Het is boeiend om te zien dat in wereldwijde samenwerkingsverbanden van de financiële sector wordt aangestuurd op het grootschalig verwerken van persoonsgegevens en andere gedetailleerde gegevens van iedereen die financiële diensten afneemt. Dat gebeurt niet alleen door financiële instellingen maar ook door overheidsinstellingen.

In de consultatiebijdrage van Privacy First (via de aankondiging te vinden) wordt geconstateerd dat in het financiële toezicht en in de financiële sector een grenzeloze behoefte aan persoonsgegevens is, vanwege het vermeende nut voor hun activiteiten. De persoonsgegevens worden gebruikt om kunstmatige intelligentie (artificial intelligence, AI) te trainen (machine learning).

Bank for International Settlements (BIS): “Availability of granular data is key”
Privacy First maakt melding van een paper gepubliceerd op de site van de Bank for International Settlements (BIS) [*]. In de samenvatting constateert de auteur dat persoonsgegevens en andere detailgegevens van klanten (‘granular data‘, granulaire data) nodig zouden zijn voor het financiële toezicht:

Critical suptech tools leverage granular data. Financial authorities that have collected granular data historically are able to develop tools that make it more efficient to organise, interrogate and analyse these data. This in turn makes it easier to extract useful insights from them. Hence, it is important for financial authorities to enhance their data collection practices first before pursuing the benefits of data analytics tools.

De auteur concludeert: “Availability of granular data is key”, en elders: “Suptech tools need good-quality granular data”, en geeft daarmee de heersende gedachte weer.

The Financial Action Task Force: Data Pooling and Collaborative Analytics
De behoefte aan ‘granulaire data’ past in een internationale trend die al jaren geleden is begonnen en die geen publieke aandacht heeft gekregen.
Zo liet The Financial Action Task Force (FATF), de informele wereldregering op het gebied van misdaadbestrijding door bedrijven (‘witwasbestrijding’),  weten dat de organisatie vindt dat financiële instellingen gezamenlijk op jacht moeten gaan naar crimineel geld, bekijk bijvoorbeeld de Stocktake on Data Pooling, Collaborative Analytics and Data Protection.
In 2020 maakte ik een overzicht van datadeelpublicaties door FATF, die ook over het analyseren van gegevens door overheden gaan.
Als financiële instellingen samen transacties monitoren, wat de bedoeling was van Transactiemonitoring Nederland (TMNL), komt dat neer op een pseudo-overheid. Vooralsnog is dat niet toegestaan en bouwt TMNL de huidige activiteiten af en bekijkt wat er mag op grond van de nieuwe Europese regels (blog).

IMF: “the collecting and processing of granular data proved to be a right way forward“
Op 18 juni jl. maakte het Internationale Monetaire Fonds (IMF) een ‘Technical Note on Banking Supervision‘ over Nederland bekend, waarin IMF trouw de wetgevingswensen van het Nederlandse ministerie van Financiën overneemt.
In het document wordt melding gemaakt van het tijdens de Covid-19 pandemie door de Nederlandse financiële toezichthouders verwerken van individuele gegevens van leningen:

51. The conditions in the COVID-19 pandemic underscored the need to analyze granular data. DNB was collecting detailed information about individual loans (‘loan-tapes’) which are usually required before onsite examinations. These data sets were analyzed to identify irregularities and determine the asset quality.

Voor zover ik weet was er geen wettelijke grondslag voor deze verkrijging van granulaire data. Elders in het rapport wordt aanbevolen een wettelijke grondslag voor het verkrijgen van granulaire gegevens te creëren:

Recommendation 5: Ensure that authorities have a clear legal basis to access granular, transaction/loan level data on a regular basis for risk monitoring and analysis, including residential and commercial real estate loans.

Die gegevens zullen ook inkomensgegevens en andere persoonsgegevens van schuldenaren kunnen omvatten. Dit betekent feitelijk dat de financiële toezichthouders het werk van financiële instellingen gaan overdoen.

Opvragen gegevens zonder passende wettelijke grondslag
Het is niet de eerste keer zijn dat financiële toezichthouders zonder wettelijke grondslag persoonsgegevens en andere granulaire data opvragen.
Zo is van algemene bekendheid dat geldtransactiekantoren al vele jaren periodiek al hun transactiegegevens (inclusief persoonsgegevens van verzender en ontvanger) aan DNB moeten leveren, zonder dat daar een passende wettelijke grondslag voor is.

In het artikel in het FD van vandaag (betaalmuur) wordt een advocaat geciteerd die bevestigt dat de financiële toezichthouders gegevens opvragen zonder wettelijke grondslag:

Waar gaat het heen?

