Jouw situatie is uniek. Wij kunnen luisteren.

Datakwaliteit

Datakwaliteit staat sterk in de belangstelling van DNB en AFM; zeker met het oog op de transitie naar een nieuw pensioenstelsel. Maar wat is datakwaliteit? Een gegevensset is niet zomaar te kwalificeren op ‘kwaliteit’. Kwaliteit valt niet te duiden zonder te testen of te vergelijken. Er is wel iets te zeggen over Datakwaliteit door deze te splitsen naar Volledigheid en Juistheid.

Volledigheid

Volledigheid is dat je alle gegevens nodig voor het uitvoeren van je activiteiten, op het juiste moment beschikbaar hebt. Dat wil overigens niet zeggen dat alle gegevens ook daadwerkelijk in één systeem (bijvoorbeeld het pensioenadministratiesysteem) vast moeten liggen. Ook hoef je niet alle gegevens historisch vast te leggen; denk aan adresgegevens: je hebt alleen het actuele adres op moment van verzending nodig. Het verzonden item leg je vast in het archiefsysteem en bevat het op dat moment juiste adres. Dat is Informatiemanagement (en modeleerkeuze) en niet datakwaliteit. De volledigheid is alleen te toetsen door de geregistreerde gegevens te vergelijken met de (wettelijk) noodzakelijk gegevens en de verschillen te identificeren.

Volledig zijn betekent ook dat je alle aangeleverde gegevenssets correct hebt geregistreerd. Ook moet je toetsen of alle verwachte aanleveringen (bijvoorbeeld 12x per jaar een salaris) ontvangen zijn van de leverende partij en correct zijn vastgelegd in de pensioenadministratie.

Juistheid

Juistheid is dat je gegevens goed zijn. Voor resultaatgevende gegevens betekent dit dat je deze registreert conform de aanlevering door de gegevenseigenaar. De Juistheid van resultaatgevende gegevens is in de meeste gevallen ook toetsbaar op de bron: salarisadministratie, SUAG, BRP, etc. Als je resultaatgegevende gegevens (of afgeleiden daarvan) redundant administreert, moeten deze consistent zijn; ook dit is toetsbaar.

De toetsbaarheid van resultaten is complexer, daarvoor moet je de gehele afleiding en/of berekening kunnen reproduceren. Bij het bepalen, realiseren en implementeren van oplossingen om jouw resultaten te toetsen, kunnen wij je assisteren.

Meetbaar

Datakwaliteit wil je ook meetbaar maken. Om een score voor datakwaliteit te bepalen, moeten gevonden afwijkingen in volledigheid en juistheid gewogen worden. Het aantal fouten maal de wegingsfactor bepaalt de aftrek van een perfecte score. Door de wegingsfactor zet je fouten in het juiste perspectief en verhouding. Bijvoorbeeld: in een pensioenadministratie is een onjuiste of gemiste voorletter slordig, maar minder ernstig dan een gemiste salarisverhoging of echtscheiding. Een onjuiste voorletter moet daarom minder aftrek op de perfecte score geven dan een fout in salaris of het ontbreken van een echtscheidingsmutatie.

Er zijn wel een paar indicatoren die aangeven dat de datakwaliteit niet op orde is:

  • Als er vaak gecorrigeerd moeten worden;
  • Als werk opnieuw gedaan moet worden;
  • Als klanten klagen.

Het opzetten van een traject om de datakwaliteit te meten of te verbeteren vraagt nogal wat. Je moet de data kunnen ontsluiten, de data kunnen vergelijken en een significantie kunnen aangeven. Ook moet je definiëren, afstemmen en vastleggen wat je gaat meten en welke kwaliteit je in de betreffende meetpunten verwacht. Je hebt, als het ware, KPI’s op datakwaliteit nodig. Deze KPI’s moeten in nauw overleg tussen het pensioenfonds en de PUO opgesteld worden.

Dat vraagt om een multidisciplinair team met mensen met voldoende (data)kennis van het gegevensdomein pensioen, kennis van de benodigde tools en IT-vaardigheden.

Wij hebben de benodigde combinatie aan kennis en ruime ervaring. Daarom kunnen wij je van dienst zijn bij het opzetten, begeleiden en uitvoeren van datacontroles in het pensioendomein en de beoordeling van de Datakwaliteit.