Presentatie Sprenkels & Verschuren

Data Science: de toekomst van het actuariaat?

VSAE Actuariaatcongres 2018: New meets old

Daan Kleinloog en Diede Panneman 6 maart 2018 © Copyright 2018 Sprenkels & Verschuren. Geen enkele reproductie van het document of een deel van het document mag worden gekopieerd, verspreid, geciteerd tenzij Sprenkels & Verschuren schriftelijke toestemming heeft verleend.

www.sprenkelsenverschuren.nl

Agenda

SV-­‐2018-­‐xxxx

1

Inleiding

2

Concrete casussen

3

Afsluiting

1

Inleiding: personalisatie/maatwerk We raken steeds meer gewend aan maatwerk en personalisatie:

Welke impact heeft dit (op termijn) op de verwachtingen die klanten/deelnemers van verzekeraars/pensioenfondsen hebben?

SV-­‐2018-­‐xxxx

2

Vandaag: 4 concrete casussen Een viertal concrete casussen, waarbij data science gebruikt kan worden om meer inzicht te vergaren in: • •

de wensen en eigenschappen van de deelnemers van een pensioenfonds én daarmee het bestuur kan helpen beleid te vormen.

Concrete casussen: 1.

2.

3.

4.

Vastlegging risicohouding / beleggingsbeleid Maatschappelijk Verantwoord Beleggen Communicatiebeleid Schatten levensverwachting

Per casus: • • • •

SV-­‐2018-­‐xxxx

Wat is de probleemstelling/behoefte van het bestuur?

Wat is er vandaag mogelijk?

Wat is er (misschien) morgen mogelijk?

Stellingen/discussie: hoe ver moeten we (willen) gaan?

3

Agenda

SV-­‐2018-­‐xxxx

1

Inleiding

2

Concrete casussen

3

Afsluiting

4

Casus I. Beleggingsrisico – Wat is de probleemstelling/behoefte van het bestuur?

Probleemstelling / behoefte bestuur: Hoeveel beleggingsrisico wil én kan een pensioenfonds nemen om haar doelstellingen te realiseren?

Deze vraag dient een bestuur van een pensioenfonds te beantwoorden bij de vaststelling van haar beleggingsbeleid.

Hoe zorgt het bestuur ervoor dat haar keuzes overeenkomen met: • de mate waarin de deelnemers beleggingsrisico willen en • de mate waarin de deelnemers beleggingsrisico kunnen lopen?

SV-­‐2018-­‐xxxx

5

Casus I. Beleggingsrisico – Wat is er vandaag mogelijk? (1/2)

Interne informatie-­‐ bronnen: -­‐ Leeftijd -­‐ Inkomen -­‐ Opleiding (?)

SV-­‐2018-­‐xxxx

6

Casus I. Beleggingsrisico – Wat is er vandaag mogelijk? (2/2)

Externe informatie-­‐ bronnen: -­‐ Woon-­‐ omgeving -­‐ Koop/huur -­‐ WOZ-­‐waarde

SV-­‐2018-­‐xxxx

7

Casus I. Beleggingsrisico – Wat is er (misschien) morgen mogelijk?

Data uit overheidsgegevens?

• Overige inkomstenbronnen?

Data uit bankgegevens?

• Uitgavepatroon?

• Bekend met beleggingen?

Data uit sociale media?

• Welke interesses heeft de deelnemer?

• Hoe vaak wordt er van baan gewisseld?

Kunnen we straks o.b.v. data een individuele risicohouding vaststellen en een individueel beleggingsbeleid voeren?

SV-­‐2018-­‐xxxx

8

Casus I. Beleggingsrisico – Stellingen/discussie: hoe ver moeten we (willen) gaan?

Stelling 1. Het is wenselijk om o.b.v. data een individuele risicohouding vast te stellen en een individueel beleggingsbeleid te voeren.

Stelling 2. Het is in het belang van de deelnemer om data van de overheid, banken en sociale media te gebruiken bij het vaststellen van het beleggingsbeleid van het fonds.

Stelling 3. We moeten toe naar een totale planning voor deelnemers, waarbij de mate van beleggingsrisico in pensioen afhangt van wat er nodig is voor het totale welzijn en functioneren (zorg, wonen, pensioen etc.).

SV-­‐2018-­‐xxxx

9

Casus II. Maatschappelijk verantwoord beleggen – Wat is de probleemstelling/behoefte van het bestuur?

Probleemstelling / behoefte bestuur: Hoe belangrijk vinden de deelnemers het om een maatschappelijk verantwoord beleggingsbeleid uit te voeren?

In welke sectoren/bedrijven zou het pensioenfonds niet of juist wel moeten beleggen?

SV-­‐2018-­‐xxxx

10

Casus II. Maatschappelijk verantwoord beleggen – Wat is er vandaag mogelijk?

Externe informatie-­‐ bronnen: -­‐ Informatie per postcode-­‐ gebied

SV-­‐2018-­‐xxxx

11

Casus II. Maatschappelijk verantwoord beleggen – Wat is er (misschien) morgen mogelijk?

Data uit bankgegevens?

• Donaties aan goede doelen?

Data uit sociale media?

• Welke organisaties worden gevolgd?

• Welke foto’s worden leuk gevonden?

