Formation en analytique des données pour le développement

Découvrez comment un projet innovant en analytique des données peut transformer le système statistique de la Guinée-Bissau et soutenir son développement socio-économique.

Intégration de l’analytique des données en Afrique : Cet article explore comment intégrer l’analytique des données dans les projets de développement en Afrique pour améliorer la prise de décision, en se basant sur une étude qualitative menée en Guinée-Bissau.

Analytique des données pour le développement : idée de projet

Contexte et justification

Depuis son indépendance en 1973, la Guinée-Bissau fait face à de graves défis socio-politico-économiques, notamment une instabilité politique persistante, des fluctuations économiques continuelles, et une vulnérabilité considérable au changement climatique.

Cette situation a entraîné une pauvreté multidimensionnelle, une insécurité alimentaire accrue, des pertes importantes de revenus et des conflits liés à l’accès aux ressources. De plus, le pays est confronté à des déséquilibres structurels pesants, notamment en ce qui concerne la concentration du pouvoir informationnel au niveau de l’État, rendant inactif l’Institut National de Statistique, déstabilisant ainsi le Conseil National de l’Information Statistique⁵⁵.

Cette dernière situation manifestée sous la forme de l’absence d’une autorité statistique efficace entrave, à la fois, la compréhension de la situation actuelle du pays, l’identification des tendances socio-économiques, et la formulation de politiques et de stratégies de développement appropriées pouvant répondre aux besoins pressants de la population.

De plus, le pays reste très dépendant des organisations et des experts étrangers, lesquels s’érigent en maître et seigneur pour produire de l’information statistique parfois inappropriée au contexte du pays ⁵⁶. Il est donc clair que le pays fait face non seulement à un manque de ressources financières mais également à une carence en ressources humaine dans le domaine de la Statistique et de la Science des données.

Ainsi, pour faire face à ce défi, une piste de solution serait d’améliorer la capacité du pays et de renforcer les compétences locales en matière de collecte, de traitement et d’analyse des données. Cela s’inscrirait dans une perspective de promotion du développement et de durabilité de la performance statistique.

Au regard de cette situation, nous proposons la mise en place d’un projet de formation en analytique des données adapté au contexte bissau-guinéen de développement. Ce projet révèle d’une pertinence indéniable pour surmonter les défis actuels du système statistique national et pour promouvoir le développement socio-économique du pays.

Un tel projet contribuera à la création d’une base solide de compétences statistiques locales et à l’amélioration de la qualité et de l’utilité des données statistiques, ce qui est essentiel pour la planification et la prise de décision informée.

Voir le document le Cadre de coopération des Nations Unies pour le développement durable (UNSDCF). https://unsdg.un.org/fr/resources/un-sustainable-development-cooperation-framework-guinea-bissau-2022- 2026

Voir le site de l’INS de la Guinée-Bissau pour plus de détails https://www.stat-guinebissau.com/

Caractéristiques du projet

Objectifs

Ce projet de formation professionnelle dont le titre complet est « DAn4Dev : Data Analytics for Development in Guinea-Bissau » poursuivra les objectifs suivants.

Objectif principal

Ce projet vise à contribuer à l’amélioration de la performance du système statistique de la Guinée-Bissau (voir les SPI de la Banque mondiale), laquelle participera à la mise en place des mécanismes statistiques servant à mesurer les progrès vers l’atteinte des ODD d’ici à 2030 (voir ODD 17, cible 19).

Objectifs spécifiques

De manière spécifique, ce projet vise à :

• améliorer la qualité des données ;
• appuyer l’alignement du pays sur les normes statistiques internationales ;
• promouvoir la prise de décision fondée sur les preuves.

Impacts

Comme indiqué dans le contexte, ce projet aura un impact direct sur la capacité statistique du pays ainsi que sur ses indicateurs de performance statistique. Le gouvernement sera en mesure d’établir des politiques publiques basée sur des preuves tout en étant bien imbu de la situation de la population.

De manière indirecte, ce projet pourra contribuer à réduire le taux de chômage en favorisant l’insertion professionnelle. Il pour renforcer l’employabilité des professionnels du pays, créant ainsi plus de revenus.

Public Cible

De manière directe, ce projet cible les professionnels et les acteurs impliqués dans la collecte, le traitement, l’analyse et la gestion de données en Guinée-Bissau, notamment les professionnels de la Statistique et de la recherche, les cadres techniques du gouvernement, les employés des ONG et des organisations internationales, notamment les officiers au programme et les officiers suivi-évaluation, les étudiants et enseignants en Statistique, en Économie et sciences connexes.

De manière indirecte, ce projet vise à impacter la population de la Guinée-Bissau dans son ensemble. Cela inclut, entre autres, les citoyens, les entreprises, les organisations locales et internationales œuvrant sur le territoire, les partenaires internationaux et les investisseurs qui dépendent de données précises pour prendre des décisions éclairées.

Parties prenantes

La collaboration avec les parties prenantes est essentielle pour le succès du projet. Par conséquent, les parties prenantes clés comprennent les ONG, les agences des Nations Unies, notamment le PNUD, l’UNFPA, l’UNICEF et le PAM, les établissements d’enseignement supérieur, les partenaires internationaux, notamment la BM et le FMI, les entreprises privées, l’INS de la Guinée-Bissau (INE) et les ministères du pays, notamment le ministère de l’Économie, de la Planification et de l’Intégration régionale, le ministère des Finances et le ministère du Commerce et de l’Industrie.

Théorie du changement selon le modèle des Nations-Unies

La théorie du changement servira de guide à la planification, la mise en œuvre et l’évaluation du projet de formation en analytique de données en Guinée-Bissau. Elle explique comment les actions conduiront à des améliorations dans la qualité des données, la prise de décision éclairée et la conformité aux normes internationales.

Ci-dessous un tableau récapitulatif de cette logique d’intervention.

Conclusion

Ce travail de recherche a été menée dans l’intention de comprendre la problématique de la prise en compte efficace des données dans la prise de décision au sein des projets de développement en Afrique. Elle nous a permis d’explorer le contexte africain des projets de développement pour en discerner les défis rencontrés dans le processus décisionnel à cause du manque d’utilisation efficace de l’analytique des données.

Pour ce faire, nous sommes parti d’une littérature peu riche théoriquement en posant la question : Comment intégrer au mieux l’analytique des données dans les projets de développement en Afrique en vue d’améliorer la prise de décision ? Cette dernière a servi de ligne directrice à notre étude et a été explorée à travers d’une étude qualitative de type exploratoire. La collecte des données pour cette étude s’est basée sur des entretiens semi- directifs qui ont été menés auprès de sept (7) employés des Nations Unies en Guinée-Bissau. En complément à ces entretiens, une observation en situation a toute aussi été réalisée afin d’obtenir une compréhension affinée de la problématique dans un contexte pratique.

