Busca e correspondência (matching) em marketplaces

Por Brian Tr · Atualizado em 7 de outubro de 2026

Um marketplace pode ter muitos compradores e muitos vendedores e ainda assim fracassar, porque o comprador certo nunca encontra o vendedor certo. A oferta fica esquecida na página nove. A demanda digita uma consulta e não recebe nada de volta. Os dois lados estão presentes, e nenhuma transação acontece.

Essa lacuna é o trabalho da busca e da correspondência. É a camada que transforma uma pilha de anúncios e uma multidão de compradores em negócios de verdade. Este artigo cobre as três principais formas de os marketplaces fazerem isso, os sinais que entram no ranqueamento, a pesquisa por trás da correspondência bilateral, o que as plataformas são obrigadas a dizer sobre seus rankings e as métricas que indicam se está funcionando.

Ficaremos no plano conceitual. Não diremos qual fórmula de ranqueamento usar, porque isso depende da sua categoria. Daremos o vocabulário, a evidência e as perguntas a fazer.

Três formas de conectar compradores à oferta

A maioria dos marketplaces usa uma de três abordagens, ou uma mistura.

Busca e ranqueamento. O comprador diz o que quer, e a plataforma devolve uma lista ordenada. Quem escolhe é o comprador. A busca da Etsy, do Airbnb e da Upwork funciona assim. A influência da plataforma está na ordem, nos filtros e no que é colocado em evidência.

Matching algorítmico. A plataforma escolhe o par, ou uma lista bem curta, para o comprador. Os aplicativos de transporte são o exemplo padrão: o passageiro não navega entre motoristas, o sistema atribui um. Funciona quando os bens são intercambiáveis o bastante para o comprador se importar mais com velocidade e preço do que com a escolha.

Matching gerenciado. Pessoas fazem a correspondência. Um operador lê o pedido, escolhe fornecedores e às vezes orça o trabalho. Custa mais por transação e é comum onde a qualidade varia muito ou o trabalho é complexo. Tratamos desse modelo em marketplaces gerenciados.

Elas não são excludentes. Um marketplace pode ranquear anúncios para a maioria dos compradores e encaminhar os maiores ou mais difíceis pedidos a uma pessoa. A pergunta útil é qual abordagem combina com o quanto de escolha o comprador quer e com o quanto a oferta difere de um vendedor para outro.

O que entra em um ranqueamento

O ranqueamento é um problema de previsão com um objetivo de negócio anexado. A plataforma estima qual anúncio um determinado comprador tem mais probabilidade de querer e ordena os resultados de acordo. Os sinais costumam se dividir em algumas famílias.

• Relevância. O quanto o anúncio combina com a consulta, a categoria, as datas ou as necessidades declaradas.
• Qualidade. Avaliações, histórico de conclusão, comportamento de resposta e provas semelhantes de que o vendedor entrega.
• Disponibilidade. Se o vendedor realmente pode fazer o trabalho nas datas, na quantidade ou no horário pedidos.
• Distância. Para bens locais ou entregues, o quão perto a oferta está do comprador.
• Preço e adequação. Se o preço cai na faixa que o comprador parece querer.
• Fatores comerciais. Taxas, promoções ou posicionamento pago, a que voltaremos abaixo.

O Airbnb publicou mais detalhes sobre isso do que a maioria das empresas. Seu artigo de 2018, Applying Deep Learning to Airbnb Search, descreve a tarefa como responder a um hóspede com uma lista ordenada de um punhado de anúncios dentre milhares disponíveis. Diz que o primeiro ranqueamento de busca era uma função de pontuação feita à mão e que substituí-la por um modelo de árvore de decisão com gradient boosting trouxe uma das maiores melhorias em reservas da história da empresa, antes de os ganhos se estabilizarem. Os atributos que alimentavam sua rede neural eram, em sua maioria, propriedades simples do anúncio, como preço, comodidades e número histórico de reservas.

Dois detalhes desse artigo merecem ser guardados. Primeiro, o modelo é treinado com logs em que o anúncio reservado é o exemplo positivo e os demais são os negativos, de modo que o ranqueamento aprende com o que os compradores realmente escolheram, não com o que uma pessoa achava relevante. Segundo, os autores dizem que esse modelo é uma peça de um ecossistema que inclui também modelos que preveem se um anfitrião aceitará um pedido. Num marketplace bilateral, um resultado que o fornecedor recusaria não é de fato um bom resultado.

