M&E How-to Guide

Nettoyage des données S&E : Guide pratique avant l'analyse

Optimisez la qualité de vos données S&E. Ce guide étape par étape couvre la détection des doublons, l'identification des valeurs aberrantes, la validation de la logique de saut, les vérifications de cohérence et la documentation essentielle pour un nettoyage efficace après la collecte.

8
Étapes de nettoyage
17-item
Éléments de la checklist
5
Pièges à éviter

Public cible

La collecte de données est terminée, et votre exportation brute attend dans votre dossier de téléchargements. Avant de l'ouvrir pour commencer à générer des graphiques, un nettoyage s'impose. Des données "sales" mènent à des résultats erronés, qui à leur tour conduisent à de mauvaises décisions.

Cette page propose un protocole détaillé, étape par étape, pour le nettoyage des jeux de données de S&E post-collecte. Il s'applique aux enquêtes ménages, aux évaluations d'installations, aux formulaires de suivi et à toute autre donnée structurée recueillie sur le terrain. Suivez les étapes dans l'ordre, sans en omettre aucune.

Prérequis

Avant de manipuler la moindre cellule, assurez-vous de disposer des trois éléments suivants :

  1. Votre exportation de données brutes. Téléchargez-la depuis KoboToolbox, SurveyCTO, ODK ou toute autre plateforme utilisée, au format XLSX ou CSV. N'ouvrez pas ce fichier dans l'éditeur en ligne de la plateforme.
  2. Votre livre de codes. Ce document essentiel définit chaque variable, ses valeurs attendues, les règles de logique de saut et les plages de valeurs valides. Si vous n'en avez pas, cela signifie que votre processus de conception de l'enquête a omis une étape cruciale. Créez-en un sans tarder, avant de commencer le nettoyage.
  3. Un modèle de journal de nettoyage. Il s'agit d'une feuille de calcul comportant des colonnes pour : l'identifiant de l'enregistrement, le nom de la variable, la valeur originale, la nouvelle valeur, la raison de la modification, la date et la personne ayant effectué le changement. Chaque modification que vous apportez doit y être consignée, sans exception.

Un outil de collecte de données bien conçu simplifiera grandement le nettoyage. En revanche, si les règles de validation ont été négligées lors de la conception de l'enquête, préparez-vous à y consacrer beaucoup plus de temps.

Frequently Asked Questions

Try it in M&E Studio

Évaluez la qualité de vos données
DQA Scorecard

Related decision guides

How to Choose Sample Size for M&E
A practical guide to sample size for program evaluations, with rules of thumb, worked examples, and budget-statistics tradeoffs.
Surveys vs Interviews vs Focus Groups
The three most common M&E data collection methods, compared. Surveys tell you how many, interviews tell you why, focus groups tell you what people agree on.
Baseline vs Endline vs Midline Surveys Explained
When you need baseline, midline, and endline surveys, what they collect, and what to do when you missed your baseline.
How to Conduct a Data Quality Assessment
A step-by-step guide to conducting a DQA using the five standard dimensions. How to select indicators, design verification procedures, conduct the site visit, and write the DQA report.

Key concepts explained

Data Quality Assurance
A systematic process for verifying that collected data meets five quality dimensions, Validity, Integrity, Precision, Reliability, and Timeliness, ensuring data is fit for decision-making.
Data Management
The systematic processes for collecting, storing, securing, and maintaining data quality throughout the data lifecycle to ensure information is accurate, accessible, and usable for decision-making.
Survey Design
The process of designing structured questionnaires and survey protocols to collect reliable, valid, and actionable data from a defined population.
Bias
Systematic error in data collection, analysis, or interpretation that distorts results and threatens the validity of M&E findings.
Reliability
The consistency and repeatability of a measurement, whether the same tool produces stable results across repeated applications, different raters, or different time periods.
Validity (Internal & External)
The degree to which an evaluation accurately demonstrates causal relationships (internal validity) and generalizes findings beyond the study context (external validity).

Explore the topic

Analysis
Quantitative and qualitative analysis for M&E programs. Cleaning, coding, descriptive and inferential statistics, thematic analysis, mixed methods, and how to turn collected data into defensible findings.
Data Collection & Quality
Methods, tools, and sampling approaches for collecting M&E data in the field, plus the quality assurance practices that keep data trustworthy through analysis. Surveys, interviews, focus groups, mobile tools, DQAs, cleaning, and validation.