By · Last updated 2026-06-05

Zpět na blogGDPR a shoda

HDPA Řecko: Turistika a lodní doprava pod GDPR

Řecký HDPA vydal v roce 2024 celkem 89 rozhodnutí o porušení předpisů — oproti 34 v roce 2022. Turistika tvoří 38 % případů. Identifikátory AFM a AMKA vyžadují speciální detekci.

June 5, 20269 min čtení
Greece HDPAAFM AMKA detectiontourism GDPRmaritime data protectionGreek identifiers

Řecký Úřad pro ochranu osobních údajů (HDPA) vydal v roce 2024 celkem 89 rozhodnutí o porušení předpisů. To představuje nárůst o 162 % oproti 34 rozhodnutím z roku 2022. Největší tlak čelí dva sektory: turistika a námořnictví.

Aktualizováno pro rok 2026

Turistika: sezónní hromadné zpracování dat

Řecko přivítalo v roce 2024 přes 30 milionů zahraničních návštěvníků. Každá návštěva vytváří osobní záznamy. Hotely, pokladní systémy, cestovní kanceláře i restaurace je sbírají. Klíčovým problémem je čas. Záznamy přicházejí hromadně od června do září. Musí být však uchovávány v bezpečí mnohem déle.

Audity hotelů provedené HDPA v roce 2024 odhalily tři typy opakujících se pochybení.

Chyby v uchování dat POS systémů: Restaurační pokladní systémy uchovávaly záznamy o kartách a účtenkách po uplynutí stanovených lhůt. Většina hotelových firem neměla žádný písemný plán uchovávání dat. Záznamy byly bez data skončení platnosti, označené jako „pro účetní účely”.

Mezery v rezervačních platformách: Hotely využívající globální rezervační platformy často neměly uzavřenu Smlouvu o zpracování dat. Mnohé také přeskočily posouzení dopadu přenosu (Transfer Impact Assessments) pro přenosy do systémů mimo EU.

Chyby v přístupu sezonních zaměstnanců: Pracovníci v hlavní sezóně získali přístup do systémů pro správu hostů. Kontroly těchto zaměstnanců byly vzácné. Přihlašovací údaje zůstávaly aktivní ještě měsíce po jejich odchodu.

Turistika tvoří největší podíl případů HDPA podle sektoru. Podívejte se, jak funguje detekce národních identifikátorů EU napříč Evropou pro širší přehled.

Námořní soulad s předpisy: záznamy o posádce ve velkém měřítku

Řecko vede svět v tonáži vlastněných lodí. Helénská flotila zaměstnává přes 90 000 námořníků. Athénské firmy spravují záznamy o posádkách flotil se zaměstnanci z mnoha zemí.

Záznamy o posádce přinášejí čtyři problémy z pohledu GDPR.

Právo vlajkového státu: Na lodi platí právo vlajkového státu bez ohledu na to, kde kotví. GDPR se vztahuje na využívání záznamů o posádce na palubě — nejen v kanceláři na pevnině.

Mezinárodní posádky: Mnoho posádek nemá žádné místní státní příslušníky. Obvyklí jsou pracovníci z Filipín, Ukrajiny, Indie nebo Indonésie. Jejich pasy, průkazy STCW a zdravotní záznamy procházejí systémy spravovanými v Athénách.

Zdravotní záznamy: Námořní profese vyžadují pravidelné kontroly způsobilosti. Zdravotní záznamy jsou zvláštní kategorií dle článku 9 GDPR. Vyžadují jasný právní základ, silné zabezpečení a přísná pravidla přístupu.

Identifikační čísla námořníků: Průkazy STCW a námořnické knížky používají jedinečné číselné formáty podle vydávající země. Tato ID se vyskytují v posádkových systémech a pro úplné pokrytí PII vyžadují detekci. Informace o skórování spolehlivosti napříč typy ID naleznete v článku o binární detekci PII a skórování spolehlivosti.

Národní identifikátory: AFM a AMKA

ΑΦΜ (daňové číslo): AFM je devítimístné číslo. Kontrolní číslice je stanovena váhovým součtem. Je to hlavní obchodní identifikátor v zemi. Vyskytuje se v obchodních smlouvách, pracovních složkách a veřejných službách.

Obecné nástroje NLP čísla AFM často přehlédnou. Devítimístný vzor se shoduje s daty a referenčními kódy. To vede k falešným poplachům, pokud není prováděn krok kontroly součtu. Nástroje také přehlédnou čísla AFM zapsaná bez mezer nebo s neobvyklými oddělovači.

ΑΜΚΑ (číslo sociálního pojištění): AMKA je jedenáctimístné číslo. Obsahuje datum narození, pohlaví a pořadový kód. Vyskytuje se v pracovních smlouvách, receptech a nemocničních formulářích.

Občanský průkaz (Αστυνομική Ταυτότητα): Jedno písmeno následované šesti nebo sedmi číslicemi, s helénskou vydávací logikou.

Pas: Standardní formát EU s místní vydávací logikou.

Rozpoznávání pojmenovaných entit pro řecké texty

Místní písmo není latinské. Většina komerčních NLP modelů je trénována na latinských textech. Nástroj trénovaný na latině nemůže najít jména ani adresy v souborech psaných řecky.

Spolehlivý NER pro tento jazyk potřebuje čtyři věci:

  • spaCy el_core_news nebo rovnocenný helénský NLP model
  • Správnou tokenizaci pro místní rozsahy znaků
  • Vzory místních jmen, které se liší od anglických a německých
  • Adresní termíny: „Οδός” (ulice), „Πλατεία” (náměstí), „Λεωφόρος” (třída)

Pro firmy v turistice nebo námořnictví v Řecku vyžaduje detekce PII na úrovni HDPA kontrolu součtu AFM a AMKA spolu s helénským NER v jednom procesu.

Zdroje

Připraveni chránit svá data?

Začněte anonymizovat PII s více než 285 typy entit ve 48 jazycích.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.