Data Governance White paper
Versie
:
1.0
Status
:
Definitief
Datum
:
Oktober 2013
Auteur(s) :
R. van Kerpel
Empowering your business
2
INHOUDSOPGAVE 1
DATA IN CIJFERS .......................................................................................................... 4
2
BELANG VAN DATA ...................................................................................................... 5
3
STAND VAN ZAKEN ...................................................................................................... 7
4
DATA GOVERNANCE .................................................................................................... 8
5
MASTER DATA MANAGEMENT.................................................................................. 12
6
CONCLUSIE ................................................................................................................. 14
3
Zonder goede data geen effectieve governance Nut en noodzaak van Data Governance Kwalitatief hoogwaardige data vormen de basis voor effectieve governance. Voor goed bestuur van een bedrijf en het afleggen van verantwoording daarover is het absoluut noodzakelijk om over juiste, volledige en actuele informatie te beschikken. Maar dat is niet het enige belang. Met kwalitatief hoogwaardige informatie zijn organisaties in staat klanten beter te bedienen, meer te verkopen, minder fouten te maken en met meer succes te innoveren. Kortom, hoe beter de informatie, hoe betrouwbaarder het bestuur en hoe beter de prestaties van een bedrijf.
1 Data in cijfers De informatisering van de samenleving heeft de afgelopen twee decennia een enorme vlucht genomen. De hoeveelheid data die onze informatie-intensieve samenleving genereert groeit explosief. 1 In 2011 creëerden mensen 1.8 zetta bytes aan data . Alle data door mensen geproduceerd verdubbelt circa iedere twee jaar. In 2020 produceren we naar verwachting 35 zettabytes aan data per jaar. Het fenomeen ‘big-data’ onderschrijft het belang van data. Uit zowel interne als externe data worden slimme analyses gemaakt voor innovatie en groei van omzet en productiviteit. Het belang en de waarde van data voor de bedrijfsvoering wordt door organisaties dan ook in toenemende mate erkend. The Economist onderzocht in 2011 dat 53% van organisaties die data op de strategische agenda heeft staan, aangaf in 2010 een beter fiscaal jaar te hebben gedraaid dan hun 2 concurrenten . Organisaties die hun strategische beslissingen in hoge mate baseren op data (feiten) hebben een 5 tot 6% hogere productiviteit dan organisaties met een vergelijkbaar profiel die dat niet doen. Hierbij is niet alleen de mate waarin data wordt gebruikt van belang, maar ook de kwaliteit van de data zelf. Naast de strategische voordelen, groeit ook de aandacht voor datakwaliteit als middel om de kosten 3 onder controle te houden. Volgens onderzoek door Harvard kost het met foutieve data tien keer zoveel om een activiteit af te ronden dan met correcte data. De consequentie hiervan is enorm: 3% foutieve data binnen een bedrijf betekent een stijging van 30% van de kosten. Op basis van diverse onderzoeken en onze eigen ervaring kunnen we stellen dat in de praktijk de data van organisaties een foutmarge heeft tussen de 10 en 25%. De impact op de operationele kosten spreekt voor zich.
Strategische beslissingen gebaseerd op data zorgen voor 5 à 6% hogere productiviteit. 3% foutieve data in een organisatie leidt tot 30% hogere kosten. Data-gedreven marketeers zijn twee keer zo positief over hun resultaten.
