tiga penjual dan dua di antaranya tidak pernah membalas.

Pencarian dan pencocokan yang lebih baik mengurangi hambatan. Tetapi tidak menghilangkannya, dan sebagian hambatan berguna: pembeli yang melakukan sedikit perbandingan sering membuat pilihan yang lebih baik. Tujuannya adalah menyingkirkan jenis yang bisa dihindari. Sebagian di antaranya adalah masalah kepercayaan, itulah sebabnya kontrol kualitas pasokan layak berada dalam percakapan yang sama dengan peringkat.

Apa yang wajib dikatakan platform tentang peringkat

Peringkat juga merupakan topik hukum di sebagian wilayah. Di Uni Eropa, Regulation (EU) 2019/1150 (sering disebut Platform-to-Business Regulation) menetapkan persyaratan transparansi untuk layanan perantara online dan mesin pencari.

Regulasi itu mendefinisikan "peringkat" sebagai tingkat keunggulan relatif yang diberikan kepada barang atau jasa yang ditawarkan melalui layanan perantara online, atau relevansi yang diberikan pada hasil pencarian oleh mesin pencari online. Pasal 5 kemudian mewajibkan:

• Layanan perantara untuk menguraikan dalam syarat dan ketentuannya parameter utama yang menentukan peringkat dan alasan pentingnya relatif parameter tersebut dibandingkan yang lain.
• Mesin pencari untuk memberikan deskripsi yang mudah dan terbuka bagi publik, dalam bahasa yang sederhana dan mudah dipahami, tentang parameter peringkat utama, yang selalu diperbarui.
• Pengaruh berbayar untuk diungkapkan. Jika peringkat dapat dipengaruhi oleh pembayaran, penyedia harus menjelaskan kemungkinan itu dan dampak imbalan terhadap peringkat.

Regulasi itu juga menyatakan penyedia tidak wajib mengungkapkan algoritma mereka atau informasi yang dapat memungkinkan konsumen tertipu oleh manipulasi hasil pencarian. Jadi kewajibannya menyangkut parameter utama dan kepentingan relatifnya, bukan menerbitkan modelnya.

Sekalipun Anda tidak beroperasi di UE, ini templat yang baik untuk penjelasan peringkat milik marketplace Anda sendiri. Penjual yang memahami kira-kira apa yang menggerakkan keterlihatan membuat keputusan yang lebih baik tentang foto, harga, dan waktu respons. Dan jika penempatan berbayar ada, menyatakannya melindungi kepercayaan. Kami membahas cara kerja penempatan bersponsor secara komersial di pendapatan iklan marketplace.

Metrik untuk pencarian dan pencocokan

Kualitas pencarian mudah dirasakan dan sulit diukur. Berikut metrik yang umum dipantau tim. Tidak satu pun datang dengan tolok ukur universal, jadi tetapkan target dari data Anda sendiri.

Dua yang pertama memiliki definisi terdokumentasi. Dokumentasi analitik Algolia mendefinisikan no results rate sebagai persentase pencarian tanpa hasil, dan mendefinisikan click-through rate sebagai persentase pencarian terlacak dengan setidaknya satu peristiwa klik. Baris lainnya adalah definisi kerja kami sendiri. "Search-to-contact" dan "match rate" tidak memiliki makna standar tunggal, jadi tuliskan definisi Anda sebelum membandingkan angka antartim atau antarperiode.

Beberapa peringatan.

1. Segmentasikan tingkat tanpa hasil. Angka gabungan menyembunyikan kueri yang penting. Lihat kueri tanpa hasil teratas: itu daftar gratis permintaan yang tidak terpenuhi dan pemicu untuk akuisisi pasokan.
2. Perhatikan kedua sisi. Tingkat kecocokan yang tinggi dengan pemasok yang kelelahan menghadapi lead berkualitas rendah bukanlah kemenangan. Padukan metrik pembeli dengan data penerimaan dan respons pemasok.
3. Jangan hanya mengoptimalkan klik. Makalah Airbnb 2018 dilatih pada pemesanan, bukan hanya klik, karena klik bukan tujuannya. Semakin dekat tujuan Anda dengan hasil sebenarnya, semakin sedikit Anda memberi imbalan pada rasa penasaran.
4. Pisahkan kualitas pencarian dari kedalaman pasokan. Kueri tanpa hasil bisa berarti pencarian yang buruk atau pasokan yang hilang. Keduanya membutuhkan perbaikan berbeda.

