📈 economics

Two-Sided Prioritized Ranking: A Coherency-Preserving Design for Marketplace Experiments

تقترح هذه الورقة البحثية "التصنيف ذو الأولوية ثنائي الجوانب" (TSPR)، وهو تصميم تجريبي مبتكر يستفيد من انحياز الموضع في القوائم المصنفة لتقدير متوسط تأثير المعالجة الإجمالي لتغيرات الأسعار في الأسواق عبر الإنترنت، مع الحفاظ على تماسك المنصة والتخفيف من انحياز التداخل.

المؤلفون الأصليون: Mahyar Habibi, Zahra Khanalizadeh, Negar Ziaeian

نُشر 2026-03-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mahyar Habibi, Zahra Khanalizadeh, Negar Ziaeian

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك مدير لموقع حجز فنادق ضخم ومزدحم. تريد اختبار فكرة جديدة: ماذا يحدث لو خفضنا أسعار 25% من فنادقنا؟

في عالم مثالي، يمكنك ببساطة إظهار الأسعار الرخيصة لنصف زوارك والأسعار العادية للنصف الآخر، ثم مقارنة النتائج. لكن في عالم المواقع التجارية الحقيقي، يعد هذا كابوساً لسببين:

مشكلة "العدالة" (التماسك): إذا رأى مستخدم فندقاً بسعر 100 دولار، ورأى صديقه نفس الفندق بسعر 80 دولاراً، سيشعر المستخدم الأول بأنه تعرض للخداع. قد يغادر الموقع ولا يعود إليه أبداً. لا يمكنك إظهار أسعار مختلفة لأشخاص مختلفين لنفس السلعة.
مشكلة "الغرفة المزدحمة" (التداخل): نتائج البحث الخاصة بك هي قائمة تضم 20 فندقاً. إذا خفضت سعر الفندق (أ)، فسوف يضغط الناس عليه بدلاً من الفندق (ب). حتى لو لم يتغير سعر الفندق (ب)، ستنخفض مبيعاته لأنه فقد زبائنه لصالح الفندق (أ). هذا يسمى التداخل. إذا حاولت قياس تأثير خفض السعر على الفندق (أ)، فإنك ستفسد بالخطأ البيانات الخاصة بالفندق (ب) أيضاً.

الطرق القديمة (ولماذا تفشل)

طريقة "تقسيم الغرفة" (اختبار A/B على مستوى المستخدم): تظهر الأسعار الرخيصة للمجموعة (أ) والأسعار العادية للمجموعة (ب).
- لماذا تفشل: تنتهك قاعدة "العدالة". المجموعة (أ) ترى سعراً قدره 100 دولار؛ والمجموعة (ب) ترى 80 دولاراً. الناس سيغضبون.
ط {طريقة "الخلط العشوائي" (اختبار A/B على مستوى السلعة): تحتفظ بنفس القائمة للجميع، ولكنك تحدد عشوائياً بعض الفنادق كـ "معالجة" (تم خفض سعرها) وأخرى كـ "غير معالجة".
- لماذا تفشل: تنتهك قاعدة "الغرفة المزدحمة". لأن الفنادق "المعالجة" أرخص، فإنها تسحب كل الانتباه من الفنادق "غير المعالجة". تصبح بياناتك فوضوية لأن السلع تتنافس مع بعضها البعض.
طريقة "التجميع" (العشوائية العنقودية): تجمع الفنادق حسب الأحياء (مثل "وسط المدينة" مقابل "الشاطئ") وتمنح مجموعة "وسط المدينة" بأكملها خفضاً في السعر.
- لماذا تفشل: إنها بطيئة وغير دقيقة. لديك عدد قليل جداً من الأحياء، لذا تكون بياناتك "صاخبة". الأمر يشبه محاولة تخمين حالة الطقس من خلال النظر إلى سحابتين فقط بدلاً من السماء بأكملها.

الحل الجديد: الترتيب ذو الأولوية ثنائي الجانب (TSPR)

يقترح مؤلفو هذه الورقة خدعة ذكية تسمى TSPR. بدلاً من تغيير ما يراه الناس (الأسعار)، نقوم بتغيير أين تظهر الأشياء في القائمة.

فكر في نتائج البحث الخاصة بك مثل قائمة حفلة موسيقية:

النجوم الرئيسيون (أعلى القائمة): الجميع يراهم. يحصلون على 90% من الانتباه.
الفرق الافتتاحية (أسفل القائمة): فقط المعجبون الأكثر تفانياً هم من يراهم. يحصلون على شبه لا شيء من الانتباه.