1
Bron: Fathom, Artikel ‘Big-data-facts-and-statistics-that-will-shock-you’, 8 mei 2012 Bron: The Economist, Artikel ‘Big data. Harnessing a game-changing asset’, September 2011 3 Bron: Harvard Business Review, Blog ‘Make the Case for Better Quality Data’, 24 augustus 2012 2
4
2 Belang van data Onderzoek bevestigt het strategisch belang van data voor organisaties. Er worden betere strategische keuzes gemaakt en de bedrijfsprestaties nemen toe. Maar hoe en waar in je organisatie kan je die voordelen te gelde maken? Data wordt immers door de hele organisatie heen gebruikt. Voor data geldt dan ook dat de keten zo sterk is als de zwakste schakel. Daarom levert het meer voordelen op om datakwaliteit breder in de organisatie met kleine stapjes te vergroten dan de investering op één plek te concentreren. Onderstaand schema wijst uit dat op veel functies in de organisatie voordelen behaald kunnen worden door beter gebruik van data en het verhogen van data kwaliteit. Het kwantificeren van deze baten vormt de onderbouwing van een eventuele investeringsbeslissing en de leidraad voor het uitvoeren van een verbeterprogramma. Bronnen van baten:
5
Directie en bestuur willen hun strategische beslissingen op feiten baseren. De hoeveelheid beschikbare data neemt sterkt toe en daarmee ook de noodzaak om deze te gebruiken. Dat stelt hoge eisen aan de kwaliteit van de data, anders zijn de gevolgen van verkeerde strategische beslissingen desastreus. Bovendien zal constant gemonitord moeten worden hoe de feiten zich ontwikkelen om tijdig te anticiperen op een omgeving die zich steeds sneller ontwikkelt. Operations kampen met te hoge kosten en dat alleen omdat gegevens niet juist zijn. Kleine fouten hebben grote gevolgen want foutieve data gaat de hele organisatie door. Dat zorgt voor dure correcties op verschillende plekken. Correctie aan de bron is vele malen goedkoper. Als vuistregel geldt dat correctie bij invoer gemiddeld één euro kost, maar een uur na invoer kost herstel al tien euro en na enkele maanden meer dan honderd euro. Los van de hoge kosten, zijn klachten en reputatieschade een veel voorkomend bijproduct van foutieve data. Marketing, Sales, R&D en Innovatie willen rechtstreeks toegang tot alle informatie in de organisatie maar ook tot relevante data van buiten de organisatie (cloud, social media). Zij gebruiken data om de benadering van klanten te optimaliseren en producten te ontwikkelen die aansluiten bij de behoeften. 4 Onderzoek onder meer dan 1000 marketeers in Europa wijst op een duidelijke samenhang tussen marketingbeslissingen die gebaseerd zijn op data en het succes van campagnes. Marketeers die aan data-gedreven marketing doen zijn twee keer zo positief over hun succes dan collega’s die dat niet (goed) doen. Voor Finance & Risk geldt dat zij steeds geavanceerder business- en risk modellen moeten implementeren en beheersen. Dat stelt steeds hoge eisen aan steeds meer en gedetailleerdere data. Rechtstreeks uit de bron, zodat ‘interpretatie’ door anderen uitgesloten is. Bovendien hebben zij te maken met externe toezichthouders die steeds hogere eisen stellen aan te publiceren informatie en rapportages. Een hoge datakwaliteit is hiervoor een randvoorwaarde. Bijvoorbeeld, De Nederlandse Bank heeft datakwaliteit zelfs als speerpunt benoemd in haar beleid voor 2013. Aanleiding is dat uit onderzoek onder verzekeraars in 2010 (Quinto-V) en bij pensioenfondsen in 2011 (Quinto-P) is gebleken dat een groot aantal berekeningen van pensioenaanspraken niet gestaafd kan worden met brondata. Met de juiste data kan Inkoop op het juiste moment met de juiste middelen aan de vraag voldoen. Door goede en vroegtijdige voorspelling van de vraag realiseert Inkoop een betere prijs. Continue feedback op basis van data geeft Inkoop een actueel en volledig beeld van gebruik en kwaliteit van ingekochte middelen. Uit bovenstaande voorbeelden blijkt het belang van data op alle niveaus en functies in de organisatie, maar ook dat de doelstellingen en het gebruik wezenlijk verschillen. Om deze op ‘één lijn te brengen moet er integraal en actief gestuurd worden op waardecreatie met data: data governance! Maar doen organisaties dat ook?