Synthèse des résultats

A l’issue des données collectées et des analyses produites, nous avons pu identifier les défis, les bonnes pratiques et les potentiels relatifs à l’intégration de l’analytique des données dans les projets de développement en Afrique pour supporter la prise de décision.

D’une part, du point de vue de micro, une bonne utilisation de l’analytique des données peut conduire à une meilleure gestion des projets. Toutefois, le manque de ressources humaines qualifiées disponibles localement dans ce domaine ainsi que les contraintes financières peuvent s’avérer être des freins majeurs. Il est tout de même possible d’y remédier par le recrutement de professionnels juniors ou de volontaires internationaux, et également par la mise en place des séances de formation pour le personnel local dans le domaine de l’analytique des données.

D’autre part, du point de vue macro, une bonne utilisation des données peut conduire à la mise en place de politiques publiques basées sur les données probantes dans le but d’améliorer les conditions de vie. Toutefois, la défaillance du système statistique national est une contrainte majeure ayant pour effet l’impossibilité de mesurer de manière fiable la vulnérabilité. Néanmoins, la recherche de ressources pour financer les activités statistiques et la mise en place de partenariats de données peuvent y apporter des solutions.

Les limites de l’étude

En dépit des apprentissages très pratiques tirés de cette étude, il est important de reconnaître ses limites, comme tout travail de recherche. Ces limites permettront de comprendre la portée et le degré d’applicabilité des recommandations prescrites.

La première limite émane directement de l’approche méthodologique utilisée, à savoir l’approche qualitative. Comme indiqué par Moriceau (2019), il est difficile de garantir la totale généralisation des résultats d’une étude qualitative compte tenu des limites intrinsèques en matière de représentativité des échantillons. S’il est vrai que nous avons mis en place une méthode rigoureuse pour sélectionner la population, certains biais qualitatifs sont quand même inévitables. Par conséquent, il est important de considérer les résultats ainsi que les recommandations avec modération.

Une autre limite de notre étude est le manque d’étude théorique relatives au thème principal sous étude, à savoir l’analytique des données. En effet, étant une discipline très technique et appliquée, la littérature autour de ce thème est surtout tournée vers les méthodes et les techniques mathématiques et informatiques. Cette limite constitue également un élément justificatif du fait que notre travail a été réalisé sans hypothèse et sans proposition de recherche. Il est toutefois important de souligner le caractère très pratique de notre étude.

Les contributions majeures de l’étude

Notre étude pose les bases d’une problématique qui a été, jusque-là, très peu explorée dans la littérature. S’il est vrai que la problématique des données pour la prise de décision est prise pour acquise, l’analytique des données a souvent été considérée comme un élément du secteur privé sous l’angle de l’analytique des données massives.

Grâce à son caractère exploratoire, notre étude a permis de mieux comprendre la problématique de l’intégration de l’analytique des données dans les projets de développement en Afrique, notamment dans le contexte bissau-guinéen.

Elle nous a permis de formuler des recommandations spécifiques, basées sur des données probantes et des témoignages concrets, qui peuvent servir à faire accroitre l’utilité des données non seulement en Guinée-Bissau mais dans toute l’Afrique.

Les perspectives de recherche

Notre étude a exploré la problématique de l’intégration de l’analytique des données dans les projets de développement en considérant comme acquis ses avantages potentiels en termes de prise de décision. Pour une analyse plus approfondie, il serait pertinent d’examiner en détail les conséquences de sa sous-utilisation, notamment en ce qui concerne la performance des projets de développement.

De plus, il serait intéressant de réaliser des comparaisons pour évaluer l’efficacité des projets en fonction de l’intégration ou de l’absence de l’analytique des données dans le processus décisionnel.

De telles analyses pourraient fournir des informations plus détaillées sur l’impact réel de l’intégration de l’analytique des données dans les projets du développement en Afrique, aidant ainsi à orienter les futurs projets vers une utilisation plus efficace de cette approche. Par conséquent, nous pouvons avouer que notre étude ouvre la voie à une pluralité d’autres études qui pourraient être réalisées sur ce même thème.

 

Références bibliographiques

 

–Ouvrages et chapitres d’ouvrages

Chalmer, B. J. (2020). Understanding statistics (1st éd.). CRC Press. https://public.ebook central.proquest.com/choice/publicfullrecord.aspx?p=6121681

Chesnais, J.-C. (2010). La démographie et ses sources. In La démographie : Vol. 7e éd. (p. 5-19). Presses Universitaires de France. https://www.cairn.info/la-demographie–9782130586104- p-5.htm

Eurostat. (2021). Eurostat : Statistics explained. Eurostat. https://ec.euro pa.eu/eurostat/statistics-explained/index.php/Main_Page

Hurlin, C. (2022). Statistique et probabilités en économie-gestion (2e édition). DUNOD.

Moriceau, J.-L. (2019). Peut-on généraliser ? In Recherche qualitative en sciences sociales (p. 289-293). EMS Editions. https://doi.org/10.3917/ems.mori.2019.01.0289

OECD. (2007). OECD Principles and Guidelines for Access to Research Data from Public Funding. OECD. https://doi.org/10.1787/9789264034020-en-fr

OECD. (2008). OECD Glossaryof Statistical Terms. OECD. https://doi.org/10.1787/9789264055087-en

OECD. (2017). OECD Handbook for Internationally Comparative Education Statistics: Concepts, Standards, Definitions and Classifications. OECD. https://doi.org/10.1787/9789264279889-en

Pupion, P.-C. (2012). Méthodes de collectes de données. In Statistiques pour la gestion : Vol. 3e éd. (p. 1-18). Dunod. https://www.cairn.info/statistiques-pour-la-gestion– 9782100578924-p-1.htm

Roegiers, X. (2007). La logique de projet comme fondement d’une action d’éducation ou de formation. In Analyser une action d’éducation ou de formation (p. 175-214). De Boeck Supé- rieur.https://www.cairn.info/analyser-une-action-d-education-ou-de-formation– 9782804156602-p-175.htm

Runkler, T. A. (2020). Data analytics: Models and algorithms for intelligent data analysis (3. ed). Springer.

Rushton, J. (2019). Guaranteed Analytics: A Prescriptive Approach to Monetizing All Your Data. Lioncrest Publishing.

