Upload
ppi-ag
View
503
Download
0
Embed Size (px)
Citation preview
Fit für Solvency II – wie man Datenqualität messbar macht
Erik Purwins, PPI AG17./ 18.11.2014 DW2014, Zürich
1
Die PPI AG ist seit 30 Jahren erfolgreicher Partner der Finanzindustrie
Fakten
� 30 Jahre Qualität, Budgettreue und Termineinhaltung, Fokus auf den Banken- und Versicherungsmarkt
� Firmengründer, Management und Mitarbeiter halten 100% der Aktien
� 370 Mitarbeiter erwirtschaften im Geschäftsjahr 2013 einen Umsatz von € 47,6 Mio.
� Sitz in Hamburg, Geschäftsstellen in Düsseldorf, Frankfurt, Kiel und Paris
Geschäftsfelder / Partnerschaften
� Fachliche Beratung: Prozessmanagement, Unternehmenssteuerung, IT-Strategie
� IT-Beratung: Architektur, Softwaretechnik, SAP-Beratung, Business Intelligence
� Softwareentwicklung: Festpreisprojekte bis zu 15.000 Tagen
� Produkte: Marktführer für E-Banking Software
� Partnerschaften mit IBM, SAP, SAS und Oracle
Wertorientierte Unternehmens-
kultur
� Partnerschaft, Gemeinschaft, Offenheit, Initiative, Kompetenz, Qualität
� Hervorragendes Abschneiden bei Great Place to Work und Hamburgs bester Arbeitgeber
� Fluktuationsrate von < 5 %: Kontinuität für unsere Kunden und wachsendes Know-how
© PPI AG 04.09.2013 SAS Sales-Telco
2© PPI AG 27.11.2014
Ihre Anforderungen
Wir sind die BI-Spezialisten mit dem Blick fürs Ganze
Unsere Leistungen
Unsere Partner:
Wir sorgen für Bedarfsgerechte Informationsnutzung
Passgenaue Informationsaufbereitung
Performante Datenbereitstellung
Quellenübergreifende Datenveredelung
Geschäftsvorteile sichern
Komplexität beherrschen
Risiken verringern
Gesetzesvorgaben erfüllen
Unsere Leistungen Strategie & Governance
Konzeption & Design
Entwicklung & Test
Betrieb & Support
3
Solvency II steht auf 3 Säulen
17./ 18.11.2014 DW2014, Zürich© PPI AG
IQuantitative
Überwachung
• marktwertorientierte Bewertung der Bilanz
• Berechnung des Solvenzkapitalbedarfs
Nutzung von Standardmodell oder Internem Modell zur
Kapitalermittlung
IIQualitative
Überwachung
• Überwachung durch die Aufsicht
• Governance-System zur Stärkung der
Risikokultur
Risikomanagement, Internes Kontrollsystem (IKS), Risiko- und Solvabilitätsbeurteilung (ORSA)
IIIMarktdisziplin /
Offenlegung
• Reports für Aufsicht und Öffentlichkeit
• Vorgabe zu Inhalt, Aufbau und Frequenz
Solvency und Financial Condition Report (SFCR), Regulatory
Solvency Report (RSR), Quantitative Reporting Templates
(QRTs) etc.