كيف يعمل نظام TSPR:

الإعداد: لديك قائمة من الفنادق. تحدد سراً بعضها كـ "رخيصة" (معالجة) وبعضها كـ "عادية" (غير معالجة). وتضيف أيضاً بعض الفنادق "الوهمية" (التحكم) لتعمل كعازل لتبدو القوائم متوازنة.
التقسيم: تقسم زوارك إلى مجموعتين: المجموعة أ و المجموعة ب.
الخدعة السحرية:
- المجموعة أ ترى قائمة تكون فيها الفنادق العادية في الأعلى تماماً (النجوم الرئيسيون)، والفنادق الرخيصة مدفوعة إلى الأسفل (الفرق الافتتاحية).
- المجموعة ب ترى قائمة تكون فيها الفنادق الرخيصة في الأعلى تماماً (النجوم الرئيسيون)، والفنادق العادية مدفوعة إلى الأسفل (الفرق الافتتاحية).
النتيجة:
- الجميع يرى نفس الأسعار. لا أحد يشعر بالخداع. لقد تم الحفاظ على العدالة!
- الفنادق "الرخيصة" تحصل على دفعة هائلة من الانتباه للمجموعة ب لأنها في الأعلى.
- الفنادق "الرخيصة" تحصل على شبه لا شيء من الانتباه للمجموعة أ لأنها مخفية في الأسفل.

لماذا يحل هذا المشكلة؟

لأن المجموعة ب ترى الفنادق الرخيصة أولاً، فإنهم يشترونها. ولأن المجموعة أ ترى الفنادق العادية أولاً، فإنهم يشترونها.

من خلال مقارنة إجمالي المبيعات للمجموعة (ب) مقابل المجموعة (أ)، يمكنك رياضياً معرفة مقدار مساهمة خفض السعر بالضبط، دون أن تفسد مشكلة "الغرفة المزدحمة" أرقامك. أنت لا تحارب التداخل، بل تستخدم التداخل (حقيقة أن الناس ينظرون فقط إلى أعلى القائمة) لصالحك.

التشبيه: موكب "التذكرة الذهبية"

تخيل موكباً به 100 عربة عرض.

المشكلة: تريد معرفة ما إذا كان منح عربة عرض "تذكرة ذهبية" (خصماً) يجعلها أكثر شعبية. لكن إذا أعطيت تذكرة لعربة في المنتصف، سيتجاهلها الناس لأنهم يراقبون العربة التي في المقدمة.
الطريقة القديمة: تعطي تذاكر لعربات عشوائية. العربات التي في المقدمة تحصل على كل الحب، والعربات التي في الخلف لا تحصل على شيء. لا يمكنك معرفة ما إذا كانت التذكرة قد نجحت أم أن الموقع هو السبب.
طريقة TSPR:
- الموكب أ: تضع جميع عربات "التذكرة الذهبية" في الخلف تماماً. الجمهور بالكاد يراها.
- الموكب ب: تضع جميع عربات "التذكرة الذهبية" في المقدمة تماماً. الجمهور يجن جنونه من الحماس.
- الرياضيات: بما أن الفرق الوحيد بين الموكبين هو مكان وضع التذاكر، فإن الفرق في رد فعل الجمهور يخبرك بالضبط مدى قوة "التذكرة الذهبية".

الخلاصة

تثبت الورقة أنه من خلال مجرد إعادة ترتيب القائمة (وضع العناصر المعالجة في الأعلى لمجموعة وفي الأسفل لمجموعة أخرى)، يمكن للشركات إجراء تجارب عادلة ودقيقة دون كسر الثقة مع مستخدميها أو الارتباك بسبب تنافس العناصر مع بعضها البعض.

إنه "ربح للطرفين":

المستخدمون يرون أسعاراً ثابتة وعادلة.
الشركات تحصل على بيانات واضحة ودقيقة حول ما ينجح، حتى في الأسواق التنافسية الفوضوية.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التصنيف ذو الأولوية ثنائي الجانب: تصميم يحافظ على التماسك لتجارب الأسواق" (Two-Sided Priorized Ranking: A Coherency-Preserving Design for Marketplace Experiments).

1. بيان المشكلة

تتناول الورقة تحديًا حاسمًا في تجارب الأسواق عبر الإنترنت: تقدير تأثير المعالجة العالمي (Global Treatment Effect - GTE) للتدخلات (مثل تغييرات الأسعار) في البيئات التي تتميز بـ التداخل (Interference) وقيود التماسك (Coherency Constraints).

