Datascience en persoonlijke keuzemogelijkheden

Uitgave: Pensioen Bestuur & Management (PBM) nummer 4 2019

MR. DR. BASTIAAN STARINK, PARTNER PWC, TILBURG UNIVERSITY EN NETSPAR Rubriek: Nieuwe ontwikkelingen
Geplaatst op 31-10-2019
Datascience en persoonlijke keuzemogelijkheden Het pensioenakkoord is gesloten en de weg lijkt vrij(er) om pensioenregelingen veel beter aan te laten sluiten bij de individuele behoeftes van de deelnemer. Bijvoorbeeld door de beoogde introductie van een lumpsumopname van 10% op pensioendatum. Hierbij kunnen datascience-toepassingen hun nut bewijzen. Eind 2018 heb ik samen met Tilburg University collega’s Wesley Kaufmann en Bas Werker het Netspar paper "Is de toekomst gearriveerd? Data science en individuele keuzemogelijkheden in pensioen" gepubliceerd. Hieronder een samenvatting.

De maatschappij wordt door big data getransformeerd. In de afgelopen halve eeuw is de digitale opslagcapaciteit voor data met een factor van 50 miljoen vergroot en zijn de kosten voor opslag ruwweg elke twee jaar gehalveerd. Wij definieerden datascience als een multidisciplinair onderzoeksveld dat erop gericht is kennis, inzichten en informatie te onttrekken uit (on)gestructureerde data. Organisaties gebruiken datascience-technieken inmiddels volop om beslissingen te nemen over bijvoorbeeld de prijzen van producten en diensten, het gebruik van marketingtechnieken en de benutting van capaciteit. In sommige gevallen zijn datasciencetoepassingen relatief voor de hand liggend en weinig controversieel. In andere gevallen zorgt het gebruik van datascience voor grote maatschappelijke ophef.

Vorig jaar kwam bijvoorbeeld naar buiten dat het bedrijf Cambridge Analytica toegang had tot de gegevens van tientallen miljoenen Facebookgebruikers zonder dat zij hiervoor toestemming hadden gegeven. Deze gebruikersinformatie werd door Cambridge Analytica gebruikt om mogelijke Trumpstemmers te bereiken. Inmiddels heeft Cambridge Analytica de deuren gesloten en is Facebook-CEO Mark Zuckerberg door zowel het Amerikaanse Congres als het Europese Parlement stevig aan de tand gevoeld. Een Nederlands voorbeeld van commotie was over het gebruik van datascience door ING Bank. ING wilde in 2014 bij een selecte groep klanten onderzoeken of er belangstelling was om ze, passend bij hun bestedingspatroon, relevante aanbiedingen te doen van andere partijen. Na de aankondiging van dit initiatief ontstond er veel opschudding. ING besloot de proef voorlopig niet door te zetten. De overheid heeft een cruciale rol. Er moeten spelregels in het leven worden geroepen om de ontwikkeling en toepassing van datascience in het pensioendomein (en wellicht breder) in goede banen te leiden.

Helpen bij keuzes
Datascience biedt mogelijkheden om burgers te ondersteunen bij het maken van pensioenkeuzes. Door datasets te koppelen en te analyseren kunnen pensioenuitvoerders mogelijk eenvoudig (en dus goedkoop) advies op maat leveren aan individuele deelnemers. Maar de acceptatiegraad daarvan is niet vanzelfsprekend. Voor veel burgers is het wellicht acceptabel dat Albert Heijn zijn klanten op basis van een analyse van bonuskaartgebruik gepersonaliseerde korting biedt, maar of vergelijkbare toepassingen ook gebruikt kunnen worden in de context van pensioenen is nog maar de vraag. Het doel van advisering van individuen bij pensioenkeuzes zou in ieder geval gericht moeten zijn op het optimaliseren van het pensioeninkomen.
De opkomst van datascience heeft belangrijke implicaties voor persoonlijke keuzemogelijkheden in pensioen. Het heeft voordelen én valkuilen. Voor het optimaal benutten van de mogelijkheden van een persoonlijk pensioen kunnen datascience-toepassingen zeer behulpzaam zijn. Er komen steeds meer data beschikbaar. We kunnen bij de koppeling en interpretatie ervan profiteren van steeds intelligentere, deels geautomatiseerde analysetechnieken. Individueel maatwerk komt bij pensioenkeuzes binnen handbereik. Sterker nog, veel deelnemers zien het als een voorwaarde om te blijven deelnemen aan bestaande regelingen. Datatechnologie biedt pensioenuitvoerders ook de kans om hun communicatie met de deelnemers intiemer te maken. Er is de belofte van efficiencywinst in de pensioenadministratie, met als gevolg lagere uitvoeringskosten. Bij het gebruik van datascience- technieken om keuzes te faciliteren is het van belang scherp te letten op het onderscheid tussen een causaal verband en ‘slechts’ een associatie of correlatie.