De trend is dat de overheid in het financiële toezicht niet meer alleen kijkt hoe financiële instellingen hun werk doen. Als de overheden grote hoeveelheden detailgegevens van de financiële instellingen binnen halen en daar een artificial intelligence slag overheen laten gaan, komt het er op neer dat die overheden het werk van de banken c.s. dunnetjes gaan overdoen.

Daarom vind ik dat het hoog tijd is dat het gehele data landschap van zowel DNB als AFM zorgvuldig wordt geanalyseerd en wordt bekeken of het wel wenselijk is dat zij zelf als datafabrieken met gegevens van financiële instellingen en van alle burgers aan de slag gaan. En als dat toch zou moeten gebeuren, hoort daar volwassen toezicht op DNB en AFM bij.

Noten:

[*] Peering through the hype – assessing suptech tools’ transition from experimentation to supervision, FSI Insights on policy implementation No 58, juni 2024.

Aanvullingen

Aanvulling 6 november 2024 – OECD: “The potential of tax microdata for tax policy“
Deze publicatie over microdata had ik gemist: bij de OECD werd in september 2019 een paper gepubliceerd over het gebruik van fiscale persoonsgegevens (de belastingaangiften), lees de aankondiging: The potential of tax microdata for tax policy. Introductie:

This paper explores one distinctive form of the ‘big data’ of economics – individual tax record microdata – and its potential for tax policy analysis. The paper draws on OECD collaborations with Slovenia and Ireland in 2018 where tax microdata was used.
Most empirical economics is based on survey data. However, the current trend of low and falling response rates has placed a question mark over the future value of survey practice generally. By contrast, this paper discusses the increasing use of tax microdata in economic research and the new types of policy analysis made possible by it.
In the future, best-practice tax policy analysis is likely to combine tax microdata with survey and national account data. The advantages of these combined data will be important for policymakers to understand and address future policy challenges including protecting tax revenues in an era of population ageing and supporting fairness given the changing nature of economic mobility.

Aanvulling 25 juli 2024 – ECB: enthousiasme over “the increased availability of granular data“
Lees over de behoefte aan microdata de speech van Philip R. Lane, lid van het bestuur van Europese toezichthouder European Central Bank (ECB). Hij spreekt vol enthousiasme over de “increased availability of granular data” en meldt men bezig is met analyse van “bank-level, firm-level and household-level datasets“. Die household-level datasets zijn persoonsgegevens. De informatie die men heeft is heel gedetailleerd, zo blijkt uit deze passage: “More recently, the European System of Central Banks has developed the Distributional Wealth Accounts, a dataset that provides new experimental quarterly statistics on household wealth“. De speech sluit af met (noten verwijderd):

With respect to wages, the newly-developed ECB wage tracker is based on granular data on collective bargaining agreements, allowing the ECB to interpret the latest signals on developments in wages in the euro area and conduct sectoral analysis that can shed light on the connection between wages and prices. In addition, micro price data can enhance our understanding of how firms set prices. The analytical and policy value of these surveys and granular datasets is increasing in the breadth and credibility of research that provides a guide to understanding the macroeconomic impact of heterogeneity. I am confident that the papers presented at this conference will make a valuable contribution to advancing this exciting research programme.

The wider availability of timely granular information on balance sheets, millions of individual loans and their lending rates (for example in the European AnaCredit credit register) and deposit rates for euro area monetary financial institutions has offered increasingly detailed insights into bank-based transmission. We now have evidence that firm and bank balance sheet constraints can amplify the contraction in credit availability brought about by policy tightening. Access to granular survey data, for example the individual replies to the bank lending survey, also helps disentangle credit supply from demand to understand the transmission of shocks to the real economy via banks. More recently, the availability of security-level data as well as loan- and transaction-level information on banks and firms has further enhanced the analysis of the monetary policy transmission mechanism along several dimensions, including: heterogeneity in the transmission of monetary policy across regions and sectors; the impact of monetary policy on bank risk-taking; and the sources of changes in credit developments.

Aanvulling 25 juli 2024 – DNB: “we applied an outlier detection tool … to detect anomalous transactions in a dataset that contains millions of customers and bank accounts and billions of transactions“
Zie voorts dit artikel waarin ik verwijs naar een mededeling van Steven Maijoor van DNB, die meldt dat DNB zelf aan transactiemonitoring doet:

At DNB we applied an outlier detection tool in Know Your Customer examinations. We used it to detect anomalous transactions in a dataset that contains millions of customers and bank accounts and billions of transactions.

Ik stel daarbij vragen: “Where does DNB get this huge dataset from? What is the legal basis for this data processing?” In het artikel meld ik ook ChatDNB.