4
Onderzoek van Teradata, ‘the Marketers’ Technology Atlas’ uitgevoerd door Technische Universiteit Munchen, wordt officeel gepubliceerd in juni 2013 6
3 Stand van zaken Data governance is kortgezegd het besturen, managen en beheren van data van de organisatie met als doel waardecreatie. Het omvat de mensen, processen en informatietechnologie die nodig zijn om consequent de waarde van gegevens, de kwaliteit en integriteit te waarborgen en verbeteren. In de meeste organisaties is op bestuurlijk niveau data kwaliteit niet aan de orde. Er zijn geen strategische doelstellingen, geen prestatie indicatoren en geen budgetten voor het management. In deze organisaties wordt niet integraal gestuurd op datakwaliteit. Het gevolg is dat er hoogstens aan symptoombestrijding wordt gedaan op die plekken in de organisatie waar de ellende het hevigst wordt gevoeld, of bijvoorbeeld als éénmalige actie omdat een computersysteem vervangen wordt. In die gevallen wordt het meest noodzakelijke gedaan. Omdat datakwaliteit in het bedrijf niet leeft, is er geen draagvlak en budget voor een grondige aanpak. De meest fundamentele aspecten van het beheer van de gegevens van de organisatie, zoals schonen, valideren of combineren staan op een laag pitje. Daardoor is het voor medewerkers steeds een gevecht om tijdig over juiste data te kunnen beschikken, of de benodigde informatie te kunnen leveren. Natuurlijk zijn er ook goede uitzonderingen. Dat zijn de organisaties die strategische data governance toepassen en hun bedrijfsprestaties daardoor op een hoger niveau hebben gebracht. Onderzoek van 5 The Economist wijst uit dat deze organisaties een aantal kenmerken gemeen hebben:
Visie en strategie zijn in hoge mate gebaseerd op kennis van feiten van de omgeving en de eigen organisatie; Strategische doelstellingen die nauw samenhangen met data kwaliteit zijn geïdentificeerd; Aan deze doelstellingen zijn specifieke prestatie-indicatoren toegekend en maatregelen gekoppeld om deze prestaties mogelijk te maken; Er wordt zwaar geïnvesteerd in alle aspecten van datamanagement, met name in het borgen van accurate, complete en geïntegreerde data; Er wordt streng geselecteerd op de meest geschikte data voor het maken van beslissingen; Een hoog percentage van de data die wordt verzameld wordt ook gebruikt; De dataprocessen worden gestuurd door een verantwoordelijke op directieniveau.
Organisaties die het belang van data voor de organisatie vertaald hebben naar goede datagovernance hebben reeds een strategisch voordeel. Voor de anderen is het de uitdaging dit gat te dichten en de hoogste tijd om data governance en datamanagement op de agenda te zetten en tot het inrichten daarvan over te gaan.
5
Bron: The Economist, Artikel ‘Big data. Harnessing a game-changing asset’, September 2011 7
4 Data Governance Met de implementatie van data governance erkennen organisaties dat het vergaren, onderhouden en benutten van data waarde creërende activiteiten zijn met een strategisch belang. Met die erkenning is er vanaf dat moment dus alle reden om rondom data een robuuste structuur in te richten voor het besturen en managen ervan. De manier waarop data governance in organisaties wordt geïmplementeerd, verschilt van organisatie tot organisatie. Dat hangt af van veel factoren, zoals de omvang van het bedrijf, de reeds aanwezige governance structuur, de beschikbare middelen, de bedrijfscultuur et cetera. Wat voor de governance structuur van de gehele organisatie geldt, geldt ook voor data governance: er is niet één ideaal model. Je zult steeds naar de situatie van de organisatie moeten kijken om te bepalen welk model op dat moment de meeste voordelen biedt gegeven de strategie en doelstellingen. De mate waarin de organisatie al in staat is haar data te managen speelt daarbij ook een rol (zie ‘Datamanagement’). Ondanks de noodzakelijke verschillen in de inrichting van data governance, zijn er -gelukkig- ook overeenkomsten. Want, ongeacht de wijze van implementatie moeten in ieder geval alle componenten van het data governance model in hun onderlinge samenhang aanwezig zijn en bestuurd worden. 6
Het Data Governance Institute heeft tien ‘universele’ componenten onderkend en ondergebracht in het Data Governance Framework, dat als leidraad kan dienen voor analyse van de stand van zaken 7 en de ontwikkeling van een verbeterprogramma (Ist – Soll gap analyse ). Deze tien universele componenten kunnen worden geordend in drie lagen van governance:
