Évaluation de la qualité des données

Tout le monde dans ce secteur a assisté à la réunion où quelqu’un déclare que la qualité des données est mauvaise. Cette phrase n’est jamais utile. Mauvaise en quoi — incomplète, tardive, incohérente avec le registre, ou contradictoire avec elle-même ? Mauvaise partout, ou dans quatre formations sanitaires sur trente-huit ? Assez mauvaise pour changer la décision, ou mauvaise d’une manière qui déplace le chiffre d’un demi-point ?

Une évaluation de la qualité des données est la discipline qui remplace cette phrase par des nombres. Elle a une forme sur laquelle le secteur s’est entendu — cinq dimensions, chacune avec sa mesure ; un recomptage face à la source ; un échantillon défendable ; et un rapport où chaque constat a un responsable et une date. Les bailleurs la conduisent sur vous, et la conduire sur vous-même d’abord fait la différence entre un constat et une surprise.

Ce cours achève le module. Nettoyage et validation des données vous a appris à trouver et corriger les défauts d’un fichier. Jointures et restructuration vous a appris à assembler des fichiers et à les rapprocher. Celui-ci transforme les deux en une routine qu’un tiers peut exécuter selon un calendrier — et en un document qui change ce qui se passera au trimestre suivant, seule raison de faire tout cela.

Chaque technique est présentée en Python et en R. Les exemples s’exécutent sur l’extraction vaccinale de type DHIS2, où 642 des 2 736 couples formation-mois ne portent aucun rapport, et sur l’enquête SMART, où les mesures de taille d’une équipe se terminent par ,0 ou ,5 dans soixante-neuf pour cent des cas.

Un avertissement sur le ton, car il décide de l’utilité de ce travail. Une évaluation qui se lit comme une accusation produit un rapportage défensif, et un rapportage défensif produit de moins bonnes données. Le constat porte sur un système, pas sur une personne, et le cours revient régulièrement sur la manière de l’écrire.