By · Last updated 2026-06-05

Vissza a BlograAI Biztonság

Belső wiki személyes adatai: Confluence és ügyféladatok

A támogatási csapatok ügyfélfiók-képernyőfelvételekkel dokumentálják a folyamatokat. 3 év alatt ez több ezer GDPR-adatminimalizálási jogsértést jelent a belső rendszerben.

June 5, 20266 perc olvasás
Confluence GDPRinternal wiki PIIcustomer datadocumentation privacydata minimization

Képernyőfelvételekben rejlő személyes adatok a belső tudásbázisokban

A belső tudásbázisok — Confluence, Notion, SharePoint, GitBook — egy olyan konkrét személyesadat-problémát rejtenek, amelyet a szabványos megfelelőségi eszközök nem fognak el: folyamatdokumentációs képernyőfelvételekbe ágyazott ügyfél-személyes adatokat.

Ez a minta több ezer támogatási és üzemeltetési csapatnál játszódik le.

Egy támogatási munkatárs szokatlan fiókbeállítással találkozik. Képernyőfelvételt készít az ügyfél fióklapjáról a probléma dokumentálásához. A képernyőfelvételen látható az ügyfél neve a felhasználói felület fejlécében, az e-mail-cím a fiókbeállításokban és a csomag adatai.

A cikk közzéteszik a belső tudásbázisban. Százhúsz támogatási munkatárs tekintheti meg. Tizenkét, a külső helpdeskben dolgozó vállalkozó is megtekintheti. A cikk hasznos. Megmutatja, hogyan kell kezelni ezt az élszabást. Minden munkatárs, aki a jövőben ezzel a beállítással találkozik, el fogja olvasni.

Három évvel később a tudásbázis 847 ilyen cikket tartalmaz. Mindegyik ügyfélfiók-képernyőfelvételeket tartalmaz. Az ábrázolt ügyfelek nem egyeztek bele adataik ezen másodlagos felhasználásába. A legtöbbük nem is tudja, hogy adataik ott vannak.

Ez nem kis probléma. Minden új cikkel növekszik.

GDPR-expozíció: miért fontos ez

A tudásbázis-képernyőfelvételek GDPR-elemzése egyértelmű.

Adatminimalizálás (5. cikk (1) bekezdés c) pont): A személyes adatoknak „megfelelőnek, relevánsnak és a szükséges mértékre korlátozottnak” kell lenniük. Egy fiókbeállításról szóló tudásbázis-cikknek nincs szüksége a valódi ügyfél nevére és e-mail-címére. Egy elmosott képernyőfelvétel ugyanolyan jól szolgálja a célt. A tényleges ügyféladatok bevonása nem szükséges.

Célhoz kötöttség (5. cikk (1) bekezdés b) pont): Az egyik célból — ügyfélszolgálat — gyűjtött adatokat nem lehet egy másik célra — belső folyamatdokumentáció — felhasználni anélkül, hogy jogalap állna rendelkezésre. A fiókadatokat a szolgáltatásnyújtáshoz gyűjtötték, nem a belső dokumentációhoz. Ez két különböző adatkezelési cél. Ugyanazon adatok mindkét célra való felhasználásához érvényes jogalap szükséges, amelyet a legtöbb csapat nem állított be.

Hozzáférés-ellenőrzés (5. cikk (1) bekezdés f) pont és 32. cikk): Megfelelő technikai intézkedésekkel kell védeni a személyes adatokat. A mind a 150 munkatárs és vállalkozó számára nyitott eszközben tárolt ügyfélfiók-képernyőfelvételek — beleértve azokat is, akiknek nincs hozzáférésük a mögöttes fiókrendszerhez — túlságosan széles hozzáférést teremtenek.

Törléshez való jog (17. cikk): Az érintett, aki törlési kérelmet nyújt be, jogosult arra, hogy adatait „indokolatlan késedelem nélkül” töröljük. Ha adataik beágyazott képernyőfelvételként szerepelnek 23 tudásbázis-cikkben, a kérelem teljesítése mind a 23 cikk megtalálását és frissítését igényli. Ez rendszer nélkül nehéz feladat. A GDPR törléshez való jogáról szóló útmutatónk részletezi a lépéseket.

Ezek egyike sem határeseti értelmezés. A szabályozás szövegének közvetlen alkalmazásai egy elterjedt gyakorlatra.

A hozzáférés-ellenőrzési megkerülés

A Confluence-képernyőfelvételekkel kapcsolatos legsúlyosabb megfelelőségi probléma az általuk teremtett hozzáférés-ellenőrzési megkerülés.

A támogatási csapatok szerepalapú hozzáférés-ellenőrzést (RBAC) alkalmaznak az ügyfélfiókok rendszereinek megtekintésének korlátozására. Az 1. szintű munkatársak az alap fiókadatokat látják. A 2. szintű munkatársak a számlázási és technikai rekordokat is elérik. A menedzserek a teljes fiókprofilt látják.

