Cette étude de cas présente un pipeline Information Management conçu pour le suivi du programme éducation en RDC. Le dispositif relie un XLSForm KoboToolbox, une logique de validation orientée NRC, un cadre de Ratio de Vérification des Résultats et des mesures Power BI destinées au pilotage opérationnel et au reporting bailleurs.
Sur un portefeuille éducation multi-territoires, le risque principal n’est pas seulement la donnée manquante. Le vrai risque est la décision prise sur une donnée non vérifiée, mal documentée ou tardivement consolidée. La réponse proposée ici structure la qualité dès la collecte et maintient la traçabilité jusqu’au reporting.
Le flux suit une logique simple : validation au point de capture, enrichissement contrôlé, vérification indépendante, puis mise à disposition d’indicateurs pour revue opérationnelle. Chaque étape a un responsable, une sortie attendue et un mécanisme de contrôle associé.
Formulaire mobile structuré pour écoles, effectifs, protection et vérification photo.
Consolidation par indicateur, territoire et période de revue.
Audit des enregistrements, calcul du RVR et journal des écarts critiques.
Mesures DAX pour visualiser qualité, couverture et besoins de suivi.
Revue programme, feedback terrain et reporting donateur dans la même journée.
Le design suit une logique d’Information Management appliquée à l’humanitaire : standard de capture, qualité mesurable, documentation des exceptions et séparation claire entre production de données et décision.
Les résultats ci-dessous sont présentés comme une synthèse de performance du pipeline. Ils montrent ce que gagne une équipe lorsqu’elle standardise la collecte et relie directement la qualité de la donnée à la revue opérationnelle.
Part des indicateurs vérifiés ou acceptables après contrôle croisé des sources.
Temps nécessaire pour produire une vue exploitable après intégration DHIS2.
Écoles revues dans le tableau DQA avec priorisation automatique des cas critiques.
Cas bloqués avant diffusion afin d’éviter des chiffres non vérifiés en reporting.
Les mesures ci-dessous sont conçues pour une couche Power BI alimentée par les exports Kobo et les tables de vérification. L’objectif n’est pas de surcharger un dashboard, mais d’exposer les signaux utilisés en revue programme.
Total Enrolled =
SUM('Education Monitoring'[total_enrolled])IDP Enrollment Rate =
DIVIDE(
SUM('Education Monitoring'[idp_total]),
[Total Enrolled],
0
)Qualified Teacher Rate =
DIVIDE(
SUM('Education Monitoring'[qualified_teachers]),
SUM('Education Monitoring'[total_teachers]),
0
)-- Average score used before donor reporting cut-off
Average RVR Score =
AVERAGE('DQA Validation'[RVR_Score])Critical School Flag =
IF(
[Average RVR Score] < 0.8
|| [IDP Enrollment Rate] > 0.3,
"Immediate review",
"Routine follow-up"
)Les exemples suivants illustrent le type d’usage opérationnel attendu d’un tel système. Ils mettent l’accent sur la décision et non sur la simple collecte.
Data collected in Masisi territory showed 34% IDP children - flagged automatically for protection team review.
Le signal n’est pas seulement statistique : il déclenche un besoin de coordination intersectorielle.
RVR score improved from 61% to 94% after implementing standardized XLSForm with built-in constraints.
Le gain provient de la prévention des erreurs à la source et d’une revue plus rapide des exceptions.
Reporting time reduced from 5-7 days to under 4 hours after DHIS2 integration, enabling same-day donor updates.
Cette réduction change directement la capacité de pilotage programme pendant une période de mise en œuvre active.
Les livrables ont été pensés pour être directement auditables. Le formulaire couvre la collecte et les contraintes, le classeur DQA structure la vérification et le README documente l’usage de bout en bout.