By · Last updated 2026-05-01

بازگشت به وبلاگGDPR و انطباق

شناسه‌های داخلی کارکنان نیز داده شخصی هستند

هر سازمان بزرگ دارای شناسه‌های داخلی اختصاصی است که سوابق ناشناس را به افراد واقعی مرتبط می‌کند. ۳۴٪ از جریمه‌های GDPR شامل اقدامات فنی ناکافی می‌شوند.

May 1, 20268 دقیقه مطالعه
employee ID anonymizationproprietary identifier detectionquasi-PIIGDPR custom entitiesno-code pattern builder

شبه-داده‌شخصی چیست؟

ماده ۴ GDPR هر داده‌ای را که بتواند یک شخص را شناسایی کند پوشش می‌دهد. داده لازم نیست مستقیماً نامی را ذکر کند. تنها باید شناسایی را از طریق مراحل اضافی ممکن کند.

شناسه‌های داخلی کارکنان مثال روشنی هستند. مقدار "EMP-EU-123456" را در نظر بگیرید. این رشته کسی را نام نمی‌برد. اما سیستم HR یک جدول جستجوی ساده دارد. EMP-EU-123456 به Maria Schmidt، مهندس ارشد، مونیخ نگاشت می‌شود. هر کسی با دسترسی به آن جدول می‌تواند او را پیدا کند. تحت GDPR، شناسه داده شخصی است.

قانون یکسانی برای کدهای داخلی دیگر اعمال می‌شود:

  • شماره‌های حساب مشتری که به سوابق CRM مرتبط هستند
  • کدهای پروژه که به نام مشتریان در سیستم‌های قرارداد مرتبط هستند
  • شماره‌های مرجع پرونده در فایل‌های حقوقی
  • شماره‌های پرونده پزشکی که به سوابق بیمار مرتبط هستند

حذف نام‌ها و ایمیل‌ها کافی نیست. اگر شناسه‌های داخلی در یک فایل باقی بمانند، بازشناسایی تنها دو مرحله فاصله دارد.

چرا این شکاف منجر به جریمه می‌شود

۳۴٪ از تمام جریمه‌های GDPR شامل اقدامات فنی ناکافی تحت ماده ۳۲ هستند. این رقم از گزارش سالانه GDPR 2025 DLA Piper است. شکست در تشخیص شناسه‌های داخلی شبه‌شناسایی‌گر در این دسته قرار می‌گیرد.

EDPB در سال ۲۰۲۴ بیش از ۹۰۰ پرونده سازوکار سازگاری را رسیدگی کرد. اجرای فرامرزی به این معنی است که یک شکاف در یک مجموعه داده مشترک می‌تواند منجر به اقدام هماهنگ در چندین کشور عضو اتحادیه اروپا شود.

ابزارهای استاندارد PII الگوهای جهانی را پیدا می‌کنند: نام‌ها، ایمیل‌ها، شماره تلفن‌ها، شناسه‌های ملی. آن‌ها فرمت شناسه داخلی شما را نمی‌دانند. هیچ ابزاری نمی‌داند تا زمانی که به آن بگویید. این شکاف است.

نحوه کار سازنده الگوی بدون کد

یک شرکت لجستیک جهانی باید سوابق کارکنان را برای یک حسابرسی خارجی ناشناس کند. شناسه‌های کارمندی آن‌ها از این فرمت استفاده می‌کنند: EMP-[REGION]-[۶ رقم]. سه مثال: EMP-EU-123456، EMP-APAC-789012، EMP-AMER-345678.

تیم انطباق سه مثال را در دستیار الگوی هوش مصنوعی وارد می‌کند. هوش مصنوعی برمی‌گرداند:

  • الگو: EMP-[A-Z]{2,4}-\d{6}
  • با هر سه مثال مطابقت دارد
  • نام نهاد پیشنهادی: EMPLOYEE-ID
  • مرحله بعدی پیشنهادی: آزمایش با کدهای منطقه بیشتر

تیم ده نمونه دیگر را آزمایش می‌کند. الگو روی همه آن‌ها کار می‌کند.

نهاد سفارشی را در پیش‌تنظیم GDPR مشترک تیم ذخیره می‌کنند. تمام ۴۷ سند در بسته حسابرسی در یک دسته پردازش می‌شوند. هر شناسه کارمندی با یک برچسب مبتنی بر نقش جایگزین می‌شود. شرکت حسابرسی فایل‌هایی دریافت می‌کند که دیگر به هیچ فردی مرتبط نیستند.

هیچ کمک مهندسی نیاز نیست. کل راه‌اندازی کمتر از یک ساعت طول می‌کشد.

آنچه بعد اتفاق می‌افتد

به‌محض ذخیره نهاد سفارشی در یک پیش‌تنظیم مشترک، همه اعضای تیم از همان راه‌اندازی استفاده می‌کنند. کارکنان جدید از روز اول آن را دریافت می‌کنند. کارهای دسته‌ای، فراخوانی‌های API و بارگذاری‌های دستی همه الگوی یکسان را اعمال می‌کنند.

مسیر حسابرسی نشان می‌دهد که کدام پیش‌تنظیم برای هر فایل استفاده شده است. اگر یک DPA شواهدی از فرایند ناشناس‌سازی شما بخواهد، می‌توانید نشان دهید.

منابع

آماده‌اید داده‌های خود را محافظت کنید؟

شروع به ناشناس‌سازی PII با بیش از ۲۸۵ نوع نهاد در ۴۸ زبان.

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.