Spalek, S. (Éd.). (2019). Data analytics in project management. Auerbach.

Statistique Canada. (2021). Les statistiques : Le pouvoir des données ! Statistique Canada = Statistics Canada. http://central.bac-lac.gc.ca/.redirect?app=damspub&id=14209bc7-8322- 45b8-b840-fd58327eb609

Vanhoucke, M. (2023). The Data-Driven Project Manager. In M. Vanhoucke (Éd.), The Illusion of Control: Project Data, Computer Algorithms and Human Intuition for Project Management and Control (p. 29-48). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031- 31785-9_3

Walter, E. (2011). Cambridge advanced learner’s dictionary (3rd ed). Cambridge University Press.

–Articles de revues

Allain, P. (2013). La prise de décision : Aspects théoriques, neuro-anatomie et évaluation. Re- vue de neuropsychologie, 5(2), 69-81. https://doi.org/10.1684/nrp.2013.0257

Assogba, Y. (1991). Les ONG et le développement en Afrique ou la face cachée de la lune.

Nouvelles pratiques sociales, 4(1), 39-49. https://doi.org/10.7202/301115ar

Aubert, P.-M. (2014). Projets de développement et changements dans l’action publique. Revue Tiers Monde, 220(4), 221-237. https://doi.org/10.3917/rtm.220.0223

Becker, H. (1952). Science, Culture, and Society. Philosophy of Science, 19(4), 273-287.

Bédécarrats, F., Cling, J.-P., & Roubaud, F. (2016). Révolution des données et enjeux de la sta- tistique en Afrique. Introduction thématique. Afrique contemporaine, 258(2), 9-23. https://doi.org/10.3917/afco.258.0009

Bekele, W., & Yohannes, F. (2022). Sample Size for Interview in Qualitative Research in Social Sciences: A Guide to Novice Researchers. Research in Educational Policy and Management, 4, 42-50. https://doi.org/10.46303/repam.2022.3

Bierschenk, T. (1991). Les projets et les politiques de développement, sont-ils des préoccupa- tions légitimes de l’anthropologie ? Bulletin de l’APAD, 1, Article 1. https://doi.org/10.4000/apad.286

Blanchet, M. (2016). Industrie 4.0 Nouvelle donne industrielle, nouveau modèle économique.

Outre-Terre, 46(1), 62-85. https://doi.org/10.3917/oute1.046.0062

Boddy, C. R. (2016). Sample size for qualitative research. Qualitative Market Research: An In- ternational Journal, 19(4), 426-432. https://doi.org/10.1108/QMR-06-2016-0053

Bouzidi, Z., Kherbachi, H., & Hocine, A. (2001). Découverte des Connaissances dans les Bases de Données : Une approche centrée objet. Revue d’Information Scientifique et Technique, 11(2), Article 2. https://doi.org/10.4314/rist.v11i2.26693

Carmichael, I., & Marron, J. S. (2018). Data science vs. statistics: Two cultures? Japanese Jour- nal of Statistics and Data Science, 1(1), 117-138. https://doi.org/10.1007/s42081-018-0009-3

Chien, L.-Y. (2019). Evidence-Based Practice and Nursing Research. The Journal of Nursing Re- search, 27(4), e29. https://doi.org/10.1097/jnr.0000000000000346

Cossette, S. (2010). De la recherche exploratoire à la recherche appliquée en sciences infir- mières : Complémentarités et finalités. Recherche en soins infirmiers, 102(3), 73-82. https://doi.org/10.3917/rsi.102.0073

Cottin, M. (2016). Prendre des décisions fondées sur des preuves. I2D – Information, données & documents, 53(4), 41-42. https://doi.org/10.3917/i2d.164.0041

Diaz, F. (2005). L’observation participante comme outil de compréhension du champ de la sé- curité. Champ pénal/Penal field, Vol. II, Article Vol. II. https://doi.org/10.4000/champpenal.79

Elgendy, N., & Elragal, A. (2014). Big Data Analytics: A Literature Review Paper. In P. Perner (Éd.), Advances in Data Mining. Applications and Theoretical Aspects (p. 214-227). Springer International Publishing. https://doi.org/10.1007/978-3-319-08976-8_16

Haque Sazu, M., Akter Jahan, S., Independent University, Bangladesh, & Case Western Reserve University, USA. (2022). Can big data analytics improve the quality of decision-making in busi- nesses?IberoamericanBusinessJournal,6(1),04-27.

https://doi.org/10.22451/5817.ibj2022.vol6.1.11063

Hennink, M., & Kaiser, B. N. (2022). Sample sizes for saturation in qualitative research: A sys- tematicreviewofempiricaltests.SocialScience&Medicine,292,114523.

https://doi.org/10.1016/j.socscimed.2021.114523

Imbert, G. (2010). L’entretien semi-directif : À la frontière de la santé publique et de l’anthropologie.Rechercheensoinsinfirmiers,102(3),23-34.

https://doi.org/10.3917/rsi.102.0023

Kabatangare, T. G. (2021). Data literacy integration into development agenda. A catalyst to achieving the Sustainable Development Goals (SDGs). IASSIST Quarterly, 45(3-4). https://doi.org/10.29173/iq1003

Liew, A. (2013). DIKIW: Data, Information, Knowledge, Intelligence, Wisdom and their Inter- relationships. Business Management Dynamics.

Martineau, S. (2005). L’observation en situation : Enjeux, possibilités et limites. Recherches qualitatives, 2, 5-17.

Miguel de Bustos, J. C. (2017). GAFAM, Media and Entertainment Groups and Big Data. Les Enjeux de l’information et de la communication, 17/3A(S1), 39-51. https://doi.org/10.3917/enic.hs4.0039

Nitnaware, S., Nitnaware, R., & Masleker, A. (2023). A Comparative Study on Big Data and Big Data Analytics (BDA) and Challenges. 09, 643-646.

