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:
- 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?
- 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.
- 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.
- 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.
- 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.
- Controle op tijdigheid. Bijvoorbeeld te checken of mutaties tijdig verwerkt zijn.
- 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.
Disclaimer
Hoewel deze uitgave met grote zorgvuldigheid is samengesteld, aanvaarden AethiQs B.V. en alle andere entiteiten, samenwerkingsverbanden, personen en praktijken die handelen onder de naam ‘AethiQs’, geen enkele aansprakelijkheid voor de gevolgen van het gebruik van de informatie uit deze uitgave zonder hun medewerking. De aangeboden informatie is bedoeld ter algemene informatie en kan niet worden beschouwd als advies. Indien in dit document wordt verwezen naar een mannelijke vorm, kan het net zo goed een vrouwelijk verwijzing zijn. Niets uit deze uitgave mag zonder akkoord van de schrijver en AethiQs worden gebruikt, gedeeld of gekopieerd voor andere doeleinden.
© Alle rechten voorbehouden aan AethiQs. Juni 2020.
Het originele artikel leest u op de website van AethiQs.