Esse segundo ponto é onde o ranqueamento de marketplace difere da busca comum na web. Um mecanismo de busca otimiza para quem pesquisa. Um marketplace precisa se importar com os dois lados.

Equilibrando os dois lados

O artigo do Airbnb de 2023, Optimizing Airbnb Search Journey with Multi-task Learning, enuncia o problema diretamente. Os hóspedes costumam passar semanas explorando e comparando antes de fazer um pedido, um pedido de reserva pode então ser rejeitado ou cancelado pelo anfitrião, e o modelo precisa equilibrar as preferências do hóspede e do anfitrião. A resposta foi usar ações intermediárias do hóspede, positivas e negativas, como marcos que levam o hóspede rumo a uma reserva bem-sucedida.

Outro artigo do mesmo grupo, Learning to Rank Diversely at Airbnb, questiona outra suposição comum. O ranqueamento tradicional estima a probabilidade de reserva de cada anúncio de forma independente. Os autores argumentam que as semelhanças entre anúncios afetam as decisões dos usuários e que reduzir a redundância entre resultados parecidos melhora a diversidade, o que validaram em testes A/B em produção.

E Improving Deep Learning for Airbnb Search organiza seu trabalho em arquitetura, viés e partida a frio (cold start). O viés de posição (as pessoas clicam nos resultados mais altos em parte porque estão mais altos) e a partida a frio (anúncios novos não têm histórico) são problemas que todo sistema de ranqueamento de marketplace encontra.

Esses artigos descrevem o sistema de uma empresa. São evidência do que é possível e de como são os problemas, não um modelo a seguir. Um marketplace com 500 anúncios não precisa de um ranqueador de rede neural. Precisa, sim, decidir o que está otimizando.

Correspondência bilateral: as raízes na pesquisa

A ideia de correspondência em um mercado tem uma longa história acadêmica que antecede a internet.

O Prêmio Nobel de economia de 2012 foi para Alvin Roth e Lloyd Shapley, e o comunicado da Real Academia Sueca de Ciências apresenta o tema deles como um problema econômico central: como combinar da melhor forma possível diferentes agentes. Seus exemplos são alunos com escolas e doadores de órgãos com pacientes que precisam de um transplante.

Várias ideias do comunicado importam para os marketplaces.

Estabilidade. Uma correspondência é estável se nenhum par de agentes preferir um ao outro em vez de seus parceiros atuais. O comunicado credita a Shapley e colegas métodos, "em particular, o chamado algoritmo de Gale-Shapley", que sempre produzem uma correspondência estável. Pense nisso como um teste: se um comprador e um vendedor ficariam melhor largando seus parceiros designados para ficar um com o outro, a correspondência vai se desfazer, e o sistema não resolveu de fato o problema.

Manipulação. O comunicado diz que esses métodos também limitam os motivos dos agentes para manipular o processo de correspondência. Isso importa em qualquer mercado em que os participantes possam manipular o que informam.

Que lado se beneficia. Acrescenta que Shapley mostrou como o desenho específico de um método pode beneficiar sistematicamente um lado do mercado em detrimento do outro. As escolhas de desenho não são neutras. Quem propõe, quem aceita e quem ranqueia deslocam os resultados.

Prática. Roth reconheceu que essa teoria podia explicar mercados reais. Ele e colegas mostraram empiricamente que a estabilidade é a chave para entender o sucesso de determinadas instituições de mercado, e ajudou a redesenhar instituições para combinar médicos recém-formados com hospitais, alunos com escolas e doadores de órgãos com pacientes. O comunicado observa que essas reformas se basearam no algoritmo de Gale-Shapley, modificado para circunstâncias específicas e restrições éticas, como a exclusão de pagamentos paralelos.

Quanto disso se transfere para um marketplace comercial? Menos do que se poderia esperar, para ser honesto. Essas correspondências centralizadas normalmente fazem os dois lados enviar preferências ranqueadas, e uma câmara de compensação as resolve de uma só vez. A maioria dos marketplaces online funciona de forma contínua, as preferências não são totalmente declaradas e os preços se movem. O que se transfere é o enquadramento. A correspondência é um problema de desenho, a estabilidade é um padrão útil e as regras do mecanismo determinam quem ganha.