Ha egy 2. szintű munkatárs tudásbázis-cikket hoz létre a teljes ügyfélfiók képernyőfelvételével, az az eszköz összes felhasználója számára láthatóvá válik. Az 1. szintű munkatársak, akiknek nem kellene látniuk a számlázási rekordokat, most megtekinthetik. Azok a vállalkozók, akiknek nincs hozzáférésük a rendszerhez, szintén megtekinthetik. Az onboardingban lévő új munkatársak is láthatják.

A képernyőfelvétel megkerüli az ügyfélfiók-rendszer RBAC-vezérlőit. A személyes adatok, amelyek védelmére az RBAC-ot kialakították, most nyitva állnak mindenki előtt, aki hozzáfér a tudásbázishoz.

Ez nem elméleti kockázat. Ez a dokumentációs munkafolyamat normális eredménye. A képernyőfelvétel ott marad lejárat, hozzáférési napló és auditnyom nélkül.

Gyakorlati korrekciós lépések

Azoknak a csapatoknak, amelyek GDPR-audit során fedezik fel ezt a problémát:

Visszamenőleges korrekció:

  1. Azonosítsák az összes, képes mellékletekkel rendelkező tudásbázis-oldalt
  2. Futtassanak képalapú személyesadat-felismerést minden mellékleten
  3. Tekintsék át a megjelölt képeket: a magas megbízhatóságú találatok ellenőrzési sorba kerüljenek
  4. Minden megjelölt képnél: cseréljék le megtisztított verzióra, vagy korlátozzák az oldalhoz való hozzáférést
  5. Naplózzák a korrekciós intézkedéseket GDPR-nyilvántartáshoz

A visszamenőleges munka terjedelme a tudásbázis méretétől függ. Egy 50 fős támogatási csapat hároméves tudásbázisában a képek száma elérheti a többezret. A kötegelt képfeldolgozás ezt kivitelezhetővé teszi. A megjelölt képek emberi ellenőrzése a fő szűk keresztmetszet.

Előremutató vezérlők:

  1. Képezze ki az összes támogatási munkatársat arra, hogy képernyőfelvételeket megtisztítsanak a tudásbázisban való közzétételük előtt
  2. Biztosítson eszközöket: képernyőfelvétel-annotáló eszközöket, amelyek beillesztés előtt eltakarják az ügyfelneveket
  3. Adjon hozzá ellenőrzési lépést: egy kijelölt ellenőr tekintse át a cikkeket közzétételük előtt, kifejezetten a képeken lévő ügyfél-személyes adatokra figyelve
  4. Futtasson negyedéves kötegelt képellenőrzést az összes Confluence-mellékleten

Minimális életképes vezérlő: Közzétételi ellenőrzőlista: „Töröljön vagy takarjon el minden ügyfélazonosítót, e-mail-címet és fiókazonosítót a képernyőfelvételekből közzétételük előtt.” Alacsony technológiai igényű, nem automatizált, de dokumentált ellenőrzést hoz létre. Kis csapatok számára ez a kiindulópont.

Lásd GDPR-megfelelőségi áttekintőnket a tágabb jogi kerethez, és miért vall kudarcot a csak irányelvekre épülő, technikai vezérlők nélküli megközelítés, ha az ellenőrzőlista-alapú megközelítések nagy léptékben felmondják a szolgálatot.

Miért növekszik a probléma idővel

Szisztematikus vezérlők nélkül a tudásbázis személyesadat-expozíciója összetevődik.

Volumen: Minden új, ügyfél-képernyőfelvételt tartalmazó cikk növeli az összkitettséget. Ahogy a támogatási csapat növekszik és a tudásbázis bővül, a felhalmozott személyes adatok is növekednek. Az eszközöket hasznossá tevő tulajdonságok — könnyű közzétételhetőség, állandóság, széles hozzáférés — azok, amelyek rontják a személyesadat-problémát.

Elfelejtett cikkek: Az elavult, ritkán felmerülő élszabásokról szóló cikkek elérhetőek maradnak. Olyan ügyfelektől tartalmaznak személyes adatokat, akik azóta törlési kérelmet nyújtottak be. Senki sem ellenőrzi a 2022-ben utoljára frissített cikket.

Csapatok közötti terjedés: A tudásbázisok gyakran több funkciót átölelnek. Egy ügyfél-képernyőfelvételeket tartalmazó támogatási cikket megoszthatnak a termékcsapattal, a mérnöki csapattal vagy külső vállalkozókkal egy funkciókérés vagy hibajelentés kontextusaként. Minden megosztás szélesíti a személyes adatok közönségét.

Törlési hátralék: Ahogy egyre több ügyfélrekord halmozódik fel a tudásbázisban, a törlési kérelmekre való reagálás egyre összetettebb lesz. Rendszer nélkül nem lehet megbízhatóan megerősíteni, hogy egy érintett adatainak minden példányát megtalálták és törölték. A csapat nem tud hiteles törlési nyilatkozatot tenni.

A tudásbázis személyes adatait könnyebb megelőzni, mint kijavítani. A most bevezetett vezérlők elkerülik a felhalmozódó korrekciós problémát. Minden elmosás nélkül közzétett cikk egy a jövőre halasztott korrekciós feladat.

Források

Készen áll az adatai védelmére?

Kezdje el a PII anonimizálását 285+ entitástípuson 48 nyelven.

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.