Datakwaliteit:
wat is uw horizon?

De relevantie: waarom nu al doorkijken?

Een van de eerste kennismakingen van de pensioensector met datakwaliteit was de publicatie van de Good Practice Robuuste Pensioenuitvoering van DNB uit 2017 [bron 1]. DNB geeft hierin pensioenfondsen, pensioenuitvoeringsorganisaties (PUO) en andere stakeholders handvatten om de beheersing op datakwaliteit in te richten. Op basis hiervan zijn pensioenfondsen beleidsdocumenten voor datakwaliteit gaan opstellen en in gesprek gegaan met hun PUO’s om de huidige beheersmaatregelen in de pensioenadministraties in kaart te brengen. Een mooie ontwikkeling die al voor het nodige bewustzijn van het datakwaliteit risico heeft gezorgd, echter meer aan de uitvoeringskant dan aan de bestuurstafel.

Het onderwerp datakwaliteit heeft pas echt aan populariteit gewonnen door de Wet toekomst pensioenen (Wtp), omdat pensioenfondsen die gaan invaren onder Wtp de datakwaliteit aantoonbaar moeten maken vóór, tijdens en na invaren. Daarnaast is er in de nieuwe pensioenregelingen meer focus op het individu: de deelnemer. Klantbediening wordt een meer onderscheidende factor van een pensioenfonds en om de deelnemer zo optimaal mogelijk te ondersteunen dient de data (op basis waarvan een deelnemer ondersteund wordt) zo goed mogelijk te zijn [bron 2]. Houd ook dit al in het achterhoofd bij het kijken naar datakwaliteit.

Om fondsen te helpen bij het aantoonbaar maken en het verbeteren van de datakwaliteit heeft de Pensioenfederatie het Kader Datakwaliteit gepubliceerd, waarin diverse fases beschreven staan die pensioenfondsen kunnen doorlopen. Opeens is datakwaliteit ook onderdeel van gesprek aan de bestuurstafels, door het feit dat pensioenfondsbesturen de bestuurlijke verantwoordelijkheid hebben om de kaders te stellen voor de beoordeling van de datakwaliteit in relatie tot het invaren. In de laatste fase van het Kader Datakwaliteit neemt het bestuur een besluit over de kwaliteit van de data: vinden wij deze als bestuur voldoende om te gaan invaren en de invaarberekening op te baseren?

Rode draad Kader Datakwaliteit

Om het bestuur van het fonds te faciliteren, werken pensioenbureaus, bestuursbureaus en PUO’s de diverse fases uit het Kader nader uit. Het verschilt per pensioenfonds en per PUO hoe de rolverdeling in deze uitwerking zich tot elkaar verhoudt. Zelfstandig administrerende fondsen zullen veel onderdelen zelf moeten uitwerken, terwijl pensioenfondsen met een PUO gefaciliteerd zullen (willen) worden door de PUO. Overigens: vaak zien we dat fondsen mee kunnen gaan in “de standaard” bij een PUO. Diverse onderdelen worden generiek voor meerdere klanten van de PUO uitgewerkt. Dit is efficiënt en kostenbesparend, maar het fonds moet wel goed voor zichzelf bepalen of het daarmee alle gewenste informatie ontvangt en de inzichten krijgt om een goed onderbouwd besluit te nemen over de datakwaliteit. Daarnaast dient het fonds vanuit haar bestuurlijke verantwoordelijkheid een mening te vormen over alle voorliggende documentatie die het van de PUO ontvangt.

Er worden dus door diverse stakeholders binnen een pensioenfonds al diverse onderdelen van het Kader uitgewerkt. Het zou zonde zijn om het onderwerp alleen maar te benaderen vanuit de doelstelling om te komen tot een bestuursbesluit in relatie tot fase 6 van het Kader Datakwaliteit. Kijk nu al wat er gebruikt kan worden voor het meten van datakwaliteit in de stay-clean fase (periode tussen het besluit over datakwaliteit voor invaren in het implementatieplan en het daadwerkelijk invaren) en in het nieuwe stelsel. Daarnaast zijn er de nodige technologische ontwikkelingen gaande op het gebied van data science en kunstmatige intelligentie, waarmee datakwaliteit op een data-gedreven wijze gemeten en inzichtelijk gemaakt kan worden. Betrek dit ook bij uw volgende stap op het gebied van datakwaliteit.

