Comment avons-nous construit l’étude sur 1 000 établissements ?
Cette page documente le champ exact de l’étude, le tirage SIRENE, les dix secteurs, les quatre types de territoires, les règles d’attribution, le contrôle qualité chiffré et les limites. Elle permet d’auditer les résultats publiés et précise aussi ce qui n’est pas reproductible avec les seuls fichiers publics.
Point essentiel : l’échantillon est volontairement équilibré entre dix secteurs et quatre types de territoires. Les chiffres bruts décrivent donc d’abord ces 1 000 établissements ; ils ne doivent pas être présentés comme la structure exacte de toutes les entreprises françaises.
1. Unité d’analyse, population et critères d’inclusion
L’unité observée est l’établissement SIRET, pas l’entreprise au sens large. Un même SIREN peut donc apparaître plusieurs fois uniquement si plusieurs établissements distincts sont tirés.
Établissements SIRENE actifs, publiquement diffusibles, appariés au stock des unités légales, au Code officiel géographique et à la grille communale de densité.
Unité légale et établissement : au plus 19 salariés lorsque l’information est connue. Les ETI/GE sont exclues.
Le SIREN doit compter au plus cinq établissements actifs. Une succursale rattachée à une unité dépassant les seuils est exclue.
Établissements fermés, activité hors taxonomie, commune invalide, diffusion non autorisée, administration ou catégorie juridique hors champ, doublons techniques.
Cas de taille incomplète : si un indicateur d’effectif manque mais qu’aucun élément observé ne dépasse les seuils, le dossier peut rester dans le champ avec un indicateur incomplete_size_evidence. Il n’est pas présenté comme une TPE « prouvée ».
2. Pourquoi 10 secteurs × 4 territoires ?
Le plan comporte 40 cellules : 10 secteurs × 4 territoires × 25 établissements = 1 000. Cette allocation est volontairement équilibrée et n’est pas proportionnelle au poids réel de chaque secteur dans l’économie française.
Grands centres urbains de la grille communale de densité INSEE.
Centres urbains intermédiaires + ceintures urbaines.
Petites villes + bourgs ruraux.
Rural à habitat dispersé + rural à habitat très dispersé.
Champ géographique : France métropolitaine et cinq DROM. Les collectivités sans commune comparable ou sans couverture homogène des référentiels sont hors champ de la vague 2026.
3. Les dix secteurs et codes NAF 2026
| Secteur | Codes NAF rév. 2 | Champ résumé |
|---|---|---|
| Restaurants | 56.10A, 56.10B, 56.10C | Restaurants ; bars seuls et traiteurs exclus. |
| Boulangeries-pâtisseries artisanales | 10.71C, 10.71D | Boulangerie et pâtisserie artisanales. |
| Coiffure | 96.02A | Salons et activité de coiffure. |
| Beauté / esthétique | 96.02B | Instituts et activités esthétiques. |
| Garages automobiles légers | 45.20A | Entretien/réparation de véhicules légers. |
| Plomberie, chauffage et climatisation | 43.22A, 43.22B | Plomberie, chauffage et installations thermiques/climatisation. |
| Salles de sport / fitness | 93.13Z | Centres physiques ; coaches indépendants hors cœur. |
| Commerce de détail spécialisé | 47.61Z, 47.64Z, 47.65Z, 47.76Z | Librairies, sport/cycles, jeux-jouets, fleurs/animaux. |
| Réparation et entretien aux particuliers | 95.22Z, 95.23Z, 95.29Z, 96.01B | Électroménager, cuir/chaussures, autres réparations, laveries/pressings. |
| Agences immobilières | 68.31Z | Agences locales ou physiques. |
4. Comment les établissements ont-ils été tirés ?
Dans chaque cellule, le cadre est trié par région, département, commune et hash pseudorandomisé du SIRET. Un tirage systématique circulaire à départ aléatoire est ensuite appliqué. Les réserves sont tirées dans le même passage, avant toute observation Web.
2026081802
PCG64, conformément au protocole gelé.
dffd4171d04bbd0634631799c2a5bf4bc60b7e388482ea6f04958e41ea5247b1
400 réserves gelées avant observation ; absence numérique = jamais un motif de remplacement.
