,sebastien.picault}@univ-lille1.fr RÉSUMÉ. Les nouveaux domaines d'application des simulations multi-agents produisent de grandes quantités de données, qu'il convient de prendre en compte non seulement pour la validation des résultats de simulation, mais pour la calibration même des comportements des agents. En effet, la fiabilité des prédictions et des explications fournies par une simulation est fortement dépendante du réalisme statistique des agents qui y participent. Dans cet article, nous proposons une méthode pour extraire automatiquement des profils comportementaux à partir de données réelles, méthode que nous avons mise à l'épreuve dans le cadre de comportements de consommateurs dans un magasin. Les agents disposent des mêmes capacités globales d'interaction, mais sont munis de profils différenciés résultant de l'exploration des données. Placés dans un magasin virtuel réaliste, ils effectuent des achats qui reflètent la diversité des clients réels ainsi que les profils initiaux. Le processus de construction de connaissances que nous avons élaboré est assez général pour couvrir des domaines d'application variés. Aussi, nous défendons l'idée que de telles techniques sont indispensables pour renforcer le pouvoir prédictif des simulations multi-agents et en faire un puissant outil d'aide à la décision. ABSTRACT. The new application domains of multiagent-based simulation provide very large databases, which must be take into account not only for validating simulation results, but also for calibrating the behaviors of the agents. Indeed, the confidence in simulation predictions and explanations highly depends on the statistical realism of the agents. In this paper, we propose a method for automatically retrieving behavioral prototypes from statistical measures. This method has been experimented within the context of consumer behavior. The agents are endowed with the same overall behavior, but are given different profiles based on the data analysis. They are put into a spatially realistic store, where their purchase reproduce the original clusters. The knowledge retrieving process is general enough to be used in various application domains. Thus, we argue that such techniques are crucial to enhance the predictive accuracy of multiagent simulations and make them a powerful decision support tool. MOTS-CLÉS : simulation multi-agents, exploration de données, marketing, interactions.