Datakwaliteit
Datakwaliteit is de mate waarin data geschikt zijn voor het doel waarvoor ze worden gebruikt: juist, integer, volledig, tijdig en herleidbaar tot de bron. Voor risicorapportage, financiële verslaggeving en AI-systemen bepaalt de datakwaliteit of besluiten op een betrouwbaar beeld rusten. Datakwaliteit wordt gemeten met indicatoren en geborgd met datagovernance: eigenaarschap, standaarden, controles en toezicht.
Bron: BCBS 239 (2013); BCBS, Progress in adopting the Principles for effective risk data aggregation and risk reporting (2023); ECB, Guide on effective risk data aggregation and risk reporting (2024); Verordening (EU) 2024/1689 (AI-verordening) artikel 10; Verordening (EU) 2016/679 (AVG) artikel 5 lid 1 onder d; COSO Internal Control 2013 (principe 13); IIA Global Internal Audit Standards 2024 (Standard 14.1); DNB, WTP Good practice Borging datakwaliteit tijdens en na transitie (2024); DNB, Good practice besluitvorming datakwaliteit (2024)
Verschillende kaders gebruiken vergelijkbare kenmerken. BCBS 239 (2013) noemt voor de aggregatie van risicodata bij banken juistheid en integriteit, volledigheid, tijdigheid en aanpassingsvermogen. De ECB-gids van mei 2024 laat het leidinggevend orgaan eisen stellen aan juistheid, integriteit, volledigheid en tijdigheid, in normale en in stressperiodes, en de datakwaliteit met indicatoren volgen. De AI-verordening eist dat trainings-, validatie- en testdata van hoog-risicosystemen relevant, voldoende representatief en zoveel mogelijk foutenvrij en volledig zijn met het oog op het beoogde doel (artikel 10 lid 3). De AVG eist dat persoonsgegevens juist zijn en zo nodig worden geactualiseerd (artikel 5 lid 1 onder d). In COSO Internal Control 2013 gaat principe 13 over het gebruik van relevante informatie van goede kwaliteit.
In Nederland kreeg datakwaliteit bij pensioenfondsen veel aandacht door de overgang naar de Wet toekomst pensioenen. DNB schrijft in een good practice (december 2024, bijgewerkt in juli 2025) dat een fonds moet kunnen aantonen dat de datakwaliteit vóór, tijdens en na de transitie geborgd is; een good practice is indicatief, geen eis. Bij banken blijft datakwaliteit een hardnekkig punt: van de 31 mondiaal systeemrelevante banken die het Bazels Comité over 2022 beoordeelde, voldeden er volgens het rapport van november 2023 maar twee volledig aan alle principes van BCBS 239.
Voor bestuur en auditcommissie gaat het om de vraag of de cijfers waarop zij sturen kloppen en welke beperkingen erin zitten. BCBS 239 vraagt dat de board op de hoogte is van beperkingen die een volledige aggregatie van risicodata in zijn rapporten verhinderen (par. 31). Internal audit beoordeelt volgens de Global Internal Audit Standards of de informatie waarop zij steunt relevant, betrouwbaar en toereikend is (Standard 14.1); bij significante banken verwacht de ECB daarnaast periodieke reviews van de kwaliteit van de data waarmee risico's worden gekwantificeerd.
Laatst bijgewerkt: · Redactie: ONE Risk Advisory
Veelgestelde vragen
Wie is verantwoordelijk voor datakwaliteit?
In de eerste plaats de eigenaar van het proces waarin de data ontstaan. Bij significante banken legt de ECB de verantwoordelijkheid voor datakwaliteit en datagovernance bij het leidinggevend orgaan (gids van 2024); de tweede lijn valideert risicodata onafhankelijk en internal audit beoordeelt het geheel periodiek. Bij pensioenfondsen beschrijft DNB in een good practice (april 2024) het besluit dat het bestuur vóór het invaren over de datakwaliteit neemt.
Hoe wordt datakwaliteit gemeten?
Met indicatoren per kenmerk voor de kritieke data-elementen, zoals het aandeel ontbrekende of onjuiste velden, het aantal handmatige correcties en de tijd die een rapportage kost. Het Bazels Comité beveelt een vaste set prestatie-indicatoren aan waarmee de board de datakwaliteit van alle materiële risico's op groepsniveau kan beoordelen (2023). De ECB vraagt indicatoren voor datakwaliteit periodiek met een impactanalyse aan het leidinggevend orgaan te rapporteren.
Wat vraagt de AI-verordening van de datakwaliteit?
Voor hoog-risicosystemen die modellen met data trainen, moeten trainings-, validatie- en testdata relevant, voldoende representatief en zoveel mogelijk foutenvrij en volledig zijn met het oog op het beoogde doel (artikel 10 lid 3). Daarbij horen praktijken voor databeheer, met aandacht voor herkomst, aannames, leemten en vooringenomenheid (lid 2). Voor de toepassingen uit bijlage III gelden deze eisen vanaf 2 december 2027.