Analyse, tableaux de bord, cartes et protection des données

1Analyser et présenter

• Choisir l'indicateur qui répond à la question, et le bon dénominateur (pourcentage de quoi ?).
• Ventiler par sexe, âge, handicap et zone quand c'est pertinent.
• Un graphique par message : barres pour comparer, lignes pour une évolution, pas de camemberts à dix parts, pas d'effets 3D.
• Toujours indiquer la source, la date, la couverture et les limites des données.

Un tableau de bord utile tient sur une page : quelques chiffres clés, l'évolution, les gaps, et ce qui demande une décision. Outils : Excel, Power BI, Looker Studio, selon les moyens de l'équipe.

2Cartographie humanitaire

• Outils : QGIS (gratuit) pour les cartes, données d'OpenStreetMap (routes, bâtiments), frontières COD.
• Types de cartes fréquents : carte de présence 4W, carte de sévérité des besoins, carte d'accès (routes coupées, zones à risque), carte de localisation des services.
• Une bonne carte a : un titre qui dit le message, une légende, une échelle, le nord, la source, la date, et l'avertissement sur les frontières (« les frontières indiquées n'impliquent pas une reconnaissance officielle »).
• Couleurs lisibles (y compris pour les daltoniens), classes de valeurs cohérentes, peu d'information mais la bonne.

3Protection et responsabilité des données

• Données personnelles : nom, téléphone, localisation précise, données biométriques ; données sensibles : santé, violences, ethnie, statut juridique.
• Principes : collecter le minimum, avec consentement, pour un objectif précis ; accès limité ; chiffrement ; durée de conservation définie ; partage encadré par un accord.
• Même des données agrégées peuvent exposer un groupe (par exemple une carte qui localise des personnes d'une minorité ou des survivantes de violences) : on évalue l'impact avant de publier.
• Les orientations de l'IASC (2023) sur la responsabilité des données dans l'action humanitaire et les standards du cluster servent de référence.

4Le plan d'analyse : pondération, intervalles de confiance et règles de publication

Une base propre ne produit pas d'elle-même une analyse juste. Entre les deux se trouve le plan d'analyse, rédigé avant la fin de la collecte : pour chaque indicateur de la matrice, il précise la question posée, le calcul, le dénominateur, les désagrégations, la pondération et la façon de présenter le résultat. Les évaluations multisectorielles coordonnées l'exigent, et c'est le document que demande en premier un évaluateur qui veut vérifier un chiffre.

Contenu minimal d'un plan d'analyse

La pondération : pourquoi et comment

Quand chaque strate reçoit le même nombre d'entretiens alors que les populations sont de tailles différentes, la moyenne brute surreprésente les petites strates. Le poids d'un entretien est le rapport entre la part de sa strate dans la population et sa part dans l'échantillon : poids = (N strate / N total) / (n strate / n total).

Si 52 %, 30 % et 41 % des ménages de ces trois strates disposent de moins de 15 litres, la moyenne brute est de 41 %, la moyenne pondérée de 0,48 × 52 + 0,21 × 30 + 0,31 × 41 = 43,9 %, soit 44 %. L'écart paraît faible ici ; il atteint souvent 5 à 10 points quand les tailles de strates sont très inégales.

Intervalles de confiance et petites sous-populations

• Un résultat issu d'un échantillon se publie avec sa marge : « 44 % (intervalle de confiance à 95 % : 39 à 49 %) ». L'intervalle approximatif d'une proportion est p ± 1,96 × racine de p(1 − p)/n, à élargir avec l'effet de plan pour un sondage en grappes.
• Les sous-groupes non prévus dans l'échantillonnage (par exemple les ménages dirigés par une femme dans une commune) sont indicatifs : on l'écrit. Une règle courante est de ne pas publier de pourcentage calculé sur moins de 30 observations, ou de le signaler clairement.
• Deux résultats dont les intervalles se chevauchent largement ne doivent pas être présentés comme différents : « la situation est pire à Kessa qu'à Lounda » demande une différence significative, pas seulement deux chiffres différents.

Chaque chiffre publié doit pouvoir répondre à trois questions : pourcentage de quoi (le dénominateur), mesuré comment (la méthode et la date), avec quelle précision (n, marge ou caractère indicatif).

