M&E How-to Guide

Guide pratique : réaliser une évaluation de la qualité des données (EQD)

Découvrez notre guide détaillé pour mener une Évaluation de la Qualité des Données (EQD) efficace. Apprenez à sélectionner les indicateurs clés, concevoir des vérifications rigoureuses, réaliser des visites sur le terrain et rédiger un rapport d'EQD exploitable, en vous appuyant sur les cinq dimensions standards.

5
Dimensions de qualité
8
Étapes
19-item
Liste de contrôle

À qui s'adresse cette page

Cette page s'adresse à vous si vous gérez ou supervisez des données de suivi et que vous vous interrogez sur leur fiabilité. Vous consultez les chiffres de vos rapports, mais leur exactitude vous préoccupe. Peut-être qu'une équipe de terrain agrège les données manuellement, que deux sites rapportent le même indicateur de manière différente, ou que vous venez de reprendre un projet et doutez de la qualité des informations en base de données. Ce guide vous accompagnera, étape par étape, dans la réalisation d'une Évaluation de la Qualité des Données (EQD).

Une EQD ne se limite pas à un simple nettoyage de données. Il s'agit d'une vérification systématique de l'efficacité de vos systèmes d'assurance qualité des données. L'objectif est d'auditer le processus dans son ensemble, et non pas seulement les chiffres.

Frequently Asked Questions

Try it in M&E Studio

Évaluez la qualité de vos données
DQA Scorecard

Related decision guides

How to Clean Your Dataset Before Analysis
A step-by-step checklist for cleaning M&E data after collection. Duplicate detection, outlier identification, skip logic validation, consistency checks, and cleaning log documentation.
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.
Indicator vs Target vs Milestone: What's the Difference?
Indicators, targets, and milestones are the building blocks of any MEL plan, but they're constantly confused. Here's how they relate, with examples from real programs.

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.
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).
Indicator Selection & Development
The systematic process of choosing and refining performance indicators that are specific, measurable, achievable, relevant, and time-bound to track program progress effectively.
Triangulation
Using multiple data sources, methods, or perspectives to cross-verify findings and strengthen the validity of evaluation conclusions.

Explore the topic

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.