CYBER WELFARE

Protégez votre vie privée numérique

Données anonymes : pourquoi quelques détails vous identifient

Fiche complémentaire de la leçon « Théorie de l’information : les bases pour l’anonymat » — cours Anonymat en ligne

On parle de données anonymes quand elles ne permettent plus de remonter à une personne. Pourtant, des détails anodins pris un par un peuvent, une fois réunis, désigner quelqu’un sans son nom : un code postal, une date d’anniversaire et deux ou trois habitudes peuvent suffire. Cette fiche explique, sans formules, pourquoi quelques détails peuvent vous identifier, et vous aide à estimer à quelle vitesse votre foule se réduit.

L’idée clé : l’anonymat ne consiste pas à tout cacher. Il dépend de la taille de la foule dans laquelle on se fond, et chaque détail partagé la rend plus petite.

A. Pourquoi c’est important

Dans ce cours, la vie privée consiste à décider de ce que les autres savent de vous. L’anonymat est un peu différent : agir sans que ce que l’on fait soit relié à qui l’on est. La question n’est donc pas « qu’ai-je partagé ? », mais « à combien de personnes cette description pourrait-elle correspondre ? ».

La leçon parle de théorie de l’information, c’est-à-dire des mathématiques qui mesurent ce qu’une donnée apprend sur quelqu’un. Ici, pas besoin de calculs. Une intuition suffit : chaque détail trie les gens entre ceux à qui il correspond et les autres, et le groupe restant rétrécit à chaque fois.

C’est pourquoi « je n’ai jamais donné mon nom » et « les données étaient anonymisées » rassurent moins qu’il n’y paraît. Le nom n’est qu’un moyen parmi d’autres de distinguer quelqu’un. Quelques détails ordinaires peuvent faire le même travail.

Ce que disent les sources

La CNIL, l’autorité française de protection des données, définit une donnée personnelle comme « toute information se rapportant à une personne physique identifiée ou identifiable ». L’identification peut être directe, par le nom, ou indirecte, notamment « à partir du croisement d’un ensemble de données ». Son exemple ressemble à une devinette : « une femme vivant à telle adresse, née tel jour, abonnée à tel magazine et militant dans telle association ».

Sur l’anonymisation, la CNIL est nette : il s’agit de rendre toute identification impossible en pratique, et de manière irréversible. Elle la distingue de la pseudonymisation, qui remplace les données directement identifiantes, mais permet « bien souvent » de retrouver l’identité des personnes « grâce à des données tierces ». Elle retient trois critères : on ne doit pas pouvoir isoler une personne dans un jeu de données, ni relier des ensembles de données qui la concernent, ni en déduire de nouvelles informations de façon quasi certaine. Parmi ses textes de référence figure l’avis 05/2014 du groupe de travail européen « article 29 » (G29).

Le Comité européen de la protection des données (CEPD) a soumis à consultation publique, du 8 juillet au 30 octobre 2026, des lignes directrices 02/2026 sur l’anonymisation qui, selon la CNIL, « clarifient la notion de données anonymes » à l’aide de trois critères : pas d’individualisation, pas de corrélation, pas d’inférence. En novembre 2026, la page de consultation du CEPD présente toujours la version 1 du texte, en anglais, et n’annonce pas de version définitive.

La recherche montre à quel point quelques détails suffisent. En 2000, la chercheuse américaine Latanya Sweeney a estimé que 87 % de la population des États-Unis était probablement identifiable de façon unique par trois informations : le code postal à cinq chiffres (le ZIP code américain), le sexe et la date de naissance. Avec la commune à la place du code postal, on atteignait environ la moitié de la population ; avec le comté, 18 %.

Une étude publiée en 2013 dans Scientific Reports a analysé quinze mois de données de localisation issues de téléphones mobiles, pour un million et demi de personnes d’un « petit pays européen » (traduction par nos soins). Quatre points dans l’espace et le temps (quatre moments où l’on sait où était quelqu’un) suffisaient à identifier de façon unique 95 % des personnes. En 2019, une équipe de l’Université catholique de Louvain, en Belgique, et de l’Imperial College de Londres a estimé dans Nature Communications que 99,98 % des Américains seraient correctement ré-identifiés à partir de 15 attributs démographiques. Sa conclusion : même fortement échantillonnés, des jeux de données anonymisés ont peu de chances de satisfaire aux exigences d’anonymisation du RGPD.

B. Notions clés

Cinq idées pour raisonner sur « quelques détails ».

L’ensemble d’anonymat : la foule dans laquelle on se fond

L’ensemble d’anonymat (en anglais anonymity set) est le groupe de personnes qui correspondent à tout ce qu’un observateur sait de vous. Si un site sait seulement qu’un visiteur se connecte depuis la France, l’ensemble est immense. S’il sait que ce visiteur habite un quartier précis d’une ville, a environ trente-cinq ans et court sur le même parcours chaque dimanche, l’ensemble peut se réduire à une poignée de personnes.

