Anonymiser une grille de scoring du risque client LCB-FT pour audit de modèle – Anonymisation conforme au RGPD selon CMF art. L561-6

L'article L561-6 du Code monétaire et financier impose une vigilance constante sur les opérations et une mise à jour régulière des informations recueillies sur le client. Les grilles de scoring intègrent des données nominatives et des indicateurs de risque individuel. anonym.legal pseudonymise ces données pour permettre un audit du modèle de scoring sans exposer les profils clients.

Quand cela s'applique

Ce flux s'applique lorsqu'une équipe de validation des modèles, un auditeur interne ou un contrôleur de second niveau doit examiner la calibration et la pertinence du modèle de scoring LCB-FT, en travaillant sur des données réelles dont les identifiants ont été supprimés.

  1. Exportez la grille de scoring client depuis le système LCB-FT (format CSV ou tableur).
  2. Téléversez l'export sur anonym.legal dans une session sécurisée à accès restreint.
  3. Le moteur identifie les colonnes contenant des données personnelles : nom, prénom, identifiant client, numéro de compte.
  4. Ces colonnes sont pseudonymisées ; les scores, pondérations, critères de risque et résultats de classification restent intacts.
  5. Un rapport de pseudonymisation liste les champs traités et les champs préservés.
  6. Exportez le fichier pseudonymisé pour l'audit du modèle ; les données nominatives originales restent dans le système LCB-FT.
  7. Documentez l'audit dans le registre de contrôle interne conformément à l'article L561-33 du CMF.

Ce que vous fournissez

  • Export de la grille de scoring client depuis le système LCB-FT (CSV ou tableur)
  • Dictionnaire des variables du modèle (optionnel, sans données personnelles)

Limites & précautions

  • La grille de scoring pseudonymisée ne peut pas être réintégrée dans le système LCB-FT en remplacement des données originales.
  • anonym.legal ne valide pas la robustesse ou la conformité réglementaire du modèle de scoring — ce point relève d'une validation métier.
  • Si le modèle de scoring repose sur des données de catégorie particulière au sens de l'article 9 du RGPD, des garanties supplémentaires sont requises avant tout traitement annexe.

FAQ

Le résultat de la pseudonymisation permettra-t-il toujours d'auditer la distribution des scores ?

Oui. La pseudonymisation ne modifie que les colonnes d'identification (nom, identifiant client) et préserve l'intégralité des scores, variables de risque et résultats de classification. L'auditeur peut donc analyser la distribution statistique et la cohérence du modèle sans aucune altération.

La grille de scoring est-elle couverte par le RGPD si elle est utilisée pour des décisions automatisées ?

Oui. Si le scoring LCB-FT conduit à des décisions individuelles automatisées affectant le client (refus d'entrée en relation, clôture de compte), l'article 22 du RGPD s'applique et impose des garanties spécifiques — droit d'intervention humaine, information du client, droit de contester.

Conformité et services financiers

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.

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.