Peters, K., Silva, S., Wolter, T. S., Anjos, L., van Ettekoven, N., Combette, É., Melchiori, A., Fleuren, H., den Hertog, D., & Ergun, Ö. (2022). UN World Food Programme: Toward Zero Hunger with Analytics. INFORMS Journal on Applied Analytics, 52(1), 8-26. https://doi.org/10.1287/inte.2021.1097

Philip, C., & De Battista, P. (2012). Mise en œuvre de la méthodologie de l’observation partici- pante dans le cadre d’un mémoire de M2. La nouvelle revue de l’adaptation et de la scolarisa- tion, 59(3), 207-221. https://doi.org/10.3917/nras.059.0207

Qin, S. J. (2014). Process data analytics in the era of big data. AIChE Journal, 60(9), 3092-3100. https://doi.org/10.1002/aic.14523

Raîche, G., & Noël-Gaudreault, M. (2008). Article de recherche théorique et article de re- cherche empirique : Particularités. Revue des sciences de l’éducation, 34(2), 485-490. https://doi.org/10.7202/019691ar

Randall, S. (2016). Visibilité et invisibilité statistique en Afrique. Adapter les méthodes de col- lecte de données aux populations ciblées. Afrique contemporaine, 258(2), 41-57. https://doi.org/10.3917/afco.258.0041

Ridzuan, F., & Wan Zainon, W. M. N. (2022). Diagnostic analysis for outlier detection in big dataanalytics.ProcediaComputerScience,197,685-692.

https://doi.org/10.1016/j.procs.2021.12.189

Rietdorf, U. (2015). Review of Africa: Why Economists Get It Wrong [Review of Review of Afri- ca: Why Economists Get It Wrong, par M. Jerven]. Africa Spectrum, 50(2), 149-151.

Rivière, P. (2020). Qu’est-ce qu’une donnée ? Impact des données externes sur la statistique

publique. Courrier des statistiques N5 – 2020, 5(8), 114-131.

Roca, T., & Letouzé, E. (2016). La révolution des données est-elle en marche ? Implications pour la statistique publique et la démocratie. Afrique contemporaine, 258(2), 95-111. https://doi.org/10.3917/afco.258.0095

Sandelowski, M. (1995). Sample size in qualitative research. Research in Nursing & Health, 18(2), 179-183. https://doi.org/10.1002/nur.4770180211

Saunders, B., Sim, J., Kingstone, T., Baker, S., Waterfield, J., Bartlam, B., Burroughs, H., & Jinks,

C. (2018). Saturation in qualitative research: Exploring its conceptualization and operationali- zation. Quality & Quantity, 52(4), 1893-1907. https://doi.org/10.1007/s11135-017-0574-8

Seillan, A. (2010). Bénéficiaires de l’aide publique au développement (APD). Afrique contem- poraine, 236(4), 126-127. https://doi.org/10.3917/afco.236.0126

Severino, J.-M., & Charnoz, O. (2005). Les « mutations impromptues ». État des lieux de l’aide publique au développement. Afrique contemporaine.

Sithole, B., Silva, S. G., & Kavelj, M. (2016). Supply Chain Optimization: Enhancing End-to-End Visibility. Procedia Engineering, 159, 12-18. https://doi.org/10.1016/j.proeng.2016.08.058

Tene, O., & Polonetsky, J. (2012). Big Data for All: Privacy and User Control in the Age of Ana- lytics. Northwestern Journal of Technology and Intellectual Property, 11.

Trudel, L., Simard, C., & Vonarx, N. (2006). La recherche qualitative est-elle nécessairement exploratoire. Recherches qualitatives, 5, 38-55.

Turpin, S. M., & Marais, M. A. (2004). Decision-making: Theory and practice. ORiON, 20(2), Article 2.

Un demi-siècle de fictions de croissance en Afrique (R. Diallo, Trad.). (2011). Politique africaine, 124(4), 29-42. https://doi.org/10.3917/polaf.124.0029

Zakir, J., Seymour, T., & Berg, K. (2015). Big data analytics. Issues in Information Systems, 16(2), 81-90.

Zins, C. (2007). Conceptual approaches for defining data, information, and knowledge. Journal of the American Society for Information Science and Technology, 58(4), 479-493. https://doi.org/10.1002/asi.20508

–Billets de blog

Beguy, D. (18 août 2016). Poor data affects Africa’s ability to make the right policy decisions. The Conversation. https://theconversation.com/poor-data-affects-africas-ability-to-make- the-right-policy-decisions-64064

Brailsford, D. (septembre 2020). A brief, brief history of data analytics. LinkedIn. https://www.linkedin.com/pulse/brief-history-data-analytics-deryck-brailsford-%E5%AD%99

%E5%BE%B7%E7%91%9E/

Cote, C. (9 novembre 2021). What is Descriptive Analytics? 5 Examples. HBS Business Insights. https://online.hbs.edu/blog/post/descriptive-analytics

Cull, B., Foster, V., Jolliffe, D. M., & Veerappan, M. (24 mars 2021). Rapport sur le développe- ment dans le monde 2021 : Des données au service d’une vie meilleure — Maximiser la valeur des données pour aider les pauvres. Blog de données de la Banque mondiale. https://blogs.worldbank.org/fr/opendata/rapport-sur-le-developpement-dans-le-monde- 2021-des-donnees-au-service-dune-vie-meilleure

Desai, P. (3 avril 2022). Policymaking without data – a rudderless ship. Good Governance Afri- ca. https://gga.org/policy-making-without-data-a-rudderless-ship/

Ferma, J. (23 mai 2023). Monitoring and Evaluation Vs Data and Analytics in the Development Sector. LinkedIn. https://www.linkedin.com/pulse/monitoring-evaluation-vs-data-analytics- development-sector-ferma/

Frankenfield, J. (septembre 2021). Data Analytics: What It Is, How It’s Used, and 4 Basic Tech- niques. Investopedia. https://www.investopedia.com/terms/d/data-analytics.asp

Fu, H. (13 février 2019). Des données au service du développement : Pourquoi il faut investir dans les données, les populations et les idées. Blog de données de la Banque mondiale. https://blogs.worldbank.org/fr/voices/des-donnees-au-service-du-developpement

Gautam, A. (6 septembre 2021). 6 Phases of Data Analysis According to Google. CodeX. https://medium.com/codex/6-phases-of-data-analysis-according-to-google-9e084b89f848

Jolliffe, D. M., Kilic, T., Mahler, D. G., & Wollburg, P. R. (6 avril 2021). L’indépendance des instituts nationaux de statistique va de pair avec leur pertinence. Blog de données de la Banque mondiale. https://blogs.worldbank.org/fr/opendata/lindependance-des-instituts-nationaux- de-statistique-va-de-pair-avec-leur-pertinence

Jones Sanchez, A. (11 avril 2019). Afrique : L’efficacité et l’évaluation de l’aide au développe- ment en question. The Conversation. http://theconversation.com/afrique-lefficacite-et- levaluation-de-laide-au-developpement-en-question-115168