Pourquoi c’est important pour vous : Votre anonymat vaut ce que vaut la taille de cette foule. « À combien de personnes cela correspond-il ? » est une question plus utile que « mon nom y figure-t-il ? ».

Chaque détail réduit la foule

Un détail fonctionne comme un filtre. Le sexe divise à peu près la foule par deux ; l’année de naissance la réduit bien davantage ; la date de naissance complète, plus encore. Les filtres se multiplient : trois détails modestes à la suite peuvent faire passer d’une ville à une rue.

Pourquoi c’est important pour vous : Un détail n’a pas besoin d’être sensible pour que la combinaison vous identifie. Mieux vaut regarder ses détails par groupes.

Les bits : une intuition, pas une formule

Les chercheurs mesurent l’information identifiante en « bits ». Dans un texte pédagogique publié en 2010 par l’Electronic Frontier Foundation (EFF), association américaine de défense des libertés numériques, Peter Eckersley expliquait qu’un bit de plus double le nombre de possibilités ; vu de votre côté, chaque détail de type oui ou non divise la foule par deux. Selon ses calculs approximatifs, distinguer une personne parmi toute la population mondiale demande un peu moins de 33 bits ; une date d’anniversaire en vaut environ 8,5 et un signe astrologique environ 3,6. Code postal, anniversaire et sexe réunis dépassaient 33 bits : assez, écrivait-il, pour dire probablement qui est la personne.

Pourquoi c’est important pour vous : Inutile de calculer des bits. L’intuition suffit : une vingtaine de divisions par deux font passer une foule d’un million de personnes à une seule, et un détail du quotidien peut valoir plusieurs divisions d’un coup.

Ré-identification et données « anonymisées »

Retirer les noms d’un jeu de données ne suffit pas à obtenir des données anonymes. La ré-identification consiste à rapprocher ce qui reste, comme l’âge, le quartier ou des dates, d’autres informations, jusqu’à ce qu’un enregistrement (une ligne du fichier) désigne de nouveau une personne. C’est précisément ce que les trois critères de la CNIL cherchent à empêcher : isoler, relier, déduire. Rendre les détails moins précis aide, mais peu : selon l’étude de 2013, même des données grossières offrent peu d’anonymat.

Pourquoi c’est important pour vous : Quand un service affirme partager vos données « de façon anonyme », il est raisonnable de demander quels détails y restent. La réponse en dit plus que le mot.

Se fondre dans la foule : l’autre façon de l’agrandir

On peut agrandir sa foule en partageant moins de détails, mais aussi en partageant les mêmes détails que beaucoup d’autres personnes. Certains outils reposent sur cette seconde idée, comme Tor Browser, que sa page française décrit ainsi : « Le Navigateur Tor vise à rendre tous les utilisateurs semblables en apparence ». Votre navigateur de tous les jours est lui aussi un ensemble de détails ; la fiche de cette section sur l’empreinte du navigateur montre comment le tester.

Pourquoi c’est important pour vous : Ressembler à beaucoup d’autres peut protéger autant que se taire. Une combinaison inhabituelle se remarque, même quand chacun de ses éléments a été choisi pour protéger sa vie privée.

C. Un exemple concret : le profil public de Luca

Luca a 36 ans, vit à Paris et voyage souvent. Son profil sur un réseau social n’affiche pas son nom de famille, seulement un surnom et la photo d’une montagne, et il le jugeait plutôt anonyme. En un an, il s’est rempli de moments ordinaires : la photo d’un gâteau d’anniversaire avec un « 36 » en bougies, publiée le jour même ; son footing du dimanche le long du canal Saint-Martin ; la localisation de sa salle de sport ajoutée à plusieurs publications ; une photo à l’aéroport à chaque départ.

Un soir, il a regardé son profil comme le ferait un inconnu. « Vit à Paris » correspond à une foule immense. Un homme d’environ trente-cinq ans la réduit beaucoup. Un anniversaire à une date connue la réduit encore.

Un parcours habituel et une salle de sport précise laissent, à vue de nez, quelques personnes. Ajoutez les dates où il était en voyage, et la foule se réduit probablement à une seule : lui. Prises une par une, ses publications ne disaient pas qui il était. Ensemble, si.

Ce qui a changé quand Luca a compté sa foule

Il ne s’est pas alarmé. Il a vu que son profil le désignait par des détails, non par son nom, et il a choisi lesquels garder.