De l'analyse descriptive à l'analyse explicative

L'analyse humanitaire ne s'arrête pas aux pourcentages. Le cadre d'analyse intersectorielle conjointe (JIAF) demande de relier les conditions humanitaires à leurs causes et à leurs conséquences, puis d'attribuer une sévérité sur une échelle de 1 (minimale) à 5 (catastrophique) par zone et par groupe de population, avant d'estimer le nombre de personnes dans le besoin. L'IMO prépare les indicateurs ; l'interprétation se fait en atelier conjoint avec les secteurs, car c'est là que les chiffres sont confrontés à la connaissance du terrain.

5La 4W et la consolidation des personnes atteintes sans double comptage

La matrice « qui fait quoi, où et quand » (3W, 4W ou 5W selon les pays, la cinquième dimension étant « pour qui ») est le produit le plus demandé à un IMO de cluster et le plus souvent faux. Le problème central est le double comptage : une même famille peut recevoir un kit d'hygiène d'une ONG, une distribution d'eau d'une autre et une sensibilisation d'une troisième, et être comptée trois fois.

Le modèle 4W minimal d'un cluster

Les règles de consolidation

1. Au sein d'une activité et d'une commune : on additionne les personnes atteintes par différentes organisations seulement si l'on sait qu'elles servent des populations différentes (sites différents, listes séparées). Sinon, on retient le maximum.
2. Entre activités d'un même secteur : on ne somme pas. Le chiffre sectoriel des personnes atteintes par commune est généralement le maximum des activités clés, ou celui d'une activité de référence définie par le cluster.
3. Entre mois : on distingue les nouvelles personnes (premier contact) et les personnes assistées de façon répétée. Le cumul annuel ne s'obtient pas en additionnant douze mois de distributions récurrentes.
4. Entre secteurs : le chiffre intersectoriel des personnes atteintes par commune est souvent le maximum des chiffres sectoriels, ce qui sous-estime légèrement, mais évite la surestimation. La méthode est décidée au niveau de l'IMWG et écrite dans la note méthodologique du tableau de bord.
5. Plafond logique : les personnes atteintes ne peuvent pas dépasser la population de la commune. Tout dépassement déclenche une vérification.

Exemple de consolidation pour une commune

Une 4W ne mesure pas les besoins couverts, mais la présence opérationnelle. Comparer les personnes atteintes à la population dans le besoin donne un ordre de grandeur de la couverture, jamais une preuve que les besoins sont satisfaits : la qualité, la quantité et la durée de l'assistance n'y figurent pas.

Le calendrier d'un cycle mensuel

• J1 à J5 du mois suivant : les partenaires soumettent leur 4W (outil en ligne, par exemple ActivityInfo, ou modèle Excel verrouillé).
• J6 à J8 : l'IMO contrôle (codes P, désagrégations incohérentes, chiffres hors plafond), renvoie les questions aux points focaux des partenaires.
• J9 à J10 : consolidation, mise à jour du tableau de bord et de la carte de présence, envoi à OCHA pour le suivi du plan de réponse.
• Réunion du cluster : présentation des lacunes de couverture, et non simple lecture des chiffres.

6Produire des tableaux de bord et des cartes qui servent à décider

Concevoir un tableau de bord en cinq étapes

1. Identifier l'utilisateur et sa décision : un coordinateur humanitaire qui arbitre des priorités entre secteurs n'a pas besoin du même produit qu'un chef de base qui suit ses distributions hebdomadaires.
2. Choisir quatre à huit indicateurs clés issus de la matrice, avec leur cible ou leur seuil d'alerte. Au-delà, le lecteur ne voit plus rien.
3. Dessiner la maquette sur papier avant d'ouvrir le logiciel, et la faire valider par l'utilisateur. La lecture suit habituellement un ordre de haut en bas et de gauche à droite : chiffres clés, évolution, répartition géographique, lacunes et alertes.
4. Construire à partir d'une source unique : le tableau de bord lit la base consolidée, il ne contient pas de chiffres saisis à la main. C'est la condition pour qu'une mise à jour prenne une heure et non deux jours.
5. Documenter : une zone « méthode et sources » visible indique la date des données, la couverture (nombre de partenaires ayant rapporté), les définitions et les limites.

