Qu'a-t-on exactement compté ? — Données de routine et DHIS2 — Analyse de données

La question

Quelqu’un présente une diapositive — couverture penta3, 78 %. Quelqu’un d’autre demande ce qui a exactement été compté.

Ce n’est ni une question hostile ni une question technique. C’est la question vers laquelle tout le module 2 et tout le module 3 tendaient, et un chiffre qui ne peut pas y répondre est un chiffre indéfendable, si soigneusement qu’il ait été calculé.

Quatre volets

Qu’a-t-on compté ? L’élément de données, son opérateur d’agrégation, et si une ventilation par catégories a été réduite en sortie.

Où ? Quelles unités d’organisation, à quel niveau, sur quelle version de la hiérarchie.

Quand ? Quelles périodes, par date d’activité ou de saisie, et leur degré de complétude au moment de l’extraction.

Sur quoi ? Le dénominateur, sa source, son année, et combien des unités de rapportage attendues y ont contribué.

Chacun de ces volets a fait une leçon. Ensemble, ils forment le bloc ci-dessous.

Le bloc de provenance

Figure            Penta3 coverage, district, 2024
Value             77.5%

What              Data element PENTA3_DOSES ("Penta 3rd dose administered"),
                  aggregation operator SUM over periods and org units.
                  No category disaggregation in the extract; the element has
                  none configured.
Where             38 facilities at org unit level 4, hierarchy as pinned in
                  extracts/2026-07-28/raw/organisationUnits.json. No facility
                  was reassigned during 2024.
When              202401 to 202412, by activity period. Analytics tables last
                  run 2026-07-27 23:14 UTC, so late entry up to that point is
                  included.
Out of what       Surviving infants, MoH catchment estimates 2024, projected
                  from the 2015 census at 2.4% annual growth. Denominator
                  pro-rated to the months each facility reported: 9,238 of a
                  full-year 11,774.
Completeness      349 of 456 facility-months reported (76.5%). August 29%,
                  September 45%. The figure is coverage among reporting
                  facility-months and is a lower bound on district coverage.
Extract           extracts/2026-07-28/, manifest.json, script extract.py 1.3

Sept lignes et un titre. Cela prend dix minutes la première fois et deux ensuite, car six des sept sortent directement du manifeste et des métadonnées que l’extraction a déjà tirées.

Attachez-le au chiffre, pas au rapport. Une diapositive portant le nombre et une note renvoyant au bloc est ce qui survit à un transfert.

Interroger un chiffre que vous n’avez pas produit

Le plus souvent, on vous remet un nombre et on vous demande s’il est utilisable. Six questions, dans l’ordre qui élimine le plus de possibilités le plus vite.

1. Élément de données ou indicateur ? Si c’est un indicateur, demandez les expressions de numérateur et de dénominateur. La plupart des désaccords se règlent ici.

2. De quelle année est le dénominateur ? Un numérateur 2024 sur une projection 2019 est fréquent et sous-estime la couverture de ce que représentent neuf ans de croissance.

3. Quel était le taux de rapportage ? En dessous de 90 %, le chiffre est une borne inférieure. Si personne ne le sait, c’est la réponse à la question de savoir s’il est utilisable.

4. Quel niveau d’unité d’organisation ? Un chiffre qui mélange les niveaux compte deux fois ; un taux de couverture par formation n’est pas fiable pour les raisons de bassin qu’a données la leçon 2.

5. La période était-elle close au moment du tirage ? Un mois récent est provisoire, et un chiffre cité d’un tirage effectué trois jours après la fin du mois ne se reproduira pas.

6. À quoi le compare-t-on ? L’essentiel du mésusage est une comparaison — contre une autre mesure, un autre dénominateur, ou une période au taux de rapportage différent.

def interrogate(figure):
    return {
        "type": figure.get("element_or_indicator"),
        "denominator_year": figure.get("denominator_year"),
        "reporting_rate": figure.get("reporting_rate"),
        "org_unit_level": figure.get("level"),
        "period_complete_at_extraction": figure.get("period_closed"),
        "comparable_to": figure.get("comparable_to"),
    }

interrogate <- function(figure) {
  figure[c("element_or_indicator", "denominator_year", "reporting_rate",
           "level", "period_closed", "comparable_to")]
}

Un blanc dans l’un de ces champs est le constat. Vous ne demandez à personne de se justifier ; vous établissez si le nombre peut porter la décision pour laquelle il est sur le point d’être employé.

Ce que le système ne peut pas vous dire

Trois choses qu’aucun travail d’API ne récupère, et chacune doit venir d’une personne.

Pourquoi une formation a cessé de rapporter. Le système enregistre qu’elle l’a fait. La raison — un départ, une tablette cassée, un incident de sécurité, un superviseur parti — est dans la tête de quelqu’un et décide si le trou est un problème de données ou de service.

Ce que l’agent de saisie comprenait du champ. Une colonne intitulée « cas » recueille ce qu’une personne croit être un cas. Deux formations peuvent être cohérentes chacune et vouloir dire des choses différentes, et c’est le problème de définition pour lequel existe le cours sur les indicateurs.

Ce qui s’est passé hors du bassin. Les données de routine voient ce qui est venu au service. La leçon précédente a décomposé exactement ce que cela exclut.

Le système est un enregistrement de ce qui a été rapporté, non de ce qui s’est passé. Tout chiffre qu’il produit en hérite, et l’énoncer une fois dans un rapport vaut plus que n’importe quelle décimale supplémentaire.

Ce que ce cours vous laisse

Vous savez lire une extraction DHIS2 comme la base dont elle vient, agréger le long d’une hiérarchie qui bouge, traiter la complétude comme un dénominateur, tirer la même extraction chaque mois avec un manifeste disant ce que vous avez demandé, poser un chiffre de routine à côté d’une estimation d’enquête et expliquer l’écart, et répondre à ce qui a été compté pour tout nombre que le système produit.

Ce que le module 3 vous laisse

Trois cours. Conception d’indicateurs et cadre logique a défini le nombre. Analyse d’enquêtes, échantillonnage et pondération lui a mis un intervalle. Celui-ci l’a retracé jusqu’au système qui l’a produit.

Ensemble, ils répondent à la consigne permanente de cette plateforme — toujours énoncer comment un indicateur est calculé, quel est son dénominateur et quelle décision il éclaire — pour les deux types de données dont ce secteur dispose réellement : une enquête et un système de routine.

Le module 4, Analyses sectorielles, vient ensuite et est le plus grand de la colonne vertébrale avec six cours. Il applique tout ceci au secteur sur lequel vous rapportez, en commençant par Analyse nutritionnelle : PCIMA et SMART — les normes de croissance de l’OMS, le rapport de plausibilité SMART, les seuils de performance Sphere, et l’estimation de la couverture, là où la différence entre le rapport admissions sur charge attendue et la couverture réelle reçoit enfin les vingt-quatre heures qu’elle réclame.