Analyse de données et MEAL : tableurs, données qualitatives et contrôle des calculs

1Ce que l'IA apporte au MEAL

Les équipes MEAL passent beaucoup de temps sur des tâches répétitives : nettoyer des fichiers, écrire des formules, produire des tableaux, coder des réponses ouvertes, rédiger des synthèses. L'IA peut accélérer ces tâches :

• Formules et scripts : écrire une formule de tableur (RECHERCHEX, NB.SI.ENS, tableaux croisés), un script Python ou R, une requête dans un outil de collecte, et les expliquer ligne par ligne.
• Analyse de fichiers : Claude et Gemini peuvent lire un fichier CSV ou Excel, exécuter des calculs dans un environnement de code et produire des tableaux ou graphiques (selon la version et l'offre).
• Données qualitatives : proposer une grille de codage, coder des réponses, regrouper par thème, extraire des citations représentatives.
• Rédaction : transformer des résultats en constats, puis en recommandations.

Mais les données MEAL sont souvent personnelles (listes de ménages, enquêtes nominatives). La règle de la semaine 3 s'applique : données anonymisées et agrégées seulement, ou travail sur un échantillon fictif de même structure.

2Formules et scripts : la méthode des données fictives

Méthode sûre et efficace pour automatiser une analyse sans exposer de données :

• 1. Décrivez la structure de votre fichier (noms des colonnes, types, exemples de valeurs inventées) ou créez 10 lignes fictives de même structure.
• 2. Demandez la formule ou le script : « Écris une formule qui compte le nombre de ménages dirigés par une femme ayant reçu au moins 2 distributions, par district. »
• 3. Testez sur les données fictives, où vous connaissez le bon résultat.
• 4. Appliquez sur vos vraies données, dans votre tableur ou sur votre ordinateur.
• 5. Contrôlez par un calcul indépendant (filtre manuel, tableau croisé).

Avec Gemini dans Google Sheets ou les fonctions d'IA d'autres tableurs, l'IA agit directement dans le fichier : vérifiez alors que l'offre est professionnelle et autorisée pour ces données.

L'IA écrit la formule, vous l'exécutez sur vos données, vous vérifiez le résultat. Les données personnelles ne quittent pas vos outils.

3Contrôler les calculs et les statistiques

Les modèles de langage peuvent se tromper en calcul mental, surtout sur de longues séries. Quand l'assistant exécute réellement du code, les calculs sont fiables, mais l'interprétation peut être fausse. Contrôles indispensables :

• Dénominateurs : pourcentage de quoi ? Des répondants, des ménages enquêtés, de la population cible ? Les réponses manquantes sont-elles exclues ?
• Échantillon : un résultat sur 250 ménages enquêtés ne vaut pas pour toute la population sans méthode d'échantillonnage adaptée. Demandez la marge d'erreur.
• Moyenne ou médiane : pour des revenus ou des dépenses, quelques valeurs extrêmes faussent la moyenne.
• Corrélation n'est pas causalité : « les ménages qui ont reçu l'aide ont un meilleur score de consommation alimentaire » ne prouve pas que l'aide en est la cause sans groupe de comparaison.
• Désagrégation : sexe, âge, handicap, district ; vérifiez que les sous-totaux font le total.

Calcul. Échantillon aléatoire simple de 384 ménages : marge d'erreur d'environ ±5 % avec un niveau de confiance de 95 % pour une proportion proche de 50 %. Si l'IA annonce « 62 % des ménages de la province » à partir de 60 ménages choisis par commodité, la conclusion n'est pas représentative : il faut le dire.

4Données qualitatives : rigueur et traçabilité

Pour des transcriptions de groupes de discussion ou des retours des communautés (anonymisés) :

• Grille de codage : demandez une proposition à partir de vos questions d'évaluation, puis validez-la en équipe.
• Codage : faites coder les extraits avec la grille validée, en exigeant pour chaque thème le nombre d'extraits et deux ou trois citations exactes avec leur référence (groupe, lieu anonymisé).
• Contrôle : recodez vous-même un échantillon (par exemple 20 %) et comparez. Si l'accord est faible, revoyez la grille ou la consigne.
• Nuances : demandez explicitement les avis minoritaires et contradictoires ; l'IA tend à résumer vers la majorité.
• Citations : vérifiez que chaque citation existe mot pour mot dans la source ; une citation reformulée ne doit pas être présentée entre guillemets.

NotebookLM ou un Projet Claude avec les transcriptions comme sources facilitent ce travail, avec des réponses liées aux passages sources.

5Mécanismes de retour et de plainte

Les mécanismes de retour d'information et de plainte reçoivent parfois des centaines de messages (lignes téléphoniques, SMS, boîtes, applications de messagerie). L'IA peut aider à :

• proposer des catégories (information, demande d'aide, plainte sur la qualité, plainte sensible) ;
• résumer les tendances mensuelles à partir de données agrégées et anonymisées ;
• rédiger des réponses types validées.

Limites strictes :

• les plaintes sensibles (exploitation et abus sexuels, fraude, sécurité) suivent un circuit confidentiel humain et ne passent jamais par un assistant d'IA ;
• le classement automatique d'un message ne doit jamais retarder le traitement d'une plainte grave : un humain lit les messages entrants ;
• les personnes doivent savoir comment leurs messages sont traités.

6Des résultats aux recommandations

L'étape la plus délicate d'une évaluation est le passage des données aux constats, puis aux recommandations. L'IA peut proposer une structure claire (constat, preuves, conclusion, recommandation, responsable, échéance), mais :

• chaque constat doit être appuyé par au moins deux sources ou méthodes (triangulation) ;
• les recommandations doivent être réalistes pour l'organisation : budget, capacités, calendrier ;
• les critères d'évaluation (par exemple les critères du CAD de l'OCDE : pertinence, cohérence, efficacité, efficience, impact, viabilité) structurent l'analyse.

Demandez ensuite une critique : « Quelles conclusions de ce rapport ne sont pas suffisamment soutenues par les données présentées ? » Cette relecture adverse améliore nettement la qualité.