Rhode, merci pour cette remarque. Le point concernant la complémentarité entre les méthodes de prospective et l'analyse prédictive est important, mais il n'est pas toujours explicitement soulevé. On part parfois implicitement du principe que la prospective est avant tout qualitative et tournée vers l'avenir, tandis que la modélisation prédictive relève du domaine des données concrètes ; or, dans la pratique, une évaluation solide tire profit des deux, et la logique qui sous-tend leur combinaison est tout à fait valable. La prospective nous aide à explorer l’espace d’incertitude, tandis que les méthodes prédictives nous aident à quantifier les trajectoires probables lorsque les données le permettent.
Votre remarque sur la fragmentation des données est tout à fait pertinente et, selon moi, constitue en soi un problème systémique que l’évaluation a un rôle à jouer pour résoudre. Si les évaluations produisaient systématiquement des données structurées et accessibles, plutôt que des rapports cloisonnés au niveau des projets, les ensembles de données longitudinales qui soutiendraient le type de modélisation que vous décrivez s’accumuleraient progressivement. L'appropriation nationale, comme vous le suggérez, est une voie possible. Mais les pratiques de commande d'évaluations au sein des organisations internationales pourraient également évoluer de manière à soutenir cette démarche. Cela semble être une réforme institutionnelle concrète qui mérite d'être approfondie dans la discussion. Je trouve également que la dimension de l'IA et de l'apprentissage automatique mérite d'être suivie de près. La capacité d'apprentissage inter-projets à grande échelle est véritablement nouvelle, et ses implications pour la conception de l'évaluation sont encore en cours d'élaboration.
RE: From Hindsight to Foresight: How Evaluation Can Become Future-Informed
Kenya
Steven Lynn Lichty
Managing Partner
REAL Consulting Group
Posté le 27/03/2026
Rhode, merci pour cette remarque. Le point concernant la complémentarité entre les méthodes de prospective et l'analyse prédictive est important, mais il n'est pas toujours explicitement soulevé. On part parfois implicitement du principe que la prospective est avant tout qualitative et tournée vers l'avenir, tandis que la modélisation prédictive relève du domaine des données concrètes ; or, dans la pratique, une évaluation solide tire profit des deux, et la logique qui sous-tend leur combinaison est tout à fait valable. La prospective nous aide à explorer l’espace d’incertitude, tandis que les méthodes prédictives nous aident à quantifier les trajectoires probables lorsque les données le permettent.
Votre remarque sur la fragmentation des données est tout à fait pertinente et, selon moi, constitue en soi un problème systémique que l’évaluation a un rôle à jouer pour résoudre. Si les évaluations produisaient systématiquement des données structurées et accessibles, plutôt que des rapports cloisonnés au niveau des projets, les ensembles de données longitudinales qui soutiendraient le type de modélisation que vous décrivez s’accumuleraient progressivement. L'appropriation nationale, comme vous le suggérez, est une voie possible. Mais les pratiques de commande d'évaluations au sein des organisations internationales pourraient également évoluer de manière à soutenir cette démarche. Cela semble être une réforme institutionnelle concrète qui mérite d'être approfondie dans la discussion. Je trouve également que la dimension de l'IA et de l'apprentissage automatique mérite d'être suivie de près. La capacité d'apprentissage inter-projets à grande échelle est véritablement nouvelle, et ses implications pour la conception de l'évaluation sont encore en cours d'élaboration.