Comprendre le contrôle DQA
Introduction à la démarche d'audit DQA (Data Quality Assessment) selon des pratiques courantes en contexte MEAL/DQA.
Le contrôle DQA audite mathématiquement vos données sur 5 dimensions sans aucun modèle d'IA probabiliste, garantissant une évaluation objective et reproductible.
Qu'est-ce que c'est ?
Les principes du Data Quality Assessment (DQA) sont largement utilisés dans les programmes humanitaires et de développement pour évaluer la fiabilité des données collectées sur le terrain avant de calculer des indicateurs de performance ou des rapports d'impact.
Comment DataQuality le réalise ?
DataQuality applique un moteur de règles déterministe qui contrôle chaque cellule de votre jeu de données. Le système examine la structure, compare les valeurs aux bornes autorisées, teste les relations logiques entre colonnes et calcule un score pondéré sur 100.
Les 5 dimensions de contrôle
Chaque enregistrement est audité à travers 5 dimensions complémentaires :
- Complétude (25%) : Taux de remplissage des variables applicables obligatoires.
- Validité (25%) : Conformité des formats, types de données et plages de valeurs autorisées.
- Cohérence (20%) : Absence de contradictions logiques internes ou inter-variables.
- Unicité (15%) : Absence de soumissions dupliquées ou de collisions sur les identifiants.
- Intégrité MEAL (15%) : Qualité et complétude des variables de désagrégation configurées.
Articles associés
Comprendre les résultats d'un contrôle
Anatomie de la page de résultats : score global, niveau de sévérité des anomalies, dimensions affectées et actions recommandées.
Complétude
Évaluation du taux de remplissage des variables obligatoires sans pénaliser les questions sautées légitimement.
Validité
Contrôle de la conformité des données aux types attendus, formats regex et plages de valeurs réalistes.