Datakwaliteit en risicoreductie bij invoering WTP: de rol van geautomatiseerde verplichtstellingscontrole

Leestijd: 3 minuten

Voor een succesvolle omzetting van pensioenrechten naar individuele pensioenvermogens en het voorkomen van potentiële risico’s is het van groot belang om te beschikken over nauwkeurige en volledige gegevens. Het automatiseren van de verplichtstellingscontrole kan hierbij een grote rol spelen. Dit artikel is een must-read voor iedereen die geïnteresseerd is in de kwaliteitscontrole van pensioenfondsgegevens.

Datakwaliteit en transparantie bij invoering Wet Toekomst Pensioenen

Met de Wet Toekomst Pensioenen (WTP) zijn pensioenfondsen verplicht om hun data kwalitatief en aantoonbaar op orde te hebben. Om pensioenfondsen te helpen voldoen aan deze verplichting heeft de Pensioenfederatie het Kader Datakwaliteit – Wet Toekomst Pensioenen opgesteld. Dit kader beschrijft de stappen die een pensioenuitvoerder kan nemen om een aantoonbare ‘best-effort’ te hebben geleverd in het borgen van de datakwaliteit vóór het invaren.

De pensioenuitvoerder neemt binnen dit kader alle relevante data in beschouwing, dus niet alleen de op dat moment beschikbare data. Voor het verwerken van eventuele terugwerkende kracht mutaties (TWK) stelt de uitvoerder uitgangspunten op.

Om de datakwaliteit goed te kunnen beoordelen, voert de pensioenuitvoerder analyses uit, en documenteert en rapporteert deze nauwkeurig. Hieruit volgt een plan van aanpak met de acties die ondernomen moeten worden om de datakwaliteit op het gewenste niveau te krijgen voor het moment van invaren.

Risico’s van een onvoldoende datagedreven uitvoering

Uit de gesprekken met tientallen pensioenfondsen en analyse van de beschikbare data, blijkt dat een aantal processen onvoldoende datagedreven zijn. Daardoor zijn deze processen lastig te plaatsen binnen het kader datakwaliteit.

Eén van deze processen is de gestructureerde (automatische) uitvoering van de verplichtstelling van een bedrijfstak- en beroepspensioenfonds. Dit brengt risico’s met zich mee die binnen dit kader geplaatst moeten worden met mogelijk aanzienlijke tekortkomingen. Hierbij valt te denken aan:

• Hogere kosten door TWK-mutaties
  Gebrek aan structuur en automatisering leidt ertoe dat een branche of bedrijfstak onvoldoende gemonitord is. Het risico is dat het aantal aansluitingen met TWK hoger ligt dan vooraf ingeschat. Daarbij leidt een onvoldoende gestructureerd en geautomatiseerd proces tot hoge kosten voor onderzoek en het administratief verwerken van de TWK-mutaties tijdens en na het invaringsproces.
• Geen premie, wel recht
  Dit risico blijft na het invaren bestaan. Heeft het pensioenfonds alle werknemers die recht hebben op pensioenopbouw wel in de administratie opgenomen? En zijn alle ondernemingen (met personeel) die activiteiten uitvoeren volgens de werkingssfeeromschrijving uit de verplichtstelling aangesloten bij het fonds?
• Claimrisico en imagoschade door niet opgeslagen (historische) data
  Door het voeren van een niet-geautomatiseerde administratie en het onvoldoende monitoren/administreren van de branche is in geval van vragen of klachten veel informatie voor, tijdens en na ‘invaren’ niet meer beschikbaar. Daarmee voldoet de pensioenuitvoerder niet aan de verplichtingen én loopt hij een aanzienlijk risico op reputatieschade.

Het is dus van groot belang dat pensioenfondsen deze processen verbeteren en meer datagedreven maken.

Risicoreductie door brede data-analyse

DataTrust Conclusion heeft maar één doel. Het verbeteren van de datakwaliteit en onderliggende processen van pensioenuitvoerders. Uitstekende kwaliteit van de pensioendata als vanzelfsprekendheid.

Het Kader Datakwaliteit is belangrijk, maar niet voldoende om de algehele datakwaliteit van een pensioenfonds te beoordelen. Daarom voert DataTrust Conclusion een complete controle uit op alle data die onderliggend zijn aan de processen van een pensioenfondsorganisatie, inclusief auditeerbare vastlegging. Zo kan het pensioenfonds zich ook achteraf verantwoorden.

Binnen zijn dataplatform heeft DataTrust Conclusion een verplichtstellingmodule. Deze module biedt de pensioenuitvoerder een gestructureerd en automatisch verplichtstellingsproces, zodat dit proces kan worden meegenomen in de toetsing van de datakwaliteit. Documentatie van de resultaten is, net zoals de andere controles die Datatrust uitvoert, onafhankelijk van de pensioenuitvoeringsorganisatie. Hierdoor ontstaat een audit trail op basis van historische data.

Efficiënte verplichtstellingscontrole

Om deze resultaten te bereiken, verzamelt DataTrust Conclusion de fondsdata en combineert deze met externe brondata van de KvK, het UWV en commerciële uitingen van potentieel aan te sluiten werkgevers. Alle data wordt opgenomen in een onafhankelijk datafundament van het pensioenfonds en met behulp van kunstmatige intelligentie geanalyseerd. Voor iedere (potentieel aan te sluiten) werkgever ontstaat een dossier met een auditlijn op alle historisch opgeslagen data. De potentieel aan te sluiten werkgevers worden voorzien van een kans op aansluiten. Deze kans wordt verdeeld over verschillende cohorten die een goed afgewogen prioriteitsstelling mogelijk maakt. Het pensioenfonds kan hierdoor gericht en efficiënt werkingssfeeronderzoeken uitvoeren en hierover achteraf verantwoording afleggen.

De geboden oplossing van DataTrust Conclusion voor de controle op de verplichtstelling wordt ter borging als KDE (Kritisch Data Element) in het datamanagementbeleid opgenomen.

Als pensioenfondsbestuur in control

De aanpak van DataTrust Conclusion voor de continue, geautomatiseerde controle op de verplichtstelling, biedt de volgende voordelen:

• Hoge datakwaliteit voorkomt TWK-mutaties;
• Geen verlies van historische data bij het veranderen van pensioenuitvoerder;
• Analyse is reproduceerbaar op dossierniveau en inzichtelijk voor auditor en toezichthouder;
• Eén werkmethodiek, onafhankelijk van de PUO;
• Reductie van operationele en accountantskosten;
• Efficiënte handhaving door cohortenbesturing.

In combinatie met de totale set aan datakwaliteitscontroles, waarvan veel controles passend zijn gemaakt naar het kader van richtlijnen vanuit de pensioenfederatie, dekt de verplichtstellingssystematiek van DataTrust Conclusion alle facetten van een pensioenfondsorganisatie af op het gebied van datakwaliteit. De benoemde risico’s zijn gereduceerd, beheersbaar, geborgd en achteraf te controleren. Het pensioenfondsbestuur is daarmee volledig ‘in control’ ten aanzien van de verplichtstelling.

29 juni: Round Table Datakwaliteit Pensioenfondsen

Wil je meer te weten komen, praktijkvoorbeelden zien en van gedachten wisselen over dit belangrijke onderwerp? Dan nodigen wij je graag uit om deel te nemen aan de inspiratiesessie “Datakwaliteit pensioenfondsen: Get in scope, Get clean en Stay clean!” speciaal voor fondsbestuurders op 29 juni a.s.