By · Last updated 2026-06-05

Tillbaka till BloggenGDPR & Efterlevnad

HDPA Grekland: Turism och sjöfart under GDPR

Greklands HDPA utfärdade 89 tillsynsbeslut 2024 — upp från 34 år 2022. Turism svarar för 38 % av fallen. AFM- och AMKA-identifierare kräver.

June 5, 20269 min läsning
Greece HDPAAFM AMKA detectiontourism GDPRmaritime data protectionGreek identifiers

Greklands dataskyddsmyndighet (HDPA) utfärdade 89 tillsynsbeslut under 2024. Det är en ökning med 162 % jämfört med 34 beslut år 2022. Två sektorer är hårdast drabbade: turism och sjöfart.

Uppdaterat för 2026

Turism: Massbehandling under högsäsong

Grekland hade fler än 30 miljoner utländska besökare 2024. Varje besök skapar personuppgifter. Hotell, kassasystem, researrangörer och restauranger samlar alla in dem. Kärnproblemet är tid. Uppgifterna strömmar in i stora mängder från juni till september. De måste hållas säkra under mycket längre tid än så.

HDPA:s hotellrevisioner 2024 hittade tre återkommande typer av brister.

Brister i kassasystemens lagringstider: Restaurangers kassasystem sparade kort- och kvittouppgifter längre än vad som angetts. De flesta hotellföretag saknade skriftliga lagringsplaner. Uppgifterna låg kvar utan slutdatum, märkta som "för bokföring".

Luckor i bokningsplattformar: Hotell som använde globala bokningsplattformar saknade ofta personuppgiftsbiträdesavtal. Många hade också hoppat över konsekvensbedömningar vid överföring till system utanför EU.

Åtkomstbrister under högsäsong: Säsongsanställda fick tillgång till gästhanteringssystem. Kontroller av dessa medarbetare var sällsynta. Inloggningsuppgifter förblev ofta aktiva månader efter att de slutat.

Turism utgör den största andelen av HDPA:s ärenden per sektor. Se hur identifiering av nationella EU-identifierare fungerar i Europa för en bredare bild.

Sjöfartsefterlevnad: Besättningsuppgifter i stor skala

Mätt i fartygstonnage leder landet världen i fartygsägande. Den hellenska flottan sysselsätter fler än 90 000 sjömän. Atensbaserade företag hanterar besättningsuppgifter för flottor med personal från många länder.

Besättningsuppgifter skapar fyra GDPR-problem.

Flaggstatens lagstiftning: Flaggstatens lag gäller ombord oavsett var fartyget befinner sig. GDPR täcker hanteringen av besättningsuppgifter ombord, inte bara på landkontoret.

Multinationella besättningar: Många besättningar saknar helt lokala medborgare. Arbetstagare från Filippinerna, Ukraina, Indien och Indonesien är vanliga. Deras pass, STCW-certifikat och hälsojournaler flödar alla genom Atenbaserade system.

Hälsojournaler: Sjöfartsyrket kräver regelbundna hälsoundersökningar. Hälsojournaler är en särskild GDPR-kategori enligt Artikel 9. De kräver en tydlig rättslig grund, stark säkerhet och strikta åtkomstregler.

Sjöfarares ID-nummer: STCW-certifikat och sjömansböcker använder unika nummerformat per utfärdande land. Dessa ID:n förekommer i besättningssystem och behöver identifieras för fullständig PII-täckning. För konfidensbedömning av olika ID-typer, se binär PII-identifiering och konfidensbedömning.

Nationella ID: AFM och AMKA

ΑΦΜ (skattenummer): AFM är ett 9-siffrigt nummer. En kontrollsiffra beräknas med en viktad summametod. Det är landets viktigaste kommersiella ID. Det förekommer i affärsuppgörelser, anställningsfiler och offentliga tjänster.

Generiska NLP-verktyg missar ofta AFM. Det 9-siffriga mönstret kolliderar med datum och referenskoder. Det leder till falska positiva när inget kontrollsiffersteg körs. Verktyg missar också AFM-nummer skrivna utan mellanslag eller med ovanliga avgränsare.

ΑΜΚΑ (socialförsäkringsnummer): AMKA är ett 11-siffrigt nummer. Det innehåller födelsedatum, kön och en sekvensskod. Det förekommer på anställningsavtal, läkemedelsrecept och sjukhusformulär.

Nationellt ID-kort (Αστυνομική Ταυτότητα): En bokstav följt av sex eller sju siffror, med hellenska utfärdandereglar.

Pass: Standardformatet för EU med lokala utfärdandereglar.

Namngiven entitetsigenkänning för hellenisk text

Det lokala skriftsystemet är inte latinskt. De flesta kommersiella NLP-modeller tränas på latinsk text. Ett latintränat verktyg kan inte identifiera namn eller adresser i helleniska filer.

Välgrundad NER för detta språk kräver fyra saker:

  • spaCy el_core_news eller en likvärdig hellenisk NLP-modell
  • Korrekt tokenisering för lokala teckenintervall
  • Lokala namnmönster, som skiljer sig från engelska och tyska
  • Adresstermer: "Οδός" (gata), "Πλατεία" (torg), "Λεωφόρος" (boulevard)

För företag inom turism eller sjöfart i Grekland kräver HDPA-nivå PII-identifiering AFM- och AMKA-kontrollsifferverifiering samt hellenisk NER i en och samma pipeline.

Källor

Redo att skydda din data?

Börja anonymisera PII med 285+ entitetstyper på 48 språk.

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.