Datakwaliteit als basisbehoefte
In tijden waarin met data steeds meer fascinerende kunsten worden vertoond in de vorm van artificial intelligence, video- en fotobewerking, navigatie en het beïnvloeden van menselijk gedrag, is het soms ook wel ontnuchterend hoeveel werk we moeten verzetten om de basis, namelijk datakwaliteit op orde te krijgen en op orde te houden. Ook op dit vlak werken Triple A – Risk Finance en InAudit samen om kennis te delen en klanten te helpen. In dit artikel laten we wat voorbeelden voorbijkomen.
Datakwaliteit pensioenfondsen
De pensioensector staat aan de vooravond van een majeure verandering als gevolg van de WTP. Een essentiële randvoorwaarde om een besluit tot invaren te kunnen nemen, is een effectieve beheersing van de datakwaliteit van de pensioengegevens die worden gebruikt bij de transitie. In 2022 heeft de Pensioenfederatie een kadernota laten verschijnen over de werkzaamheden die noodzakelijk zijn om aan te tonen dat het bestuur alles heeft gedaan om de datakwaliteit te beheersen. Dit proces wordt afgerond met een onderzoek door een extern accountant of IT-auditor naar de toereikendheid door middel van een programma ‘Specifiek overeengekomen werkzaamheden Datakwaliteit – WTP’ (“AUP”). Naast het feit dat datakwaliteit essentieel is voor de juistheid van pensioen voor de deelnemers is dit proces ook essentieel voor het bestuur van een pensioenfonds in het kader van besluitvorming omtrent invaren.
In november 2022 organiseerden Triple A – Risk Finance en InAudit in Burgers’ Zoo een eerste bijeenkomst over deze Kadernota en ook in onze vorige editie van het InAudit Magazine hebben we hierbij stil gestaan. Inmiddels zijn er ook al eerste gezamenlijke opdrachten, waarbij vanuit InAudit met name wordt stilgestaan bij het beheersingskader (fase 1 en 2 van de Kadernota), en Triple A – Risk Finance de data-analyses uitvoert (met name fase 3). InAudit kan ook vanuit haar auditrol betrokken zijn bij een gap-analyse of pre-audit op een intern project, om te voorkomen dat de extern accountant bij de AUP nog op vervelende verrassingen stuit.
Datakwaliteit verzekeraars
In de jaarlijkse uitvraag naar niet-financiële risico’s door DNB komt het aspect datakwaliteit ook duidelijk naar voren. Al in 2017 verscheen het DNB Guidance document “Beheersing Solvency II datakwaliteit door verzekeraars”. Dit document had nog een duidelijke focus op de Solvency II rapportages en bijbehorende berekeningen, maar inmiddels zien we dat verzekeraars de scope van de beheersing van datakwaliteit steeds breder trekken. Slechte datakwaliteit levert immers nooit een positief resultaat op in de bedrijfsuitoefening. Vaak leidt het ook tot onnodig hoge kosten, onzekerheid in premiestelling, het ontstaan van een ‘Excel-hel’, geïrriteerde klanten en gebrekkige beheersing.
Vanuit InAudit en Triple A – Risk Finance zien we steeds vaker dat verzekeraars gebruik (willen gaan) maken van een dataplatform en de betrouwbaarheid daarvan voortdurend willen bewaken. Zo zien we ook steeds vaker dat functies als DQ Officers (DQ= data quality) worden ingericht om de diverse aspecten van het datamanagement gestructureerd te gaan beheersen, zoals het in beeld brengen van key data-elementen, business rules, data lineage enzovoort en uiteraard voor het realiseren van een monitorings- en rapportageproces.
Het kunnen aantonen van een beheerste en integere bedrijfsvoering op het gebied van datamanagement wordt door de toezichthouder ook steeds vaker als voorwaarde gesteld bij rapportages, maar ook in het kader van nieuwe initiatieven binnen bijvoorbeeld productvoering en kapitaalmodellen. Een voorbeeld van het laatste betreft de mogelijkheid tot USP’s binnen Solvency II.
Toepassing van USP’s om de kapitaalseis te verlagen
Waar in de gewone mensenwereld USP’s veelal staan voor de ‘Unique Selling Points’, staat het in de wereld van Solvency II voor ‘Undertaking Specific Parameters’. Kortgezegd komt het hier op neer: Solvency II maakt in de bepaling van de kapitaaleis gebruik van gestandaardiseerde ‘schokken’ afgeleid van een meerjarig Europees historisch gemiddelde, maar geen enkele portefeuille is volledig ‘standaard’. Onder strenge voorwaarden kun je daarom, als de portefeuille sterk afwijkende specifieke kenmerken heeft, het traject volgen van de USP’s. Hierbij worden de factoren voor de berekening van de kapitaalseis gebaseerd op de eigen portefeuille en historie. Triple A – Risk Finance heeft hiermee ervaring en heeft ondersteund bij succesvolle implementatie hiervan, waaronder het verkrijgen van goedkeuring.
In situaties waarin de standaardformule tot een buitensporig hoge kapitaalseis leidt die niet in een realistische verhouding staat tot de daadwerkelijke risico’s in de portefeuille, biedt de Solvency II regelgeving hiertoe mogelijkheden. Maar ook hiervoor geldt wel dat de verzekeraar zal moeten aantonen dat de data waarmee de USP wordt berekend betrouwbaar tot stand is gekomen en adequaat wordt beheerst, zodat periodieke herijking van de USP plaats kan vinden op basis van juiste, betrouwbare en volledige data.
Sturen op klantwaarde
Voor veel verzekeraars geldt tot slot dat het schadeverloop over de jaren heen grillig kan zijn. Jaren met een hoge schadelast en jaren met een lage schadelast wisselen zich af en de mee- en tegenvallers in een portefeuille middelen zich niet altijd uit. Het analyseren van een bepaald bedrijfsresultaat in enig jaar of over een periode van jaren is daarom voor verzekeraars niet altijd een goede reflectie van de eigen performance.
De mate waarin de verzekeraar klanten (tegen een bij het risicoprofiel passende premie) voor een langere termijn kan binden is wellicht een betere indicator voor de waarde van de verzekewww. aaa-riskfinance.nl raar. Een klant met een ‘gunstig’ profiel die ook genegen is om lang trouw te zijn aan de verzekeraar, is van meer waarde dan de klant die elk jaar op internet de laagste premie zoekt. Triple A – Risk Finance heeft methodes ontwikkeld waarmee op basis van data-analyse een benadering kan worden gemaakt van de klantwaarde, zodat de verzekeraar ook hierop kan sturen.
Conclusie
Financiële organisaties, zoals verzekeraars en pensioenfondsen, maar ook betaalinstellingen, vermogensbeheerders en andere financiële instellingen zijn in feite databedrijven. Er gaan geen producten in of uit en er vindt geen omzetting plaats van fysieke (half)fabricaten. Wat er in- en uitgaat zijn data, waarbij we geldelijke kasstromen ook als data beschouwen.
Een adequate beheersing van de datakwaliteit is dan ook niet alleen een vereiste vanuit het toezicht, maar kan enorm bijdragen aan het succes van financiële organisaties, zowel in termen van bediening van de klant als in het nemen van de juiste besluiten, het zo effectief mogelijk inzetten van het beschikbare kapitaal en het beheersen van de risico’s die daarmee samenhangen. Triple A – Risk Finance en InAudit helpen u hier graag mee verder.
Ronald van de Langenberg (InAudit)
Jasper Hoogenstraaten (Triple A – Risk Finance)