Innovative Data Collection Framework for Humanitarian Logistics: A Serious Game Solution

L’action humanitaire, qui permettent de fournir de l’aide à des millions de personnes dans le monde chaque année, dépendent fortement de l’efficacité des opérations logistiques efficaces. Cette dépendance est particulièrement évidente étant donné le rôle crucial que jouent les agents humanitaires dans la prise de décisions concernant l’allocation des ressources, le transport et la gestion de la chaîne d’approvisionnement pour aider les populations en situation critique. Dans de telles situations d’urgence, une évaluation rapide des besoins et une prise de décision efficace sont cruciales, étant donné les vies en jeu. Par conséquent, la formation continue et la préparation antérieure des agents humanitaires sont essentielles pour améliorer les opérations logistiques humanitaires et des stratégies de réponse. Les catastrophes naturelles, telles que les ouragans, introduisent une complexité intrinsèque dans la prise de décision en raison de leur nature imprévisible et stochastique. Dans de telles circonstances, les efforts de formation doivent s’appuyer sur les expériences passées de catastrophes pour identifier les domaines à améliorer. Néanmoins, les environnements exigeants et les contraints en ressources dans lesquels évoluent les agents humanitaires présentent souvent des obstacles à la collecte de données lors des opérations. Les techniques actuelles de collecte de données en humanitaire se concentrent principalement sur l’agrégation de données à partir de sources multiples telles que les organisations, les bases de données gouvernementales, les institutions de recherche et les médias. Leur objectif principal est de soutenir la prise de décisions éclairées et les stratégies de réponse efficaces. Cependant, les méthodologies actuelles manquent de la capacité à surveiller en continu les décisions prises par les parties prenantes clés et leurs impacts ultérieurs tout au long du processus de réponse d’urgence, un élément fondamental essentiel pour mener des analyses de données approfondies.