Kaljuvee, J. (24 mars 2019). Data Science—What is Alt Data or Alternative Data? Medium. https://medium.com/@kaljuvee/data-science-what-is-alt-data-or-alternative-data- fdd2336fed36

Marks, A. (18 novembre 2022). The Potential for Data-Driven Policymaking in Africa: Success Stories Across the Continent. UNSDSN. https://www.unsdsn.org/the-potential-for-data- driven-policymaking-in-africa-success-stories-across-the-continent

Nyamazana, A. (2020). Critical skills and attributes needed for a career in Monitoring and Evaluation. LinkedIn. https://www.linkedin.com/pulse/critical-skills-attributes-needed- career-monitoring-alois-nyamazana/

Oluwatosin, E. (16 mai 2023). Similarities between a Data analyst and a M&E professional. Medium. https://medium.com/@adesewatosin/similarities-between-a-data-analyst-and-a- m-e-professional-54b1d082e7cd

Palanisamy, P. (19 juin 2020). The Good, the Bad, and the Beauty of Analytics. Ringcentral-Ux. https://medium.com/ringcentral-ux/the-good-the-bad-and-the-beauty-of-analytics- 84c9cc7df9e9

Ragones, D. (novembre 2021). 76% of nonprofits lack a data strategy, according to Salesforce.Org report. The 360 Blog. https://www.salesforce.com/news/stories/76-of- nonprofits-lack-a-data-strategy-according-to-salesforce-org-report/

Taylor, P. (2022). Data growth worldwide 2010-2025. Statista. https://www.statis ta.com/statistics/871513/worldwide-data-created/

The Economist. (11 mai 2017). The world’s most valuable resource is no longer oil, but data. Leaders.https://www.economist.com/leaders/2017/05/06/the-worlds-most-valuable- resource-is-no-longer-oil-but-data

The Indeed Editorial Team. (15 avril 2023). Data Analyst Job Description. Indeed. https://www.indeed.com/

United Nations Development Programme. (7 avril 2022). Three basic things to know about data for development. UNDP Digital Stories. https://www.undp.org/digital/stories/three- basic-things-know-about-data-development

Wadhwa, D. (19 septembre 2018). L’extrême pauvreté continue de progresser en Afrique subsaharienne.BlogdedonnéesdelaBanquemondiale. https://blogs.worldbank.org/fr/opendata/l-extreme-pauvrete-continue-de-progresser-en- afrique-subsaharienne

Yoshida, N., & Wu, H. (23 décembre 2022). Les défis à relever pour accélérer le rythme de réduction de la pauvreté. Chronique de l’ONU. http://www.un.org/fr/chronique-onu/les- défis-à-relever-pour-accélérer-le-rythme-de-réduction-de-la-pauvreté

–Rapports d’étude

Beegle, K., Christiaensen, L., Dabalen, A., & Gaddis, I. (2016). Poverty in a Rising Africa. The World Bank. https://doi.org/10.1596/978-1-4648-0723-7

Calas, J. (2019). Rapport des évaluations 2017—2018 (p. 64). https://www.afd.fr/fr/res sources/rapport-des-evaluations-2017-2018

Commission de l’Union africaine & OCDE. (2023). Dynamiques du développement en Afrique 2023 : Investir dans le développement durable (Dynamiques du développement en Afrique). OECD. https://doi.org/10.1787/b0920649-fr

EveryAction & Nonprofit Hub. (2016). The State of Data in the Nonprofit Sector (p. 13). https://www.im-portal.org/help-library/the-state-of-data-in-the-nonprofit-sector

Maliszewska, M., & Ruta, M. (2020). The African Continental Free Trade Area: Economic and Distributional Effects. The World Bank. https://doi.org/10.1016/978-1-4648-1559-1

PARIS21 & Mo Ibrahim Foundation. (2021). Bridging the data-policy gap in Africa (p. 48). PARIS21. https://paris21.org/sites/default/files/inline-files/Data-Policy%20Gap_Africa FI NAL_20210430.pdf

Serajuddin, U., Uematsu, H., Wieser, C., Yoshida, N., & Dabalen, A. (2015). Data deprivation: Another deprivation to end (Policy Research Working Paper WPS7252). The World Bank. https://documents.worldbank.org/en/publication/documents-reports/documentdetail/700 611468172787967/Data-deprivation-another-deprivation-to-end

The World Bank. (2021). World Development Report 2021: Data for Better Lives. The World Bank. https://doi.org/10.1596/978-1-4648-1600-0

United Nations Development Programme. (2023). 2023 Global Multidimensional Poverty In- dex (MPI). UNDP. https://hdr.undp.org/content/2023-global-multidimensional-poverty-in dex-mpi#/indicies/MPI

United Nations Economic Commission for Africa. (2017). Report on the status of civil registra- tion and vital statistics in Africa: Outcome of the Africa programme on accelerated improve- ment of civil registration and vital statistics systems monitoring framework (Population [2368]). United Nations. Economic Commission for Africa. https://reposito ry.uneca.org/handle/10855/24047

–Webographie

African Development Bank. (21 août 2019). Compendium de statistiques sur les opérations du groupe de la banque. Banque africaine de développement – Faire la différence ; African Deve- lopment Bank Group. https://www.afdb.org/fr/knowledge/publications/compendium-of- statistics-on-bank-group-operations

African Development Bank. (26 juillet 2022). Annuaire statistique 2021 pour l’Afrique. Banque africaine de développement – Faire la différence ; African Development Bank Group. https://www.afdb.org/fr/documents/annuaire-statistique-2021-pour-lafrique

African Development Bank. (26 juillet 2023). Rapport annuel 2022 du Groupe de la Banque africaine de développement—Faits saillants. Banque africaine de développement – Faire la dif- férence ; African Development Bank Group. https://www.afdb.org/fr/documents/rapport- annuel-2022-du-groupe-de-la-banque-africaine-de-developpement-faits-saillants

African Union Development Agency. (s. d.). NEPAD in Brief. AUDA-NEPAD. Consulté en juillet

2023, à l’adresse https://www.nepad.org/publication/nepad-brief

Datacamp. (s. d.). How to Become a Data Analyst in 2023: 5 Steps to Start Your Career. Con- sulté en juillet 2023, à l’adresse https://www.datacamp.com/blog/how-to-become-a-data- analyst

Debouche, F. (s. d.). Data-Driven Project Management Explained. Proove. Consulté en août 2023, à l’adresse https://www.proove.eu/knowledge/data-driven-project-management- explained