• Welke petities worden ondertekend?

Data van energieleveranciers?

• Wordt er groene stroom afgenomen?

• Is er een slimme thermostaat geïnstalleerd?

• Zijn er zonnepanelen aanwezig?

SV-­‐2018-­‐xxxx

Kunnen we straks o.b.v. data per individuele deelnemer inschatten hoe belangrijk dit individu Maatschappelijk Verantwoord Beleggen vindt?

12

Casus II. Maatschappelijk verantwoord beleggen – Stellingen/discussie: hoe ver moeten we (willen) gaan?

Stelling 1. Deelnemers zijn best bereid privacygevoelige informatie te delen met pensioenfondsen/verzekeraars, als dit leidt tot een meer maatschappelijk verantwoord beleggingsbeleid.

Stelling 2. Een pensioenfonds/verzekeraar moet niet bezig zijn met Maatschappelijk Verantwoord Beleggen, maar gewoon een zo hoog mogelijk rendement voor de deelnemer zien te behalen.

SV-­‐2018-­‐xxxx

13

Casus III. Communicatiebeleid – Wat is de probleemstelling/behoefte van het bestuur?

Probleemstelling / behoefte bestuur: Op welke wijze dient het communicatiebeleid te worden vormgegeven?

Moeten we het communicatiebeleid personaliseren op de individuele behoeften van de betreffende deelnemer?

SV-­‐2018-­‐xxxx

14

Casus III. Communicatiebeleid – Wat is er vandaag mogelijk?

Communicatie-­‐ behoefte wordt voor collectief ingeschat o.b.v. bij fonds beschikbare data

SV-­‐2018-­‐xxxx

15

Casus III. Communicatiebeleid – Wat is er (misschien) morgen mogelijk?

Data uit zoekmachines?

• Welke zoekwoorden worden gebruikt?

• Op welke leeftijd wordt het meest gezocht op ‘pensioen’?

• Welk taalniveau hebben de artikelen die de deelnemer in zijn vrije tijd leest?

“De juiste boodschap naar de juiste deelnemer op het juiste moment”

Kan straks o.b.v. data iedere communicatie-­‐uiting van het pensioenfonds / verzekeraar per deelnemer tailormade deelnemer worden gemaakt?

SV-­‐2018-­‐xxxx

16

Casus III. Communicatiebeleid – Stellingen/discussie: hoe ver moeten we (willen) gaan?

Stelling 1. Deelnemers hebben veel behoefte aan meer op maat gemaakte communicatie.

Stelling 2. Het leidt alleen maar tot verwarring tussen deelnemers onderling, als er verschillende brieven/mails over dezelfde boodschap worden verstuurd.

Stelling 3. Het is onevenwichtig om sommige deelnemers wél en sommige deelnemers géén extra informatie te verschaffen over bijvoorbeeld ‘zelf beleggen’.

SV-­‐2018-­‐xxxx

17

Casus IV. Levensverwachting – Wat is de probleemstelling/behoefte van het bestuur?

Probleemstelling / behoefte bestuur: Wat is de levensverwachting van onze deelnemers?

Hoe kan de individuele levensverwachting zo nauwkeurig mogelijk worden geschat?

SV-­‐2018-­‐xxxx

18

Casus IV. Levensverwachting – Wat is er vandaag mogelijk?

Sociaaleconomische karakteristieken Combinatie van data bronnen

Interne informatie wordt gekoppeld aan externe maatstaven: -­‐ Leeftijd / geslacht / opleiding / inkomen / woongebied SV-­‐2018-­‐xxxx

19

Casus IV. Levensverwachting – Wat is er (misschien) morgen mogelijk?

Data uit smart watches?

• Hoeveel slaap?

• Hoeveel beweging?

• Hoe vaak sporten?

Data uit sociale media?

• Welke interesses?

• Hoe vaak op stap?

• Hoeveel drank?

Pensioenfonds/verzekeraar als ‘gezondheidsmentor’?

SV-­‐2018-­‐xxxx

20

Casus IV. Levensverwachting – Stellingen/discussie: hoe ver moeten we (willen) gaan?

Stelling 1. Het is eerlijker om o.b.v. data een individuele kostprijs voor pensioen vast te stellen en individuele pensioenpremies vast te stellen.

Stelling 2. Een pensioenfonds/verzekeraar zou individuele data moeten gebruiken om een ‘gezondheidsmentor’ te worden.

SV-­‐2018-­‐xxxx

21

Agenda

SV-­‐2018-­‐xxxx

1

Inleiding

2

Concrete casussen

3

Afsluiting

22

Afsluiting De omgeving rondom pensioenfondsen en verzekeraars beïnvloeden het verwachtingspatroon van deelnemers/klanten: overal krijgt men steeds meer maatwerk en personalisatie.

Deze veranderende omgeving en behoeftes van klanten bieden mogelijkheden voor de actuaris om zich verder te ontwikkelen op het gebied van Data Science en deze in te gaan zetten in haar domein.

De hoeveelheid data, rekenkracht en methodes (Data Science) om hiermee om te gaan nemen ook alsmaar toe.

SV-­‐2018-­‐xxxx

23

Data Science: de toekomst van de actuaris?

SV-­‐2018-­‐xxxx

24