6 7
http://www.datagovernance.com/ http://nl.wikipedia.org/wiki/Administratieve_organisatie 8
A. Strategisch 1. Strategische doelstellingen Alle activiteiten staan in het teken van de missie van de organisatie; dat geldt ook voor data governance. Gegevens die organisaties verzamelen en bijhouden moeten reflecteren wat belangrijk voor ze is. Strategische doelstellingen zijn het vertrekpunt. Daarna wordt vastgesteld welke informatie nodig is om die uit te voeren en kunnen de doelstellingen voor Data governance specifiek worden gemaakt als onderdeel van het strategisch plan. 2. Doelstellingen, succesfactoren, prestatie indicatoren en budgettering Doelstellingen voor data governance worden dus afgeleid van de strategische doelstellingen van de organisatie. Ze dragen bij aan het creëren van waarde voor de organisatie en haar omgeving. Bijvoorbeeld door het vergroten van de klanttevredenheid, de bijdrage aan de maatschappelijke doelstellingen, de tevredenheid van de medewerkers, de omzet, het verlagen van de kosten et cetera. Daarnaast zijn er doelstellingen die betrekking hebben op data zelf, zoals het vergaren ervan, de verbeteren van de mogelijkheden om deze op te slaan, te analyseren en er waarde aan te onttrekken. Als de doelstellingen zijn bepaald, kan vervolgens worden vastgesteld wat absoluut nodig is om ze te bereiken (kritische succes factoren), wat de daaraan gerelateerde prestatie indicatoren zijn en wat het ‘kost’ (budget) om ze te realiseren. B. Tactisch 3. Data stakeholders In organisaties zijn rondom data vaak (onverwacht veel) gebruikers en dus belanghebbenden. Een data-stakeholder is een ieder (persoon, functie, afdeling) die effect kan hebben op de data of op wie de data effect kan hebben; zowel direct als indirect. Voor het inrichten van data governance en datamanagement dienen alle stakeholders in kaart te worden gebracht zodat ze betrokken kunnen worden in het vaststellen van het stelsel van regels, controles, bevoegdheden en verantwoordelijkheden rondom deze betreffende data. Omdat de organisatie continu verandert, moet deze analyse regelmatig worden herhaald. 4. Datamanagement afdeling Met het oog op het toenemend belang van data en de hoeveelheid werk die data governance en management met zich meebrengt is het aan te bevelen om daarvoor een specialistische en toegewijde afdeling in de organisatie in te richten. Deze afdeling bestaat in ieder geval uit een Master Data Manager en naar gelang de behoefte een x aantal Data Stewards. Deze afdeling wordt verantwoordelijk voor de kwaliteit van data binnen de organisatie. Zij bewaken deze kwaliteit met behulp van de doelstellingen en meetinstrumenten en waar nodig kunnen zij maatregelen doorvoeren om de kwaliteit te verbeteren. Deze afdeling wordt niet de ‘eigenaar’ van de data in de organisatie. Zij faciliteert, controleert en rapporteert met kennis en hulpmiddelen. 5. Data stewards Met de inrichting van Data Governance in de organisatie ontstaan nieuwe rollen die uitdrukking geven aan de positie en verantwoordelijkheid ten aanzien van data, zoals bijvoorbeeld Data Owner of Data Manager. Een speciale rol is echter weggelegd voor de Data Stewards. Zij leggen de verbinding tussen het operationele niveau waarin data wordt vergaard, beheerd en bewerkt en het tactische niveau, waar het Datamanagement is belegd. De rol van Data Steward wordt omvangrijker en belangrijker naarmate aan deze meer bevoegdheden worden toegekend en varieert van ambassadeur en vraagbaak tot beslissingsbevoegde met betrekking tot de data controls.
6. Verantwoordelijkheden 9
De verantwoordelijkheden voor datamanagement, meta-datamanagement en de informatievoorziening dienen op een logische, duidelijke en eenduidige wijze in de organisatie te worden belegd. De verantwoordelijkheid voor verschillende aspecten rondom datamanagement worden op verschillende plaatsen belegd, bijvoorbeeld de beveiliging van data wordt op een andere plaats belegd dan het vergaren ervan. De verantwoordelijkheden in de organisatie komen samen op één plaats in de bestuurlijke laag van de organisatie (governance), bijvoorbeeld bij een Chief Information Officer.