Reproductibilité publique : partielle. La graine, le générateur, l’ordre de tri et l’empreinte du tirage sont publiés. Les fichiers source gelés, leur manifeste complet et le script exact de préparation/tirage restent archivés dans le dossier d’audit interne ; ils ne sont pas inclus dans le dataset public. La publication permet donc d’auditer la méthode et les résultats, mais pas de recréer aujourd’hui le même échantillon depuis zéro avec les seuls fichiers publics.
5. Comment une présence Web est-elle attribuée ?
Domaine ou espace Web dédié, officiellement attribuable à l’établissement.
Page locale sur le domaine officiel d’une enseigne ou d’un réseau.
Page locale gérée sur une plateforme métier ou de réservation.
Les supports non suffisamment attribuables restent séparés des présences confirmées.
Chaque dossier a fait l’objet de requêtes de découverte documentées. L’attribution repose sur plusieurs signaux concordants : nom, localisation, adresse, téléphone, activité, mentions légales, SIRET lorsqu’il est visible ou lien officiel.
6. Audit technique des sites
Après attribution d’un support officiel, le crawl est limité à six pages maximum : accueil/support, services, contact, à propos, réservation/devis et une autre page essentielle. Les variables observées couvrent notamment l’identité, l’offre, la conversion, les preuves de confiance, les balises SEO, les données structurées, l’architecture, la récence et les liens sociaux.
Une absence dans les résultats techniques signifie « non observé dans le périmètre du crawl » et non nécessairement « inexistant partout sur le site ».
7. Contrôle qualité : résultats chiffrés
Le contrôle qualité n’est pas présenté comme « zéro erreur garantie ». Il a servi à corriger la procédure puis à mesurer le risque résiduel sur un lot indépendant.
21/21 positifs connus retrouvés, dont 12/12 faux négatifs historiques ; 12/12 négatifs contrôlés correctement rejetés.
16 décisions matérielles corrigées sur 150 : 8 surattributions/faux positifs, 2 faux négatifs et 6 cas ambigus résolus positifs.
100 dossiers hors QC150 : 0 erreur matérielle détectée ; IC95 Wilson global 0–3,7 %.
0 faux négatif détecté parmi 23 négatifs ; borne supérieure IC95 Wilson : 14,3 %.
55/55 sans faux positif détecté ; borne inférieure de l’IC95 de précision : 93,5 %.
231 supports attribués, 218 accessibles, 13 échecs d’accès, 640 pages récupérées, 0 formulaire soumis.
Lecture correcte : l’absence d’erreur observée dans le holdout ne prouve pas une erreur nulle. Le nombre de négatifs contrôlés (23) laisse une incertitude importante sur le taux de faux négatifs, qui doit rester visible dans l’interprétation.
8. Pondération et portée des résultats
Deux lectures sont possibles : les résultats bruts, qui décrivent exactement les 1 000 établissements équilibrés, et des estimations pondérées calculées à partir de la taille des cellules éligibles. Dans l’article principal, la priorité est donnée aux chiffres bruts afin que le lecteur sache précisément ce qui a été observé.
La formulation recommandée est « dans l’échantillon Publiau » ou, lorsqu’une estimation pondérée est utilisée, « estimation pondérée parmi les établissements éligibles des dix secteurs étudiés ». Éviter « X % des entreprises françaises » sans cette précision.
9. Ce qu’un tiers peut réellement reproduire
Le dataset public contient les 1 000 lignes pseudonymisées et les variables nécessaires pour recalculer les principaux totaux, répartitions sectorielles, territoriales et indicateurs SEO.
Les secteurs, codes NAF, territoires, critères d’inclusion, allocation, seed et générateur sont documentés.
Les noms, SIRET, adresses, URL et domaines sont retirés du dataset public ; un tiers ne peut donc pas vérifier chaque observation Web à partir du fichier public seul.
Le script exact et le manifeste des fichiers source gelés restent dans l’archive interne. Nous décrivons cette publication comme auditable au niveau des résultats et partiellement reproductible, pas comme une enquête statistique publique entièrement réplicable.
Résultats arrêtés au 19 août 2026. Les observations Web sont dépendantes du temps : un site peut apparaître, disparaître ou être modifié après la date d’étude.
10. Limites à garder avec les résultats
Il ne reproduit pas exactement le poids national des secteurs.
Un site commun peut couvrir plusieurs établissements d’une même organisation.
Une non-identification ne constitue jamais une preuve absolue d’absence.
Le diagnostic technique observe au plus six pages et peut manquer du contenu plus profond.