„Berechnen“ „Organisieren“ „Berichten“
4
Derzeitiger Stand bei Solvency II
� Solvency II soll ab 01.01.2016 in Kraft treten
� Ende 2013 wurde sich nach 10-jährigem Streit zwischen Aufsicht und der Industrie auf neue Kapitalvorschriften geeinigt
� Lobbyarbeit der Versicherungsbranche war erfolgreich mit der Durchsetzung von weniger strengen Kapitalanforderungen und der Verminderung der Auflagen beim Marktzugang in Schwellenländern für VU
� nach derzeitigem Stand müssen 280 Milliarden Euro weniger zusätzliches Kapital vorgehalten werden
� Unternehmensberater sehen größten Kostenfaktor in der Umsetzung der (Berichts-)Vorgaben
� Bundesregierung hat am 03.09.2014 Gesetzentwurf zur Modernisierung der Finanzaufsicht über Versicherungen (Solvency II) bereits beschlossen
� Umsetzung in nationales Recht für alle anderen Mitgliedsstaaten hat bis zum 31.03.2015 zu erfolgen, bevor es dann ab Januar 2016 in Kraft tritt
17./ 18.11.2014 DW2014, Zürich© PPI AG
2008 2009 2010 2011 2012 2013 2014 2015 2016
Solvency II Rahmenrichtline Phasing-in Go live
5
Eine schlechte Datenqualität wirkt sich auf viele Bereiche des Unternehmens aus
� Außendarstellung kann durch Veröffentlichung widersprüchlicher Kennzahlen im Rahmen von regulatorischen Anforderungen in Mitleidenschaft geraten
� Steigerung des operativen Risikos
� Verringerung der Datenakzeptanz im Unternehmen
� Business Intelligence Projekte leiden unter schlechter Datenqualität und subjektiven Datenqualitätsproblemen
� Erhöhung der Kosten bei zu später Behebung der schlechten Datenqualität
� sich steigernde Wettbewerbsnachteile
17./ 18.11.2014 DW2014, Zürich© PPI AG
Daten-qualitäts-
managementComplianceCompliance
Kosten & Risiken
Kosten & Risiken
WettbewerbWettbewerb
Steue-rung
Steue-rung
vergl. Apel „Datenqualität erfolgreich steuern“, SIGS DATACOM, München 2009
6
Datenprozesse bei einem Versicherungskonzern
17./ 18.11.2014 DW2014, Zürich© PPI AG
MarktImmoKA Rück RWBestand 2
Bestand 1
Kom-posit
Leben
OLAP FinanzenOLAP Vertrieb Vertriebs-Reporting Reporting Finanzen OLAPOLAP Marketing Datenextrakte (PE., Bilanz, etc.)
Finanzen-Ad-hoc-Analysen
Vertrieb-Ad-hoc-Analysen
Meldewesen
7
Solvency II stellt vielfältige und komplexe Anforderungen an Reporting und Datenmanagement
Wie müssen wir unsere Berichtsprozesse gestalten, um die Liefertermine für das SII-Reporting einzuhalten?
Wie gestalten wir unsere
Offenlegungs-richtlinie?
Welche Datenlücken
haben wir beim RSR?
Wie heben wir Synergiepotenziale zwischen internem
Berichtswesen und SII-Reporting?
Sind unsere bisherigenReporting-Anwendungen hinreichend, um das SII-Reporting abzudecken?
Wie stellen wir die Revisionssicherheit
für das ORSA-Reporting sicher?
Welche Abhängigkeiten gibt es zwischen internem Modell, ORSA
und den Berichtsprozessen?
Wer ist für die Daten
verantwortlich, die für das SFCR
benötigt werden?
Wie sieht die Datenlogistik aus, die die Ergebnisse aus Säule 1 und 2 in die
Berichte der Säule 3 einfließen lässt?
Wie gut ist die Qualität unserer Daten für die
QRT?
Wer ist Ansprechpartner,
wenn es widersprüchliche
Aussage zwischen internem
Berichtswesen und SII-Reporting gibt?
Haben Sie diese Fragen für Ihr Unternehmen schon beantwortet?Sind Sie sicher, dass Sie sich mit der Beantwortung der Fragen noch Zeit lassen können, ohne die Einhaltung der Solvency II-Meilensteine zu gefährden?
