anonym.legal

By · Last updated 2026-05-10

Itzuli BlogeraGDPR & Betetze

DSAR Gorakada: Batch Prozesatzea GDPRrako

Irlandako DPCk LinkedIn-i 310 milioi euro eta Meta-ri 251 milioi euro zigortu zizkien 2024an. DPA betearazpenaren kontzientzia handiak DSAR bolumena nabarmen handitzen ari da.

May 10, 20268 min irakurri
DSAR processing automationdata subject access requestGDPR Article 12 responsethird-party PII removalbatch DSAR anonymization

DSAR Gorakada: Batch Prozesatzea GDPR Betetzerako

GDPRren 12. Artikuluak hilabeteko epemuga ezartzen du. Erakundeek Datu-Subjektuen Sarbide Eskaerak (DSAR) 30 egunetan erantzun behar dituzte. Kasu konplexuek 60 eguneko luzapena jasotzen dute. Erlojua harreran hasten da. Ez dago grazia-aldirik. Epemuga galtzea bere horretan haustea da.

2024an, DPA isunek datu-eskubideak zabalki ezagutzera eman zituzten. Irlandako DPCk 310 milioi euroko isuna ezarri zion LinkedIn-i jokaera-publizitate baliagarria erabilgarri baimenik gabe erabiltzeagatik. 251 milioi euroko isuna ezarri zion Meta-ri datu-hauste baten berri behar bezain azkar jakinarazten ez zuelako. Isun bakoitzak kontzientziazio-kanpaina ekarri zuen. Jende gehiagok eskubideak zituztela jakin zuen. DSAR bolumena igo zen.

EDPBren 2024ko Koordinatutako Betearazpen Esparruak sarbide-eskubidearen hutsegiteak hartu zituen helburu. DSAR erregistro garbi erakutsi ezin duten erakundeek orain ikuskatze gehiago jasotzen dituzte.

Ikusi gure betetzeko laburpena eta segurtasun-praktikak GDPR betebeharrei nola laguntzen diegun jakiteko.

Hirugarrenen PII Arazoa

DSAR erantzunek arazo zehatz bat sortzen dute: hirugarrenen PII.

Datu-subjektu batek haien inguruko erregistro guztiak eskatzen ditu. Erregistro horiek beste pertsona batzuk aipa ditzakete. Laguntza-ohar batek beste bezero baten telefono-zenbakia erakutsi dezake. Posta-hari batek lankide baten helbidea erakutsi dezake. Kexu-erregistro batek hirugarren alderdi bat aipa dezake. Erregistro horiek bidaltzeak beste pertsonen datuak agerian uzten ditu. Hori haien eskubideen hauste bereizi bat da.

Agiri bakoitza berrikusi behar duzu. Hirugarrenen erreferentziak bidali aurretik kendu behar dituzu. Hileko 300 DSAR dituen telekomunikazio-enpresa batek eskaera bakoitzeko 50 dokumentu inguru ditu. Hori 15.000 dokumentu hilero -- soilik DSAR betetzerako.

Hiruko talde batek ezin du hori egin. Ikuskapen eskuzkoak ez du hilabeteko leiho batean sartzen tamaina horretan.

Batch Prozesatze Arkitektura

DSAR erantzunerako aurrezedar batek hau konpontzen du. Aurrezedarrak agiri bakoitza eskaneatzen du. Pertsona-izen guztiak, harremanetarako xehetasunak eta beste identifikatzaile batzuk aurkitzen ditu. Eskatzen duen pertsonari dagozkionak izan ezik beste guztiak anonimizatzen ditu. Lan-hasieran pertsona horren izena eta kontu-zenbakia sartzen dituzu.

Erregistroetan aipatutako beste bezeroak anonimizatzen dira. Zerbitzu-oharretan aipatutako langileak anonimizatzen dira. Mezu elektronikoetako hirugarrenak anonimizatzen dira. Hori guztia dokumentu-paketea osatu aurretik gertatzen da.

50 dokumentu prozesatzeak minutuak behar ditu -- ez orduak. Betetze-taldeak irteera egiaztatzen du ertzeko kasuen bila. Erantzun-denbora astetik egunetara jaisten da.

Bisitatu gure entitateen orria aurrezedarrak lehenespenez zein datu-mota detektatzen dituen ikusteko.

Lan-Fluxu Defendagarri Baterako Garrantzitsua Dena

Hiru gauza egiten dute DSAR lan-fluxu bat defendagarri.

Abiadura. Batch-tresnek bolumen handietan atzerapenak sortzen dituen botilakoa kentzen dute.

Zehaztasuna. Aurrezedarrak hirugarrenen PII kendu behar du datu-subjektuaren erregistroak ukitu gabe. Ondo konfiguratutako aurrezedar batek bereizkuntza hau kudeatzen du.

Ikuskaritza-arrastoa. 5(2) Artikuluak betetzearen froga eskatzen du. Batch-exekuzioek zein dokumentu prozesatu diren, zein aurrezedar erabili den eta noiz erregistratzen dute. Erregistro hori zure frogabidea da.

Iturriak

Lotutako Artikuluak

GDPR & Betetze

Japan My Number: Verhoeff & APPI

63% of generic tools fail My Number detection in Japanese documents. My Number uses Verhoeff algorithm — the most complex national ID checksum in Asia.

GDPR & Betetze

HDPA Greece: AFM & AMKA Detection

Greek AFM detected with 52% accuracy by generic tools. HDPA issued 89 decisions in 2024 — up 162% from 2022. Tourism and maritime sectors face distinct.

GDPR & Betetze

NAIH Hungary: TAJ-Szám and Adóazonosító Jel

Hungarian NER accuracy is 67% vs. EU average 82% — NAIH's 2024 assessment. TAJ-szám weighted checksum and adóazonosító jel detection gaps.

Prest zure datuak babesteko?

Hasi PII anonimizatzen 285+ entitate mota 48 hizkuntzatan.

Hasi Probako BertsioaIkusi Ezaugarriak

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.