Choisir le bon graphique

Méthode de production d'une carte thématique dans QGIS

1. Charger les limites COD-AB au niveau voulu, dans la version en vigueur.
2. Préparer la table de données avec une colonne de code P identique (même format, même niveau) et des valeurs numériques sans texte.
3. Faire la jointure sur le code P, puis vérifier le nombre d'entités jointes : toute unité non jointe révèle un code erroné ou une version différente des limites.
4. Choisir le système de projection : WGS 84 (EPSG:4326) pour l'échange de données ; une projection métrique (par exemple la zone UTM du pays) pour mesurer des distances ou des surfaces.
5. Choisir la représentation : une choroplèthe pour un taux ou un pourcentage ; des cercles proportionnels pour des nombres de personnes. Une choroplèthe d'effectifs donne une impression trompeuse, car les grandes unités paraissent toujours plus touchées.
6. Choisir les classes : seuils fixes à sens opérationnel (par exemple les cinq niveaux de sévérité, ou les seuils sectoriels), sinon quantiles ou seuils naturels, en le mentionnant. Cinq classes au maximum, une palette séquentielle d'une seule teinte pour une intensité, lisible par les personnes daltoniennes.
7. Composer la mise en page : titre qui énonce le message, légende, échelle, flèche du nord, carte de situation, sources, date de production et date des données, logos, avertissement sur les frontières.
8. Faire relire par une seconde personne : code P, unités vides, orthographe, avertissement, absence de données sensibles.

Une zone sans données ne doit jamais avoir la couleur de la classe la plus faible. Elle reçoit une couleur ou une trame distincte et la mention « pas de données », sinon la carte affirme qu'il n'y a pas de besoins là où l'on ne sait rien.

Les pièges d'interprétation des cartes

• Effet de découpage : la même donnée agrégée par district ou par commune peut produire des images très différentes. On choisit le niveau qui correspond à la décision et l'on évite de conclure à un niveau plus fin que celui de la collecte.
• Effet de surface : les grandes unités peu peuplées dominent visuellement. Les symboles proportionnels ou une carte en grille corrigent cet effet.
• Données de dates différentes réunies sur une même carte : à éviter ou à signaler.

Outils et délais réalistes

Excel suffit pour un tableau de bord de projet. Power BI ou Looker Studio conviennent pour des données mises à jour régulièrement et consultées en ligne, à condition de gérer les droits d'accès (un lien public expose toutes les données sous-jacentes, y compris celles qui ne sont pas affichées). Pour une carte standard à partir d'un modèle existant, compter une demi-journée ; pour un nouveau produit (maquette, validation, première production), une à deux semaines.

7Exemple complet : le produit mensuel d'un cluster abris, de la 4W à la carte

Contexte fictif : le cluster abris et articles non alimentaires de Valdorie compte 23 partenaires actifs dans la région du Haut-Lisse. Le plan de réponse fixe 96 000 personnes dans le besoin et une cible de 54 000 personnes pour l'année. La coordinatrice du cluster prépare la réunion avec le groupe de coordination intersectorielle, qui doit réallouer 1,2 million de dollars du fonds commun pays. L'IMO du cluster dispose de quatre jours.

Jour 1 : réception et contrôle de la 4W

19 partenaires sur 23 ont rapporté (83 %). Les contrôles relèvent : 2 partenaires qui utilisent encore les codes P de l'ancienne version, 1 partenaire qui rapporte des ménages et non des personnes, 3 lignes où les personnes atteintes dépassent la population déplacée de la commune selon le suivi de la mobilité. Après échange avec les points focaux, les codes sont corrigés, les ménages convertis avec la taille moyenne du ménage issue de l'évaluation (6,2 personnes), et 2 des 3 lignes sont revues à la baisse (cumul de deux distributions aux mêmes ménages).

Jour 2 : consolidation et analyse

Le message principal émerge : Tessil, de sévérité 4, est le district le moins couvert alors que la moitié des partenaires sont concentrés à Morane, plus accessible. L'IMO vérifie l'hypothèse avec la carte d'accès du cluster logistique : l'axe principal vers Tessil est contraint depuis deux mois (escortes, ponts endommagés), ce qui explique en partie la faible présence.

Jour 3 : production

• Tableau de bord d'une page : quatre chiffres clés (personnes atteintes, % de la cible, partenaires actifs, taux de rapport 83 %) ; barres horizontales du pourcentage de cible atteinte par district, triées ; courbe mensuelle des personnes atteintes ; encadré « lacunes » sur Tessil et Hautes-Rives.
• Carte : choroplèthe de la sévérité par district (palette séquentielle à cinq classes), cercles proportionnels pour les personnes atteintes, hachures pour Hautes-Rives avec la mention « pas de données ce mois-ci », tracé des axes contraints. Titre : « Haut-Lisse : la couverture abris reste faible à Tessil, district de sévérité 4 ».
• Note méthodologique de cinq lignes : sources, date, règle de dédoublonnage (maximum par commune et par activité), taux de rapport, conversion ménages en personnes.

