Créer une population synthétique : le guide méthodologique.

Une population synthétique est un ensemble d'individus modélisés, de quelques milliers à plusieurs millions, qui reproduit les propriétés statistiques d'une population réelle sans contenir aucune donnée personnelle. Chaque individu porte des attributs démographiques, économiques, comportementaux, territoriaux et culturels, cohérents entre eux et cohérents à l'échelle de l'ensemble.

La distinction avec les objets voisins est structurante. Un persona marketing est un portrait-robot : une moyenne incarnée, sans variance interne. Un panel est un échantillon de personnes réelles : précieux mais limité en taille, en granularité et en disponibilité. Une population synthétique combine l'échelle que le panel n'atteint pas et la diversité interne que le persona écrase. Elle est reconstruite à partir d'agrégats anonymes et de segments : aucune donnée nominative n'entre dans le système, ce qui la rend nativement conforme au RGPD.

C'est la méthode la plus répandue, et c'est la plus trompeuse. Un LLM livré à lui-même a une dérive structurelle : il moyenne. Pour chaque profil demandé, il produit l'individu le plus probable et écrase la variance interne des groupes. Les combinaisons rares et les voix minoritaires disparaissent : précisément ce que la décision a besoin de voir. Cette dérive est invisible à l'œil, car chaque individu pris isolément semble plausible. C'est la population entière qui est fausse.

La génération sous contraintes fait mécaniquement l'inverse. Parmi toutes les distributions compatibles avec les références statistiques imposées, elle retient la plus étalée, celle qui n'ajoute aucun stéréotype aux contraintes. La diversité réelle est maintenue aux fréquences de référence, et la mesure des écarts permet à un tiers de le vérifier. C'est la différence entre une intuition habillée et un objet scientifique.

Une population synthétique se construit pour une décision, pas dans l'absolu. La première étape consiste à formuler la décision à éclairer, puis à en déduire les populations pertinentes : qui vit l'impact de cette décision, sur quel territoire, à quel horizon. Une hausse tarifaire ne mobilise pas les mêmes populations qu'une réforme réglementaire ou qu'un lancement de produit. Ce cadrage détermine les dimensions à modéliser et conditionne la qualité de tout ce qui suit.

La calibration s'appuie sur deux familles de sources. Les données publiques d'abord : les recensements à maille fine, comme les données INSEE au niveau IRIS pour les populations territoriales françaises, les données sectorielles publiées par les autorités de régulation, les enquêtes nationales et européennes de référence. Les données propriétaires ensuite, lorsque l'organisation en dispose : typologies internes, historiques de comportement, segmentations maison, intégrées après une anonymisation stricte. Cette double calibration produit la matière première de l'étape suivante : les références statistiques que la population devra satisfaire.

Les références se traduisent en contraintes de trois niveaux. Les distributions marginales portent sur un attribut isolé : 52 % de femmes. Les contraintes binaires croisent deux attributs : la proportion de femmes de 35 à 44 ans. Les contraintes ternaires en croisent trois : la proportion d'hommes cadres de 45 à 54 ans habitant une région donnée. Ce sont ces contraintes multidimensionnelles qui font la réalité sociologique d'une population. Une génération qui ne respecte que les marginales produit des moyennes justes et des croisements faux, sans que rien ne le signale. Une simulation réelle mobilise typiquement de 30 à 60 attributs croisés, avec de nombreuses contraintes ternaires.

Satisfaire simultanément des dizaines à des centaines de contraintes multidimensionnelles à l'échelle de millions d'individus est un problème NP-difficile : les formulations exactes explosent combinatoirement. La réponse méthodologique est le Maximum Entropy Relaxation, hérité du principe formalisé par Jaynes en 1957 et des travaux de Régin sur les contraintes de cardinalité : parmi toutes les distributions qui satisfont les contraintes, retenir celle d'entropie maximale, la moins biaisée, qui est unique et optimale au sens de la théorie de l'information. Le problème se reformule en optimisation convexe, résoluble avec des garanties de convergence.

Cette approche est benchmarkée publiquement contre le generalized raking, la méthode de référence des enquêtes statistiques, sur des jeux de données NPORS de 4 à 40 attributs avec contraintes ternaires. Au-delà de 28 attributs simultanés, son avantage est structurel : c'est le régime des simulations réelles. Les résultats, le code et la méthodologie sont publiés sur ArXiv et reproductibles par des tiers.

Une population statistiquement juste reste illisible sans structuration. L'étape suivante la découpe en typologies granulaires, typiquement de 10 à 30 par simulation, construites par croisement des dimensions pertinentes pour la décision : rapport au sujet, trajectoire personnelle, ancrage territorial, exposition médiatique, capital culturel. Ces typologies se valident par recoupement avec les études qualitatives publiques sur le sujet, pour garantir qu'elles correspondent à des découpes sociologiquement pertinentes et non à des artefacts statistiques. C'est à cette maille que la décision se joue : les moyennes générales cachent les 4 % d'une population qui concentrent 78 % du risque d'une mesure.

Une population synthétique sérieuse se livre avec ses preuves. Les écarts aux distributions cibles, marginales, binaires et ternaires, se mesurent et se documentent dans un rapport de calibration. La variance interne se compare aux références d'enquêtes. Les résultats produits sur la population doivent être traçables jusqu'aux entretiens individuels qui les fondent, et donc contestables ligne à ligne par des tiers indépendants. Une population dont les propriétés ne sont ni mesurées ni publiées n'est pas un objet méthodologique : c'est une hypothèse habillée.

Trois limites délimitent l'usage. Elle ne prédit pas mécaniquement le futur : elle projette des trajectoires probabilistes qui réduisent l'incertitude sans l'annuler. Elle ne remplace pas les données réelles : lorsque des données de comportement observées existent et sont pertinentes, elles restent la référence que la simulation complète. Elle ne dispense pas de la décision humaine : elle éclaire le raisonnement du décideur, elle ne s'y substitue pas. Nommer ces limites est un préalable de la rigueur scientifique.