Datakwaliteit en Wet toekomst pensioenen

Relevantie

De omzetting van het pensioenvermogen naar individuele pensioenvermogens heeft een direct effect op de hoogte van het pensioen van de deelnemers. Het is van belang dat deelnemers krijgen waar ze recht op hebben. Vanuit uw bestuurlijke verantwoordelijkheid dient u hier zorg voor te dragen. Daarnaast kunnen fouten in de verdeling serieuze gevolgen hebben voor de reputatie van uw pensioenfonds en het pensioenstelsel in het algemeen. Tot slot blijft ook na de transitie betrouwbare en integere data essentieel om een goede dienstverlening te kunnen (blijven) bieden aan uw deelnemers.

In het op te stellen implementatieplan van de nieuwe pensioenovereenkomst, dient u als pensioenfonds daarom ten minste aandacht te besteden aan de datakwaliteit voor, na en tijdens de transitie [bron 1]. “Voor” de transitie zorgt u dat de datakwaliteit een zo hoog mogelijk niveau bereikt. De datakwaliteit “tijdens” de transitie ziet meer toe op de migratie/conversie van de pensioenadministratie en de juiste omzetting/toedeling van de individuele pensioenvermogens. “Na” de transitie zorgt u ervoor dat het onderwerp datakwaliteit onderdeel wordt van uw periodieke toets op de kwaliteit van de pensioenuitvoering.

Naast uw intrinsieke motivatie om met de datakwaliteit aan de slag te gaan, zal ook DNB de aandacht vestigen op het onderwerp datakwaliteit. Wij verwachten namelijk dat datakwaliteit een van de belangrijkste toezichtthema’s van DNB wordt gedurende de transitie naar het nieuwe pensioenstelsel, omdat DNB conform hun visie op toezicht 2021-2024 [bron 2] instellingen er op gaat aanspreken om hun data goed op orde te hebben. We zien in de praktijk dat DNB, door middel van de vragenlijst niet financiële risico’s, hier aandacht voor vraagt. Men is het data-dossier langzamerhand aan het intensiveren, vanuit hun normatieve verantwoordelijkheid.

Onze visie op data

Uit de voorgaande paragraaf blijkt evident het belang van de juiste en duurzame aandacht voor het onderwerp datakwaliteit. Maar in onze visie stopt het daar niet, want datakwaliteit is niet een op zichzelf staand onderwerp maar onderdeel van het bredere concept data [bron 3]. Denkt u bijvoorbeeld maar aan data om uw dienstverlening aan deelnemers beter te maken, op maat te communiceren en de juiste beleggingsbesluiten te nemen.

Het geven van duurzame en juiste aandacht aan het concept data en het onderwerp datakwaliteit begint in onze optiek aan de top en volgt de benadering van – bestuurder, bestuur en besturing-:

• Bestuurder: binnen het bestuur dient, op basis van deskundigheid en geschiktheid, de portefeuille data belegd zijn bij een bestuurder.
• Bestuur: het gaat hier om het collectief perspectief op data, het nemen van eigenaarschap als bestuur als geheel en hoe data een plaats te geven in de besluitvorming (besturing).
• Besturing: het gaat hier om het proces rondom, de techniek achter en de borging van de datacyclus in de besturing van uw pensioenfonds. Hoe zorgt u voor voldoende bewustzijn en geeft u betekenis aan bijvoorbeeld de rol van datakwaliteit in uw besturingscyclus?

Geeft u al duurzame aandacht aan het concept data op de juiste niveaus?

Periodieke toets op datakwaliteit

Het concept data is echter geen statisch en eenmalig proces. Daarom vraagt, bijvoorbeeld het vraagstuk van het realiseren van optimale datakwaliteit voor de aankomende transitie, een doorlopend proces en geheel van monitoring, beoordeling en verbetering. Want hoe weet u anders dat u over betrouwbare data beschikt voor de transitie? Door periodiek te toetsen op datakwaliteit en mee te nemen in de besturing, krijgt u een robuust en betrouwbaar beeld van uw datakwaliteit en creëert u een (bestuurlijke) cyclus waarop u toetst op datakwaliteit. Voor deze cyclus adviseren wij u ieder half jaar de onderstaande drie stappen te doorlopen:

1. Sturen op datakwaliteit
2. Meten van datakwaliteit
3. Verbeteren van datakwaliteit

1. Sturen op datakwaliteit

Het sturen op een zo hoog mogelijke datakwaliteit voor de verdeling van het pensioenvermogen, is een taak van het pensioenfondsbestuur. In de visie van AethiQs zijn hierbij drie perspectieven die u mee kunt nemen in uw overwegingen. Het eerste perspectief is omdat u het belangrijk vindt om in het kader van de nieuwe pensioenovereenkomst te besturen en te besluiten op basis van integere data (performance). Denkt u bijvoorbeeld aan de berekeningen die u maakt om de gevolgen van invaren te beoordelen. Hiervoor heeft u correcte en volledige data nodig.

