Donnée synthétique

Une donnée synthétique est produite par un modèle plutôt que collectée auprès d’une personne. Elle est construite pour conserver les régularités statistiques d’un jeu de données réel, distributions, corrélations, structure des sous-groupes, sans reproduire aucune ligne individuelle identifiable. En études de marché, c’est la matière première d’une population interrogeable. Ce n’est pas le répondant, et la confusion entre les deux est l’erreur de vocabulaire la plus répandue du marché.

L’essentiel

• « Synthétique » est un statut, pas un usage : la même donnée sert à compléter, à protéger ou à construire une population interrogeable. Seul le troisième usage relève des études.
• La donnée est l’entrée ; le répondant est la sortie. Une propriété vérifiée sur l’entrée ne garantit rien sur la sortie.
• La valeur d’une donnée synthétique tient aux propriétés qu’elle conserve, et surtout à celles qui ont été mesurées après génération.
• Par construction elle ne contient pas de données personnelles ; la garantie dépend de la méthode, pas du mot.

À quoi servent les données synthétiques en études de marché ?

À trois choses très différentes, qu’il faut nommer séparément. Compléter un jeu de données incomplet, par exemple une cible rare que le terrain n’atteint pas en nombre suffisant. Protéger un jeu de données sensible, en le remplaçant par un équivalent statistique sans personne dedans. Et nourrir la construction d’une population synthétique, c’est-à-dire un ensemble de profils distribués comme la population réelle visée, dans laquelle on tirera ensuite des personas à interroger. C’est ce troisième usage qui permet de pré-tester un concept, une publicité ou un nom avant d’engager un budget : tester plus, itérer plus, se tromper plus tôt.

Quelle différence entre donnée, persona et répondant synthétiques ?

Une chaîne, avec un objet distinct à chaque maillon. La donnée synthétique décrit : elle porte les distributions et les corrélations d’une population. Le persona synthétique spécifie : c’est le briefing d’un individu plausible tiré dans cette population. Le répondant synthétique parle : c’est ce que le modèle répond une fois ce briefing posé. Le glissement de l’un à l’autre n’est pas anodin. Il laisse croire qu’une propriété statistique vérifiée sur la matière première vaut garantie sur la réponse produite, alors que chaque maillon peut perdre de l’information, et que le dernier en perd le plus.

Les données synthétiques sont-elles fiables ?

Elles le sont exactement autant que ce qui a été mesuré après génération, ni plus ni moins. Une méthode de génération décrit une intention : conserver telle distribution, telle corrélation. Seule une mesure dit ce qui a été conservé et ce qui a été perdu. Le défaut le plus fréquent en bout de chaîne est la sous-dispersion : les réponses produites sont plus resserrées que celles de vrais répondants, les moyennes restent justes et les comparaisons entre options sont faussées. Nous la mesurons marché par marché contre des enquêtes publiques nommées, et nous publions les écarts, y compris quand ils sont mauvais. La calibration est ce qui rapproche la population générée de sa référence ; elle ne vaut pas validation sur des questions jamais vues.

Que vérifier avant d’acheter ?

Trois questions suffisent.

• Sur quelles données réelles la génération s’appuie-t-elle, et sont-elles publiques ou propriétaires ? Une source publique se vérifie ; une source propriétaire se croit.
• Quelles propriétés statistiques ont été conservées, et lesquelles ont été perdues ? Un fournisseur qui n’a rien perdu n’a rien mesuré.
• Ces propriétés ont-elles été mesurées après génération, ou seulement visées ? Un fournisseur qui décrit sa méthode sans produire d’écart mesuré décrit une intention.

Notre méthode expose ce que nous mesurons, et contre quoi.