bijeenkomst interdisciplinair naar een begrijpelijke ...€¦ · – aggregatie en presentatie....

Bijeenkomst

Interdisciplinair naar een begrijpelijke

datakwaliteitsnorm

Eddy VaassenTilburg University / Erasmus University

Data Quality:setting the scene

Prof.dr. Eddy Vaassen RATilburg University | Erasmus University Rotterdam

Interdisciplinair naar een begrijpelijke datakwaliteitsnorm

29/5/2019

Data quality categoriesQuality = ‘fit for use’

• Input validity

• Input completeness

• Input accuracy

• Update completeness

• Update accuracy

But the various DQ models are far more complex!

Why does data quality matter?

Two main drivers:

1. Compliance (e.g., Solvency II, IFRS 17)

2. Performance (e.g., lower costs, higher product quality, higher customer satisfaction)

A model

IT strategy

IT infrastructure Data management Information provision Operations

Business strategyInformation strategyData strategyStrategy formation

Strategy implementation

BusinessInformation &

communicationData

Information & communication

technology

IT strategy

IT infrastruct

ure

Data managem

ent

Information provision

Operations

Business strategy

Information strategy

Data strategy

Strategy formation

Strategy implement

ation

Business

Information &

communication

Data

Information &

communication

technology

IT infrastructure Data management Information provision Operations

Strategy implementation for data quality

IT strategy

IT infrastruct

ure

Data managem

ent

Information provision

Operations

Business strategy

Information strategy

Data strategy

Strategy formation

Strategy implement

ation

Business

Information &

communication

Data

Information &

communication

technology

IFRS 17 data quality requirements

A data quality problem

• Example Chain for payroll data (in Dutch: Loonaangifteketen)

• 108.000 employers had to re-submit their payroll data for the year 2006

• The following causes were identified:‒ Complexity: volume, variety and velocity of data, many dependencies

‒ Many different users and producers, with different needs, including the Dutch Belastingdienst and the UWV

‒ Many legal changes in a short period of time

‒ Software was late, could not be tested, rendering it unreliable

Solution strategy: data governance

Data governance is a system of decision rights and accountabilities for data-related processes, executed according to agreed-upon models and standards that describe:

• The actions to be taken

• The persons who are allowed to take these actions

• The information needed to take these actions

• The timing of these actions

• The conditions for these actions

• The methods applied to take these actions

Peter SmitNBA SVP

Datakwaliteit

Perspectief van de externe accountant

Peter Smit – NBA SVP

Introductie

• Codificatiegedachte

• Risicoanalyse & Materialiteit

• Procesinrichting en beheersing

Codificatiegedachte

Codificatiegedachte

Risicoanalyse en materialiteit

Risicoanalyse & Materialiteit

• Doel van de data

• Gevoeligheid voor fouten

• Effect van fouten (direct

en indirect)

• Cumulerende effecten

• Planningsmaterialiteit

– Verslaggeving versus

polishouder

– Uitkomst risicoanalyse

– Aggregatierisico’s

• Evaluatie materialiteit

– Projectie

– Indirecte effecten

– Cumulerende effecten

– Kwalitatieve evaluatie

Procesinrichting en beheersing

• Inzicht in de keten

• Governance

• Normenkader

• Risicoanalyse

• Interne controles op

niveau

– Individuele data

– Databewerkingen

– Aggregatie en presentatie

Pieter EttesAchmea

DATAKWALITEIT MAATREGELEN29 mei 2019 │ Pieter Ettes │ Verbond van Verzekeraars Den Haag

Opmars naar ‘digitale verzekeraar’ waar we allen midden in zitten

Onze industrie gaat, net zoals andere industrieën, digitaliseren :

o Snelheid van proces drastisch omhoog op wens van klant, toezichthouder en andere stakeholders

o Meer inzicht, beter sturen, hogere transparantie

o Hogere mate van vertrouwen in juistheid proces

Om dat mogelijk te maken moet interne procesgang veranderen :

o Datakwaliteit van bron adminitraties op orde

o Datakwaliteit (FTR) en 100% STP in alle processtappen

o Van rapportage naar analyse en sturing

o Gelijk doen wat gelijk kan (‘Daily close’)

22

verandert de bedrijfsvoering van een verzekeraar …….

Extern zal steeds meer om volledige up-to-date data gevraagd worden in plaats van rapporten achteraf. Daarom alleen al zal de procesgang digitaler moeten worden.

Maar er zijn ook interne baten die gelijker tijd binnen handbereik komen

• Productiviteit ↑ (minder hand-/rework)

• Kwaliteit ↑(minder fouten)

• Beheersing ↑ (verbetering van het interne risicoprofiel)

23

Digitaal data driven maakt mogelijk om gelijk ‘bij’ te zijn als in een daily close …….

Hersteltijd is er straks niet meer, handmatig werken duurt te lang en is problematisch

- Automatiseer niet alleen actuariële modelberekeningen, het boekingsproces, maar ook AOC, non-financials en andere voor disclosure noodzakelijke data aanmaak

- En stop met alles op te sparen tot een periode einde maar handel gelijk af wat gelijk kan

- Ook voor actuariële processen geldt vaak dat deze echt niet hoeven te wachten, deze kunnen vaak vooraf

24

De datastromen in het bedrijf zijn onderhevig aan continuous c.q. geautomatiseerde controles

• uitval

• validatie

• Monitoring

• Reconciliatie

• Aansturen issues en incidenten

En vereist een aantal maatregelen waaronder slimmere controles …….