Een ander perspectief is omdat u als bestuur een maatschappelijke verantwoordelijkheid heeft om de deelnemer het individuele pensioenvermogen toe te kennen waar hij/zij recht op heeft (socialformance). Tot slot is ook DNB van mening dat het bestuur van een pensioenfonds de regie moet nemen over datakwaliteit door het operationaliseren van een datakwaliteitsbeleid en het actief sturen en verbeteren van de datakwaliteit. De laatste en derde invalshoek is dan ook dat u waarde hecht aan de datakwaliteit omdat een toezichthouder erom vraagt (conformance). Welk perspectief is voor u leidend?

Afhankelijk van de grootte en de bestuurlijke complexiteit van uw pensioenfonds heeft u wellicht al zaken ten aanzien van datakwaliteit vastgelegd. Maar heeft u ook al plannen opgesteld om te sturen op datakwaliteit in het kader van de transitie? Doorloopt u de drie stappen van de cyclus al periodiek?

2. Meten van datakwaliteit

Op dit moment leunen pensioenfondsen veelal op de datakwaliteit analyses die pensioenuitvoeringsorganisaties zelf doen. Vanuit uw bestuurlijke verantwoordelijkheid en uitbestedingsbeleid is het daarnaast wellicht aan te raden om bij het onderzoek naar de datakwaliteit in het kader van de transitie, ook een (periodieke) meting te laten uitvoeren door een of meerdere onafhankelijke partijen. De ervaring leert namelijk dat verschillende partijen ook verschillende methodieken en controles uitvoeren die elkaar aanvullen. Dit geeft u een robuuster en betrouwbaarder beeld van uw datakwaliteit. Daarbij is het belangrijk om bij datakwaliteit onderzoeken actief de samenwerking met de sleutelfuncties binnen het pensioenfonds te zoeken. Laat u al (onafhankelijk) periodiek uw datakwaliteit analyseren?

Als onafhankelijke partij ondersteunen wij pensioenfondsen bij het meten van hun datakwaliteit. Dit doen wij met onze in de praktijk bewezen data-gedreven aanpak, die eenvoudig en efficiënt periodiek uitgevoerd kan worden. Om u sturend te laten zijn in het proces, werken wij daarbij met het bewezen concept van de Datastraat. De AethiQs Datastraat aanpak kenmerkt zich door drie bewezen relevante componenten:

1. Concreet: wij werken met het concept van “datastraten”. In de stappen van de datastraat komen het sturen, meten en verbeteren van datakwaliteit terug in een overzichtelijke en beheersbare flow van data tot uitkomst, risicotolerantie en evaluatie.
2. Integraal: wij maken bij onze controles gebruik van moderne programmatuur, waarmee wij geautomatiseerd en integraal de controles kunnen uitvoeren. Daarbij speelt het aantal deelnemers dat u als pensioenfonds heeft geen rol en kunt u efficiënt periodiek een datakwaliteit analyse laten uitvoeren.
3. Data-gedreven: wij werken vanuit de data en gaan op zoek naar patronen in uw data die op het blote oog niet zichtbaar zijn. Hierbij werken wij met algoritmes die afwijkingen constateren binnen een set van karakteristieken van deelnemers.

Datastraat

Geïnspireerd door de essentie en relevantie van het onderwerp datakwaliteit bent u van plan om vanaf vandaag aan de slag te gaan met de verbetering van de datakwaliteit. Maar hoe maak je een dergelijk onderzoek nou concreet? Om het sturen, meten en verbeteren overzichtelijk te maken werken wij met het in de praktijk bewezen AethiQs concept van de datastraat. Op basis van vijf traceerbare en volgbare elementen houdt u grip op het meten van datakwaliteit en kunt u zelf sturen op datakwaliteit:

1. Data domein
2. Databases/systemen
3. Kritische Data Elementen
4. Data dimensie
5. Risicotolerantie

Het startpunt is het in kaart brengen van de data domeinen binnen uw pensioenfondsadministratie, bijvoorbeeld de deelnemersadministratie of de werkgeversadministratie. Door te bepalen op welke domeinen uw onderzoek zich richt, formuleert u aan de start al een heldere scope van het onderzoek. Per domein brengt u de databases en systemen in kaart. Voor het domein deelnemersadministratie zijn dit bijvoorbeeld de basisadministratie en de databases met de arbeidsgegevens.

