Réponse directe
La concurrence en recherche est un problème d’allocation répété : investir dans une requête, une page ou un format entraîne un coût d’opportunité, tandis que les concurrents réagissent et que l’issue reste incertaine.
La théorie des jeux éclaire les incitations, les coûts de changement et l’instabilité, mais ses modèles contrôlés ne révèlent pas le classement Google, ne prouvent pas un équilibre de Nash et ne garantissent rien.
Démarche pratique
- Définissez un portefeuille de tâches et les preuves déjà servies par chaque page.
- Estimez valeur, pertinence, effort, coût de changement, chevauchement et volatilité comme hypothèses explicites.
- Comparez des allocations équilibrées, orientées valeur et stabilité avec un seuil obligatoire d’utilité et de qualité éditoriale.
- Observez des périodes comparables, notez les réponses concurrentes et révisez sans poursuivre chaque mouvement.
Exemple
Avec 100 unités, une équipe peut en affecter 45 à une lacune de valeur, 35 à une page forte mais volatile et 20 à l’exploration. C’est un scénario, pas une prévision ; un changement qui dégrade la page reçoit zéro.
Erreurs fréquentes
- Copier le gagnant comme si sa réponse était stable.
- Isoler une requête alors qu’une même page sert plusieurs tâches.
- Présenter la formule comme facteur Google, équilibre de Nash ou prévision.
Limites
- Intentions, mécanismes et actions futures ne sont que partiellement observables.
- Les poids sont des hypothèses utilisateur à calibrer sur des données internes.
La recherche est un système vivant
- Preuves
- Diagnostic
- Expérience
- Mesure
- Amélioration
Théorie des jeux et croissance organique
Utilisez incitations, alternatives et réponses pour cadrer les décisions. Les jeux formels ne révèlent pas le classement Google et ne garantissent aucun équilibre.
Conception éthique de l'information
Ordonnez preuves vraies, incertitude et disqualifications autour de la décision, sans transformer la persuasion bayésienne en score manipulateur.
Positionnement concurrentiel
Comparez de vraies alternatives sur une base commune. La concurrence peut accroître ou réduire la divulgation ; elle ne produit pas automatiquement la vérité.
Attention rationnelle et friction
Examinez enjeux, familiarité, incertitude, réversibilité et coût d'information. L'expérience acheteur-vendeur ne produit pas d'indice universel.
Architecture du choix
Classez et divulguez progressivement si utile, puis testez le contexte. La méta-analyse trouve un effet moyen quasi nul et très hétérogène.
Preuves de crédibilité
Montrez identité, auteurs, sources, politiques, dates, sécurité et utilisabilité accessible. L'étude historique n'est ni conversion ni classement.
Expérimentation contrôlée
Définissez OEC, garde-fous, puissance, attribution, montée et arrêt avant les résultats. Un p-value limite ne désigne pas un gagnant.
Influence et distribution
Modélisez un graphe réel avec paramètres et incertitude. L'approximation gloutonne sous sous-modularité ne prédit pas la viralité.
Satisfaction au-delà des clics
Des reformulations rapides proches peuvent soutenir une hypothèse de session. Clic n'est pas succès, silence n'est pas satisfaction, GSC agrégé n'est pas session.
Erreurs d'interprétation
Contrôlez SRM, ratios, télémétrie, puissance, multiplicité, segments, valeurs atypiques, nouveauté, entonnoir, Simpson et loi de Twyman.
Pour qui
- Définissez un portefeuille de tâches et les preuves déjà servies par chaque page.
- Estimez valeur, pertinence, effort, coût de changement, chevauchement et volatilité comme hypothèses explicites.
- Comparez des allocations équilibrées, orientées valeur et stabilité avec un seuil obligatoire d’utilité et de qualité éditoriale.
- Observez des périodes comparables, notez les réponses concurrentes et révisez sans poursuivre chaque mouvement.
Pour qui ce n'est pas adapté
- Employer cloaking, pages satellites, texte caché ou redirections trompeuses.
- Acheter, échanger ou automatiser des liens pour transmettre des signaux de classement.
- Publier massivement traductions, pages ou commentaires de faible valeur.
Outils gratuits
Laboratoire de preuves et de positionnement
Reliez affirmations, preuves, incertitude, alternatives et adéquation honnête sans score de persuasion.
Laboratoire de preuves et de positionnement | NAVINES SEO LabLaboratoire de friction et d'architecture du choix
Examinez la décision en contexte sans supposer que moins d'options vaut toujours mieux.
Laboratoire de friction et d'architecture du choix | NAVINES SEO LabAudit des preuves de crédibilité
Examine identité, auteurs, sources, politiques, utilisabilité et sécurité observables sans prédire la conversion.
Audit des preuves de crédibilité | NAVINES SEO LabPlanificateur et comparateur d’expériences SEO
Définit hypothèse, unités, mesures, contrôles et comparaison transparente entre périodes.
Planificateur et comparateur d’expériences SEO | NAVINES SEO LabPlanificateur d'amorçage d'influence
Compare la sélection gloutonne Monte Carlo à un référentiel de degré sous des hypothèses explicites.
Planificateur d'amorçage d'influence | NAVINES SEO LabAnalyseur de friction du parcours de recherche
Examine les reformulations anonymes par session comme hypothèses en gardant les requêtes locales.
Analyseur de friction du parcours de recherche | NAVINES SEO LabSources primaires
- Competitive Retrieval: Going Beyond the Single Query — arXiv; 2024-04-14; 2026-08-14.
- Ranking-Incentivized Quality Preserving Content Modification — arXiv; 2020-05-26; 2026-08-14.
- The Search for Stability: Learning Dynamics of Strategic Publishers with Initial Documents — Journal of Artificial Intelligence Research; 2025; 2026-08-14.
- Bayesian Persuasion — American Economic Review; 2011-10; 2026-08-15.
- Competition in Persuasion — Review of Economic Studies; 2017-01; 2026-08-15.
- Rational inattention in games: experimental evidence — Experimental Economics; 2024-09-13; 2026-08-15.
- Maximizing the Spread of Influence through a Social Network — ACM KDD; 2003; 2026-08-15.
- What Makes Web Sites Credible? A Report on a Large Quantitative Study — ACM CHI; 2001; 2026-08-15.
- Can There Ever Be Too Many Options? A Meta-Analytic Review of Choice Overload — Journal of Consumer Research; 2010-10; 2026-08-15.
- Controlled experiments on the web: survey and practical guide — Data Mining and Knowledge Discovery; 2009; 2026-08-15.
- A Dirty Dozen: Twelve Common Metric Interpretation Pitfalls in Online Controlled Experiments — ACM KDD; 2017; 2026-08-15.
- Beyond Clicks: Query Reformulation as a Predictor of Search Satisfaction — ACM CIKM; 2013; 2026-08-15.
- Creating helpful, reliable, people-first content — Google Search Central; 2025-12-10; 2026-08-14.
Guides et outils associés
Planificateur de portefeuille concurrentiel multirequêtes
Répartissez votre budget entre requêtes liées en exposant valeur, difficulté, coût et instabilité.
Planificateur de portefeuille concurrentiel multirequêtes | NAVINES SEO LabIntention de recherche et architecture de contenu
Organisez les pages autour de tâches et de relations nettes plutôt que de listes de mots-clés.
Intention de recherche et architecture de contenu | NAVINES SEO LabMesurer le SEO avec Search Console et l’analytics
Reliez visibilité, comportement et activité sans faire d’une seule métrique une vérité absolue.
Mesurer le SEO avec Search Console et l’analytics | NAVINES SEO Lab