Données synthétiques pour les études marketing : une matière première, trois usages

Les données synthétiques occupent une place croissante dans l’étude de marché assistée par IA. Une même base peut-elle nourrir un assistant de connaissance, des personas synthétiques et un jumeau numérique — un digital twin ? Oui. Mais des données synthétiques ne deviennent pas automatiquement trois outils parce qu’on y ajoute de l’intelligence artificielle. La distinction décisive tient à la tâche qu’on leur demande.

La question m’a été posée par une professionnelle des études. Elle avait en tête une base réunissant un grand nombre d’études, une segmentation, des sources ouvertes, des réseaux sociaux et des données de gestion de la relation client (CRM). Cette base aurait pu servir à interroger l’existant, à faire réagir des profils à de nouveaux stimuli, puis à prédire un comportement agrégé à partir de données quantitatives.

C’est une bonne intuition. Sur le fond, elle n’a pas mal compris la théorie. La même matière première peut bien alimenter les trois usages. Ce qui change, c’est ce que l’on demande au système de faire, et donc ce qu’il faut contrôler avant de croire le résultat.

Que sont les données synthétiques en études de marché ?

Quatre mots sont utilisés comme s’ils n’en formaient qu’un. Les données synthétiques sont des données générées artificiellement qui reproduisent les propriétés statistiques de données réelles : la matière première, pas le répondant. Le répondant synthétique est une instance de modèle de langage à qui l’on demande de répondre comme le ferait un humain : c’est lui, l’unité. Le persona synthétique est le briefing donné au modèle — les traits, attitudes et caractéristiques qui guident ses réponses. Le panel synthétique est ce que l’on obtient en assemblant de nombreux répondants synthétiques en un échantillon structuré.

Retenez une chose : la donnée synthétique est l’entrée, le répondant synthétique est la sortie. Ces objets appartiennent à la même famille, mais ils ne servent pas la même décision — et c’est là que commencent les confusions coûteuses. Nous tenons la même table de vocabulaire en anglais dans notre guide de référence.

Une matière première commune

Une organisation accumule des rapports, des présentations, des verbatims, des segmentations, des résultats de sondage et des signaux issus de ses clients. Ces sources ne sont pas interchangeables. Elles peuvent néanmoins former un socle commun, à condition d’être décrites et reliées à leur origine.

C’est là que le mot « base » peut tromper. Il ne s’agit pas forcément d’un seul fichier. Il s’agit plutôt d’un ensemble organisé de documents et de données, avec des populations, des questions et des limites connues. Le même ensemble peut ensuite être consulté, transformé ou utilisé pour produire une simulation.

1. L’assistant de connaissance : retrouver ce qui existe

Le premier usage consiste à interroger l’existant. On ne collecte pas de nouvelles réponses. On cherche une information déjà présente dans les rapports, les présentations ou les études, puis on la restitue dans une forme utilisable par une équipe d’études ou de marketing.

Le socle est donc documentaire. Sa qualité dépend de la couverture de la bibliothèque, de la clarté des titres, de l’identification des populations étudiées et de la capacité à retrouver la source exacte. La valeur ne se trouve pas seulement dans une réponse bien écrite. Elle se trouve dans la traçabilité : quelle étude dit cela ? Pour quelle cible ? À quelle date ? Avec quelle question et quelles réserves ?

Stravito fournit un exemple concret de ce premier usage. Cette plateforme d’entreprise de gestion des connaissances — de knowledge management, pour employer le terme que le marché utilise — centralise les rapports, les présentations et les études dans une bibliothèque consultable. Elle a ajouté des « AI Personas » construites à partir des études, des segmentations et des travaux consommateurs déjà présents dans la bibliothèque du client. L’argument affiché est que chaque réponse renvoie à une source réelle. Danone, Electrolux et Comcast sont cités publiquement parmi ses clients.