De essentie: wat kunnen we nu al leren en doen?

Laten we enkele onderdelen van het Kader Datakwaliteit nader bekijken om te zien welke zaken we nu al kunnen leren van hetgeen allemaal uitgewerkt wordt.

De Kritische Data-elementen (KDE)
Voor het controleren van de datakwaliteit wordt een scope bepaald via de KDE: welke datavelden zijn essentieel voor het juist uitvoeren van de invaarberekening en de verdeling van het vermogen naar de individuele pensioenvermogens? Het Kader Datakwaliteit geeft een mooie voorzet middels een KDE lijst, die verder beoordeeld en aangevuld moet worden door de pensioenfondsen en de PUO’s. Als we vooruitkijken naar de pensioenregelingen in het nieuwe stelsel, zullen er andere KDE relevant worden voor een juiste uitvoering van het pensioenreglement. Kijk nu al met een schuin oog naar deze toekomstige KDE, zodat deze direct in scope zijn van de beheersing en monitoring van het datakwaliteit risico in het nieuwe stelsel.

De risicoanalyse op KDE
Om aanvullende analyses en aanvullende beheersmaatregelen op de KDE te bepalen, wordt er een risicoanalyse op de KDE uitgevoerd, waarbij gekeken wordt wat de huidige beheersing is en of deze binnen de risicobereidheid van het fonds valt. Op dit moment wordt de beschreven methode ingezet om schone data te houden in de stay-clean fase, maar een dergelijke analyse kan ook periodiek in de reguliere risicomanagementcyclus van een pensioenfonds worden uitgevoerd. Op deze wijze kan er continu bepaald worden of er op specifieke plekken in de pensioenfondsadministratie een aanvullende beheersmaatregel nodig is om de datakwaliteit op orde te houden.

De datakwaliteit meting
Het Kader Datakwaliteit biedt een overzicht van data profiling en generieke data analyses die uitgevoerd kunnen worden om inzicht te krijgen in de datakwaliteit. Dit zijn controles die integraal (voor alle deelnemers) en geautomatiseerd via geprogrammeerde algoritmes uitgevoerd kunnen worden. Als dergelijke algoritmes eenmaal ingericht zijn, kunnen deze eenvoudig keer op keer gedraaid worden. Dit biedt kansen om de uitvoering van de controles niet te beperken in relatie tot de werkzaamheden van het Kader Datakwaliteit, maar periodiek uit te blijven voeren om de datakwaliteit te kunnen blijven monitoren. Hierbij geldt, net als bij de KDE, dat er mogelijk andere controles relevant worden in het nieuwe stelsel. Denk vooruit en breng eventuele nieuwe controles al in kaart, zodat deze al vooraf ingericht kunnen worden en u direct inzicht heeft in uw datakwaliteit in het nieuwe stelsel.

Naast deze controles loont het om te kijken naar de inzet van data science technieken. De controles uit het Kader Datakwaliteit zijn business rules, die door de mens (human intelligence) zijn opgesteld. De ontwikkelingen op het gebied van data science gaan snel: er is steeds meer rekenkracht en data beschikbaar, waarmee slimme en innovatieve machine learning en deep learning technieken ingezet kunnen worden. Kijk dus ook eens naar uw data met de inzet van Artificial Intelligence: een data-gedreven aanpak kan eventuele afwijkingen herkennen die door business rules niet gevonden worden.

Afsluitende boodschap

Het vakgebied datakwaliteit heeft zich de laatste jaren ontwikkeld. In de pensioensector krijgt het onderwerp steeds meer aandacht en technologische ontwikkelingen op het gebied van data science geven nieuwe handvatten om datakwaliteit te meten. Zie datakwaliteit voor het invaren niet als iets eenmaligs, maar kijk welke onderdelen herbruikbaar zijn voor de reguliere bedrijfsvoering en in het nieuwe stelsel. En zie de kansen die datakwaliteit biedt: met goede data verbetert de klantbediening van een pensioenfonds en kunnen deelnemers nu en in de toekomst zo goed mogelijk bediend worden.