Datakwaliteit als fundament voor een succesvolle transitie

Datakwaliteit als fundament voor een succesvolle transitie

De overgang naar het nieuwe pensioenstelsel is niet alleen juridisch en financieel complex, maar vraagt van pensioenfondsen ook aandacht voor een ander belangrijk onderwerp: datakwaliteit. Zowel de Pensioenfederatie, DNB en AFM onderstrepen dat datakwaliteit geen eenmalige exercitie is, maar een structureel onderdeel van goed pensioenfondsbestuur. Zonder goede datakwaliteit is het risico op fouten in de transitie groot, met potentieel verstrekkende gevolgen.

Van ‘Get Clean’ naar ‘Stay Clean’: het Kader Datakwaliteit

Om pensioenfondsen te ondersteunen bij het borgen van datakwaliteit, heeft de Pensioenfederatie het Kader Datakwaliteit opgesteld. Dit introduceert twee centrale begrippen: ‘Get Clean’ en ‘Stay Clean’. De ‘Get Clean’ fase draait om het aantoonbaar opschonen en corrigeren van pensioendata voorafgaand aan het invaarbesluit. Na deze initiële opschoning wordt ‘Stay Clean’ belangrijk: het structureel borgen van datakwaliteit, zowel vóór, tijdens en ná het invaren.

Een belangrijk onderdeel van het Kader Datakwaliteit van de Pensioenfederatie is het expliciet definiëren van Kritieke Data Elementen (hierna: KDE’s). Dit zijn de gegevens die essentieel zijn voor correcte berekeningen en communicatie richting deelnemers. Om te bepalen hoe zorgvuldig deze data moet worden beheerd, wordt per KDE een risicoanalyse uitgevoerd. Hieruit volgt de noodzaak om voor elk KDE een Maximaal Toegestane Afwijking (hierna: MTA) vast te stellen: een concrete grens waarbinnen afwijkingen acceptabel zijn, gegeven het risicoprofiel van het fonds. 

Lessen uit de praktijk

Vanuit onze werkzaamheden in het kader van Internal Audit, Risk en Compliance zien we dat fondsen in de basis serieus omgaan met het onderwerp datakwaliteit en gestaag voortgang hierop boeken. Veel fondsen zijn bijvoorbeeld de Get Clean fase aan het afronden of hebben ze deze al succesvol afgerond. Tegelijkertijd signaleren wij enkele terugkerende aandachtspunten. De onderbouwing van de MTA bij KDE’s is niet altijd even transparant en/of sluit niet altijd even goed aan bij het risicoprofiel van het fonds. Ook kunnen documentatie en aantoonbaarheid van analyses en correcties verder worden versterkt, zodat bestuurders en externe accountants dit beter kunnen toetsen. 

Datakwaliteit als succesfactor

Vanuit onze audits zien wij de noodzaak voor pensioenfondsen om een samenhangende en stapsgewijze aanpak te hanteren bij datakwaliteit. Dit begint met een heldere definitie van KDE’s en het per element bepalen van een onderbouwde MTA, zodat duidelijk is welke afwijkingen acceptabel zijn. Vervolgens is het essentieel om een proces in te richten voor continue monitoring en periodieke toetsing van datakwaliteit, waarbij verantwoordelijkheden en governance expliciet worden vastgelegd – ook bij uitbesteding. Zorg dat analyses, correcties en toetsingen zorgvuldig en transparant worden gedocumenteerd, zodat het bestuur en toezichthouders altijd inzicht hebben in de actuele datakwaliteit. Betrek sleutelfuncties en het bestuur actief bij het gehele proces en kijk verder dan alleen operationele risico’s: neem ook strategische en ketenrisico’s mee in de afwegingen. 

Datakwaliteit is daarmee geen project met een einddatum, maar een blijvend onderdeel van goed pensioenfondsbestuur. De transitie naar het nieuwe pensioenstelsel kan pas echt slagen als de onderliggende datakwaliteit duurzaam en aantoonbaar geborgd is.

Dit artikel is het tweede in een serie van vier over de pensioentransitie. Het eerste artikel inzake besluitvorming en de pensioenstransitie leest u hier. Wilt u meer inzichten in ontwikkelingen die spelen? Op 2 december lanceren wij het pensioenfondsenonderzoek 2025. Inschrijven kan nu al!

Voorinschrijving pensioenfondsenonderzoek 2025