📈 economics

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

Ce papier propose le classement prioritaire à deux faces (TSPR), une méthode d'expérimentation qui préserve la cohérence des plateformes en exploitant le biais de position pour estimer sans biais les effets totaux des changements de prix dans les marchés en ligne.

Auteurs originaux : Mahyar Habibi, Zahra Khanalizadeh, Negar Ziaeian

Publié 2026-03-17

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mahyar Habibi, Zahra Khanalizadeh, Negar Ziaeian

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🏨 Le Dilemme de l'Hôtel : Comment tester un prix sans faire de mal ?

Imaginez que vous êtes le directeur d'un grand site de réservation d'hôtels (comme Expedia). Vous voulez tester une nouvelle stratégie : augmenter légèrement les prix de certains hôtels pour voir si cela augmente vos revenus globaux.

Le problème ? Si vous changez le prix d'un seul hôtel, cela affecte les autres.

Si l'Hôtel A devient trop cher, les clients iront à l'Hôtel B (qui est moins cher).
Si l'Hôtel A devient moins cher, les clients abandonneront l'Hôtel B.

C'est ce qu'on appelle l'interférence : les produits se "volent" la clientèle les uns des autres.

❌ Les anciennes méthodes (et pourquoi elles échouent)

Pour tester cela, les entreprises utilisent souvent des tests A/B classiques, mais ils posent deux gros problèmes dans ce contexte :

Le test "Utilisateur par Utilisateur" (Interdit) :
- L'idée : Montrer le prix élevé à Paul, et le prix bas à Marie.
- Le problème : C'est illégal et immoral. Imaginez si Paul et Marie découvrent qu'ils paient des prix différents pour le même hôtel ! C'est ce qu'on appelle un manque de cohérence. Les clients se sentiraient trahis et le site perdrait sa crédibilité.
- Analogie : C'est comme si un restaurant affichait deux menus différents selon la couleur des yeux du client. Ça ne passe pas.
Le test "Article par Article" (Biaisé) :
- L'idée : Montrer les mêmes prix à tout le monde, mais changer le prix de l'Hôtel A pour tout le monde, et laisser l'Hôtel B tel quel.
- Le problème : Comme les hôtels sont sur la même page, les clients comparent. Si l'Hôtel A est cher, les clients vont tous vers l'Hôtel B. Le test dira : "L'Hôtel B est génial !" alors qu'il n'est que le gagnant d'un jeu truqué. On ne peut pas mesurer l'effet réel du changement de prix.

✅ La Solution Magique : Le "Classement Prioritaire à Double Face" (TSPR)

Les auteurs de l'article proposent une astuce géniale appelée TSPR (Two-Sided Prioritized Ranking). Voici comment ça marche, avec une analogie simple :

Imaginez une file d'attente pour un concert.

Le but : Tester si vendre des places "VIP" (traitement) change le comportement des gens, sans changer le prix affiché pour personne (cohérence).
La méthode :
1. On divise les clients en deux groupes : le Groupe A et le Groupe B.
2. On prend tous les hôtels (les produits). Certains sont "VIP" (prix modifié), d'autres sont "Standards".
3. Le tour de magie : On réorganise la file d'attente (la liste de résultats) pour chaque groupe.
  - Pour le Groupe A, on met les hôtels Standards tout en haut de la liste (là où les gens regardent en premier). Les hôtels VIP sont cachés tout en bas.
  - Pour le Groupe B, on fait l'inverse : on met les hôtels VIP tout en haut, et les Standards en bas.

Pourquoi ça marche ?

Cohérence préservée : Tout le monde voit les mêmes hôtels aux mêmes prix. Personne ne se plaint d'injustice.
Attention exploitée : On sait que les gens regardent surtout le haut de la liste (c'est le "biais de position").
- Le Groupe B voit beaucoup d'hôtels VIP en haut → ils en achètent beaucoup.
- Le Groupe A voit peu d'hôtels VIP en haut → ils en achètent peu.
Le résultat : En comparant les ventes totales du Groupe A et du Groupe B, on peut calculer mathématiquement quel serait l'effet si tous les hôtels étaient en VIP, sans jamais avoir à montrer des prix différents à des clients différents.

🎯 L'Analogie du "Filtre à Café"

Imaginez que vous voulez tester l'effet d'un nouveau filtre à café sur le goût du café, mais vous ne pouvez pas changer l'eau ou le grain pour chaque personne (cohérence).

Méthode TSPR : Vous avez deux groupes de dégustateurs.
- Au Groupe 1, vous servez le café avec le nouveau filtre tout en haut de la tasse (là où ils boivent le premier gorgée).
- Au Groupe 2, vous servez le café avec l'ancien filtre tout en haut, et le nouveau filtre est au fond de la tasse (qu'ils ne boiront peut-être jamais).
Comme les gens boivent surtout le haut de la tasse, le Groupe 1 goûte surtout le nouveau filtre, et le Groupe 2 goûte surtout l'ancien.
En comparant les deux, vous savez si le nouveau filtre est bon, sans avoir à changer le café pour tout le monde en même temps.