Fricções de busca: por que boas correspondências ainda são perdidas

Uma linha de pesquisa separada explica por que oferta e demanda coexistem sem se encontrar. O Prêmio Nobel de 2010, como descreve o comunicado da Academia, foi para Peter Diamond, Dale Mortensen e Christopher Pissarides "por sua análise de mercados com fricções de busca".

A observação central do comunicado é simples. Em muitos mercados, compradores e vendedores não entram em contato imediatamente. O processo de busca exige tempo e recursos, e por isso cria fricções. Nesses mercados, a demanda de alguns compradores não é atendida enquanto alguns vendedores não conseguem vender tanto quanto gostariam, no mesmo momento. Ele observa que a teoria se aplica além dos mercados de trabalho e cita o mercado imobiliário como um exemplo.

Para um operador de marketplace, "fricção" é uma palavra útil. Cada um destes casos é uma fricção:

• Um comprador não consegue descrever o que quer em termos que as suas categorias entendam.
• Os resultados são relevantes, mas o comprador não sabe dizer qual vendedor é bom.
• A agenda ou o estoque de um vendedor está desatualizado, então o resultado não pode ser atendido.
• Um comprador contata três vendedores e dois nunca respondem.

Melhor busca e correspondência reduzem a fricção. Não a eliminam, e alguma fricção é útil: um comprador que faz um pouco de comparação costuma escolher melhor. O objetivo é eliminar o tipo evitável. Parte disso é um problema de confiança, e é por isso que os controles de qualidade da oferta pertencem à mesma conversa que o ranqueamento.

O que as plataformas devem dizer sobre o ranqueamento

O ranqueamento também é um tema jurídico em algumas regiões. Na União Europeia, o Regulamento (UE) 2019/1150 (frequentemente chamado de Regulamento Platform-to-Business) estabelece requisitos de transparência para serviços de intermediação online e mecanismos de busca.

O regulamento define "ranqueamento" como a proeminência relativa dada a bens ou serviços oferecidos por meio de serviços de intermediação online, ou a relevância dada aos resultados de busca por mecanismos de busca online. O artigo 5 passa então a exigir:

• Serviços de intermediação que estabeleçam em seus termos e condições os principais parâmetros que determinam o ranqueamento e as razões da importância relativa desses parâmetros em comparação com outros.
• Mecanismos de busca que forneçam uma descrição facilmente acessível e pública, em linguagem clara e inteligível, dos principais parâmetros de ranqueamento, mantida atualizada.
• Influência paga que seja divulgada. Quando o ranqueamento puder ser influenciado por pagamento, o provedor deve explicar essa possibilidade e o efeito da remuneração sobre o ranqueamento.

O regulamento também diz que os provedores não precisam divulgar seus algoritmos nem informações que permitiriam enganar consumidores por meio da manipulação de resultados de busca. Portanto, a obrigação trata dos principais parâmetros e de sua importância relativa, não da publicação do modelo.

Mesmo que você não opere na UE, este é um bom modelo para o explicativo de ranqueamento do seu próprio marketplace. Vendedores que entendem mais ou menos o que determina a visibilidade tomam melhores decisões sobre fotos, preços e tempos de resposta. E, se existe posicionamento pago, dizê-lo protege a confiança. Vemos como o posicionamento patrocinado funciona do ponto de vista comercial em receita de publicidade em marketplaces.

Métricas de busca e correspondência

A qualidade da busca é fácil de sentir e difícil de medir. Estas são as métricas que as equipes costumam acompanhar. Nenhuma vem com um benchmark universal, então defina metas a partir dos seus próprios dados.

As duas primeiras têm uma definição documentada. A documentação de analytics da Algolia define a taxa sem resultados como a porcentagem de buscas sem resultados e define a taxa de cliques como a porcentagem de buscas rastreadas com pelo menos um evento de clique. As demais linhas são definições de trabalho nossas. "Da busca ao contato" e "taxa de correspondência" não têm um significado padrão único, então escreva o seu antes de comparar números entre equipes ou períodos.

Alguns cuidados.