© PPI AG 17./ 18.11.2014 DW2014, Zürich
8
Relevante Datenqualitätskriterien gemäß CEIOPS-Vorgaben für Solvency II
Angemessenheit
� relevant für Geschäftsfeld-Risiko
� zweckdienlich (z.B. für die Bewertung von versicherungstechnischen Rückstellungen)
� Konsistent
Richtigkeit� frei von semantischen (d.h. inhaltlichen) Fehlern
� frei von syntaktischen (d.h. formalen und strukturellen) Fehlern
Vollständigkeit� alle wichtigen/wesentlichen Informationen vorhanden
� Ausreichende Granularität und Historie
17./ 18.11.2014 DW2014, Zürich© PPI AG
9
Datenqualität ist das zentrale Thema bei Solvency II
17./ 18.11.2014 DW2014, Zürich© PPI AG
� Standardisierung der Daten rückt zunehmend in den Fokus von Solvency II
� geringfügige Abweichungen in den Ausgangsdaten können deutliche Auswirkungen auf die Risikobewertung haben
� heterogene IT-Landschaften geprägt durch individuelle Lösungen bestimmen immer noch das Bild vieler Versicherungsunternehmen und bergen hohe Risiken
10
Der Solvency II/Säule III-Check verbindet eine kompakte Vorgehensweise mit einem ganzheitlichen Ansatz
� Vorgehen:
� Themenschwerpunkte:
Prinzipien, Richtlinien &
Rahmenwerke
Daten & Informationen
Services, Infrastruktur & Anwendungen
Mitarbeiter, Fähigkeiten & Kompetenzen
Kultur, Werte & Verhalten
Organisations-strukturen
Prozesse
Initialisierung/ Kickoff
Vorgehensweise für den Solvency II/Säule 3-Check „Ready for Reporting?“
ReviewBerichtswesen &
Datenmanagement
Ableitung Handlungs-
empfehlungen (inkl. Quick-
Wins)
Abschluss-präsentation
AssessmentDatenqualität
hier „DQ-Check“
17./ 18.11.2014 DW2014, Zürich© PPI AG
11
Beispielhaftes Assessment zur Datenqualität (DQ-Check) im Überblick
� Datenqualität von z.B. zwei Ausschnitten aus dem Datenhaushalt Solvency II (Kapitalanlagen und Aktuarielles Reporting) wird mit Hilfe von Geschäftsregeln geprüft.
� Kapitalanlagen ist als Ausschnitt gut geeignet, weil
� dieser Datenbereich erheblichen Einfluss auf die Höhe des zurückzulegenden Solvenzkapitals hat.
� Kapitalanlagen in eine Vielzahl von Meldeformularen (QRT) einfließen.
� Aktuarielles Reporting basierend auf der Risikoberechnung aus Säule 1 erweitert das Assessment von der Passivseite der Bilanz.
� Umfang Assessment: Regeln zu Datenfeldern mind. im Verhältnis 2:1 z.B. 130 Regeln prüfen 60 Datenfelder
� Zuordnung zu den relevanten Datenqualitätskriterien gemäß CEIOPS-Vorgaben für Solvency II:
� Vollständigkeit
� Angemessenheit
� Richtigkeit
17./ 18.11.2014 DW2014, Zürich© PPI AG
12
Der Erstellungsprozess zur Messung der Datenqualität.