📊 Les Résultats de l'Étude

Les chercheurs ont simulé ce système avec de vraies données de recherche d'hôtels (Expedia).

Les anciennes méthodes (A/B tests classiques) donnaient des résultats faux (soit trop pessimistes, soit trop optimistes) à cause de la confusion entre les hôtels.
La méthode TSPR a donné une réponse très précise, avec très peu d'erreur, tout en respectant les règles de justice (même prix pour tous).

💡 En Résumé

Cette étude nous dit que pour tester des changements dans un marché où les produits se font concurrence (comme les hôtels, les vols ou les produits Amazon), il ne faut pas changer qui voit quoi, mais changer l'ordre dans lequel ils le voient.

En jouant sur l'ordre de la liste (le classement), on peut tester des stratégies de prix ou de promotion de manière équitable pour tous les clients, tout en obtenant des données scientifiques fiables. C'est une victoire de l'intelligence sur la contrainte !

1. Problématique et Contexte

Les plateformes de marché en ligne (e-commerce, réservation d'hôtels, etc.) doivent souvent évaluer l'impact des changements de prix ou d'autres interventions sur les articles via des expériences contrôlées aléatoires (A/B tests). Cependant, ces environnements présentent deux défis majeurs qui rendent les designs expérimentaux standards inefficaces ou biaisés :

Interférence (Violation de SUTVA) : Dans une liste de résultats de recherche, les articles sont en concurrence pour l'attention limitée de l'utilisateur. Modifier le prix d'un article (traitement) affecte la demande des autres articles de la même liste (substitution ou complémentarité). Ignorer cette interférence conduit à des estimations biaisées des effets de traitement, car la demande se déplace entre les articles traités et non traités au sein d'une même requête.
Contrainte de Cohérence (Coherency) : Les plateformes doivent respecter des impératifs opérationnels et légaux stricts :
- Parité des prix : Tous les utilisateurs doivent voir le même prix pour un même article (pas de discrimination de prix visible entre utilisateurs).
- Accès complet au catalogue : Tous les utilisateurs doivent avoir accès à l'ensemble des articles disponibles.
- Conséquence : Les designs classiques comme la randomisation au niveau de l'utilisateur (montrer des prix différents à différents utilisateurs) ou la randomisation au niveau de l'article (mélanger aléatoirement articles traités et non traités dans la même liste) sont soit illégaux/réputés, soit fortement biaisés à cause de l'interférence.

Objectif : Estimer l'effet de traitement global (Global Treatment Effect), c'est-à-dire l'impact de passer d'un monde où aucun article n'est traité à un monde où tous les articles sont traités, tout en préservant la cohérence de la plateforme.

2. Méthodologie : Le Classement Prioritaire à Double Face (TSPR)

Les auteurs proposent une nouvelle conception expérimentale appelée Two-Sided Prioritized Ranking (TSPR). Cette méthode exploite le biais de position (les utilisateurs cliquent beaucoup plus sur les premiers résultats) pour créer une variation d'exposition au traitement sans modifier les prix visibles ni retirer des articles.

A. Le Design Expérimental

Le TSPR fonctionne en deux étapes de randomisation (côté utilisateur et côté article) :

Partitionnement des articles : Les articles sont divisés aléatoirement en trois sous-ensembles :
- Traités (Treated) : Reçoivent l'intervention (ex: réduction de prix).
- Non traités (Untreated) : Servent de groupe de contrôle.
- Placebo : Un groupe tampon (probabilité $1-2p$ ) pour équilibrer la taille des ensembles et éviter que la qualité moyenne des articles en haut de liste ne diffère entre les groupes.
Randomisation des requêtes (Utilisateurs) : Les requêtes entrantes sont assignées aléatoirement à deux groupes, $Q_A$ et $Q_B$ .
Reclassement Prioritaire (Re-ranking) :
- Pour le groupe $Q_B$ (Arm Traitement) : Les articles Traités sont prioritaires et placés en haut de la liste, suivis par le Placebo, puis les Non traités.
- Pour le groupe $Q_A$ (Arm Contrôle) : Les articles Non traités sont prioritaires et placés en haut, suivis par le Placebo, puis les Traités.

Résultat : Tous les utilisateurs voient les mêmes articles aux mêmes prix (cohérence préservée), mais le groupe $Q_B$ est exposé massivement aux articles traités en raison de leur position haute, tandis que le groupe $Q_A$ y est peu exposé.