Casus
Stel een pensioenuitvoerder gebruikt gegevens van de nationale vogeltelling en observeert dat deelnemers op locaties waar veel (bijzondere) vogels voorkomen meer pensioenvermogen hebben opgebouwd. Indien dit als een causaal verband gepercipieerd wordt, dan zou het advies in de toekomst kunnen worden gebaseerd op de vogeldichtheid in de omgeving van de woning. Maar een dergelijk advies zou om twee redenen mankgaan. Allereerst, los van de causatie/correlatie-vraag, zal een data-analyse alleen laten zien welke keuzes pensioendeelnemers met bepaalde kenmerken maken. Dat zegt echter niet noodzakelijk iets over de vraag of deze keuzes ook verstandig zijn. We kennen veel voorbeelden uit de financiële literatuur van individuen die evident slechte financiële beslissingen nemen. Het simpelweg aanraden van ‘dit deden ander pensioendeelnemers’, werkt hier dus niet per se.
Ten tweede: in bovenstaand voorbeeld zou sprake kunnen zijn van een situatie waarin landelijke gebieden met veel natuurlijke diversiteit overeenkomen met bewoners die een bovengemiddeld vermogen hebben, zowel qua huis als qua pensioen. De relevante vraag voor de begeleiding bij persoonlijke pensioenkeuzes is echter de waarde van de woning verminderd met een mogelijke hypotheek. Het zonder meer afraden van extra pensioensparen voor deelnemers in landelijke gebieden is dus niet zonder meer verstandig.

Afbreukrisico is groot
Daarnaast moeten we ons realiseren dat de inzet van datascience makkelijk tot ontsporingen kan leiden. In het datagevoelige pensioendomein is het afbreukrisico groot. Bij pensioenkeuzemogelijkheden is vaak onduidelijk welke data mogen worden gebruikt en wanneer wettelijk sprake is van inbreuk op de privacy van deelnemers. Dit potentiële afbreukrisico kan leiden tot risicomijdend gedrag en daarmee tot een suboptimaal gebruik van datasciencemogelijkheden. Het is daarom zaak om te zorgen voor een goede governance rond de besluitvorming over dat gebruik. Een zorgvuldige en gestructureerde belangenafweging kan pensioenfondsbestuurders richting geven over hoe en waar ze datascience willen inzetten.

Individueel of collectief belang
Zo’n afweging is er bijvoorbeeld tussen het financiële belang van een individuele deelnemer versus dat van andere deelnemers, c.q. het collectief van deelnemers. Immers, door de inzet van datascience kan een persoonlijke keuze bij bijvoorbeeld het vervroegen of uitruilen van pensioen leiden tot een optimaler pensioen voor het individu, maar daarmee tevens tot een suboptimaal resultaat voor het collectief. Ik illustreer dit hierna met een voorbeeld uit het genoemde Netsparpaper. Stel dat een pensioenuitvoerder op basis van medische gegevens kan voorspellen wat iemands individuele levensverwachting is – dit is al geen toekomstmuziek meer1 – en er daardoor met redelijke zekerheid van kan uitgaan dat deze persoon na pensionering nog maar tien jaar te leven heeft. Optimale individuele advisering komt dan neer op het vervroegen van het ouderdomspensioen en een zo hoog mogelijke uitruil van ouderdomspensioen in nabestaandenpensioen. Voor het individu de best denkbare uitkomst, maar niet voor het collectief.

De vraag of toepassing van datascience- mogelijkheden ‘goed’ of ‘fout’ is, valt niet eenvoudig te beantwoorden. Het ridicule voorbeeld van hiervoor illustreert dat alles wat technisch gezien mogelijk is, niet per se wenselijk of aan te bevelen is. Naast de technische mogelijkheden zijn ook de ethische of fatsoensnormen van belang. Anders gezegd: ook de niet-meetbare en kwalitatieve argumenten zijn bij een besluitvormingsproces van groot belang. En juist die invalshoek wordt in het door rekenaars en quanten gedomineerde pensioendomein nog wel eens uit het oog verloren. Pensioenfondsbesturen doen er daarom verstandig aan criteria op te stellen voor hun besluitvorming over het gebruik van datascience. Een zorgvuldig ingerichte governance en volledige transparantie zijn daarbij onontbeerlijk en bieden tevens bescherming tegen eventuele kritiek.

Conclusie
Er zijn door technische ontwikkelingen veel voordelen te behalen. Laten we op een verstandige en zorgvuldige manier de voordelen van datascience benutten zonder te angstig te zijn voor de risico’s. Een goede set aan criteria en de juiste governance ondersteunen dit.

1 Computers kunnen voorspellen welke ziektes iemand krijgt. Prof. dr. Wiro Niessen ontving er de Simon Stevin Meester-prijs voor: https://nos.nl/artikel/2045797-computervoorspelt- ziekte.html.