16.01.2014
Felder Regeln Aufgaben
if isnull(`f_Feld`)
or isnumber(`f_Feld`)
or isblank(`f_Feld`)
then
return true
else
return false
If waehrung <> ‘EUR’
then
Fremdwaehrungsrisiko = true
PPI AG
Trennung von Entwicklung und Datenanbindung ermöglicht eine flexible Übertragung der einmal definierten Regeln auf jede Art von Datensammlung
13
Auswahl der richtigen Lösung
Anbieter zum Thema Datenqualitätsmanagement lassen sich in drei Kategorien einteilen:
� Reine DQM-Anbieter
� Große Anbieter von ERP- und CRM-Systemen bzw. Infrastruktursoftware
� BI- und ETL-Anbieter
17./ 18.11.2014 DW2014, Zürich© PPI AG
Teilweise konkurrierende Ziele der Lösungsfindung können sein:
� End-to-End Lösung von den Datenquellen bis in die Auswertung
� Lösung soll einfach, verständlich und von IT-fernen Abteilungen nutzbar sein
� Lösung soll sich flexibel an die bisherige Datenlandschaft anbinden lassen
14
Auswahl der richtigen Lösung
17./ 18.11.2014 DW2014, Zürich© PPI AG
End-to-End Lösung
Flexible DQM-Integration
Einfache DQM-Lösung
Reine DQM-Lösungen
BI- und ETL-Lösungen
Große ERP-und CRM-Anbieter
Vorhandensein und Notwendigkeit folgender Features sollte in Vorfeld geprüft werden:
� Data Profiling
� Datenvalidierung über Regelimplementierung
� Datenbereinigung
� Duplikatslokalisierung und -zusammenführung
� DQ Monitoring
� Integriertes Business Glossar
15
Beispiele für hinterlegte ETL-Prozesse
17./ 18.11.2014 DW2014, Zürich© PPI AG
16
Beispiele DQ-Dashboards
17./ 18.11.2014 DW2014, Zürich© PPI AG
1. Tacho mit prozentualer Schwellwerteinteilung 0-90-98-100
2. Solvency II Datenqualitätskriterien mit Ampel und Drilldown-Funktion (2b) auf die hinterlegten Datenqualitätsregeln
3. zeitlicher Trendverlauf mit Auswahlmöglichkeit der verschiedenen Zeit-Messpunkte
4. Konfiguration der Zeitachsen
1
1
2
3
3
4
4
2b
2
17
Softwarebeispiele DQ-Monitoring
17./ 18.11.2014 DW2014, Zürich© PPI AG
1. Filterungsmöglichkeiten über die Messpunkte oder Blick auf das Ganze
2. betrachtete Messpunkte3. laut Regel anzupassende Daten
1
2
3
1
2
3
18
Softwarebeispiel DQ-Glossar
17./ 18.11.2014 DW2014, Zürich© PPI AG
Stichwort-auswahl
Stichwortverzeichnis
Beschreibung und Zuordnung des
Stichwortes
19
Methodik zur Verbesserung der Datenqualität
17./ 18.11.2014 DW2014, Zürich© PPI AG
Definition der Zielwerte
Analyse
Entwurf Design
Durchführung
Evaluierung
Kontrolle
DQM Methodik
Planung
Ausführung
Über-wachung
20
Referenzarchitektur für DQ-Management bei Solvency II
17./ 18.11.2014 DW2014, Zürich© PPI AG
Repository
Datenintegration� Datenquellen� Zielsysteme� Zusammenführung / Mapping
Datenintegration� Datenquellen� Zielsysteme� Zusammenführung / Mapping
Referenzdaten
RisikenRisikenDatenqualität� Datenprofile� Datenregeln� Standardisierungsregeln� Bereinigungsregeln� Anpassungsregeln� Vereinigungsregeln� Qualitätskennzahlen� Überwachung
Datenqualität� Datenprofile� Datenregeln� Standardisierungsregeln� Bereinigungsregeln� Anpassungsregeln� Vereinigungsregeln� Qualitätskennzahlen� Überwachung
AssetsAssets
EmittentenEmittenten ……
ValidierungValidierungStandar-disierungStandar-disierung
BereinigungBereinigungZusammen-
führung / Vereinigung
Zusammen-führung /
VereinigungClusterungClusterung AnreicherungAnreicherung
Untersuchung / Analyse
Untersuchung / Analyse ProfilingProfiling RegeldefinitionRegeldefinition
Kennzahlen-definition
Kennzahlen-definition
ÜberwachungÜberwachung
ProzesseProzesse
APIAPI
DQ-Bericht,
Problem-analyse,
Maß-nahme
DQ-Bericht,
Problem-analyse,
Maß-nahme
En
twic
klu
ng
Lau
fzei
t
vgl. Apel „Datenqualität erfolgreich steuern“, SIGS DATACOM, München 2009
21
Kontakt
© PPI AG 17./ 18.11.2014 DW2014, Zürich
Erik PurwinsUnit Manager Business Intelligence
PPI AktiengesellschaftPeter-Müller-Straße 1040468 Düsseldorf
Telefon: +49 211 97552-5010Mobil: +49 151 [email protected]