Hoe data science ons helpt betere pensioenkeuzes te maken

08/10/18

In hun paper ‘Is de toekomst gearriveerd? Data science en Individuele Keuzemogelijkheden in Pensioen’ gaan de auteurs, PwC-pensioendeskundige Bastiaan Starink en zijn Tilburg University collega’s Wesley Kaufmann en Bas Werker, in op de dilemma’s waar pensioenfondsen en pensioenuitvoerders mee geconfronteerd worden als ze data science inzetten voor het individualiseren van pensioenkeuzemogelijkheden.

 

Door data science verandert het pensioenlandschap

Nu er steeds meer data beschikbaar komen, en we bij de koppeling en interpretatie ervan terug kunnen vallen op steeds intelligentere, en deels geautomatiseerde analysetechnieken, is individueel maatwerk bij pensioenkeuzes mogelijk. Sterker, veel deelnemers (met name jongeren) zien het als een voorwaarde om te blijven deelnemen aan bestaande regelingen. Ook biedt datatechnologie pensioenuitvoerders de kans om hun communicatie met de deelnemers intiemer te maken, en is er de belofte van efficiencywinst in de pensioenadministratie - en dus lagere uitvoeringskosten.  

 

Datagevoelig pensioendomein

Daar staat tegenover dat de inzet van data science makkelijk tot ontsporingen kan leiden. In het datagevoelige pensioendomein is het afbreukrisico groot. Bij pensioenkeuzemogelijkheden is vaak onduidelijk welke data gebruikt mogen worden en wanneer wettelijk sprake is van inbreuk op de dataprivacy van onze deelnemers. Ook moet een zorgvuldige belangenafweging worden gemaakt alvorens te besluiten hoe en waar men data science zal inzetten. Het eindresultaat moet bijdragen aan een beter pensioenresultaat voor alle deelnemers.

De belangrijkste conclusies in het rapport zijn:

  • Maak onderscheid tussen dataverzamelingen met objectieve en subjectieve indicatoren. De eerste categorie omvat feitelijke en onomstreden gegevens, zoals de pensioendatum, opgebouwde pensioenrechten of het huidige en het benodigde inkomen, en kan derhalve zonder privacy-restricties worden geanonimiseerd en bewerkt. Om maatwerk te kunnen leveren zijn ook data nodig die de preferenties en voorkeuren van individuele deelnemers kunnen duiden; zoals gegevens over iemands risicobereidheid, werkmotivatie of levensverwachting. Voor dergelijke subjectieve indicatoren geldt wel een strak wettelijk privacy-regime en er kunnen interpretatieverschillen optreden. Het debat over de ethiek van een zorgvuldige databewerking gaat vooral over deze categorie.
  • Er is al veel winst te behalen door datasets met objectieve indicatoren te koppelen. Door de hoogte van het beschikbare inkomen en vermogen per deelnemer af te zetten tegen een onderbouwde inschatting van diens verwachte toekomstige vermogen en het uitgavenpatroon, is de pensioenkeuze geoptimaliseerd voor de meeste deelnemers.

  • Niet elk verband is relevant. Een van de grote voordelen van data science is dat op grond van zoveel mogelijk data uit verschillende bronnen voorheen onzichtbare verbanden worden blootgelegd. Er is een diep begrip nodig van de onderlinge relaties tussen de gebruikte variabelen om te voorkomen dat verkeerde conclusies worden getrokken.

  • De inzet van data science vereist een zorgvuldige belangenafweging vooraf. Waar ligt de balans tussen het einddoel (een optimale vermogensvorming voor de oudedag) en de belangen van het collectief en per deelnemer individueel? En mag data science worden gebruikt om risicogroepen te identificeren?

  • De ontwikkeling en invoering van een voor de hele sector geldend toetsingskader moet voorrang krijgen. Er dient een specifieke gedragscode voor pensioentoepassingen gemaakt te worden en er moeten bindende afspraken komen over een governance-infrastructuur om het toezicht daarop in goede banen te leiden.

Lees de volledige paper hier

 

 

Contact

Bastiaan Starink

Partner, PwC Netherlands

Tel: +31 (0)88 792 64 06

Volg ons