25

Belangrijk is te werken met go/nogo op koppelvlakken …….

26

Historie insub

Afleidenboeking

Polisvastleggen data

Toekomstkasstroom

consolidatie rapportage

IFRS berekening

Grootboek

AOCberekening

Afleidenboeking

assets VerrijkingAsset data

Inlezentransacties

Assetadmin

AanleverenMaster

data

Hanteer in de procesketen een koppelvlak principe waar data inhoudelijk gecontroleerd wordt. Niet goed betekentoverdoen ipv compenserende maatregelen

die geautomatiseerd gecontroleerd worden

27

Tjeerd DegenaarAegon

Aegon NederlandTemplate 2016

Een begrijpelijke datakwaliteitsnorm

Tjeerd Degenaar

Mei 2019

SII Technische Voorzieningen

Rol van de AFH tav Data Kwaliteit

Teksten uit ‘SII Directive Artikel 48’:

Insurance and reinsurance undertakings shall provide for

an effective actuarial function to:

• coordinate the calculation of technical provisions

• assess the sufficiency and quality of the data used in

the calculation of technical provisions;

31

SII Technische Voorzieningen

Rol van de AFH tav Data Kwaliteit

Teksten uit ‘SII Directive Artikel 48’:

Insurance and reinsurance undertakings shall provide for

an effective actuarial function to:

• coordinate the calculation of technical provisions

• assess the sufficiency and quality of the data used in

the calculation of technical provisions;

Samenwerking binnen de tweede

lijn met Operational Risk

Management:

- Guidelines Kwaliteit Control

Framework

- Guidelines vastlegging controls,

werkzaamheden en

testresultaten

AFH heeft o.a. mening over:

- Templates Data Kwaliteit Rapportages

- Opzet Data Levering Overeenkomsten en

Data Trails

- Prioriteiten en Voortgang

AFH rapporteer over Data Kwaliteit in het jaarlijks

Actuarieel Functie Houder rapport:

• Besproken met Directie en Raad van commissarissen

• Gedeeld met Toezichthouder

Stakeholders:

• Data Board /

Committees

• Chief Data Officer

• Eerste lijns Chief

Actuaris

• Risk Functie

Houder /

Operational Risk

Management

• Business Data

Stewards

• Finance Data

Stewards

AFH doet ook zelfstandig

analyses, onafhankelijk

van de eerste lijn.

Oscar van EwijkDe Volksbank

InternClassificatie: 33

Thema: “Interdisciplinair naar een begrijpelijke datakwaliteitsnorm.”

- Oscar van Ewijk

- 2019: IT Bedrijfshoofd Finance &Risk de Volksbank

- 2012-2017 : IT bedrijfshoofd Finance & Risk VIVAT Verzekeringen

- Wat heb je aan een formele datagovernance als ketendenken binnen je organisatie ontbreekt?

- Hoe maak je de organisatie van een bronsysteem bewust-(er) van de consequenties van besluiten die ze nemen die leiden tot afname datakwaliteit t.b.v. rapportering en modellering- Bijvoorbeeld bij conversies of implementaties van nieuwe producten of systemen

Pegasus

ART (PWC tool)

COREP XBRL

Corep XBRL OneSumX

OneSumX

Finrep 18 en 19Stater/DBV

Forbearance

AtvanceForbearance

Finrep OverigMaster sheet

Finrep

ART (PWC tool)

Finrep XBRL

Finrep Compleet

Berk

SPV PGP (tbv SAS)

BDV

FDWH

CRISP-data

Pebblez-data

Quantum-data

SAS (+Atvance)-data

DBV-data

Pegasus-data

OFS-data

Quantum-SanDer-data

Credit Navigator/Pega-data

EDV

Pebblez/BAMBAM

CRISP/PHIRM

OFS Tagetik

StAPCOSMOASN IFRS9 Tool

MEIS

GRM_UI

SAS

Atvance

DBV

Credit Navigator/Pega

Quantum

Kadaster

Ortec

KVL Lijst

Blacklist

CDS ADF Admin

Dunn & Bradstreet

Bronnen overig FINREP

Obligor-Relation

AoD Data

SAS-data

AoD Module

Obligor-RK

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

BronnenFinancial reporting

Chris HoffmanKPMG

35© 2019 [legal member firm name], a [jurisdiction] [legal structure] and a member firm of the KPMG network of independent member firms affiliated with KPMG International Cooperative, a Swiss entity. All rights reserved.

- Chris Hoffman

- Director KPMG Advisory

- Verantwoordelijk voor Data Management dienstverlening KPMG

Praktijkervaringen van de afgelopen jaren met de implementatie van de

DNB Guidance en de vervolgstappen hieruit voor verzekeraars

Interdisciplinair naar een begrijpelijke datakwaliteitsnorm

KPMG Enterprise Data Management