Di mana Anda menempatkan metrik ini sepanjang perjalanan pembeli juga penting. Kami menguraikan tahapannya di corong konversi marketplace (conversion funnel), dan bagaimana sinyal harga membentuk pilihan pembeli di penemuan harga marketplace. Model pemesanan juga mengubah arti kecocokan: dengan pemesanan instan (Instant Book) versus permintaan pemesanan (Request to Book), langkah penerimaan oleh pemasok dihilangkan atau dibuat eksplisit.

Urutan kerja yang praktis

Jika Anda sedang membangun atau memperbaiki pencocokan, ini urutan yang masuk akal. Ini penalaran, bukan aturan dari sumber-sumber di atas.

1. Mulai dari filter dan pengurutan, bukan model. Biarkan pembeli menyempitkan berdasarkan atribut yang menentukan pembelian. Himpunan filter kecil yang dibangun dengan baik mengalahkan peringkat canggih di atas data yang berantakan.
2. Perbaiki data sebelum algoritma. Peringkat hanya bisa memakai apa yang diberikan penjual. Kolom wajib, kategori yang konsisten, dan ketersediaan yang segar berbuat lebih banyak daripada perubahan model pada skala kecil.
3. Pilih satu tujuan. Putuskan apakah Anda mengoptimalkan transaksi yang selesai, kepuasan pembeli, atau pendapatan, dan sadari bahwa ketiganya bisa bertentangan.
4. Tambahkan batasan sisi penjual. Sertakan kemungkinan diterima, ketersediaan, dan waktu respons, agar Anda tidak menampilkan hasil yang tidak berujung ke mana pun kepada pembeli.
5. Catat semuanya di log. Tayangan, posisi, klik, kontak, hasil. Pendekatan Airbnb belajar dari sesi yang dicatat hanya mungkin jika Anda menyimpan lognya.
6. Tuliskan parameter utamanya. Bahkan penjelasan peringkat singkat untuk penjual memaksa Anda tahu apa yang sebenarnya dilakukan peringkat Anda.
7. Arahkan kasus sulit ke manusia. Ketika permintaan kompleks atau bernilai tinggi, pencocokan manusia bisa mengalahkan peringkat mana pun. Lihat marketplace terkelola.

Fakta Utama: Pencarian dan Pencocokan di Marketplace

• Hadiah Nobel ekonomi 2012 memberi penghargaan kepada Alvin Roth dan Lloyd Shapley, dan siaran pers Academy menyatakan algoritma Gale-Shapley selalu memastikan pencocokan stabil, yaitu tidak ada dua agen yang lebih memilih satu sama lain daripada pasangan mereka saat ini.
• Hadiah Nobel 2010 diberikan kepada Diamond, Mortensen, dan Pissarides atas analisis pasar dengan hambatan pencarian, di mana pembeli dan penjual tidak langsung saling menghubungi dan sebagian permintaan serta pasokan tetap tidak bertemu pada saat yang sama.
• Regulation (EU) 2019/1150, Pasal 5 mewajibkan layanan perantara mengungkapkan parameter utama yang menentukan peringkat dan alasan kepentingan relatifnya, serta menjelaskan dampak pembayaran apa pun terhadap peringkat.
• Makalah pencarian 2018 Airbnb menyatakan bahwa mengganti fungsi penilaian manual dengan model gradient boosted decision tree menghasilkan salah satu lonjakan terbesar dalam pemesanan sepanjang sejarah perusahaan, sebelum peningkatannya mendatar.
• Makalah Journey Ranker Airbnb menggambarkan tamu yang menghabiskan berminggu-minggu membandingkan opsi, host yang mungkin menolak atau membatalkan permintaan, dan perlunya menyeimbangkan preferensi tamu dan host dalam peringkat.
• Dokumentasi Algolia mendefinisikan no results rate sebagai persentase pencarian tanpa hasil.

Bacaan Terkait

• Kepadatan Marketplace
• Marketplace Terkelola
• Corong Konversi Marketplace
• Penemuan Harga Marketplace
• Pemesanan Instan vs Permintaan Pemesanan
• Kualitas Pasokan Marketplace
• Pendapatan Iklan Marketplace