L’intérêt de cet exemple est la distinction qu’il permet de faire. Quand un outil documentaire ajoute des profils auxquels on peut parler, il reste dans l’usage de restitution de l’existant si les réponses sont produites à partir de cette bibliothèque et renvoient à ses sources. Cela peut être très utile. Mais ce n’est pas encore, par définition, une mesure de la réaction à un stimulus qui n’a jamais été testé.

Cette observation ne juge pas le produit ni son moteur. Elle sépare deux usages. Une réponse sourcée décrit ce que l’organisation sait déjà. Elle ne prouve pas qu’un profil réagira demain comme un consommateur réel face à un concept nouveau.

2. Le persona synthétique : simuler une réaction nouvelle

Le deuxième usage commence quand la question change. On ne demande plus : « Que disent nos études ? » On demande : « Comment ce profil réagirait-il à ce concept, à ce nom ou à ce message ? » Le stimulus est nouveau, ou du moins il n’a pas été mesuré dans les données disponibles.

Le persona synthétique n’est pas seulement un résumé documentaire. C’est un profil calibré pour représenter une manière de percevoir, de juger et de choisir. La démographie peut aider, mais elle ne suffit pas : il faut aussi les attitudes, les motivations, les tensions et les différences entre segments. Le socle doit être calibré sur le plan psychographique.

C’est ce qui fait la différence entre une fiche de personnage convaincante et un outil d’exploration utile. Un profil peut parler avec naturel, donner des raisons plausibles et pourtant ne rien représenter de fiable. La fluidité de la conversation ne constitue pas une validation.

Il faut donc tester le persona sur des stimuli dont la réaction humaine est déjà connue, puis comparer les résultats. Le test ne doit pas seulement demander si la réponse « sonne juste ». Il doit vérifier si les écarts entre profils, les préférences et les points de rejet suivent une référence humaine. Cette discipline indique ce qu’il peut éclairer et ce qu’il ne peut pas décider.

Nous avons fait l’exercice sur la question qui concerne ces profils au premier chef : les personas synthétiques peuvent-ils remplacer les répondants ? Leur réponse, et surtout son unanimité, montre pourquoi la comparaison à une référence humaine reste indispensable.

Pour aller plus loin sur cette distinction entre profil individuel, réponse simulée et mesure agrégée, voir le guide « Comprendre les répondants synthétiques ». Ici, l’expression « persona synthétique » décrit plus précisément l’usage de simulation d’une réaction.

C’est cet usage-là qui est notre métier, et nous nous appliquons la même exigence qu’aux autres : nos travaux de validation sont publiés, y compris quand ils nous notent sévèrement — sur la sous-dispersion de nos réponses et sur ce qu’un acheteur peut exiger en matière de calibration. Un lecteur pressé n’a pas à nous croire sur parole : il peut lire les mesures.

3. Le jumeau numérique : prédire, d’un individu à une population

Le troisième usage est le plus ambitieux, et c’est aussi celui dont le nom recouvre deux choses. Dans son sens strict — celui que retient notre tableau de vocabulaire et celui du jeu de données Twin-2K-500 — un jumeau numérique cherche à répliquer une personne réelle et précise, pas un archétype. Dans l’usage qu’en fait une partie du marché des études, le terme glisse vers la prédiction d’un comportement agrégé : une préférence dans une population, une hiérarchie de concepts, l’évolution d’un indicateur.

Les deux sens sont défendables, et c’est de leur confusion que naissent les malentendus les plus coûteux. Ce qui ne change pas, c’est l’exigence de preuve — et elle est d’autant plus lourde que la prétention est individuelle. Répliquer une personne demande de démontrer beaucoup plus que classer des concepts dans une population.

Pour cela, il faut une base quantitative structurée. Les variables doivent être définies, les populations comparables et les liens entre réponses conservés. Un fichier CSV peut être une forme pratique de circulation. Ce n’est pas, à lui seul, une méthode de prédiction. La structure et le protocole comptent davantage que le format du fichier.

