PGGM-AI_Succes_begint_met_Data_Kwaliteit__Lessen_en_Resultaten_uit_de_Praktijk.pptx.pdf

Transcript

1. AI Succes begint met Data Kwaliteit Lessen en Resultaten uit de Praktijk 10 September 2025 1 Arjan Surstedt – Enterprise Data Architect
2. | Wat je vandaag mag verwachten 2 Lessons learned bij PGGM • Wat werkte, wat niet — concrete voorbeelden Samen nadenken over AI • Wat is écht anders aan datakwaliteit bij AI?
3. | Hoe oud worden we? 3 Hoe oud denk je dat de gemiddelde Nederlander wordt die dit jaar geboren is? < 75 jaar 75-80 80-85 85-90 90-95 95-100 > 100 jaar
4. | Data prikt onze aannames door 4
5. | Wat bepaalt levensverwachting het meest? 5 Wat zijn de meest bepalende factoren voor de levensverwachting? Roken Overgewicht Alleenstaand Huisdier Welvaartsniveau Gezondheid Iedereen die werkt bij een werkgever aangesloten bij PFZW leeft nog 2 jaar langer
6. | Voorspellen vraagt om betrouwbare sterftedata 6 Als je wilt voorspellen is o.a. het volgende van belang: • Juiste data • Voldoende data • Eenduidige data • Een goed model met de goede data geeft een betrouwbare prognose • Alleen Nederlandse data is niet voldoende data, dus neem data mee van vergelijkbare landen. • Model wat we gebruiken is een stochastisch model (met onzekerheden en daarom betrouwbaarheidsmarges om de uitkomsten heen): Li Lee Model.
7. | PGGM in één oogopslag 7 Onze missie Wij zijn PGGM. We zetten ons in voor een betaalbaar, goed en duurzaam pensioen voor pensioenfondsen - onze opdrachtgevers - en hun deelnemers. Daarnaast dragen we bij aan een leefbare wereld, gezond werken en vitaal ouder worden.
8. | Onze reis: van WTP naar AI via Data Mesh 8 WTP Data Mesh AI Basis op orde Data Observability Bias, drift, ongestructureerde data
9. | Wet Toekomst Pensioenen: Van zekerheid naar flexibiliteit in pensioenopbouw 9 Transitie uiterlijk 1 januari 2028 Huidig stelsel Collectieve opbouw Fatima, 29 Anne, 44 Jeroen, 61 WTP Persoonlijke potten
10. | Zet de basis neer: beleid en governance 10 • Datakwaliteitsbeleid: KDE’s, normering, KPI/KRI, issuemanagement • Governance: rollen, afdelingen en overlegorganen • Privacy & security: DPIA, classificatie, RBAC/PBAC • DQ is geïntegreerd in bredere data governance framework
11. | Meet wat ertoe doet: DQ‑KPI’s 11 Dimensie KPI voorbeeld Juistheid % records valide Volledigheid % KDE’s op norm Consistentie % afwijkingen tussen bronnen Tijdigheid % updates binnen SLA Data-integriteit (coherentie) % records dat geen ongeautoriseerde mutaties vertoont Validiteit % records conform business rules
12. | Data Mesh legt de lat hoger voor DQ 12 Bron Data bronnen Pipeline ETL/ELT & validaties Dataproduct Gedefinieerde output Consumer Rapport/AI/apps Observability Eigenaar = verantwoordelijk voor de hele keten Data Mesh organiseert data per domein en levert deze als zelfstandige dataproducten
13. | AI-ambitie van PGGM: van assistentie tot datagedreven beleggen 13 Assistentie Productiviteit Datagedreven beleggen Excellente klantbediening Betere informatie-toegang Automatiseren repeterend werk Efficiency Snellere research Onderbouwde beslissingen
14. | AI-chatbot voor pensioenreglementen: van zelf zoeken tot direct antwoord krijgen 14 Een virtuele collega die vragen over pensioenreglementen (zoals PFZW/PMT/Bpfk) beantwoordt op basis van de officiële reglementsteksten. Antwoorden zijn begrijpelijk én voorzien van bronverwijzingen naar de betreffende passages. Datakwaliteit speelt hierbij een cruciale rol: − Betrouwbaarheid van antwoorden − Voorkomen van hallucinaties − Traceerbaarheid en auditability Het is dus noodzakelijk om de chatbot te voeden met documenten en reglementen die: - juist, volledig en actueel zijn; - consistent zijn in opbouw en terminologie; - Machine-leesbaar en indexeerbaar zijn.
15. | AI voegt nieuwe kwaliteitsdimensies toe 15 Dimensie DQ-KPI AI-KPI Juistheid % records valide % antwoorden met bronverwijzing Volledigheid % KDE’s op norm % bronnen met geldig-versie‑stempel Consistentie % afwijkingen tussen bronnen % antwoorden zonder interne inconsistenties Tijdigheid % updates binnen SLA Index freshness Data-integriteit (coherentie) % records dat geen ongeautoriseerde mutaties vertoont % antwoorden dat consistent is met de onderliggende brondata Validiteit % records conform business rules % policy‑compliance in antwoorden Toegankelijkheid & indexeerbaarheid % brondocumenten dat machine-leesbaar en volledig geïndexeerd is Beveiliging, privacy & rechten % gelekte persoonsgegevens
16. | Samengevat: betrouwbare AI is onmogelijk zonder aantoonbare datakwaliteit 16 Betrouwbare AI = Basishygiëne + Data Observability + Contextafhankelijke DQ 🧼 Basishygiëne Datakwaliteitsbeleid Governance 👀 Observability Proactieve monitoring Keteninzicht 🧠 Context Curatie van brondocumenten Datakwaliteit blijft mensenwerk!
17. | Actie! Eén concrete stap voor betere datakwaliteit 17 • Schrijf 1 actie op die je morgen nog kunt uitvoeren om datakwaliteit te verbeteren