Datamanagement voor de smart pensioensector: waardevol of risicovol?

Een complex rendementsvraagstuk
De toenemende digitalisering en betere toegankelijkheid van data maken dat deze een steeds centralere positie innemen in de bestuurlijke cycli. Eenzelfde groei zien we terug in de hoeveelheid, variëteit en behoefte aan slimme datatoepassingen. Dit biedt organisaties enerzijds kansen: wanneer zij waarde uit de data kunnen halen, kunnen zij tot betere besluitvorming komen. Anderzijds liggen er ook risico’s op de loer. Denk aan risico’s rondom privacy en cybercrime. En daarmee ligt er een nieuw vraagstuk op tafel bij u als pensioenfondsbestuurder: het rendementsvraagstuk rondom data. Want: welke betekenis en beleving geeft u aan datamanagement: waardevol of risicovol?

Antwoord geven op die vraag, is complex. Het vraagt om een gestructureerde aanpak van data, en om een heldere eigen visie op data. Om u hierbij te begeleiden, beantwoorden wij drie belangrijke W-vragen:

1. Wat is het concept data voor een pensioenfonds?
2. Waarom zou u als pensioenfondsbestuurder datamanagement moeten toepassen?
3. Wanneer en in welke processen kunt u datamanagement inzetten en borgen?

Wat is het concept data voor een pensioenfonds?
Als het gaat om het concept data, denken wij in lagen.

Door alle beschikbare data (de vierde laag) te inventariseren, te ontsluiten, te combineren, te bewerken en vervolgens te analyseren met technieken als datakwaliteitsanalyses (de derde laag), vormen zich feiten en vindt de transformatie plaats van datavelden naar een visie op hoe deze data te structureren langs de lijnen van datamanagement (de tweede laag). Dit hele proces noemen we datamanagement: het gestructureerde proces van het produceren, vastleggen, onderhouden, actualiseren, beheren, beveiligen en analyseren van data. Naar onze mening met als uiteindelijke doel om deze data zodanig om te zetten naar informatie en feiten, dat op basis hiervan strategische en operationele beslissingen genomen kunnen worden. 

Drie succesfactoren
Om de vier lagen op de juiste manier samen in te zetten binnen de bestuurlijk cycli is het hebben van een heldere visie essentieel. Hierbij is ons inziens sprake van drie succesfactoren:

1. Bestuurder: Het is zaak dat iemand binnen uw bestuur ‘data’ in zijn of haar portefeuille heeft. Zo is er altijd een gericht aanspreekpunt.
2. Bestuur: Het bestuur moet aanspreekbaar en accountable zijn op de resultaten en op hoe data een plaats krijgen binnen de besluitvorming. Een collectieve visie is hierbij cruciaal.
3. Besturing: Het proces rondom, de techniek achter en de borging van de datacyclus in de besturing van uw fonds is essentieel. De data moeten op orde zijn en de datakwaliteit moet continu gemonitord worden.

Een doorlopend geheel
Daarnaast is het realiseren van optimale datakwaliteit via een juiste inrichting van datamanagement geen statisch, eenmalig proces. Het vraagt om een doorlopend geheel waarin vier kwadranten van belang zijn:

Kwadrant 1: Databewustzijn
U kunt pas aan de slag met data als er sprake is van databewustzijn. Het gaat hierbij onder meer om een collectieve visie op data, op heldere en eenduidige definities voor de gebruikte termen en op het vaststellen van de voor u belangrijke data.

Kwadrant 2: Datastrategie
Omdat het concept data zo breed is, is een heldere datastrategie die aansluit bij uw doelstellingen onmisbaar. Een stappenplan brengt in beeld hoe u waarborgt dat u handelt op basis van de juiste data. 

Kwadrant 3: Data governance
Er zijn meerdere spelers in de keten. Zo is uw uitvoerder bezig met data, maar ook uw accountant en actuaris. Hoe richt u uw organisatie dusdanig in dat er geen lacunes ontstaan en zaken niet dubbel worden gedaan? Wie heeft welke rol? Het is zaak dat u de opzet, het bestaan en de werking van de bestuurlijke datacyclus beschrijft.

Kwadrant 4: Dataprocessen
Tot slot is het belangrijk dat u de diverse processen rondom de data van uw fonds in kaart brengt. Zo borgt u onder meer dat datakwaliteit in al deze processen is meegenomen. Voor het meten, beoordelen en monitoren van uw datakwaliteit zijn overigens diverse moderne technieken voorhanden die u veel werk en kosten besparen.

