By · Last updated 2026-06-05

Vissza a BlograGDPR & Megfelelés

Cseh születési szám: nemkódolás és GDPR

A cseh születési szám (rodné číslo) 50-es eltolású hónap-kódolással tárolja a nemet – ez GDPR 9. cikk szerinti különleges kategóriájú adattá teszi. A cseh cégek 67%-a német eszközöket használ.

June 5, 20267 perc olvasás
Czech ÚOOÚrodné číslo detectionCzech GDPR compliancemanufacturing data protectionCentral Europe

ÚOOÚ és a rodné číslo: nemkódolás a GDPR alatt

Frissítve 2026-ra

A cseh adatvédelmi hatóság az ÚOOÚ, teljes nevén Úřad pro ochranu osobních údajů. 2024-ben 58 határozatot hozott. Sok ügyben visszatér ugyanaz a megállapítás: a születési számot (rodné číslo) észrevétlenül kezelték, mert a PII-eszköz némethez vagy angolhoz volt konfigurálva, és nem tartalmazott logikát ehhez az azonosítótípushoz. Az ÚOOÚ álláspontja egyértelmű: az eszközöknek ellenőrzőszám-validációval és helyes nemeltolás-kezeléssel kell azonosítaniuk a rodné číslo-t.

Rodné číslo: különleges kategóriájú adat szerkezete alapján

A rodné číslo, azaz RČ, formátuma RRHHNN/XXXX.

  • RR – a születési év utolsó két számjegye.
  • HH – születési hónap. Nőknél 50-et adnak hozzá: az 01-es hónap 51-re, a 12-es 62-re változik.
  • NN – születési nap.
  • XXXX – 3–4 jegyű sorszám és ellenőrző érték (modulus 11).

A hónapra alkalmazott nő-eltolás biológiai nemi markert tesz a számba. Ez nem véletlen: az anyakönyvi rendszer igazgatási célra alkalmazza. A GDPR 9. cikke védi a személyes jellemzőket feltáró adatokat; a nem ezek egyike. Az ÚOOÚ álláspontja: a rodné číslo-t tartalmazó dokumentumok különleges kategóriához közeli adatot hordoznak, és erősebb védelemre szorulnak.

Az ellenőrző érték kiszámítása: Az 1954 után kiadott, 10 karakteres számoknál a teljes 9 karakteres alapnak oszthatónak kell lennie 11-gyel. Az 1954 előtt kiadott, 9 karakteres számoknál nincs ellenőrző érték. Az eszközöknek mindkét változatot kezelniük kell.

Mit tart az ÚOOÚ megfelelő azonosításnak?

Az ÚOOÚ 2024-es technikai útmutatása PII-eszközökre három követelményt támaszt.

Nemeltolás kezelése: A 51–62 hónapértékű számok érvényes nőazonosítók. Az ezeket érvénytelen dátumként kezelő eszköz a felnőtt nők kb. felének elsődleges azonosítóját nem ismeri fel.

Formátumváltozatok: Az 1954 előtti születéseknél 9 karakteres szám jelenik meg ellenőrző érték nélkül. Az 1954 utániaknál 10 karakteres szám van ellenőrző értékkel. Mindkettőt támogatni kell.

Kontextuális jelek: Anyanyelvi dokumentumokban az azonosító Rodné číslo:, RČ: vagy r.č.: felirat közelében szerepel. A nyelvtudatos NER ezeket a jelzéseket szabad szövegben is megtalálja.

A külföldi anyavállalat probléma

Az ÚOOÚ egy felmérésben megállapította, hogy az ország cégeinek 67%-a német vagy angol konfigurációjú PII-eszközt alkalmaz. A gyártóiparban a hibaforrás kiszámítható.

Egy német anyavállalat telepít egy szkennelő eszközt, amelyet német azonosítókhoz állítanak be. A HR-adatok – szerződések, egészségügyi dokumentumok, bérszámfejtés – tartalmaznak születési számokat. Az eszköznek nincs logikája ehhez az azonosítótípushoz. Minden születési szám kimarad. Az alkalmazotti egészség- és fizetési adatok az ÚOOÚ által megkövetelt kontrollok nélkül kerülnek továbbításra. Audit vagy jogsértés esetén a helyi cég nem tudja igazolni a GDPR 32. cikke szerinti megfelelő technikai intézkedéseket.

Az ÚOOÚ a helyi adatkezelőt tartja felelősnek. Az anyavállalatunk választotta az eszközt – ez nem érvényes védekezés. A GDPR elszámoltathatósági elve nem teszi lehetővé.

Megfelelőségi ellenőrzőlista gyártócégeknek

Ezek az intézkedések a német anyavállalati eszközöket alkalmazó ipari cégekre vonatkoznak.

  • Születési szám azonosítása: Mindkét formátum – 9 és 10 karakteres. Nemeltolás kezelése (50+). Modulus-11 ellenőrző érték a 10 karakteres változatokhoz.
  • Anyanyelvi NER: spaCy cs_core_news vagy azzal egyenértékű modell. Az általános eszközök 23%-kal alacsonyabb NER-pontosságot mutatnak ennél a nyelvnél. A helyi modellek csökkentik ezt a különbséget.
  • Číslo OP azonosítás: Az állampolgári igazolvány (občanský průkaz) 9 karakteres szám, amely sok dokumentumtípusban a születési szám mellett szerepel.
  • IČO és DIČ: A vállalati azonosítószám és az adószám szerződésekben jelenik meg; mindkettőt fedni kell.
  • Többnyelvű feldolgozási lánc: Vegyes környezetekben a dokumentumok a helyi nyelven, németül és angolul egyaránt megjelenhetnek. Egynyelvű lánc figyelmen kívül hagyja a többnyelvű együttes előfordulásokat.

Az ÚOOÚ végrehajtása következetes: azok a cégek, amelyek technikai bizonyítékot tudnak felmutatni egy audit során, lényegesen alacsonyabb bírságokkal számolhatnak.

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.