International Rescue Committee. (15 octobre 2021). IRC Monitoring, Evaluation, Accountabil- ity and Learning (MEAL) Handbook. https://www.rescue.org/resource/irc-monitoring- evaluation-accountability-and-learning-meal-handbook

OCDE. (s. d.-a). Les normes du financement du développement. OCDE. Consulté en juin 2023,

à l’adresse https://www.oecd.org/fr/cad/financementpourledeveloppementdurable/normes

-financement-developpement/

OCDE. (s. d.-b). Versements d’aide (APD) vers les pays et régions. Consulté en août 2023, à

l’adresse https://stats.oecd.org/Index.aspx?DataSetCode=TABLE2A#

The World Bank. (s. d.-a). La Banque mondiale en Afrique. World Bank. Consulté en juin 2023,

à l’adresse https://www.banquemondiale.org/fr/region/afr

The World Bank. (s. d.-b). Metadata Glossary. Databank. Consulté en juin 2023, à l’adresse https://databank.worldbank.org/metadataglossary/world-development-indicators/series/IQ. SCI.OVRL

The World Bank. (s. d.-c). Statistical Performance Indicators [Dashboard]. World Bank. Con- sulté en juillet 2023, à l’adresse https://www.worldbank.org/en/programs/statistical- performance-indicators

The World Bank. (s. d.-d). Zone de libre-échange continentale africaine : Effets économiques et redistributifs. World Bank. Consulté en juillet 2023, à l’adresse https://www.banque mondiale.org/fr/topic/trade/publication/the-african-continental-free-trade-area

The World Bank. (mars 2016). La pauvreté et les inégalités en Afrique : État des lieux. World Bank. https://www.banquemondiale.org/fr/region/afr/publication/poverty-rising-africa- poverty-report

The World Bank. (11 mai 2023). Afrique de l’Ouest : 460 millions de dollars pour des données dequalité.https://www.banquemondiale.org/fr/news/press-release/2023/05/11/world- bank-approves-460-million-for-regional-harmonization-and-improvement-of-statistics-in- western-and-central-africa

The World Economic Forum. (17 avril 2019). How much data is generated each day? World Economic Forum. https://www.weforum.org/agenda/2019/04/how-much-data-is-generated- each-day-cf4bddf29f/

Union Européenne. (s. d.). Financement, aides et subventions | Union européenne. Union Eu- ropéenne. Consulté en juin 2023, à l’adresse https://european-union.europa.eu/live-work- study/funding-grants-subsidies_fr

United Nations. (s. d.). Big Data for Sustainable Development. Consulté en juillet 2023, à

l’adresse https://www.un.org/en/global-issues/big-data-for-sustainable-development

United Nations Development Programme. (s. d.). Build data partnerships. Data to Policy Navi- gator. Consulté en août 2023, à l’adresse https://www.datatopolicy.org/navigator/build-data- partnerships

United Nations Sustainable Development Group. (s. d.-a). The United Nations in Guinea Bissau. Consulté en août 2023, à l’adresse https://unsdg.un.org/un-in-action/guinea-bissau

United Nations Sustainable Development Group. (s. d.-b). United Nations Sustainable Development Cooperation Framework Guidance. Consulté en août 2023, à l’adresse https://unsdg.un.org/resources/united-nations-sustainable-development-cooperation- framework-guidance

United Nations Volunteers. (13 février 2017). Deviens un Jeune Volontaire ONU. https://www.unv.org/fr/deviens-un-jeune-volontaire-onu

UNSDG. (novembre 2021). UN Sustainable Development Cooperation Framework for Guinea Bissau 2022 to 2026. https://unsdg.un.org/fr/resources/un-sustainable-development- cooperation-framework-guinea-bissau-2022-2026

Liste des illustrations

Figure 1. Evolution de l’APD en Afrique de 1960 à 20204

Figure 2. Corrélation entre la capacité statistique et le niveau de gouvernance en Afrique – 11 Figure 3. Comparaison entre les modèles de définition de la qualité des données20

Figure 4. Effet des données sur le développement selon l’utilisation faite21

Figure 5. Les étapes du processus d’analytique des données (Runkler 2020)23

Figure 6. Type d’analytique des données – atouts et défis (Palanisamy 2020)24

Figure 7. Théorie du changement44

Liste des tableaux

Tableau 1. Agences faisant partie de l’UNCT en Guinée-Bissau par type de représentation –IV Tableau 2. Répartition des répondants pendant les étapes du processus de collecteVI

Tableau 3. Rapport récapitulatif du déroulement des entretiensVI

Glossaire

 

Donnée	:	Une donnée est un élément collecté à partir d’une observation, laquelle résulte d’un exercice de mesure (Eurostat 2021).
Observation	:	Une observation est la valeur, à une période donnée, d’une variable donnée, pour une unité statistique donnée (Eurostat 2021).
Population statistique	:	Une population statistique est l’ensemble des unités qui font l’objet d’une étude (OCDE, 2008).
Statistique	:	Une statistique se présente sous la forme d’une valeur numérique interprétable, laquelle a été obtenue par agrégation des quantités observées à l’aide d’une suite d’opérations mathématiques (Statistique Canada, 2021).
Unité statistique	:	Une unité statistique est une entité (un être vivant, une organisation, un objet ou autre) de la population sous étude (OCDE, 2008).
Variable	:	Une variable est une caractéristique particulière observée à laquelle un niveau, une modalité ou une quantité peut être assignée (Statistique Canada, 2021).

Annexes

 

Annexe 1 : Choix des unités de la population considérée pour l’étude

Afin de choisir les unités statistiques, nous avons dressé la liste des agences des Nations Unies travaillant en Guinée-Bissau. Cet exercice nous a permis d’identifier deux grandes catégories d’agences : les agences dites avec représentation et les agences dites sans représentation.

Les agences avec représentation

Les agences avec représentation sont celles qui travaillent en Guinée-Bissau et qui disposent d’un bureau bien établi dans le pays. Elles ont un effectif considérable de personnels nationaux et internationaux qui travaillent sous la responsabilité d’un représentant ou d’un directeur pays, selon le cas.

Les agences sans représentation

Les agences sans représentation interviennent elles aussi dans les activités de développement du pays. Cependant, elles n’ont pas de bureau, donc pas de représentant ou de directeur pays, établi en Guinée-Bissau. Elles peuvent toutefois avoir un personnel ou deux qui peuvent les représenter. Ces personnels sont en réalité rattachés au bureau régional de l’Afrique de l’Ouest, basé généralement à Dakar.

Ci-dessous un tableau récapitulatif des agences présentes en Guinée-Bissau.

