Este documento aborda el problema de despacho de flotas de taxis, que es crítico para muchas plataformas de servicios de transporte como Uber, Lyft y Didi Chuxing. Nos enfocamos en maximizar los ingresos y ganancias que una plataforma de taxis puede generar a través de enfoques de despacho diseñados con varios criterios. Consideramos determinar la proporción de flotas de taxis a diferentes zonas de destino dadas las recompensas esperadas de los estados futuros siguiendo las decisiones de distribución aprendidas a través de algoritmos de aprendizaje por refuerzo (RL). También tenemos en cuenta algoritmos más simples y avaros que miran hacia adelante menos pasos de tiempo de decisión en el futuro. Nuestros algoritmos de decisión de despacho comúnmente aprovechan información contextual y heurísticas utilizando una estructura de datos llamada Matriz de Coincidencia Contextual (CMM). La principal contribución de nuestro documento es la visión de la compensación entre diferentes criterios de diseño. Principalmente, a través de la evaluación con datos reales de operación de taxis ofrecidos por el Gobierno Metropolitano de Seúl, desafiamos la expectativa natural de que los enfoques basados en RL ofrecen el mejor resultado al mostrar que un algoritmo avaro ligero puede tener una ventaja competitiva. Además, rompemos la norma de dividir el área de servicio en subzonas y mostramos que emparejar pasajeros más allá de límites arbitrarios genera ingresos operativos y ganancias significativamente más altos.