1. Segmente a taxa de zero resultados. Um número agregado esconde as consultas que importam. Olhe as principais consultas sem resultado: são uma lista gratuita de demanda não atendida e um estímulo para a aquisição de oferta.
2. Observe os dois lados. Uma taxa de correspondência alta com fornecedores se esgotando com leads de baixa qualidade não é vitória. Combine as métricas do comprador com os dados de aceitação e resposta dos fornecedores.
3. Não otimize só o clique. O artigo do Airbnb de 2018 treina com reservas, não apenas com cliques, porque um clique não é o objetivo. Quanto mais próximo o seu objetivo estiver do resultado real, menos você recompensa a curiosidade.
4. Separe a qualidade da busca da profundidade da oferta. Uma consulta sem resultado pode significar busca ruim ou oferta ausente. Exigem correções diferentes.

Onde você posiciona essas métricas ao longo da jornada do comprador também importa. Descrevemos as etapas no funil de conversão do marketplace, e o modo como os sinais de preço moldam o que os compradores escolhem em descoberta de preços em marketplaces. O modelo de reserva também muda o que significa correspondência: com reserva instantânea (Instant Book) versus solicitação de reserva (Request to Book), a etapa de aceitação do fornecedor é eliminada ou tornada explícita.

Uma ordem prática de operações

Se você está construindo ou melhorando a correspondência, esta é uma sequência sensata. É raciocínio, não uma regra das fontes acima.

1. Comece por filtros e ordenação, não por modelos. Deixe os compradores restringirem pelos atributos que decidem as compras. Um conjunto pequeno e bem construído de filtros vence um ranqueador esperto sobre dados bagunçados.
2. Corrija os dados antes do algoritmo. O ranqueamento só pode usar o que os vendedores fornecem. Campos obrigatórios, categorias consistentes e disponibilidade atualizada fazem mais do que mudanças de modelo em pequena escala.
3. Escolha um objetivo. Decida se você está otimizando transações concluídas, satisfação do comprador ou receita, e saiba que eles podem entrar em conflito.
4. Adicione restrições do lado do vendedor. Inclua probabilidade de aceitação, disponibilidade e tempo de resposta, para não mostrar aos compradores resultados que não levam a lugar nenhum.
5. Registre tudo. Impressões, posições, cliques, contatos, resultados. A abordagem do Airbnb de aprender com sessões registradas só é possível se você guardou os logs.
6. Escreva os principais parâmetros. Mesmo um explicativo curto de ranqueamento para os vendedores obriga você a saber o que o seu ranqueamento realmente faz.
7. Encaminhe os casos difíceis a pessoas. Quando um pedido é complexo ou de alto valor, o matching humano pode superar qualquer ranqueador. Veja marketplaces gerenciados.

Fatos Principais: Busca e correspondência (matching) em marketplaces

• O Prêmio Nobel de economia de 2012 reconheceu Alvin Roth e Lloyd Shapley, e o comunicado da Academia diz que o algoritmo de Gale-Shapley sempre garante uma correspondência estável, ou seja, na qual nenhum par de agentes prefere um ao outro em vez dos parceiros atuais.
• O Prêmio Nobel de 2010 foi para Diamond, Mortensen e Pissarides pela análise de mercados com fricções de busca, em que compradores e vendedores não entram em contato imediatamente e parte da demanda e da oferta continua sem se encontrar ao mesmo tempo.
• O Regulamento (UE) 2019/1150, artigo 5 exige que os serviços de intermediação divulguem os principais parâmetros que determinam o ranqueamento e as razões de sua importância relativa, e expliquem o efeito de qualquer pagamento sobre o ranqueamento.
• O artigo de busca de 2018 do Airbnb diz que substituir uma função de pontuação manual por um modelo de árvore de decisão com gradient boosting trouxe uma das maiores melhorias em reservas da história da empresa, antes de os ganhos se estabilizarem.
• O artigo Journey Ranker do Airbnb descreve hóspedes que passam semanas comparando opções, anfitriões que podem rejeitar ou cancelar pedidos e a necessidade de equilibrar as preferências de hóspedes e anfitriões no ranqueamento.
• A documentação da Algolia define a taxa sem resultados como a porcentagem de buscas sem resultados.

Leitura relacionada

• Densidade em marketplaces
• Marketplace gerenciado
• Funil de conversão do marketplace
• Descoberta de preços em marketplaces
• Reserva instantânea vs solicitação de reserva
• Qualidade da oferta em marketplaces
• Receita de publicidade em marketplaces