التداخل (انتهاك فرضية SUTVA): في القوائم المصنفة (مثل نتائج البحث)، تتنافس العناصر على اهتمام المستخدم والطلب المحدود. يؤدي تغيير سعر عنصر ما أو حالة المعالجة الخاصة به إلى التأثير على نتائج العناصر الأخرى في نفس القائمة (إحلال أو تكامل). تفشل اختبارات A/B القياسية على مستوى العنصر هنا لأنها تفترض فرضية "وحدة المعالجة المستقرة" (SUTVA)، مما يؤدي إلى تقديرات متحيزة.
قيود التماسك: تواجه المنصات غالبًا متطلبات تشغيلية وقانونية تمنع التصميمات التجريبية القياسية:
- تساوي الأسعار (Price Parity): يجب أن يرى جميع المستخدمين نفس السعر لعنصر معين (مما يستبعد العشوائية على مستوى المستخدم حيث يرى مستخدمون مختلفون أسعارًا مختلفة).
- الوصول الكامل للكتالوج (Full Catalog Access): يجب أن يرى المستخدمون نفس مجموعة العناصر المتاحة (مما يستبعد التصميمات التي تخفي العناصر عن مستخدمين معينين).
الفجوة: تعاني الحلول الموجودة مثل "العشوائية العنقودية" من انخفاض القوة الإحصائية (تباين عالٍ)، بينما تعاني اختبارات A/B القياسية على مستوى العنصر من تحيز عالٍ بسبب التداخل. هناك حاجة لتصميم يحافظ على التماسك مع تقدير تأثيرات المعالجة العالمية بدقة تحت ظروف التداخل.

2. المنهجية: التصنيف ذو الأولوية ثنائي الجانب (TSPR)

يقترح المؤلفون منهجية TSPR، وهي تصميم تجريبي يستفيد من تحيز الموضع (Position Bias) (ميل المستخدمين للتركيز على العناصر الأعلى ترتيبًا) لخلق تباين في التعرض للمعالجة دون انتهاك التماسك.

الآلية الأساسية

تقسيم العناصر: يتم تقسيم العناصر عشوائيًا إلى ثلاث مجموعات فرعية: المعالجة (Treated)، غير المعالجة (Untreated)، والتمويهية (Placebo).
- مجموعة التمويه (Placebo) ضرورية لضمان أن تكون مجموعات المعالجة وغير المعالجة متقاربة في الحجم، مما يمنع عدم التوازن في الجودة بين المجموعات.
عشوائية المستخدم/الاستعلام: يتم تقسيم الاستعلامات الواردة إلى مجموعتين: $Q_A$ و $Q_B$ .
استراتيجية إعادة الترتيب:
- المجموعة $Q_B$ (ذات أولوية المعالجة): يتم إعادة ترتيب العناصر بحيث تظهر العناصر المعالجة في المقدمة، تليها العناصر التمويهية، ثم غير المعالجة.
- المجموعة $Q_A$ (ذات أولوية التحكم): يتم إعادة ترتيب العناصر بحيث تظهر العناصر غير المعالجة في المقدمة، تليها العناصر التمويهية، ثم المعالجة.
الحفاظ على التماسك: يرى جميع المستخدمين نفس المجموعة من العناصر وبنفس الأسعار تمامًا. الفرق الوحيد هو الترتيب الذي تظهر به، مما يغير بشكل منهجي التعرض للمعالجة بسبب تحيز الموضع.

الإطار النظري

المُقدَّر (Estimand): الرفع العالمي ( $\Phi$ )، وهو التغير النسبي في إجمالي النتائج عند الانتقال من عالم تكون فيه جميع العناصر غير معالجة إلى عالم تكون فيه جميع العناصر معالجة.
منطق التحديد:
- يفترض التصميم أن انتباه المستخدم يتلاشى مع الرتبة (دالة الانتباه $F(l)$ ).
- من خلال إعطاء الأولوية للعناصر المعالجة لمجموعة، والعناصر غير المعالجة للمجموعة الأخرى، يخلق التجربة "تباينًا في النتائج الجزئية" عند أعماق مختلفة ( $l$ ) من القائمة.
- يستنتج المؤلفون أن الرفع الجزئي عند العمق $l$ ، والذي يُرمز له بـ $\phi(l)$ ، يتقارب مع الرفع العالمي $\Phi$ عندما تؤول $l$ إلى $\infty$ .
- الافتراضات:
  1. القابلية للفصل (Separability): تؤثر المعالجة على مستوى النتائج ولكن ليس على شكل دالة الانتباه.
  2. التشويه المتماثل (Symmetric Distortion): يؤثر تشويه إعادة الترتيب على الانتباه بشكل مماثل في كلا الذراعين.
  3. تأثير المعالجة الجزئي: يتناسب تأثير معالجة كتلة من العناصر مع حجم الكتلة (يتم التقاطه بواسطة دالة $\tau(l)$ ).
  4. التلوث الضئيل (Negligible Contamination): العناصر المعالجة التي تظهر في عمق ذراع التحكم يكون تأثيرها ضئيلًا بسبب انخفاض الانتباه.

