Chargé(e) de suivi-évaluation
Le parcours fondamental du nouveau chargé de suivi-évaluation — définition des indicateurs, qualité des données de routine et rapportage capable de résister à une revue bailleur, en Python comme en R.
Se former
Chaque parcours identifie les compétences requises par le poste, les formations et projets qui les développent, et les modalités d'évaluation.
Le parcours fondamental du nouveau chargé de suivi-évaluation — définition des indicateurs, qualité des données de routine et rapportage capable de résister à une revue bailleur, en Python comme en R.
Pour le chargé qui valide désormais les chiffres des autres — concevoir le système de mesure plutôt que le remplir, et le défendre dans une revue où les chiffres sont contestés.
Pour le responsable comptable d'une fonction de mesure et non d'une analyse — ce qu'il faut standardiser, ce qu'il faut laisser aux équipes, et comment savoir si les données produites valent leur coût.
Le parcours généraliste de l'analyste — prendre un export désordonné, quel que soit le secteur, le nettoyer de façon défendable, et produire le tableau ou la figure qui répond à la question réellement posée.
Pour les analystes qui travaillent sur les données de routine du système de santé — couverture, cascades et complétude — avec le raisonnement épidémiologique nécessaire à leur interprétation.
Pour le chargé de gestion de l'information qui détient les données partagées d'un cluster — analyse des évaluations, rapportage interagences, et les questions de responsabilité qui accompagnent la détention de données sur des personnes en crise.
Pour le spécialiste placé entre le système d'information sanitaire et ceux qui doivent agir dessus — complétude du rapportage, structures de données agrégées, et les dénominateurs qu'un système de routine ne fournit pas.
Pour le chargé qui conduit les enquêtes plutôt que de les lire — échantillonnage, estimation tenant compte du plan de sondage, et les tests de plausibilité qui décident si un résultat est publiable.
Pour le responsable qui doit agir sur une analyse plutôt que la produire — lire un chiffre assez bien pour décider, et savoir quelle question renvoyer.
Pour le data scientist qui travaille là où la contrainte n'est pas le modèle mais la décision — petits échantillons, règles de ciblage contestables, et prédictions sur lesquelles une personne agit en se rendant dans un ménage.