  • Il a gardé les photos de voyage, mais il les publie désormais une fois rentré plutôt que depuis l’aéroport.
  • Il a retiré la localisation de sa salle de sport, utile à qui voudrait faire des recoupements, bien plus qu’à ses amis.
  • Il a limité ses anciennes publications à ses amis, pour laisser moins de détails à combiner aux inconnus.
  • Il a laissé la publication d’anniversaire : ses amis y avaient répondu, et il a jugé qu’elle valait sa trace.

Luca a agrandi sa foule à trois endroits et laissé le reste tel quel. L’anonymat est devenu pour lui un réglage à ajuster selon ce qui compte à ses yeux, et non quelque chose qu’on a ou qu’on n’a pas.

D. À vous de jouer : à quelle vitesse votre foule se réduit-elle ? (15 minutes)

Quatre étapes brèves, avec des chiffres ronds. N’écrivez pas vos vraies informations : utilisez des catégories (« ma ville », « mon année de naissance ») et des fractions approximatives. Les chiffres servent l’intuition, pas la précision.

Étape 1 — Choisissez une foule de départ (3 minutes)

  • Choisissez un lieu qu’on pourrait facilement apprendre sur vous, comme votre ville ou votre région, à partir d’un profil, d’une photo ou d’un nom d’utilisateur.
  • Donnez-lui une taille ronde : 100 000, 1 million ou 10 millions. L’ordre de grandeur suffit.
  • Notez seulement le nombre, par exemple « départ : 1 000 000 ».

Étape 2 — Listez quatre détails publics (4 minutes)

  • Pensez à quatre détails qu’un inconnu pourrait trouver sans rien vous demander : profil, publication, photo, vieux commentaire.
  • Notez le type de détail, pas sa valeur : « sexe », « année de naissance », « anniversaire », « quartier », « employeur », « sport », « race du chien ».
  • Privilégiez les détails visibles par des personnes que vous ne connaissez pas.

Étape 3 — Réduisez la foule (5 minutes)

  • Appliquez une fraction approximative à chaque détail, l’un après l’autre : pour un détail à deux réponses courantes, divisez par 2 ; pour une année de naissance, par 50 environ ; pour un anniversaire (jour et mois), par 365 environ ; pour un quartier, une école, un employeur ou un club, par un nombre compris entre 10 et 100.
  • Exemple : 1 000 000 ÷ 2 = 500 000 ; ÷ 50 = 10 000 ; ÷ 365 ≈ 27. Avec un détail local de plus, la foule peut se réduire à une seule personne.
  • Les populations réelles ne sont pas réparties de façon régulière : lisez le résultat comme un ordre de grandeur, pas comme une mesure.

Étape 4 — Choisissez un détail à desserrer (3 minutes)

  • Repérez le détail qui a le plus réduit votre foule. C’est souvent le plus précis, pas le plus intime.
  • Choisissez un changement : le rendre visible par moins de personnes, le rendre moins précis (un mois plutôt qu’une date, une ville plutôt qu’une rue), ou le garder tel quel, en connaissance de cause.
  • Notez votre choix en une ligne.

Une foule, cela peut s’agrandir de nouveau, un détail à la fois.

Déjà traité dans le cours Vie privée en ligne

Empreinte numérique : les données que vous laissez en une journée
Elle cartographie les données fournies, observées et déduites que produit une journée ; cette fiche se demande à combien de personnes ces traces, une fois combinées, pourraient encore correspondre.

E. Vidéos, articles et autres ressources

Sources institutionnelles d’abord, puis la recherche et les guides sur les droits numériques. Les pages de la CNIL et du Projet Tor sont en français ; le texte du CEPD, les études et le guide de l’EFF sont en anglais.

Sources institutionnelles

CNIL — RGPD : de quoi parle-t-on ?
Ce qu’est une donnée personnelle, et comment le croisement de plusieurs informations peut identifier une personne sans son nom.
https://www.cnil.fr/fr/rgpd-de-quoi-parle-t-on

CNIL — L’anonymisation de données personnelles
Ce que recouvre l’anonymisation, en quoi elle diffère de la pseudonymisation et les trois critères pour l’évaluer.
https://cnil.fr/fr/lanonymisation-de-donnees-personnelles

Comité européen de la protection des données (CEPD) — Guidelines 02/2026 on Anonymisation
Page de la consultation publique (8 juillet – 30 octobre 2026) sur les lignes directrices relatives à l’anonymisation ; texte en anglais, version 1.
https://www.edpb.europa.eu/public-consultations/guidelines-022026-on-anonymisation_fr

Recherche

Data Privacy Lab — Simple Demographics Often Identify People Uniquely
L’étude de Latanya Sweeney (2000) sur la façon dont code postal, sexe et date de naissance distinguent une grande partie de la population américaine.
https://dataprivacylab.org/projects/identifiability