التقدير

تم اقتراح مُقدِّرين لاستعادة $\Phi$ من بيانات الرفع الجزئي:

البارامتري (المربعات الصغرى الموزونة): يفترض شكلًا وظيفيًا محددًا لعامل القياس $\tau(l)$ (مثل $1 + 1/l$ ) ويقوم بملاءمة خط للرفع الجزئي الملحوظ.
غير البارامتري (الانحدار المتزايد - Isotonic Regression): يستخدم قيود الشكل (التقارب الرتيب للرفع الجزئي نحو الرفع العالمي) لتقدير $\Phi$ دون افتراض شكل وظيفي محدد، مما يوفر المتانة.

3. المساهمات الرئيسية

تصميم تجريبي مبتكر: يعد TSPR أول تصميم يلبي في آن واحد تساوي الأسعار، والوصول الكامل للكتالوج، والمتانة تجاه التداخل في الأسواق ذات القوائم المرتبة.
التحديد النظري: تقدم الورقة اشتقاقًا رسميًا يوضح كيف يحدد TSPR تأثير المعالجة العالمي تحت ظروف التداخل، باستخدام تحيز الموضع كمصدر للتباين الخارجي.
التقدير المتين: قدمت الورقة مُقدِّرات بارامترية وغير بارامترية تصحح التحيز الناتج عن التعرض الجزئي للمعالجة وتشويهات إعادة الترتيب.
تخفيف أثر التمويه (Placebo Buffering): يعد إدراج مجموعة عناصر "التمويه" مساهمة منهجية مبتكرة لمنع عدم التوازن في الجودة بين أذرع المعالجة والتحكم أثناء إعادة الترتيب.

4. النتائج

قيم المؤلفون TSPR باستخدام عمليات محاكاة شبه اصطناعية تمت معايرتها بناءً على بيانات بحث فنادق Expedia (حوالي 2 مليون سجل). وقارنوا TSPR مقابل نموذجين أساسيين:
اختبارات A/B على مستوى العنصر بنظام بيرنولي (Bernoulli-randomized) والتجارب العشوائية العنقودية (Cluster-randomized).

تقليل التحيز:
- العشوائية بنظام بيرنولي: عانت من تحيز نزولي شديد (متوسط $\hat{\Phi} = -0.1028$ مقابل الحقيقي $\Phi = -0.0691$ ) لأنها تجاهلت التداخل داخل القائمة.
- TSPR: قلل التحيز بشكل كبير. حقق المُقدِّر غير البارامتري تحيزًا قدره $0.0069$ فقط.
التباين والكفاءة:
- العشوائية العنقودية: حققت تحيزًا منخفضًا ولكنها عانت من تباين عالٍ جدًا (الانحراف المعياري $\approx 0.1345$ )، مما يجعل التقديرات غير موثوقة.
- TSPR: حقق مقايضة فائقة بين التحيز والتباين. حقق مُقدِّر TSPR البارامتري أدنى خطأ تربيعي متوسط (RMSE = 0.0210) وأدنى انحراف معياري (0.0162).
مقاييس الأداء:
- قلل TSPR الانحراف المعياري للتقدير بمقدار 8.3 ضعفًا تقريبًا مقارنة بالعشوائية العنقودية.
- قلل TSPR التحيز بنسبة 60% تقريبًا مقارنة باختبارات A/B القياسية على مستوى العنصر.

5. الأهمية والآثار المترتبة

الجدوى التشغيلية: يمكن تنفيذ TSPR عن طريق تعديل أولويات الترتيب ضمن أنظمة التوصية الحالية، مما يتجنب المخاطر القانونية والسمعة المرتبطة بالتمييز في الأسعار على مستوى المستخدم أو تقسيم الكتالوج.
التحول المنهجي: توضح الورقة أن هيكل المنصة (وتحديدًا الانتباه المرتب) يمكن استغلاله كمصدر للتباين المحدد حتى في ظل وجود تداخل معقد، مما يتحدى الاعتماد على نمذجة الشبكة أو العشوائية العنقودية.
التطبيق العملي: يعد هذا التصميم ذا قيمة خاصة لتجارب التسعير عالية المخاطر في التجارة الإلكترونية، والسفر، وتطبيقات النقل حيث تكون آثار الإحلال قوية وثقة المستخدم (التماسك) أمرًا بالغ الأهمية.
القيود والعمل المستقبلي: يعتمد التصميم على تحيز موضع قوي وعرض متاح (لا توجد قيود سعة ملزمة). يمكن للعمل المستقبلي توسيع TSPR ليشمل البيئات ذات السعة المقيدة أو المعالجات المستمرة.

في الختام، يقدم TSPR حلاً عمليًا وصارمًا إحصائيًا لمشكلة منتشرة في تجارب الأسواق، مما يمكّن المنصات من اتخاذ قرارات تسعير قائمة على البيانات دون المساس بتجربة المستخدم أو الامتثال التنظيمي.