Om te beoordelen waar u staat binnen deze vier kwadranten, moet u per kwadrant uw volwassenheidsniveau bepalen. Deze niveaus lopen van zwak, via onvoldoende en voldoende, naar sterk. Daarnaast zijn er drie invalshoeken die u dient mee te nemen in uw overwegingen:

1. Drie-formance: Performance- versus Conformance- versus Socialformance-denken: hierbij is het de vraag of u waarde hecht aan goed datamanagement omdat bijvoorbeeld DNB erom vraagt (conformance), of omdat u het intrinsiek belangrijk vindt om te besturen en besluiten op basis van integere date (performance) of omdat u (ook) een maatschappelijke relevantie invalshoek wenst te geven aan uw fonds (socialformance), bezien vanuit data.
2. Risicogedachte: Risicobereidheid voor data-integriteit: hierbij is het de vraag welke risico’s u bereid bent te nemen en wat uw zogenaamde ‘stoepranden’ rondom data zijn.
3. Integraal bezien: Samenhang met andere beleidsdocumenten van uw fonds. Hierbij gaat het om de vaststelling dat het belangrijk is dat er beleid moet zijn rondom data en dat dit beleid raakvlakken heeft met andere beleidsstukken van uw fonds. Denk aan de ABTN, het uitbestedingsbeleid, risicomanagementbeleid, IT-beleid en het beleggingsbeleid.

Wanneer het concept data helder is, komen we bij het waarom van datamanagement.

Waarom zou u datamanagement moeten toepassen?
Dankzij de toenemende digitalisering ontstaat er steeds meer inzicht in de beschikbare data op operationeel gebied (de eerder besproken vierde laag). Dat u daarmee iets doet, wordt simpelweg verwacht van iedere professionele organisatie. Dus ook van die van u. Daarbij komt dat de DNB in 2025 smart supervisor wil zijn. Ze willen onder meer technologische mogelijkheden beter benutten door routinematige taken zo veel mogelijk te automatiseren en data-gedreven te werken door de inzet van moderne datatechnieken. Omdat deze ambitie onderdeel is van de nieuwe toezichtmethode die de DNB momenteel ontwikkelt, heeft dit dus ook gevolgen voor u: uw pensioenfonds moet een smart pensioenfonds worden. Hierbij kan datamanagement u helpen. Datamanagement heeft namelijk twee belangrijke functies binnen organisaties: die van objectivering en die van professionalisering. Via datamanagement verzekert u zichzelf van juiste en integere data. Zo kunt u de juiste beslissingen nemen en tegelijkertijd uw beslissingen objectiveren naar de buitenwacht. Daarnaast kunt u dankzij datamanagement 100% controles uitvoeren: de tijd van selectieve controles (steekproeven) is voorbij. Zo speelt datamanagement een grote rol bij de verdere professionalisering van uw pensioenfonds.

Wat als u niets doet?
Bij de vraag waarom u datamanagement moet toepassen, kunt u zichzelf ook afvragen: wat als u niets doet? Hierbij kijken we naar het eerder genoemde Performance- versus Conformance- versus Socialformance-denken. Hierbij bent u bezig met data en datamanagement omdat het maatschappelijk en sociaal gewenst is dat u op de juiste manier met data omgaat. Terug naar de vraag: wat als u niets doet? Kijkend naar performance-denken loopt u bijvoorbeeld het risico dat u niet tijdig kunt reageren op kansen in de beleggingsmarkt omdat u niet over de meest recente cijfers beschikt. Kijkend naar het conformance-denken kan niets doen, leiden tot een onderzoek van DNB. Ontdekken zij dat uw fonds zich ergens niet aan de regels houdt, dan krijgt u te maken met negatieve publiciteit en dus imagoschade. Tot slot: wat is het risico binnen socialformance-denken als u niets doet? U bewaart data van deelnemers bijvoorbeeld langer dan wettelijk toegestaan, en er ontstaat een datalek. Dan zal men zich afvragen waarom u deze data langer bewaart en of dit maatschappelijk gezien wel wenselijk is. Ook hier loopt uw imago een flinke deuk op.

In onze optiek is het dan ook essentieel aan de slag te gaan met datamanagement en om hierbij de drie genoemde formance-begrippen mee te nemen. U zult uw keuzes hierin moeten overleggen binnen de gehele keten, dat wil zeggen: aan de bestuurstafel, aan de tafel van de pensioenuitvoerder en aan de tafel van de vermogensbeheerder. Pas als alle neuzen dezelfde kant opstaan, de visie gedeeld en helder is, kunt u optimaal aan de slag met data en datamanagement. Het belang van datakwaliteit en de toegevoegde waarde van datamanagement zijn nu duidelijk. Komen we bij de derde W-vraag: wanneer en hoe past u het toe en in welke processen kunt u het borgen?

