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.