Tableau 1. Agences faisant partie de l’UNCT en Guinée-Bissau par type de représentation

Agences avec représentation	Agences sans représentation
FAO IOM UNDP* UNFPA* UNICEF* WFP* WHO* Fonds Monétaire International** Banque mondiale**	ILO UN-HABITAT UNESCO UN Women UNOPS OCHA OHCHR UNCDF UNIDO UNODC
* **	Agences des Nations Unies au sein desquels des entretiens ont effectivement été menés Agences dont le personnel a été exclu de notre population cible

Source : UNSDG. (s. d.). The United Nations in Guinea Bissau. Consulté en juin 2023, à l’adresse

https://unsdg.un.org/un-in-action/guinea-bissau

Afin d’établir notre échantillon, deux considérations a été faite.

Dans un premier temps, nous avons exclu les agences sans représentation en raison des difficultés qui se seraient présentées pour les joindre. De plus, compte tenu du fait qu’elles n’ont pas un bureau dans le pays, il aurait été difficile, voire biaisé, de grouper leurs données avec celles des agences ayant une représentation dans une perspective d’homogénéité pour produire les analyses en groupe.

S’il est vrai que la Banque mondiale et le Fonds monétaire international sont souvent mentionnés parmi les institutions du système des Nations Unies, ils ne sont toutefois pas considérés comme des agences des Nations Unies en tant que telles. Ainsi, pour des raisons de cohérence et pour éviter toute ambiguïté et tout biais, ces deux institutions ont été mises à l’écart.

Après avoir fait ces considérations, nous nous sommes statué sur une taille d’échantillon égale au nombre d’agences des Nations Unies avec représentation en Guinée-Bissau, hormis la BM et le FMI. Ce qui nous a conduit à une taille de sept (7).

Étant présent sur le terrain (comme indiqué dans la section 3.4), nous avons eu la chance d’interagir avec les professionnels de chacune de ces agences. Ce qui nous a conféré les compétences nécessaires pour choisir au jugé deux professionnels, par agence, selon le profil et le poste, qui seraient apte à prendre part aux entretiens⁵⁷. De ce fait, les chefs et officiers de programme ou de projet ; les assistants au programme ; les officiers de suivi, évaluation et redevabilité ; les officiers de communication, de partenariat, de plaidoyer et d’engagement ; les officiers de gestion de données et les analystes de données ont été ciblés.

Après avoir dressé la liste des quatorze (14) professionnels à raison de deux (2) par agence⁵⁸, nous les avons contactés pour recueillir leur intérêt à participer aux entretiens. Compte tenu du fait qu’ils ont tous accepté l’invitation, un tirage aléatoire a été effectué pour sélectionner un répondant final pour représenter l’agence.

⁵⁷ Voir Statistique Canada (2021) pour plus de détails théoriques sur la technique d’échantillonnage au jugé.

⁵⁸ Cette liste n’a pas été présentée dans le cadre de ce rapport de recherche pour des raisons de confidentialité.

Annexe 2 : Details sur le déroulement des entretiens

Comme indiqué à l’annexe 1, sept (7) participants étaient prévus pour l’enquête à raison d’un participant par agence. Toutefois, pour des raisons de disponibilité à la dernière minute, les entretiens n’ont pas pu se réaliser pour deux des agences présélectionnées (FAO et IOM). A cet effet, nous avons effectué un tirage aléatoire pour sélectionner deux agences des cinq restants. Par la suite, le professionnel additionnel restant au sein de chacune des deux agences tirées (UNDP, UNICEF) a été contacté pour l’entretien.

Tableau 2. Répartition des répondants pendant les étapes du processus de collecte

Agence	Nombre d’unités pendant la préparation	Nombre d’unités après le tirage aléatoire	Nombre d’unités après la collecte
FAO	1	0	0
IOM	1	0	0
UNDP	1	2	2
UNFPA	1	1	1
UNICEF	1	2	2
WFP	1	1	1
WHO	1	1	1
Total	7

Source : Enquête sur l’utilisation de l’analytique des données en Guinée-Bissau

Après avoir effectué la synthèse et la saisie des données, les informations descriptives relatives aux entretiens ont pu être présentées comme suit :

Tableau 3. Rapport récapitulatif du déroulement des entretiens

ID	Date	Agence des NU	Poste	Durée (en min)
1	22/08/2023	OMS	Assistant au Programme	42
2	22/08/2023	PNUD | PBF Secretariat	Coordonnateur de Programme	52
3	22/08/2023	PAM	Officier de Partenariat	39
4	22/08/2023	UNFPA	Assistant au Programme	58
5	23/08/2023	PNUD	Officier de Programme	42
6	23/08/2023	UNICEF	Chef d’unité	45
7	24/08/2023	UNICEF	Officier de Communication	35

Source : Enquête sur l’utilisation de l’analytique des données en Guinée-Bissau

Annexe 3 : Guide d’entretiens (version française)

Introduction et mise en contexte

Présentation du cadre de l’étude et l’objectif de la collecte

1 – Présentation de l’agence

Quel est le nom de votre agence ? FAO, WFP, UNDP, … Dans quelle catégorie votre poste se situe-t-elle ? Coordonnateur de Programme / Officier de Programme Coordonnateur Suivi et Évaluation / Officier Suivi et Évaluation Assistant au Programme / Point Focal Officier de Partenariat / Communication / Plaidoyer Dans quels domaines de développement s’inscrivent les projets sur lesquels vous travaillez, en Guinée-Bissau ?

2 – Culture des données au sein de l’agence

Définition de l’analytique des données et de la culture de données L’analytique des données fait-elle partie de la culture de votre agence / votre équipe ? Expliquer l’utilisation que votre agence / votre équipe en fait généralement L’analytique des données est-elle un processus centralisé au sein de votre agence ? la responsabilité d’un professionnel spécifique…. A qui incombe la responsabilité ? Analyste de données, Économiste, Gestionnaire de données, Officier suivi-évaluation, etc… ? Etes-vous également impliqué dans les processus d’analytique des données ? Comment ? A quel niveau ? Décrivez votre expérience…

3 – Collecte et utilisation de données par l’agence

Quels sont les types de données généralement collectées par votre agence pour ses projets de développement ? Quelles sont les principales sources de données utilisées par votre agence ? Votre agence a-t-elle l’habitude de réaliser des enquêtes et/ou sondages ? Comment la collecte de ces données se fait-elle ? Agents de collecte internes ou externes ? Sondage en ligne ? Quels sont les principaux outils utilisés par votre agence pour collecter les données ? ODK collect, Kobo collect Quels sont les principaux défis auxquels votre agence fait face en matière de collecte de données pour ses projets ? Quels sont les pistes de solutions envisageables à ces défis ?