Scientific Reports — Unique in the Crowd: The privacy bounds of human mobility
Étude de 2013, fondée sur des données de téléphonie mobile d’un pays européen, sur le petit nombre de points de localisation qui rend uniques les déplacements d’une personne.
https://www.nature.com/articles/srep01376

Nature Communications — Estimating the success of re-identifications in incomplete datasets using generative models
Étude de 2019 de chercheurs belges et britanniques expliquant pourquoi des jeux de données échantillonnés et « anonymisés » restent ré-identifiables ; copie en libre accès sur PubMed Central.
https://pmc.ncbi.nlm.nih.gov/articles/PMC6650473

Guides sur les droits numériques et outils

Electronic Frontier Foundation — A Primer on Information Theory and Privacy
L’intuition des « bits », expliquée avec des anniversaires, des signes astrologiques et des codes postaux.
https://www.eff.org/deeplinks/2010/01/primer-information-theory-and-privacy

Le Projet Tor — L’anonymat en ligne (page d’accueil)
Comment Tor Browser cherche à rendre ses utilisateurs semblables, pour que moins de détails permettent de distinguer chacun.
https://www.torproject.org/fr/

Liens vérifiés en novembre 2026. Si une adresse change, chercher le titre sur le site de l’organisme aide souvent à la retrouver.

F. Le Framework Cyber Welfare : Compétences, Conscience du risque, Comportements sûrs

Cette fiche relève du pilier Conscience du risque, au niveau FL2 — Initié : voir l’anonymat comme la taille d’une foule que l’on peut estimer, plutôt que comme un interrupteur allumé ou éteint.

Compétences

  • Estimer, avec des chiffres ronds, à quel point un détail réduit la foule à laquelle on appartient.
  • Repérer lequel de ses détails publics est le plus précis.
  • Lire les promesses de données « anonymisées » en se demandant quels détails y restent.

Conscience du risque

  • Comprendre l’ensemble d’anonymat : les personnes qui correspondent à tout ce que l’on sait de vous.
  • Reconnaître que des détails ordinaires, combinés, peuvent identifier quelqu’un sans son nom.
  • Savoir que ressembler à beaucoup d’autres peut protéger autant que partager moins.

Comportements sûrs

  • Rendre un détail précis moins exact ou moins visible, plutôt que d’essayer de tout cacher.
  • Partager lieux et horaires après coup, quand le partage en temps réel n’apporte rien.
  • Refaire de temps en temps l’estimation de sa foule, car les profils grossissent sans bruit.

G. Questions pour réfléchir

  • Quel détail vous concernant, anodin à lui seul, réduirait le plus votre foule si quelqu’un le combinait avec d’autres ?
  • Où vous fondez-vous déjà dans une grande foule, et où vous remarque-t-on ?
  • Quand un organisme dit utiliser vos données « de façon anonyme », que voudriez-vous qu’il vous explique ?

H. Que faire maintenant

Les recommandations (R) et les mesures de sécurité (MS) de la base de données Cyber Welfare qui s’appliquent le plus directement ici.

1. Les détails que vous partagez vous-même

  • MS7 — Limitez l’accès à votre compte, à vos photos et à vos publications grâce aux réglages de confidentialité, pour que moins d’inconnus puissent combiner les détails que vous partagez.
  • Préférez des détails moins précis quand ils vous servent aussi bien : une ville plutôt qu’une rue, un voyage raconté après le retour.

Engagement minimal : aujourd’hui, desserrez le détail choisi à l’étape 4.

2. Les détails que d’autres détiennent sur vous

  • Quand un formulaire demande une date de naissance complète pour une simple lettre d’information, vérifiez si le champ est facultatif avant de le remplir.
  • Quand une application ou une enquête affirme partager vos données « de façon anonyme », cherchez dans sa politique de confidentialité quels détails sont conservés : dates, lieux, tranches d’âge.

Engagement minimal : la prochaine fois que vous lirez « anonymisées » dans une politique de confidentialité, cherchez la phrase qui précise quels détails restent.

En bref

  • Des détails qui semblent anodins peuvent être combinés et reliés à une personne, sans besoin de son nom.
  • Votre ensemble d’anonymat est la foule dans laquelle vous vous fondez ; chaque détail la réduit, et les détails se multiplient.
  • Retirer les noms ne suffit pas à obtenir des données anonymes : selon la CNIL, on ne doit plus pouvoir isoler, relier ni déduire.
  • Vous pouvez agrandir votre foule en partageant moins de détails, ou des détails moins précis, et en ressemblant à beaucoup d’autres.

Ressources associées dans ce cours

Découvrez d’autres fiches complémentaires des cours du programme Protégez votre Vie Privée Numérique.

Si vous souhaitez suivre le parcours complet, le Programme Cyber Welfare est gratuit et ouvert à tous.

→ Rejoindre le Programme Cyber Welfare

Laisser un commentaire