Surtout, un jumeau numérique doit être validé à l’extérieur des données qui ont servi à le construire. Il faut une référence nouvelle, tenue à l’écart de l’ajustement, puis une comparaison rang à rang ou selon la mesure annoncée. Sans cette validation externe, le jumeau numérique reste une hypothèse bien présentée.

→Audit préenregistré arXiv 2608.14606 (37 modèles, 263 humains, psychologie organisationnelle) : score PSS de 0,714 pour le meilleur modèle, 0,688 pour une copule gaussienne sans intelligence artificielle, plafond humain de 0,825. Ce plafond est la référence honnête : les personnes elles-mêmes ne répondent pas deux fois exactement pareil, donc aucune méthode ne peut dépasser ce que des humains obtiennent les uns par rapport aux autres. Ce n’est pas un taux de justesse.

Ce résultat ne répond pas à toutes les questions des études de marché. Il montre en revanche pourquoi la validation doit être externe et explicite. Un chiffre isolé, même précis, ne dit pas ce qui a été comparé. Le score PSS de cet audit mesure une similarité psychométrique selon son protocole. Il ne se transforme pas en pourcentage de réponses correctes. La méthode vient avant le récit.

Faut-il trois bases différentes ?

Pas nécessairement trois bases sans aucun lien. En pratique, on sépare les usages par des vues, des jeux de données et des règles d’accès adaptés. Les documents peuvent rester dans un même environnement, mais les conditions de préparation et de validation ne doivent pas être confondues.

Pour l’assistant, on veut une source retrouvable et une restitution fidèle. Pour le persona, on veut une calibration psychographique et une comparaison avec des réactions humaines connues. Pour le jumeau numérique, on veut une base quantitative structurée et une validation sur une référence externe. Les trois usages peuvent partager des études. Ils ne partagent pas la même définition de « ça marche ».

La séparation répond donc moins à une question de budget qu’à une question de méthode. Tout mélanger dans une base unique peut faire perdre la capacité à savoir ce que l’on mesure vraiment. Une réponse sourcée, une réaction simulée et une prédiction ne portent pas le même degré de preuve.

Quel horizon ?

L’assistant de connaissance est déjà opérationnel. Les entreprises savent centraliser leurs sources et interroger ce qu’elles ont déjà produit. Les profils conversationnels arrivent à maturité pour l’exploration, avec une calibration et une traçabilité plus rigoureuses.

Le jumeau numérique prédictif reste le plus exigeant. Son horizon dépendra moins d’une démonstration spectaculaire que de la qualité des validations publiées : quelles populations, quels stimuli, quelles références, quels écarts et quelles limites ? C’est une opinion méthodologique, pas une date annoncée.

La bonne question n’est donc pas : « Peut-on mettre toutes les données au même endroit ? » Oui, souvent. La bonne question est : « Quel usage voulons-nous en faire, et quelle preuve cet usage exige-t-il ? » C’est cette réponse qui doit décider de l’architecture, des contrôles et du vocabulaire.

Pour les acheteurs, le test est concret. Demandez la source quand on vous restitue un fait. Demandez la calibration quand on vous propose un persona. Demandez une validation externe quand on vous promet une prédiction. Si la réponse reste générale, la technologie est peut-être séduisante, mais la méthode n’est pas encore démontrée.

Nous avons détaillé les questions qu’un acheteur peut poser dans « Pourquoi l’ESOMAR pose-t-elle vingt questions ? ». Et les vingt réponses de FlashInsight sont disponibles dans la version anglaise complète.

Sources

Stravito. Plateforme et présentation des AI Personas. Faits utilisés : bibliothèque d’études consultable, profils construits à partir des travaux déjà présents et réponses renvoyant à une source.

Exemple documenté. Article de SiliconANGLE consacré à Stravito AI Personas.

Audit cité. Audit préenregistré arXiv 2608.14606.

À lire sur FlashInsight. Guide sur les répondants synthétiques · Les vingt questions de l’ESOMAR · Les réponses complètes.