Wanneer en in welke processen kunt u datamanagement borgen?
Het datalandschap binnen de pensioensector is complex. Hier bevinden zich onder meer data en systemen over premie-inning, informatie over uw deelnemers, informatie over werkgevers, informatie over uw beleggingsportefeuille, betaling van pensioengelden, communicatie met de Belastingdienst, toezichthouders, banken en sociale partners, met de hierbij behorende interfaces tussen de verschillende systemen. En overal moeten datakwaliteit en datamanagement goed geborgd zijn. Dit vraagt om een gedegen mate van controle. Dit kan bijvoorbeeld door binnen uw datalandschap de kritische data-elementen te signaleren en diverse controls inrichten om de verschillende onderdelen van data-kwaliteit, bijvoorbeeld volledigheid, juistheid en plausibiliteit, te meten en zo grip te houden op uw datakwaliteit

Een nulmeting en de juiste controls
Gaat u de datakwaliteit binnen uw datalandschap meten, dan raden wij u aan te starten met een nulmeting. Zo creëert u overzicht en kunt u vervolgens de verschillende datakwaliteit-controls koppelen aan de onderdelen uit dit datalandschap. Er zijn diverse controls mogelijk:

1. Controle op de koppeling met externe bronnen. Heeft u bijvoorbeeld gecontroleerd of data van bijvoorbeeld de Basisregistratie Personen, SUAG en werkgevers juist is overgenomen in alle verschillende systemen van uw pensioenadministratie?
2. Controle op de basis. Bijvoorbeeld door te controleren wie verantwoordelijk is voor welke data, of de data voldoen aan het vereiste format, hoeveel procent van een dataveld ontbreekt of datavelden consistente waardes kennen tussen systemen.
3. Controle op logische waardes. Bijvoorbeeld door te controleren of het parttimepercentage tussen de 0 en 100% is of het geslacht de waarde man-vrouw kent.
4. Controle op plausibiliteit. Bijvoorbeeld door te signaleren dat het salaris van deelnemers significant afwijkt ten opzichte van de groep actieve deelnemers met dezelfde leeftijd, binnen dezelfde functiegroep en met dezelfde diensttijd.
5. Controle op juistheid. Bijvoorbeeld door bepaalde variabele exact te controleren met het reglement. Is de maximering van het pensioengevend salaris goed toegepast voor een bepaald jaar.
6. Controle op tijdigheid. Bijvoorbeeld te checken of mutaties tijdig verwerkt zijn.
7. Controle op de verantwoording. Bijvoorbeeld door te controleren of de gegevens die gebruikt worden in de communicatie met stakeholders overeenkomen met de data in systemen.

Voert u controle 1 t/m 5 uit dan bereikt u een steeds toenemend niveau van comfort. Voert u ook controles 6 en 7 uit, dan heeft u ieder detail van uw datakwaliteit in beeld. Om deze controles uit te voeren, kunt u terugvallen op diverse moderne methoden en technieken.

De drie W-vragen zijn nu beantwoord. Nu bent u aan zet. Bent u er klaar voor een smart pensioenfonds te worden?

Zo wordt u een smart pensioenfonds
Het mag duidelijk zijn: het verbeteren van uw datakwaliteit is een wezenlijke eerste stap om als pensioenfondsbestuur meer waarde te kunnen halen uit uw data. Op de vraag of datamanagement voor u waardevol of risicovol is, is het antwoord dat dit afhankelijk is van de keuzes die u maakt in inrichting en implementatie.

Wilt u aan de slag met data en datamanagement, dan zijn dit de vragen die u zichzelf in eerste instantie moet stellen:

• Heeft u al een kennissessie data(management) op de bestuursagenda staan voor tijdens een studiedag?
• Is helder welke data u minimaal nodig heeft om uw kerntaken goed uit te kunnen voeren?
• Heeft u binnen het bestuur iemand aangewezen als verantwoordelijke voor het thema data, bijvoorbeeld de IT-portefeuillehouder?
• Zijn er duidelijke afspraken gemaakt over governance binnen de gehele keten, zodat er geen lacunes dan wel dubbelingen zijn?
• Heeft u het monitoren van de datakwaliteit periodiek op de bestuursagenda staan?
• Weet u welke volwassenheidsniveaus u heeft binnen de vier kwadranten: databewustzijn, datastrategie, data governance en dataprocessen? En heeft u vastgesteld op welke niveaus u idealiter wilt staan?
• Heeft u al een heldere visie geformuleerd op de drie formance-niveaus?
• Is er consensus binnen uw bestuur over de visie op data? En als dit niet zo is, heeft u dan een plan van aanpak om dit gat te dichten?
• Weet u al hoe u uw visie gaat bereiken? Is deze strategie helder en geborgd in een stappenplan?
• Heeft u het proces rondom, de techniek achter en de borging van de datacyclus goed ingericht? En zo niet, hoe gaat u dit dan realiseren?
• Heeft u goed zicht op uw datalandschap? Weet u waar welke controls nodig zijn? En zijn deze goed ingericht?
• Weet u wat belangrijker is voor u: kwantiteit aan datagegevens of kwaliteit van data-informatie over de tijd? En heeft u hierop actie genomen?
• Weet u al wat u morgen anders gaat doen of welke stap u morgen echt gaat zetten?

U kunt veel vragen met ‘ja’ beantwoorden? Dan bent u op de goede weg. Geeft u daarentegen regelmatig ‘nee’ als antwoord? Dan valt er nog veel winst te behalen voor uw bestuur als het gaat om data en datamanagement.

In de volgende hoofdstukken gaan wij in detail in op de onderdelen in deze samenvatting. Te beginnen met data als concept, en als vakgebied.