B. Cadre Théorique et Estimation

L'objectif est d'estimer le Lift Global ( $\Phi$ ), défini comme le changement proportionnel des résultats totaux lorsque tous les articles sont traités.

Hypothèses clés :
- Le biais de position est fort et décroît rapidement avec le rang.
- L'interférence se produit principalement au sein d'une requête (substitution entre articles).
- La distorsion du reclassement affecte l'attention de manière symétrique pour les deux groupes.
Estimateur :
Les auteurs définissent un "Lift Partiel" $\hat{\phi}(l)$ $\hat{ϕ} (l)$ basé sur les résultats cumulés des $l$ $l$ premiers articles.
- À faible profondeur ( $l$ petit), l'exposition au traitement est concentrée, et l'effet observé est amplifié par les interférences locales.
- À grande profondeur ( $l \to \infty$ ), l'effet partiel converge vers l'effet global $\Phi$ .
- La relation est modélisée par : $\phi(l) = \Phi \cdot \tau(l)$ , où $\tau(l)$ est une fonction de décroissance (ex: $1 + 1/l$ ).
Méthodes d'estimation :
1. Paramétrique (WLS) : Ajustement par moindres carrés pondérés d'une fonction paramétrique simple.
2. Non-paramétrique (Régression Isotonique) : Utilisation de contraintes de monotonie pour estimer $\Phi$ sans supposer une forme fonctionnelle spécifique, en moyennant les estimations aux profondeurs élevées.

3. Résultats Principaux

Les auteurs ont évalué le TSPR via des simulations Monte Carlo calibrées sur des données réelles de recherche hôtelière d'Expedia (2 millions d'observations). Ils comparent le TSPR à deux baselines :

A/B Test Bernoulli (Randomisé au niveau de l'article) : Mélange aléatoire d'articles traités et non traités dans la même liste.
Randomisation par Grappes (Cluster Randomization) : Regroupement d'articles corrélés pour limiter l'interférence.

Performance comparée :

Métrique	A/B Test Bernoulli	Randomisation par Grappes	TSPR (Paramétrique)	TSPR (Non-paramétrique)
Biais	Élevé (-0.0337)	Faible (+0.0086)	Modéré (-0.0133)	Très faible (+0.0069)
Variance (SD)	Faible (0.0279)	Très élevée (0.1345)	Très faible (0.0162)	Faible (0.0275)
RMSE	0.0438	0.1348 (Pire)	0.0210 (Meilleur)	0.0283

Réduction du biais : Le TSPR élimine le biais sévère de l'A/B test Bernoulli causé par l'interférence au sein de la liste.
Efficacité statistique : Contrairement à la randomisation par grappes qui réduit le biais mais augmente considérablement la variance (réduisant la puissance statistique d'un facteur ~8), le TSPR offre un compromis biais-variance optimal. Il est nettement plus précis que la randomisation par grappes.
Robustesse : Les résultats sont stables sur une large gamme de probabilités de traitement ( $p \in [0.10, 0.45]$ ).

4. Contributions Clés

Nouveau Design Expérimental : Introduction du TSPR, une méthode qui résout le dilemme entre interférence et cohérence en utilisant le reclassement des listes comme source de variation d'exposition.
Preuve Théorique : Démonstration que le TSPR permet d'identifier l'effet de traitement global sous des hypothèses plausibles (séparabilité attention/traitement, distorsion symétrique).
Validation Empirique : Preuve par simulation que le TSPR surpasse les méthodes standards (A/B tests classiques et randomisation par grappes) en termes de précision et de fiabilité dans des environnements de marché réalistes.
Opérationnalité : Le design est facilement déployable sur les systèmes de recommandation existants sans nécessiter de changements de prix visibles pour l'utilisateur ou de partitionnement complexe du catalogue.

5. Signification et Implications

Cet article est significatif pour plusieurs raisons :

Pour les praticiens (Plateformes) : Il offre une solution pratique pour tester des interventions sensibles (comme les prix) sans violer les règles de parité des prix ni dégrader l'expérience utilisateur. Cela permet d'éviter les risques juridiques et réputationnels tout en obtenant des données causales fiables.
Pour la recherche académique : Il comble un vide méthodologique dans la littérature sur l'interférence en réseau. Il montre que la structure même de la plateforme (le classement et le biais de position) peut être utilisée comme instrument d'identification, même en présence d'interférences complexes.
Limites et Extensions : La méthode suppose une offre excédentaire (pas de contraintes de capacité) et un biais de position fort. Les auteurs suggèrent des extensions futures pour les marchés à capacité contrainte et les traitements continus.

En conclusion, le TSPR représente une avancée majeure dans la conception d'expériences pour les marchés à deux faces, permettant une estimation crédible des effets globaux là où les méthodes traditionnelles échouent.