7. Bevoegdheden Data kent vaak vele gebruikers. Het is dan ook vaak niet duidelijk hoe de bevoegdheden ten aanzien van bepaalde data liggen. Voor een goede Data Governance is het van belang om vast te stellen wie wat met welke data mag op welk moment en hoe dat wordt gecontroleerd. Voor het vaststellen van deze bevoegdheden is het noodzakelijk om het eigenaarschap van (bepaalde type van) data in de organisatie te beleggen. Bijvoorbeeld: de afdeling Finance & Control is ‘eigenaar’ van financiële data en kan dus de bevoegdheden rondom financiële data delegeren aan andere gebruikers. 8. Data definities en regels In de kern van datamanagement worden de regels die de organisatie zichzelf stelt voor het vergaren, vastleggen, beheren, prioriteren, monitoren en gebruiken van data vastgelegd. Er zijn verschillende type van regels, zoals regels voor eigenaarschap, standaardisatie, technische eisen, beveiliging et cetera. 9. Data controles Alle data brengen risico met zich mee. Risico’s van verkeerd gebruik, uitlekken, onjuistheid en onvolledigheid, gedateerdheid et cetera. Deze risico’s worden in kaart gebracht en voorzien van passende maatregelen: Risk Control Management. Verschillende risico’s vragen om verschillende maatregelen. Beveiliging vraagt om procedures, maar ook de inzet van techniek (firewalls). Om de juistheid en volledigheid 8 van data te monitoren en corrigeren bieden geautomatiseerde tools oplossing . C. Operationeel 10. Business en IT Processen In de operationele laag vindt de uitvoering plaats van de processen voor het vergaren, beheren, analyseren en gebruiken van data. Deze processen staan soms op zichzelf maar maken vaak ook onderdeel uit van andere operationele processen, zoals bijvoorbeeld klantadministratie, contractadministratie of voorraadbeheer en dienen daarom in samenhang met elkaar ontworpen en geïmplementeerd te zijn. Voor ieder proces geldt dat wordt vastgesteld welke data met welk doel wordt gebruikt en hoe deze processen effect hebben op data. Er kan onderscheid worden gemaakt tussen de processen die in beheer zijn bij de business en die in beheer zijn bij IT.
8
http://www.finavista.nl/datakwaliteit-oplossingen 10
In het data governance framework is schematisch weergegeven hoe deze tien componenten in hun onderlinge samenhang functioneren:
Het data governance framework toont de directe relatie tussen ‘het besturen’: strategische doelstellingen, ‘het managen’: KPI’s en budget en ‘het uitvoeren’: (Business & IT processen. Data governance is alleen zinvol als het managen van data in de organisatie op hetzelfde –hogeniveau wordt gebracht. Zonder goede datamanagement komt er van het realiseren van de doelstellingen in de praktijk niets terecht. Andersom heeft het ook niet veel zin om datamanagement in te voeren zonder integraal bestuur en management. Data governance en datamanagement gaan dus hand in hand. Bij het inrichten van datamanagement is het van belang de juiste keuzes te maken. Welke data is van belang voor de organisatie? In beginsel wordt daarbij onderscheid gemaakt tussen zogenoemde ‘vluchtige’ data en ‘master’ data. Vluchtige data wordt bijvoorbeeld éénmalig of slechts op één plek gebruikt of is data die van weinig betekenis is voor de organisatie. Daartegenover staat data die éénmalig wordt aangemaakt maar veelvuldig gebruikt, die gecreëerd is op één plaats maar gebruikt op meerdere plaatsen, gebruikt wordt binnen verschillende processen en doorgaans complexe of gevoelige informatie bevat. Die laatste categorie data wordt master data genoemd en daarop concentreert zich datamanagement: Master Data Management!
11
5 Master Data Management Met Master Data Management (MDM) wordt in de organisatie handen en voeten gegeven aan data governance. Het omvat de mensen, processen en informatie-technologie die nodig zijn om consequent de waarde van gegevens, de kwaliteit en integriteit te waarborgen en verbeteren. Doordat master data op veel verschillende plekken in de organisatie gebruikt wordt is de integriteit van deze data cruciaal; master data heeft een direct effect op: Operationele effectiviteit. Als master data ontbreekt, niet accuraat of fout is kan dit directe gevolgen hebben op de planning, rework, alsmede de financiën. Beslissingsvorming. Omdat rapportages vaak belangrijke managementbeslissingen ondersteunen is het cruciaal dat deze gebouwd zijn op volledige en accurate data, gezien de directe invloed op de kwaliteit en uitkomst van de besluiten. Functionele standaardisatie (compliance). Incomplete of foutieve master data kan ervoor zorgen dat een organisatie het risico loopt om niet meer te voldoen aan standaardisatie-eisen, zowel van buiten als binnen de organisatie. Master data is dus een essentiële bron van informatie, en de juiste toepassing van Master Datamanagement een voorwaarde voor betere strategische keuzes en een beter bedrijfsresultaat. Om vast te kunnen stellen waar een organisatie staat als het gaat om master datamanagement heeft Finavista het Master Data Management Maturity Model ontwikkeld. Als onderdeel van het verbeter programma dient dit model als leidraad voor analyse van de stand van zaken met betrekking tot master datamanagement. In onderstaande figuur zijn de vijf levels van MDM ten opzichte van elkaar weergegeven:
