Débutant7 min de lecture

Foire aux questions du MEAL Officer (FAQ)

Réponses directes et transparentes aux 11 questions fréquentes basées sur le fonctionnement réel de DataQuality.

#faq#questions#réponses#dépannage#problèmes#aide#erreurs#score#anomalies#validation#meal

À retenir

Retrouvez ici les réponses précises aux questions les plus courantes des équipes de suivi-évaluation lors de l'utilisation quotidienne de DataQuality.

1. Pourquoi mon fichier ne s'importe-t-il pas ?

Vérifiez ces trois causes fréquentes : 1) La taille dépasse 50 Mo (limite maximale autorisée) ; 2) Le format n'est pas .csv, .xlsx ou .xls ; 3) Le fichier ne contient aucune ligne ou la première ligne ne contient pas d'en-têtes valides.

2. Pourquoi mon DQA Score est-il faible ?

Le score est une moyenne pondérée (Complétude 25%, Validité 25%, Cohérence 20%, Unicité 15%, Intégrité 15%). Inspectez la jauge des dimensions : une seule dimension très basse (par exemple une validité à 40% en raison d'âges saisis en mois au lieu d'années) fait chuter le score global. De plus, les anomalies de sévérité CRITICAL appliquent une pénalité double (poids 2.0).

3. Pourquoi une anomalie apparaît-elle ?

Une cellule déclenche une alerte si elle enfreint une règle active du projet : valeur obligatoire laissée vide sur une question applicable, valeur hors des bornes autorisées, contradiction logique entre deux variables, ou ligne en double.

4. Pourquoi une anomalie attendue n'apparaît-elle PAS ?

Deux raisons principales : 1) La question est couverte par une règle de saut (skip logic) et est considérée comme légitimement non applicable (statut NOT_APPLICABLE) ; 2) La variable n'a pas été déclarée comme 'critique' ou aucune borne numérique n'a été configurée dans les paramètres du projet.

5. Pourquoi une variable n'est-elle pas contrôlée ?

DataQuality applique par défaut les contrôles universels (doublons, formats, âges, dates futures). Les contrôles plus stricts (plages min/max sur mesure, règles relationnelles) doivent être configurés dans les paramètres du projet (/projets/[id]).

6. Pourquoi une observation n'est-elle pas validée ?

DataQuality applique la règle stricte d'auto-validation : si une ligne comporte des anomalies critiques non résolues ou un conflit de doublon actif, elle reste au statut 'not_validated' ou 'in_progress'. Elle ne bascule en 'validated' que si 100% des anomalies critiques sont résolues (ou justifiées comme exceptions) et qu'aucun conflit de doublon ne subsiste. Les avertissements non critiques peuvent être validés avec justification obligatoire.

7. Quelle est la différence entre une anomalie et une exception ?

Une anomalie est une erreur à corriger (ex: faute de frappe '145' ans). Une exception est une valeur atypique mais réelle sur le terrain (ex: un ménage de 35 personnes avec 3 épouses). Dans le second cas, vous utilisez la modale 'Marquer comme exception' pour la justifier : elle cesse de pénaliser le score sans modifier la valeur originale.

8. Comment corriger une donnée ?

Rendez-vous dans le Centre de Correction (/donnees), sélectionnez votre dataset, double-cliquez sur la cellule surlignée, modifiez la valeur et saisissez impérativement un motif de correction pour la traçabilité.

9. Quand utiliser les règles relationnelles ?

Utilisez-les chaque fois qu'une variable logique doit dépendre d'une autre au sein d'une même observation (ex: nombre d'enfants scolarisés <= nombre total d'enfants, ou date de fin >= date de début).

10. Comment fonctionne le Skip Logic ?

DataQuality indexe les conditions 'relevant' de vos formulaires XLSForm. Si une condition n'est pas remplie, la question reçoit le statut NOT_APPLICABLE et n'est jamais comptabilisée comme valeur manquante.

11. Comment analyser les données validées ?

Ouvrez la section Données Validées > Analytics (/donnees-validees/analytics). Sélectionnez une variable principale et une variable de segmentation. Le système calcule instantanément les effectifs, pourcentages, test du Chi-carré, corrélations de Pearson/Spearman et régressions.

Étape suivante recommandée