Veel data, nog meer betekenis

‘Data-analyse en -mining is hot, iedereen doet het. Waar andere grote bedrijven deze expertise vaak extern inhuren, investeren wij juist om deze kennis zelf op te bouwen. Want naast technische expertise is vooral begrip van onze data nodig. En niemand begrijpt de werkelijke betekenis van pensioendata zo goed als wijzelf. Bovendien gaat het om een prettige oude dag van onze deelnemers, dat is veel te waardevol om uit handen te geven. Dus leiden we onze eigen mensen op tot technische experts.’

‘Pensioen is voor veel mensen abracadabra. Het is onze verantwoordelijkheid om pensioendata begrijpelijk te presenteren. We stellen ons voortdurend de vraag hoe het nog duidelijker of nog makkelijker kan. Zo zoeken we in onze data naar patronen, en voorspellen we welke deelnemers voor een bepaalde keuze komen te staan. Die willen we proactief gaan informeren over hun opties, en hen tonen wat elk scenario impliceert. Niet dat wij daar beter van worden. Maar deelnemers wel: die begrijpen hun keuze beter en nemen een meer overwogen beslissing.’

‘We werken met een enorm rijke dataset en kunnen best veel over een individu zeggen. Daar zijn we zuinig op. Zo willen we met slimme algoritmes de kwaliteit van gegevens bewaken en verbeteren. We analyseren bijvoorbeeld de data die werkgevers ons aanleveren. Met patroonherkenning traceren we onbedoelde fouten of nalatigheid, die we vervolgens gepast kunnen opvolgen.’

‘Daarnaast denken we nu een raamwerk uit waarmee we straks het gedrag van individuen via verschillende kanalen aan elkaar kunnen verbinden. Bijvoorbeeld welke FAQ ze op de site bekijken, plus welke vraag ze onze telefonisten stellen, plus op welke mailing ze reageren. Dat is complex en zeer waardevol: het geeft ons diepgaand inzicht in triggers en reacties. Daarmee kunnen we voorspellen aan welke informatie bepaalde deelnemers binnenkort behoefte zullen hebben, en kunnen we hen proactief precies die informatie tonen. Dan kunnen we nog meer deelnemers nog beter bijstaan.’