Per domein en database kunt u vervolgens de Kritische Data Elementen (KDE) definiëren. De KDE zijn de datavelden of processen binnen uw administratie die essentieel zijn voor een juiste, volledige en tijdige uitvoering van de pensioenregeling. Het vaststellen van KDE kan in gezamenlijkheid met verschillende partijen en expertises uitgevoerd worden, zoals het bestuur (sturen), de pensioenuitvoeringsorganisatie (verbeteren), de sleutelfunctiehouders (sturen/meten) en de partij die het onafhankelijke datakwaliteit onderzoek uitvoert (meten).

Om periodiek te sturen op datakwaliteit is het daarbij wel essentieel om heldere definities te hebben. Datakwaliteit wordt immers breed in de volksmond gebruikt, maar hoe maken we het concreet en weten we dat we allemaal hetzelfde bedoelen? Wij definiëren, toetsen en meten datakwaliteit aan de hand van vijf dimensies:

1. Volledigheid (is voor alle deelnemers het geslacht gevuld?)
2. Formaat (is het IBAN rekeningnummer in het juiste formaat?)
3. Uniekheid/ontdubbelen (komt een deelnemer niet dubbel voor?)
4. Consistentie (is de data consistent over meerdere systemen en tabellen gezien?)
5. Plausibiliteit (is de data plausibel?)

Als laatste bepaalt u als pensioenfonds uw risicotolerantie voor de KDE en de dimensies. Bij het vaststellen wordt onder andere rekening gehouden met de risicohouding van uw pensioenfonds (sturen), de ervaring van u met uw PUO (meten) en eventuele incidenten uit het verleden (verbeteren). De datastraat maakt daarmee datakwaliteit voor uw pensioenfonds concreet en beheersbaar van kop tot staart.

Integrale en data-gedreven aanpak

In de visie op toezicht 2021-2024 schetst DNB het belang van het inspelen op technologische vernieuwingen. DNB wil de komende jaren in haar toezicht in toenemende mate gebruik gaan maken van slimme algoritmes en kunstmatige intelligentie (data science). Ook binnen AethiQs maken wij gebruik van data science technieken om verborgen patronen binnen u administratie bloot te leggen en datakwaliteit te toetsen. Op deze wijze gaan wij verder dan traditionele datakwaliteit controles (o.a. steekproef controles en basis controles) om datakwaliteit te meten.
Maakt u al gebruik algoritmes om verborgen patronen in uw datakwaliteit bloot te leggen?

Verbeteren

De derde stap van de cyclus bestaat uit het bespreken van de bevindingen met het pensioenfonds en de PUO. Daaruit volgen mogelijke verbeteringen van de datakwaliteit, die door de PUO in de administratie worden doorgevoerd. Op basis van de verbeterpunten kunt u eventueel het datakwaliteit beleid aanscherpen of de scope van de volgende cyclus bepalen. U doorloopt daarmee periodiek het proces van sturen, meten en verbeteren om te waarborgen dat u een robuust en betrouwbaar beeld krijgt van uw datakwaliteit richting de transitie naar het nieuwe pensioenstelsel.

De stappen sturen, meten en verbeteren kunt u ieder kwartaal of halfjaarlijks uitvoeren en onderdeel maken van uw bestuurlijke cyclus in aanloop naar de transitie en na invoering van het nieuwe pensioencontract. Zo stuurt u zelf als bestuur op datakwaliteit en is uw besluitvorming aan verschillende tafels (bestuur/sociale partners) en verantwoording gebaseerd op integere data. U blijft in control richting de overgang naar het nieuwe pensioencontract.

Samenvattend
U gaat het pensioenvermogen in het kader van de transitie verdelen over de individuele deelnemers. De keuzes die hieraan ten grondslag liggen wilt u baseren op betrouwbare data. In dit artikel hebben wij u meegenomen in de no-regret stappen die u hierop kunt ondernemen, namelijk door middel van een top-down benadering duurzame aandacht te besteden aan het onderwerp datakwaliteit. Start

vanaf heden met het doorlopen van een periodieke drie stappen cyclus voor datakwaliteit. Door middel van de cyclus van sturen, meten en verbeteren van datakwaliteit bouwt u aan betrouwbare data voor de transitie.

Om de datakwaliteit te meten maken wij gebruik van de AethiQs datastraat, een concrete, schaalbare en data-gedreven manier van datakwaliteit meten. Moderne programmatuur en data science methoden en technieken kunnen u daarbij helpen efficiënt en effectief datakwaliteit onderzoeken uit te voeren, die u kunt inpassen in uw bestuurlijke cyclus voor, tijdens en ná de transitie.

Wellicht bent u bekend met het AethiQs kernwaarde van 3x liefde:
voor jezelf, voor de klant (de deelnemer) en voor het (pensioen)vak. Vanuit deze kernwaarde vragen wij meer dan 3x uw aandacht voor uw datakwaliteit in de komende jaren.
Bent u er al klaar voor en neemt u stappen om achteraf geen spijt te krijgen?