Jour 4 : contrôle et diffusion

Relecture par l'IMO d'OCHA et par la coordinatrice ; le partenaire de Hautes-Rives envoie ses chiffres en retard, ils sont intégrés dans la version suivante et non en modifiant silencieusement le produit déjà diffusé. Le tableau de bord est présenté au groupe de coordination intersectorielle avec une recommandation explicite : prioriser Tessil dans l'allocation, en associant un financement pour la logistique d'accès. Le produit public est mis en ligne sans aucune liste de sites précise pour les zones où des déplacés sont menacés ; la version détaillée par site reste réservée aux partenaires.

Ce que l'exemple montre : la valeur du travail de l'IMO n'est pas dans le graphique, mais dans le contrôle qui rend les chiffres crédibles, dans le croisement avec d'autres données (accès) qui explique la lacune, et dans la formulation d'un message utilisable pour décider.

8Protéger les données au quotidien : cycle de vie, anonymisation et contrôle de divulgation

La protection des données ne se règle pas par une clause dans un contrat : elle se joue dans des gestes quotidiens, à chaque étape du cycle de vie de la donnée. Le manuel du CICR et du Brussels Privacy Hub sur la protection des données dans l'action humanitaire, les orientations opérationnelles de l'IASC sur la responsabilité des données et, pour les organisations établies dans l'Union européenne, le règlement général sur la protection des données (RGPD) fixent le cadre.

Mesures par étape du cycle de vie

Anonymiser vraiment : le contrôle de divulgation statistique

Retirer les noms ne suffit pas. Une combinaison de variables apparemment anodines (commune, âge, sexe, handicap, nombre d'enfants, profession) peut désigner une seule personne dans un petit village. Ces variables sont appelées quasi-identifiants. Le Centre pour les données humanitaires d'OCHA recommande d'évaluer le risque de réidentification avant de partager des microdonnées, par exemple avec l'outil libre sdcMicro.

1. Lister les quasi-identifiants et les variables sensibles de la base.
2. Mesurer le risque : combien d'enregistrements sont uniques sur la combinaison de quasi-identifiants ? Le principe de k-anonymat exige qu'au moins k enregistrements partagent chaque combinaison (k = 3 ou 5 sont des valeurs courantes).
3. Réduire le risque : regrouper (âge en tranches, commune remplacée par district), supprimer localement les valeurs rares, retirer les variables non nécessaires, arrondir les coordonnées ou les supprimer.
4. Vérifier l'utilité : les analyses prévues restent-elles possibles ? On cherche le meilleur compromis, documenté.
5. Pour les tableaux agrégés : supprimer ou regrouper les cellules à faible effectif (une règle répandue fixe le seuil à moins de 5 personnes), en vérifiant qu'on ne peut pas les recalculer à partir des totaux.

Le risque ne concerne pas seulement les individus. Une carte qui montre la concentration d'un groupe ethnique ou religieux, ou la localisation de femmes seules dans un site, peut exposer tout un groupe : c'est ce que les orientations de l'IASC appellent les données démographiquement identifiables. Elles se traitent avec la même prudence que les données personnelles.

Répondre aux demandes de données

Les demandes de listes nominatives viennent de partenaires, d'autorités locales, parfois de bailleurs ou de forces armées. La réponse se prépare avant d'être sollicité :

• Quelle est la finalité exacte ? Peut-elle être atteinte avec des données agrégées ? Dans la grande majorité des cas, oui.
• Existe-t-il une base légitime et une information préalable des personnes pour ce partage ?
• Quel est le risque pour les personnes si les données sont détournées ou fuitent ?
• Qui décide ? Un partage de données personnelles est validé au niveau de la direction pays, jamais par l'IMO seul ni par l'équipe terrain sous pression.

Pour les bailleurs, les vérifications de listes de bénéficiaires se négocient généralement sous forme de consultation sur place ou d'échantillon, plutôt que de transfert de fichiers complets ; l'organisation doit connaître les clauses de son accord sur ce point.

