• Save
DDMA / PGGM: Datakwaliteit
Upcoming SlideShare
Loading in...5
×
 

DDMA / PGGM: Datakwaliteit

on

  • 1,202 views

Rob Wolvekamp is bij PGGM verantwoordelijk voor de basisadministratie van het Pensioenfonds voor Zorg & Welzijn. Deze afdeling vormt het hart van de pensioenvoorziening voor ca 2 miljoen ...

Rob Wolvekamp is bij PGGM verantwoordelijk voor de basisadministratie van het Pensioenfonds voor Zorg & Welzijn. Deze afdeling vormt het hart van de pensioenvoorziening voor ca 2 miljoen (oud)deelnemers in de sector Zorg & Welzijn. De dagelijkse uitdaging is de volumes en complexiteit van ruim 19.000 aanleverende partijen (werkgevers, administratiekantoren, UWV en GBA) met ruim 6 miljoen mutaties per jaar, goed en met hoogstaande kwaliteit te organiseren. Dit vergt top ICT, top processen, maar bovenal top medewerkers.

Statistics

Views

Total Views
1,202
Views on SlideShare
1,201
Embed Views
1

Actions

Likes
0
Downloads
0
Comments
0

1 Embed 1

http://www.slideshare.net 1

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment
  • Mijn rol: Manager business consultancy & Informatiemanager – mooie termen, maar waar gaat het me echt om? Met passie voor het bedrijf en informatievoorziening Mooie ambitie realiseren Hiervoor een goede basis nodig – basis is voor mij: kwaliteit!
  • Fase 1: ‘dom’ moet hier vooral in de context gezien worden van werkorganisatie. Doordat de focus lag op het zorgen dat het systeem gevoed werd met gegevens, en het model van het systeem hier leidend in was, ontstonden er simpele takenpakketten. Deze werden veelal op grote datra-entry afdelingen uitgevoerd. Fase 2: Veel eenvoudig werk laten doen door mensen, leidt tot fouten. In deze fase werd geprobeerd de fouten “weg te automatiseren”. Het effect was dat het beetje intelligentie in het werk, ook nog door de computer werd overgenomen.