12
De verschillende niveaus laten zich als volgt omschrijven: Maturity Level 1: een organisatie op het laagste level is zich bewust van het feit dat er datavervuiling bestaat, maar heeft geen specifieke beheersmaatregelen ingericht om de kwaliteit van data te waarborgen. Maturity Level 2: als een organisatie level twee zit, dan is deze organisatie in staat om reactief doch incidenteel data issues op te lossen. In de praktijk kan dit bijvoorbeeld een migratieproject zijn met de daarbij behorende dataschoning. Maturity Level 3: als een organisatie zich op dit level bevindt, dan heeft deze organisatie proactieve en gestandaardiseerde maatregelen om de kwaliteit van master data en master data processen te beheersen en een MDM team ter ondersteuning hiervan. Maturity Level 4: als level vier bereikt is, zijn de ontwikkelde beheersmaatregelen geïntegreerd. Daarnaast wordt dan de kwaliteit van de data en de datamanagement processen kwantitatief gecontroleerd middels prestatie indicatoren en bewaakt via een dashboard. Maturity Level 5: organisaties die zich op het hoogste level bevinden, hebben MDM in hun volledige applicatielandschap geïntegreerd. Ze zijn met behulp van onder andere causale analysemethoden continu op zoek naar verbeteringen die bijdragen aan de efficiëntie en effectiviteit van de organisatie. Zij erkennen de toegevoegde waarde van MDM voor de bedrijfsvoering. Uit de praktijkervaring van Finavista, maar ook uit diverse onderzoeken, blijkt dat het merendeel van de organisaties zich op niveau één bevinden als het gaat om het managen van datakwaliteit. De prijs van laag ontwikkelde master datamanagement competentie is hoog. Zo stelt Dunn and Bradstreet dat de kwaliteit van data zonder adequaat onderhoud vermindert met 3 tot 5% per maand. Met foutieve beslissingen, hoge kosten en klachten tot gevolg. Voor organisaties die het belang van data onderkennen en in master datamanagement willen investeren is een MDM level drie een minimaal maar realistisch ambitieniveau. Levels vier en vijf zijn bereikbaar voor organisaties die bet besturen en managen van data op alle niveaus (van strategisch tot operationeel) en organisatie breed hebben geïntegreerd. Niet alleen in de processen, maar vooral ook in de kernwaarden, de cultuur en competenties van de organisatie.
13
6 Conclusie Data is van strategisch belang voor organisaties. Onderzoek toont aan dat organisaties betere strategische keuzes maken en de bedrijfsprestaties substantieel verbeteren. Tegelijkertijd wordt verspilling van operationele kosten voorkomen door te borgen dat de datakwaliteit op orde is. Er is een directe samenhang tussen data governance en datamanagement. Het inrichten van het één zonder het ander biedt geen soelaas. De strategische betekenis en de noodzaak om datakwaliteit organisatie breed te managen vereist van organisaties de ambitie en aanpak om data-governance en data mangement naar het hoogste niveau te brengen.
Over Finavista Finavista richt zich op in Nederland gevestigde commerciële (inter-)nationale bedrijven met grote en complexe informatieprocessen die vooral actief zijn in financiële sectoren of waar supply chain een cruciale rol vervuld. We bieden oplossingen op het gebied van innovatie, productmanagement, dataconversie en datamanagement voor verzekeraars, pensioenuitvoerders en supply chain organisaties. Voorbeelden zijn het ontwikkelen van nieuwe verzekerings- of pensioenproducten, het converteren van administraties naar andere systemen of het implementeren van processen voor het verbeteren en onderhouden van de gegevenskwaliteit. Voor meer informatie over Finavista kunt u terecht op: http://www.finavista.nl
Finavista B.V. Burgemeester Stramanweg 102 M 1101 AA Amsterdam Nederland Tel: +31 (0)88 003 79 00 Fax: +31 (0)88 003 79 99 Email: info @ finavista.nl
Disclaimer Copyright © Finavista B.V. - Alle rechten voorbehouden. De informatie in dit document mag uitsluitend door de afnemer zelf worden gebruikt. Niets uit dit document mag worden vermenigvuldigd en/of openbaar gemaakt door middel van druk, fotokopie, microfilm of welke andere wijze dan ook, zonder de uitdrukkelijke voorafgaande schriftelijke toestemming van Finavista B.V.
14