En cas de violation de données

Perte d'un téléphone d'enquête, envoi d'une base au mauvais destinataire, compte compromis : on contient (révocation des accès, effacement à distance), on évalue le risque pour les personnes, on informe la direction et, selon le cadre applicable, l'autorité de contrôle et les personnes concernées. Le RGPD impose par exemple une notification à l'autorité de contrôle dans les 72 heures lorsque la violation présente un risque. On documente l'incident et l'on corrige la cause, même quand aucun dommage n'est constaté.

9Erreurs fréquentes, attentes des bailleurs et adaptations selon le contexte

Erreurs fréquentes en analyse et en diffusion

Ce que les bailleurs et les évaluateurs examinent

• La cohérence des chiffres entre rapport au bailleur, 4W du cluster et rapports financiers (un nombre de kits distribués doit correspondre aux sorties de stock).
• La désagrégation par sexe, âge et handicap, que la plupart des grands bailleurs humanitaires exigent ; le marqueur genre et âge d'ECHO est vérifié sur les données réellement rapportées.
• La participation à la coordination : les fonds communs gérés par OCHA et de nombreux bailleurs considèrent le rapport régulier à la 4W du cluster comme une condition de partenariat.
• La gestion des données personnelles : politique de protection des données, analyses d'impact pour les traitements à risque, accords de partage, notamment pour les programmes de transferts monétaires.
• L'utilisation effective : un évaluateur demande comment les données ont modifié des décisions ; un tableau de bord jamais consulté est un coût, pas un résultat.

Adaptations selon le contexte

10Questions d'entretien et références clés

Questions d'entretien

1. « Les personnes atteintes dans votre 4W dépassent la population de plusieurs communes. Que faites-vous ? »

Une bonne réponse identifie les causes probables (double comptage entre organisations ou entre mois, confusion entre ménages et personnes, dénominateur qui n'inclut pas les déplacés), décrit la vérification avec les partenaires, l'application de règles de consolidation écrites, et la mention de la méthode dans le produit. Elle ne corrige pas les chiffres en silence.

2. « Pourquoi pondérer les résultats d'une enquête ? »

Le candidat explique la stratification, la différence entre part dans l'échantillon et part dans la population, donne la formule du poids et un exemple chiffré. Il mentionne que les résultats par strate ne sont pas pondérés entre eux, seulement les agrégats.

3. « Présentez la démarche pour produire une carte de sévérité par district. »

Données à jour et codes P, jointure contrôlée, choroplèthe avec classes à sens opérationnel, catégorie « pas de données », éléments obligatoires de mise en page, avertissement, relecture, et réflexion sur la sensibilité de ce qui est montré.

4. « Un partenaire vous demande la base de données nominative de votre programme pour éviter les doublons d'assistance. Comment répondez-vous ? »

Elle reconnaît l'objectif légitime, explore les alternatives (comparaison par identifiant pseudonymisé, système partagé de dédoublonnage avec règles d'accès, comparaison par un tiers de confiance), vérifie l'information donnée aux personnes, demande un accord de partage et la validation de la direction, et refuse un envoi de fichier par courriel.

5. « Comment sauriez-vous qu'un tableau de bord est utile ? »

Elle cite les décisions qu'il a éclairées, la consultation (statistiques d'accès, présence en réunion), les retours des utilisateurs, et propose de supprimer les éléments jamais utilisés.

6. « Qu'est-ce que le k-anonymat et quand l'appliquez-vous ? »

Définition, quasi-identifiants, techniques de réduction du risque, arbitrage avec l'utilité, application avant tout partage de microdonnées et pour les tableaux à faibles effectifs.

Références clés

• Operational Guidance on Data Responsibility in Humanitarian Action : IASC (version révisée de 2023).
• Data Responsibility Guidelines et notes d'orientation du Centre pour les données humanitaires (contrôle de divulgation statistique, analyses d'impact) : OCHA.
• Handbook on Data Protection in Humanitarian Action : CICR et Brussels Privacy Hub.
• Règlement général sur la protection des données (RGPD) de l'Union européenne, pour les organisations qui y sont soumises.
• Cadre d'analyse intersectorielle conjointe (JIAF) et orientations sur le calcul des personnes dans le besoin : IASC.
• Orientations d'OCHA sur la 3W/4W et le suivi des plans de réponse humanitaire ; normes de produits cartographiques d'OCHA.
• Documentation de QGIS et de l'outil sdcMicro.
• Lignes directrices de l'IASC sur l'inclusion des personnes handicapées dans l'action humanitaire (2019), pour la désagrégation.