anonym.legal

By · Last updated 2026-05-01

กลับไปที่บล็อกGDPR & การปฏิบัติตาม

รหัสพนักงานภายในก็ถือเป็นข้อมูลส่วนบุคคลเช่นกัน

องค์กรขนาดใหญ่ทุกแห่งมีรหัสประจำตัวภายในที่เป็นกรรมสิทธิ์ซึ่งสามารถเชื่อมโยงบันทึกที่ไม่ระบุตัวตนกลับไปยังบุคคลจริงได้ 34% ของค่าปรับ GDPR เกี่ยวข้องกับมาตรการทางเทคนิคที่ไม่เพียงพอ

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

Quasi-PII คืออะไร?

GDPR Article 4 ครอบคลุมข้อมูลใดๆ ที่สามารถระบุตัวตนบุคคลได้ ข้อมูลนั้นไม่จำเป็นต้องระบุชื่อโดยตรง เพียงแค่ทำให้การระบุตัวตนเป็นไปได้ผ่านขั้นตอนเพิ่มเติม

รหัสพนักงานภายในเป็นตัวอย่างที่ชัดเจน ลองพิจารณาค่า "EMP-EU-123456" สตริงนั้นไม่ได้ระบุชื่อใคร แต่ระบบ HR มีตาราง lookup ง่ายๆ EMP-EU-123456 ชี้ไปที่ Maria Schmidt วิศวกรอาวุโส มิวนิก ใครก็ตามที่เข้าถึงตารางนั้นสามารถค้นหาเธอได้ ภายใต้ GDPR รหัสนั้นคือข้อมูลส่วนบุคคล

กฎเดียวกันใช้กับรหัสภายในอื่นๆ:

  • หมายเลขบัญชีลูกค้าที่เชื่อมโยงกับบันทึก CRM
  • รหัสโครงการที่เชื่อมโยงกับชื่อลูกค้าในระบบสัญญา
  • หมายเลขอ้างอิงคดีในไฟล์กฎหมาย
  • หมายเลขเวชระเบียนที่เชื่อมโยงกับบันทึกผู้ป่วย

การลบชื่อและอีเมลเพียงอย่างเดียวไม่เพียงพอ หากรหัสภายในยังคงอยู่ในไฟล์ การระบุตัวตนใหม่อยู่ห่างออกไปเพียงสองขั้นตอน

ทำไมช่องโหว่นี้จึงนำไปสู่ค่าปรับ

34% ของค่าปรับ GDPR ทั้งหมดเกี่ยวข้องกับมาตรการทางเทคนิคที่ไม่เพียงพอภายใต้ Article 32 ตัวเลขนี้มาจากรายงานประจำปี GDPR ของ DLA Piper 2025 ความล้มเหลวในการตรวจจับรหัสประจำตัวภายในแบบ quasi-identifying อยู่ในหมวดนี้

EDPB จัดการกว่า 900 กรณีในกลไกความสอดคล้องในปี 2024 การบังคับใช้ข้ามพรมแดนหมายความว่าช่องโหว่เดียวในชุดข้อมูลที่ใช้ร่วมกันอาจนำไปสู่การดำเนินการประสานงานในหลายรัฐสมาชิก EU

เครื่องมือ PII มาตรฐานค้นหารูปแบบสากล: ชื่อ อีเมล หมายเลขโทรศัพท์ รหัสประจำชาติ พวกเขาไม่รู้รูปแบบรหัสภายในของคุณ ไม่มีเครื่องมือใดรู้จนกว่าคุณจะบอกมัน นั่นคือช่องโหว่

วิธีการทำงานของ Pattern Builder โดยไม่ต้องเขียนโค้ด

บริษัทโลจิสติกส์ทั่วโลกต้องการทำ anonymize บันทึกพนักงานสำหรับการตรวจสอบจากภายนอก รหัสพนักงานของพวกเขาใช้รูปแบบนี้: EMP-[REGION]-[6 หลัก] สามตัวอย่าง: EMP-EU-123456, EMP-APAC-789012, EMP-AMER-345678

ทีมปฏิบัติตามกรอกตัวอย่างสามตัวอย่างใน AI pattern helper AI ส่งคืน:

  • Pattern: EMP-[A-Z]{2,4}-\d{6}
  • ตรงกับตัวอย่างทั้งสาม
  • ชื่อรหัสประจำตัวที่แนะนำ: EMPLOYEE-ID
  • ขั้นตอนถัดไปที่แนะนำ: ทดสอบกับรหัสภูมิภาคเพิ่มเติม

ทีมทดสอบตัวอย่างอีก 10 ตัวอย่าง รูปแบบใช้งานได้กับทุกตัวอย่าง

พวกเขาบันทึกรหัสประจำตัวกำหนดเองลงใน GDPR preset ที่ใช้ร่วมกันของทีม เอกสาร 47 ชุดในชุดตรวจสอบถูกประมวลผลในชุดเดียว รหัสพนักงานทุกรหัสถูกแทนที่ด้วยป้ายกำกับตามบทบาท บริษัทตรวจสอบได้รับไฟล์ที่ไม่เชื่อมโยงกับบุคคลใดอีกต่อไป

ไม่ต้องการความช่วยเหลือด้านวิศวกรรม การตั้งค่าทั้งหมดใช้เวลาไม่ถึงหนึ่งชั่วโมง

ขั้นตอนถัดไป

เมื่อรหัสประจำตัวกำหนดเองถูกบันทึกลงใน preset ที่ใช้ร่วมกัน สมาชิกทีมทุกคนจะใช้การตั้งค่าเดียวกัน พนักงานใหม่ได้รับมันในวันแรก งาน batch, การเรียก API และการอัปโหลดด้วยตนเองทั้งหมดใช้รูปแบบเดียวกัน

เส้นทางการตรวจสอบแสดงว่าใช้ preset ใดสำหรับแต่ละไฟล์ หาก DPA ขอหลักฐานกระบวนการ anonymization ของคุณ คุณสามารถแสดงได้

สำหรับกระบวนการตั้งค่ารหัสประจำตัวกำหนดเองอย่างสมบูรณ์ ดู รหัส PII กำหนดเองสำหรับ anonymization ขององค์กร สำหรับการรักษาการตั้งค่านี้สอดคล้องกันในทีม ดู presets ความสอดคล้อง anonymization สำหรับการตรวจสอบ GDPR

แหล่งข้อมูล

บทความที่เกี่ยวข้อง

GDPR & การปฏิบัติตาม

Japan My Number: Verhoeff & APPI

63% of generic tools fail My Number detection in Japanese documents. My Number uses Verhoeff algorithm — the most complex national ID checksum in Asia.

GDPR & การปฏิบัติตาม

HDPA Greece: AFM & AMKA Detection

Greek AFM detected with 52% accuracy by generic tools. HDPA issued 89 decisions in 2024 — up 162% from 2022. Tourism and maritime sectors face distinct.

GDPR & การปฏิบัติตาม

NAIH Hungary: TAJ-Szám and Adóazonosító Jel

Hungarian NER accuracy is 67% vs. EU average 82% — NAIH's 2024 assessment. TAJ-szám weighted checksum and adóazonosító jel detection gaps.

พร้อมที่จะปกป้องข้อมูลของคุณหรือยัง?

เริ่มทำให้ PII เป็นนิรนามด้วยประเภทเอนทิตีมากกว่า 285 ประเภทใน 48 ภาษา.

เริ่มทดลองใช้ฟรีดูฟีเจอร์

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.