Le présent article est un résumé de l'article Rafla et al. (2022) publié à la conférence ECML/PKDD 2022. La modélisation de l'uplift vise à estimer l'impact d'un traitement sur un individu, tel qu'une campagne de marketing ou d'un médicament. Les données d'uplift des banques ou des télécoms comportent souvent des centaines voire des milliers de variables. Dans de telles situations, la détection des variables non pertinentes est une étape essentielle pour réduire le temps de calcul et augmenter la performance du modèle. Nous présentons une méthode bayésienne de sélection de variable sans paramètres pour la modélisation de l'uplift. Cette méthode repose sur une méthode de discrétisation automatique des variables selon une approche bayésienne. Les expériences montrent que la nouvelle méthode permet à la fois d'éliminer les variables non pertinentes et d'obtenir de meilleures performances que les méthodes de l'état de l'art.