4 – Analyse de données et prise de décision au sein de l’agence

Quelles sont les techniques et méthodes d’analyse de données souvent utilisées par vous ou le responsable de l’analytique des données ? Quelles sont les types d’analyse effectués généralement sur les données de votre agence ? Et à quelle fin ces analyses sont-elles utilisées ? Connaissez-vous les outils utilisés par votre organisation pour effectuer ces analyses ? Enumérez-en quelques-uns Avez-vous un exemple spécifique où l’analyse de données a influencé la manière dont un projet a été conçu ou exécuté ? Quels sont les principaux défis auxquels votre agence fait face en matière d’analyse de données dans le cadre de ses projets ? Quels sont les pistes de solutions envisageables à ces défis ?

5 – Perspectives liées à l’analytique des données

D’après vous, quels sont les avantages clés de l’utilisation de l’analytique des données dans les projets de développement ? Selon vous, qu’est-ce qui empêcherait les autres organisations œuvrant en Guinée- Bissau de faire usage de l’analytique des données ? (Pour celles qui n’en font pas usage) À partir de votre expérience, quelles recommandations pourriez-vous formuler pour promouvoir une utilisation plus efficace de l’analytique des données dans les projets de développement en Guinée-Bissau ? Quel rôle votre agence peut-elle jouer pour favoriser l’utilisation efficace de l’analytique des données en Guinée-Bissau ?

Conclusion et Remerciements

Résumé de l’entretien et échange de contact personnel

Annexe 4 : Guide d’entretiens (version anglaise)

Introduction and context

Scope of the study and data collection purpose statement

1 – Agency related information

Which UN agency are you working with in Guinea-Bissau? FAO, WFP, UNDP, … Which category does your position fall under? Program Coordinator / Program Officer M&E Coordinator / Officer Programme Assistant / Focal Point Partnership / Communication / Advocacy officer Which development areas do the projects you are working on, in Guinea-Bissau, fall under?

2 – Data culture within the agency

Definition and explanation related to Data Analytics and data culture. Is Data Analytics part of your agency/team culture? Please explain your answer while letting us know how data is used in your organization activities. Is Data Analytics a centralized process within your agency? Centralized in the sense that there is a specific professional within the agency who is responsible for it. Who is responsible for it? Data analyst, Economist, M&E officer, Data Management officer, etc. Are you also involved in Data Analytics processes within your agency? please explain how and at what stage, while describing your experience.

3 – Data collection and usage within the agency

What types of data does your agency usually collect for its development projects? What are the main sources of data collection used by your agency? Does your agency usually conduct surveys and/or polls? How are these surveys and/or polls conducted? Contract NGOs/firms to conduct surveys in the field? Online survey? etc. What are the main data collection tools used by your agency for surveys and/or polls? ODK collect, Kobo collect, ONA, MODA, etc. What are the main challenges encountered in the collection and/or use of data by your agency to support its projects-related decision-making? What are the practical solutions to these challenges?

4 – Data analysis and decision making within the agency

What are the data analysis techniques and methods often used by your agency? What type of analysis does your agency usually perform on its data? For what are those analyses used? What tools does your agency use to perform these analyses? Please specify some of them. Could you share a specific example where Data Analytics influenced the way a project was designed or executed by your agency? What are the main challenges your agency is facing when it comes to analyzing data to support project-related decision-making? What are the practical solutions to these challenges?

5 – Data Analytics forward looking

What are the key benefits you gain in using Data Analytics in development projects? What do you think would prevent other organizations working in Guinea-Bissau from using Data Analytics to support their decision-making process? Based on your experience, what recommendations would you make to promote more effective use of Data Analytics to support development projects-related decision- making in Guinea-Bissau? What role can your agency play in supporting the effective use of Data Analytics in Guinea-Bissau?

Acknowledgement

Interview summary and private contact information exchange

Annexe 5 : Synthèse des résultats

Thématique	Informations et insights tirés des entretiens
Cadre de l’utilisation des données	Bonnes pratiques Les données sont utilisées pour le suivi, l’évaluation et le rapportage dans le cadre des projets ; pour orienter la conception et la planification des projets après le choix des solutions à mettre en œuvre. Défis identifiés L’utilisation de l’analytique des données se fait surtout au niveau stratégique et presque pas au niveau tactique. Les indicateurs sont surtout utilisés pour mesurer les résultats intermédiaires ou ultimes (outcome, impact level). Toutefois, au niveau des résultats immédiats, des activités, et des extrants, les données ne sont utilisées que pour le rapportage, lequel ne sert pas vraiment à orienter les décisions. Des projets similaires rencontrent les mêmes défis de manière répétitive sur plusieurs années par manque d’analyses approfondies sur les données existantes et passées.
L’analytique des données en pratique	Bonnes pratiques Un professionnel est généralement désigné pour s’occuper de l’analytique des données au sein des agences. Les informations émanant des activités de projet sont systématiquement collectées et des analyses descriptives sont périodiquement générées pour présenter ces données.

Défis identifiés Le responsable de l’analytique des données est généralement un officier suivi et évaluation. Les analyses descriptives sont les seuls types d’analyses produits par ces professionnels. Des enquêtes et analyses post projets sont rarement réalisées pour évaluer l’impact réel des projets sur la population. Les évaluations réalisées concernent surtout l’accomplissement des activités et les dépenses de fonds du budget alloué.

Les défis statistiques d’ordre national

Défis identifiés Absence de données de base au niveau national Les données de recensement sont obsolètes (RGP 2009). Les données d’enquêtes nationales sont inexistantes. Fiabilité des données prétendument existantes Ces données sont en réalité des estimations basées sur des estimations. Les analyses produites à partir de ces données estimées sont des analyses descriptives habituelles tandis que le contexte du pays évolue avec le temps. Capacité de financement des activités statistiques nationales très limitées. Manque de professionnels nationaux ayant des compétences en Statistique. Conséquences sur les organisations dans le domaine du développement Absence de base d’échantillonnage, donc impossibilité de réaliser des enquêtes fiables. Recours continuellement aux estimations de la BM, PNUD et du PAM. Désigner les officiers suivi-évaluation pour s’occuper de l’analytique des données, la main- d’œuvre internationale dans ce domaine étant très coûteuse. Ce qui implique la production d’analyses orientées rapportage des projets et non planification stratégique.