Nous présentons une méthode de réduction de dimensionnalité pour des données de préférences multicritères lorsque l'espace des évaluations est un treillis distributif borné. Cette méthode vise à réduire la complexité des procédures d'apprentissage d'un modèle d'agrégation sur des données qualitatives. Ainsi nous considérons comme modèle d'agrégation l'intégrale de Sugeno. L'apprentissage d'un tel modèle à partir de données empiriques est un problème d'optimisation à 2n paramètres (où n est le nombre de critères considérés). La méthode de réduction que nous proposons s'appuie sur l'observation de certaines relations entre les éléments de ces données, et nous donnons des premiers résultats d'applications.