Der Start von Solvency II zum 01.01.2016 ist nun definitiv. Die Versicherer stehen vor einer ambitionierten Aufgabe. Für das quantitative Berichtswesen ist die Qualität der zugrundeliegenden Daten ein Unsicherheitsfaktor. Wie gut sind die Daten? Was heißt „gut“ in diesem Zusam-menhang? Wie kann man die Datenqualität konkret messen? Der Vortrag zeigt anhand eines praktischen Beispiels Möglichkeiten für eine transparente und schnell umsetzbare Messung der Qualität von Solvency-II-Daten auf.

1. Fit für Solvency II – wie man
Datenqualität messbar macht
Erik Purwins, PPI AG
17./ 18.11.2014 DW2014, Zürich

2. 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

3. Wir sind die BI-Spezialisten mit dem Blick fürs Ganze
Ihre Anforderungen
Geschäftsvorteile sichern
Komplexität beherrschen
Risiken verringern
Gesetzesvorgaben erfüllen
Wir sorgen für Bedarfsgerechte Informationsnutzung
Unsere Leistungen Strategie Governance
Unsere Leistungen
Passgenaue Informationsaufbereitung
Performante Datenbereitstellung
Quellenübergreifende Datenveredelung
Konzeption Design
Entwicklung Test
Betrieb Support
Unsere Partner:
© PPI AG 27.11.2014 2

4. 3
Solvency II steht auf 3 Säulen
17./ 18.11.2014 © PPI AG DW2014, Zürich
I
Quantitative
Überwachung
• marktwertorientierte
Bewertung der Bilanz
• Berechnung des
Solvenzkapitalbedarfs
Nutzung von Standardmodell
oder Internem Modell zur
Kapitalermittlung
II
Qualitative
Überwachung
• Überwachung durch die
Aufsicht
• Governance-System
zur Stärkung der
Risikokultur
Risikomanagement, Internes
Kontrollsystem (IKS), Risiko- und
Solvabilitätsbeurteilung (ORSA)
III
Marktdisziplin /
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“

5. 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
2008 2009 2010 2011 2012 2013 2014 2015 2016
17./ 18.11.2014 © PPI AG DW2014, Zürich
Solvency II Rahmenrichtline Phasing-in Go live

6. 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 © PPI AG DW2014, Zürich
Daten-qualitäts-management
Compliance
Kosten
Risiken
Wettbewerb
Steue-rung
vergl. Apel „Datenqualität erfolgreich
steuern“, SIGS DATACOM, München 2009

7. 6
Datenprozesse bei einem Versicherungskonzern
OLAP Vertrieb OLAP Marketing Vertriebs-Reporting OLAP Finanzen Reporting Finanzen OLAP Datenextrakte
KA Immo Markt Rück RW
17./ 18.11.2014 © PPI AG DW2014, Zürich
Besta
nd 2
Besta
nd 1
Kom-posit
Leben
(PE., Bilanz, etc.)
Finanzen-Ad-hoc-
Analysen
Vertrieb-Ad-hoc-
Analysen
Meldewesen

8. 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 bisherigen
Reporting-Anwendungen
hinreichend, um das SII-Reporting
abzudecken?
Wie stellen wir die
Revisionssicherheit
für das ORSA-Reporting
sicher?
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?
Welche Abhängigkeiten gibt es
zwischen internem Modell, ORSA
und den Berichtsprozessen?
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

9. 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 © PPI AG DW2014, Zürich

10. 9
Datenqualität ist das zentrale Thema bei Solvency II
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
17./ 18.11.2014 © PPI AG DW2014, Zürich

11. 10
Der Solvency II/Säule III-Check verbindet eine kompakte
Vorgehensweise mit einem ganzheitlichen Ansatz
Vorgehen:
Themenschwerpunkte:
Daten
Abschluss-präsentation
Assessment
Datenqualität
Informationen
Prinzipien,
Richtlinien
Rahmenwerke
Services,
Infrastruktur
Anwendungen
Kultur, Werte
Verhalten
Mitarbeiter,
Fähigkeiten
Kompetenzen
Prozesse
Organisations-strukturen
Initialisierung
/ Kickoff
Vorgehensweise für den Solvency II/Säule 3-Check „Ready for Reporting?“
Review
Berichtswesen
Datenmanagement
Ableitung
Handlungs-empfehlungen
(inkl. Quick-
Wins)
hier „DQ-Check“
17./ 18.11.2014 © PPI AG DW2014, Zürich

12. 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 © PPI AG DW2014, Zürich

13. 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

14. 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
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
17./ 18.11.2014 © PPI AG DW2014, Zürich

15. 14
Auswahl der richtigen Lösung
17./ 18.11.2014 © PPI AG DW2014, Zürich
End-to-End
Lösung
Flexible
DQM-Integration
Reine DQM-Lösungen
Einfache
DQM-Lösung
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

16. 15
Beispiele für hinterlegte ETL-Prozesse
17./ 18.11.2014 © PPI AG DW2014, Zürich

17. 16
Beispiele DQ-Dashboards
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
17./ 18.11.2014 © PPI AG DW2014, Zürich
1
2
3
3
4
4
2b
2

18. 17
Softwarebeispiele DQ-Monitoring
1
1. Filterungsmöglichkeiten über die
Messpunkte oder Blick auf das Ganze
2. betrachtete Messpunkte
3. laut Regel anzupassende Daten
17./ 18.11.2014 © PPI AG DW2014, Zürich
2
3
1
2
3

19. 18
Softwarebeispiel DQ-Glossar
17./ 18.11.2014 © PPI AG DW2014, Zürich
Stichwort-auswahl
Stichwortverzeichnis
Beschreibung und
Zuordnung des
Stichwortes

20. 19
Methodik zur Verbesserung der Datenqualität
17./ 18.11.2014 © PPI AG DW2014, Zürich
Definition der
Zielwerte
Analyse
Entwurf
Design
Durchführung
Kontrolle
Evaluierung
DQM
Methodik
Planung
Ausführung
Über-wachung

21. 20
Referenzarchitektur für DQ-Management bei Solvency II
17./ 18.11.2014 © PPI AG DW2014, Zürich
Repository
Datenintegration
Datenquellen
Zielsysteme
Zusammenführung / Mapping
Referenzdaten
Datenqualität
Risiken
Datenprofile
Datenregeln
Standardisierungsregeln
Bereinigungsregeln
Anpassungsregeln
Vereinigungsregeln
Qualitätskennzahlen
Überwachung
Assets
Emittenten …
Validierung
Standar-disierung
Bereinigung
Zusammen-führung
/
Vereinigung
Clusterung Anreicherung
Untersuchung /
Analyse
Profiling Regeldefinition
Kennzahlen-definition
Überwachung
Prozesse
API
DQ-Bericht,
Problem-analyse,
Maß-nahme
Laufzeit Entwicklung
vgl. Apel „Datenqualität erfolgreich steuern“,
SIGS DATACOM, München 2009

22. 21
Kontakt
© PPI AG 17./ 18.11.2014 DW2014, Zürich
Erik Purwins
Unit Manager Business Intelligence
PPI Aktiengesellschaft
Peter-Müller-Straße 10
40468 Düsseldorf
Telefon: +49 211 97552-5010
Mobil: +49 151 17468586
erik.purwins@ppi.de