Avito organise un tournoi de modèles d'uplift : X-learner l'emporte, pas Causal Forest

En juillet 2026, Grisha Kryukov, analyste de l'équipe confiance et sécurité d'Avito, a organisé un « championnat » entre quatre modèles d'uplift très répandus — S-learner, T-learner, X-learner et Causal Forest — avec une phase de groupes puis des play-offs. L'or revient, contre toute attente, à X-learner, qui n'avait terminé que troisième de la phase de groupes mais a remporté les deux demi-finales et la finale.

Pourquoi les modèles d'uplift ?

La modélisation d'uplift estime l'effet individuel d'une intervention : de combien le comportement d'une personne précise change à la suite d'une action, et non la réaction moyenne d'un groupe. La difficulté centrale tient à l'impossibilité d'observer simultanément les deux issues pour un même individu : avec et sans intervention.

«

Le problème principal : pour un même joueur, nous ne connaissons jamais les deux situations en même temps », explique Grisha Kryukov, analyste de l'équipe confiance et sécurité d'Avito.

Les quatre approches résolvent ce problème de manière différente : S-learner traite le drapeau d'intervention comme une variable ordinaire, T-learner entraîne deux modèles distincts, X-learner ajoute un apprentissage sur des pseudo-effets et une pondération par propension (propensity), et Causal Forest construit des arbres qui maximisent la différence d'effet.

Comment le tournoi est organisé

Le tournoi comprenait une phase de groupes sur données synthétiques et des play-offs sur données réelles. L'auteur a mesuré la qualité des modèles avec la métrique PEHE (Precision in Estimation of Heterogeneous Effect) : plus elle est basse, plus l'estimation de l'effet est précise.

• Modèles : S-learner, T-learner, X-learner, Causal Forest
• Métrique : PEHE, points attribués dans le groupe selon le classement : 3-2-1-0
• Phase de groupes : données synthétiques, 5000 observations, 10 variables, découpage 70/30
• Demi-finales : jeu de données Hillstrom MineThatData, 64 000 clients d'e-commerce
• Finale : jeu de données FIFA 21, environ 10 000 footballeurs et 26 attributs

À l'issue des trois tours de groupe, Causal Forest menait avec 6 points, S-learner et X-learner en totalisaient 5 chacun, et T-learner fermait le classement avec 2 points.

Pourquoi X-learner a gagné

X-learner l'a emporté parce que son architecture apprend précisément à partir de l'écart entre les scénarios avec et sans intervention, et non à partir du niveau de réponse global. En demi-finale, il a écrasé S-learner (PEHE de 0.215 contre 0.747), puis, en finale, il a devancé T-learner avec un PEHE de 0.579 contre 1.135.

« L'architecture fonctionne comme prévu : au lieu du niveau de réponse global, le modèle apprend précisément à partir de la différence entre les mondes avec et sans intervention »,

Grisha Kryukov.

L'auteur explique la défaite des favoris ainsi : sur les données synthétiques, parfaitement distribuées, l'avantage allait au robuste Causal Forest, mais sur des données réelles « sales », c'est l'architecture la plus flexible qui s'imposait. T-learner a été particulièrement pénalisé : ses deux modèles indépendants n'échangent aucune information, ce qui lui a été fatal en finale.

Ce que cela signifie

Il n'existe pas de vainqueur universel en modélisation d'uplift : sur des données synthétiques propres et de petits échantillons, Causal Forest l'emporte, tandis que sur des données réelles bruitées, c'est X-learner. Le choix du modèle doit se faire en fonction du jeu de données concerné, et non de la réputation de la méthode.

Questions fréquentes

Qu'est-ce que la modélisation d'uplift ?

C'est une méthode d'estimation de l'effet individuel d'une intervention : de combien le comportement d'un utilisateur précis change à la suite d'une promotion ou d'un e-mail, et non l'effet moyen sur l'ensemble de l'audience. Elle s'applique au marketing, à la rétention et à la lutte antifraude.

Quel modèle a gagné le tournoi d'Avito ?

Le champion est X-learner : il n'a terminé que troisième de la phase de groupes, mais il a remporté les deux demi-finales et la finale, avec un PEHE de 0.579 contre 1.135 pour T-learner. La raison tient à son architecture, qui apprend à partir de la différence d'effets.

Que mesure la métrique PEHE ?

Le PEHE (Precision in Estimation of Heterogeneous Effect) mesure la précision avec laquelle un modèle estime l'effet individuel : plus la valeur est basse, plus la prédiction est proche de la valeur réelle. Dans le tournoi, c'est elle qui a servi à attribuer les places.