DDMA / PGGM: Datakwaliteit DDMA / PGGM: Datakwaliteit Presentation Transcript

  • Event: DDMA Dag van de Datakwaliteit Thema: Datakwaliteit Spreker: Rob Wolvekamp - PGGM Datum: 7 oktober 2008 – Muziekgebouw aan het IJ www.ddma.nl
  • PGGM & kwaliteit Het begint bij de mensen Rob Wolvekamp Manager Basisadministratie DDMA, 7 oktober 2008
    • Uitvoeringsorganisatie van collectieve pensioenregelingen voor de sector zorg en welzijn ;
    • Aanbieder van aanvullende inkomensproducten en diensten (verzekeringen, sparen, beleggen);
    • Verzorgt administratie voor ruim 2 miljoen (oud) deelnemers van Pensioenfonds Zorg en Welzijn, waarvan 260.000 gepensioneerden;
    • Belegd vermogen van PfZW € 88,2 miljard (ultimo 2007);
    • Telt 954 werknemers (ultimo 2007),
    Introductie PGGM
  • Vooraf
    • Met deze presentatie wil ik u inspireren en inzicht geven in g egevenskwaliteitsmanagement bij PGGM en de belangrijke rol hierin voor de mens.
  • Agenda
    • Kwaliteit van gegevens & PGGM-belang
    • De praktijk – van verleden naar heden
    • Resultaten
    • De toekomst
  • Kwaliteit van gegevens & PGGM-belang
    • Waarom kwaliteit?
    • Mensen – 260.000 mensen vertrouwen op PGGM voor hun inkomen;
    • Geld – innen premie (€ 3,9 miljard) & betalen pensioen (€ 2 miljard) gebaseerd op aanwezige gegevens;
    • Imago;
    • Onze eigen normen & waarden.
  • Agenda
    • Kwaliteit van gegevens & PGGM-belang
    • De praktijk – van verleden naar heden
    • Resultaten
    • De toekomst
  • De praktijk – van verleden naar heden En de impact op de mensen?
  • De praktijk – van verleden naar heden
    • Drie fasen van ontwikkeling:
    • Machine dom  mens “dom”
    • Machine slim  mens “dommer”
    • Mens “slimmer”  machine slimmer
  • De praktijk – van verleden naar heden Fase 1 - Toen: Machine dom  mens “dom” Input Output Verwerking fouten Onjuiste gegevens Onjuist pensioen Data Bron
  • De praktijk – van verleden naar heden Fase 1 - Toen: Machine dom  mens “dom”
    • Resultaat:
    • Achteraf controle  correctie arbeidsintensief;
    • Negatief karakter in controle, beperkt leervermogen;
    • Leverancier van gegevens en klanten worden geconfronteerd met fouten;
    • Gedoe & frustratie!
  • De praktijk – van verleden naar heden Fase 2 – IT-oplossing: Machine slim  mens “dommer” Input Verwerking Automatische controles uitval Output fouten Onjuiste gegevens Onjuist pensioen Data Bron
  • De praktijk – van verleden naar heden Fase 2 – IT-oplossing: Machine slim  mens “dommer”
    • Resultaat:
    • Afname hoeveelheid onjuiste gegevens;
    • Nog steeds:
      • Achteraf controle  correctie arbeidsintensief;
      • Negatief karakter in controle, weinig leervermogen;
      • Leverancier gegevens en klanten blijven geconfronteerd met fouten;
    • Meer gedoe & frustratie!
  • De praktijk – van verleden naar heden Fase 3 – Nu: Mens “slimmer”  machine slimmer
    • De theorie hierachter (Maier):
    • E = K x A (Effectiviteit = Kwaliteit x Acceptatie)
    • Stel : 6 x 4 = 24
    • Verhoging Kwaliteit : 7 x 4 = 28
    • Maar, verhoging Acceptatie : 6 x 5 = 30
  • De praktijk – van verleden naar heden Fase 3 – Nu: Mens “slimmer”  machine slimmer
  • De praktijk – van verleden naar heden Fase 3 – Nu: Mens “slimmer”  machine slimmer
    • De regisseur:
    • Heeft kennis & overzicht;
    • Gebruikt middelen/tools;
    • Kan bijsturen;
    • Is de centrale spil;
    • Is verantwoordelijk.
  • De praktijk – van verleden naar heden Fase 3 – Nu: Mens “slimmer”  machine slimmer
    • Randvoorwaarden:
    • Één verantwoordelijke voor gegevenskwaliteit;
    • Investeren in medewerkers;
    • Ontwikkelen van concrete kwaliteitsnormen;
    • Investeren in middelen/tools;
    • Zicht op huidige situatie;
    • Ingericht verbeterproces.
  • De praktijk – van verleden naar heden Fase 3 – Nu: Mens “slimmer”  machine slimmer Input Verwerking Automatische controles uitval Output fouten Onjuiste gegevens Onjuist pensioen Data Bron Onjuiste gegevens Onjuist pensioen Tooling
  • De praktijk – van verleden naar heden Fase 3 – Nu: Mens “slimmer”  machine slimmer
    • Resultaat:
    • Sterke daling hoeveelheid onjuiste gegevens;
    • Eén aanspreekpunt voor kwaliteit, zowel binnen als buiten PGGM;
    • Controles vervroegd, hierdoor snel terugkoppeling naar leverancier gegevens: uitstraling = fouten mogen gemaakt worden, maar worden snel opgespoord & opgelost.
    • Leervermogen in proces ingebouwd;
    • Daling kosten;
    • Geen frustratie & gedoe!
  • De praktijk – van verleden naar heden
    • Drie fasen van ontwikkeling:
    • Machine dom  mens “dom”
      • Fouten in bestand – achteraf controle en correctie, veel gedoe
    • Machine slim  mens “dommer”
      • Proberen fouten weg te automatiseren, meer gedoe
    • Mens “slimmer”  machine slimmer
      • Toepassen gegevenskwaliteitsmanagement
      • Mens heeft regie
  • Agenda
    • Kwaliteit van gegevens & PGGM-belang
    • De praktijk – van verleden naar heden
    • Resultaten
    • De toekomst
  • Resultaten
    • Verantwoordelijkheid bekend & centraal belegd;
    • Lerende organisatie – nieuwe inzichten op kwaliteitsverbetering;
    • Toegenomen kwaliteit – bestand integraal gecontroleerd t.o.v. steekproefsgewijs in het verleden;
    • Afgenomen kosten;
    • Mensen zijn trots op hun werk.
  • Agenda
    • Kwaliteit van gegevens & PGGM-belang
    • De praktijk – van verleden naar heden
    • Resultaten
    • De toekomst
  • De toekomst
    • Continue proces:
      • Actueel houden normen kwaliteit;
      • Verbeteren business rules;
      • Sturen op kwaliteit.
    • Doorontwikkeling tools voor gegevenskwaliteitsmanagement;
    • Ketenoptimalisatie dankzij gegevenskwaliteitsmanagement;
    • Onderzoek naar ketenintegratie mogelijkheden.
    OF
  • PGGM & kwaliteit : Het begint bij de mensen
    • Bedankt voor uw aandacht!