anonym.legal

By · Last updated 2026-06-05

กลับไปที่บล็อกGDPR & การปฏิบัติตาม

ÚOOÚ เช็ก: GDPR สำหรับภาคการผลิต

ÚOOÚ ของเช็กออกคำวินิจฉัย 58 รายการในปี 2024 โดยภาคการผลิตคิดเป็น 34% ของการละเมิด บริษัทเช็ก 67% ใช้เครื่องมือเยอรมันที่ขาดการรองรับภาษาเช็ก

June 5, 20268 อ่านประมาณ
Czech Republic ÚOOÚrodné číslomanufacturing GDPRCentral Europe complianceCzech identifiers

ÚOOÚ และ GDPR ในอุตสาหกรรมการผลิตเช็ก

Úřad pro ochranu osobních údajů (ÚOOÚ) ออกคำวินิจฉัยบังคับใช้ 58 รายการในปี 2024 โดยบริษัทในภาคการผลิตและยานยนต์คิดเป็น 34% ของทั้งหมด นั่นคือสัดส่วนสูงสุดของทุกภาคธุรกิจ

Škoda Auto, Toyota, Foxconn และซัพพลายเออร์ระดับรองอีกมากล้วนดำเนินงานในเช็กเกีย การปฏิบัติตาม GDPR ที่นั่นต้องการเครื่องมือที่รองรับข้อมูลท้องถิ่น แต่เครื่องมือส่วนใหญ่ที่ใช้อยู่ยังขาดสิ่งนี้

ปัญหาเครื่องมือจากบริษัทแม่

ข้อมูลของ ÚOOÚ แสดงรูปแบบความล้มเหลวที่ชัดเจน บริษัทแม่ในต่างประเทศผลักเครื่องมือ PII ที่กำหนดค่าสำหรับต่างประเทศไปยังหน่วยงานท้องถิ่น

เมื่อกลุ่มบริษัทขนาดใหญ่ใช้งานเครื่องมือมาตรฐานในสำนักงานปราก:

  1. เครื่องมือถูกตั้งค่าสำหรับตัวระบุของต่างประเทศ ไม่ครอบคลุมตัวระบุท้องถิ่น
  2. สัญญาพนักงานและแฟ้ม HR เป็นภาษาเช็ก แต่เครื่องมือไม่ได้รับการฝึกด้วยข้อความภาษาเช็ก
  3. ความแม่นยำ NER สำหรับภาษาเช็กต่ำกว่าภาษาอื่นที่เทียบเท่า 23% (แนวทางทางเทคนิคของ ÚOOÚ ปี 2024)
  4. หมายเลข rodné číslo ถูกพลาดในไฟล์ที่ไม่ได้ระบุว่าเป็นภาษาเช็ก
  5. ข้อมูลสุขภาพและ HR พนักงานถ่ายโอนโดยไม่มีการป้องกันตามที่หน่วยงานกำกับดูแลกำหนด

67% ของบริษัทท้องถิ่นพึ่งพาเครื่องมือที่พลาดตัวระบุเฉพาะประเทศ ÚOOÚ ถือว่าผู้ควบคุมท้องถิ่นต้องรับผิดชอบ ไม่ใช่ผู้ขายจากบริษัทแม่

Rodné číslo: ข้อมูลหมวดพิเศษ

rodné číslo คือหมายเลขวันเกิด มีรูปแบบ RRMMDD/XXXX

  • หลักที่ 3–4 เข้ารหัสเดือนเกิด สำหรับผู้หญิงจะบวก 50 เพิ่ม ผู้หญิงที่เกิดในเดือนมกราคมจะแสดง 51 ไม่ใช่ 01
  • เครื่องหมายทับคั่นระหว่างวันที่กับตัวเลขท้าย
  • ตัวเลขท้ายมี 3–4 หลักพร้อมเลขตรวจสอบแบบ modulus-11

การเข้ารหัสเพศทำให้หมายเลขนี้เป็นข้อมูลหมวดพิเศษภายใต้ GDPR มาตรา 9 เนื่องจากเปิดเผยเพศโดยการออกแบบ การคุ้มครองขั้นสูงจึงต้องบังคับใช้

ต้องครอบคลุมสามสิ่ง ประการแรก ค่าออฟเซ็ตเดือนของผู้หญิง — กฎ 50 ประการที่สอง การตรวจสอบเลขตรวจสอบแบบ modulus-11 ประการที่สาม ทั้งรูปแบบ 9 หลัก (ก่อนปี 1954) และ 10 หลัก

การจับคู่รูปแบบเพียงอย่างเดียวไม่เป็นไปตามมาตรฐานของ ÚOOÚ

ตัวระบุสำคัญอื่นๆ

Číslo občanského průkazu (OP): บัตรประจำตัวประชาชน เก้าอักขระผสมตัวอักษรและตัวเลข พบในสัญญา บันทึกผู้เข้าชม และบันทึกทางการแพทย์

IČO: หมายเลขธุรกิจแปดหลัก ปรากฏในสัญญาซัพพลายเออร์ควบคู่กับข้อมูลส่วนบุคคลของตัวแทนนิติบุคคล

DIČ: รูปแบบ CZ + หมายเลขวันเกิด (บุคคล) หรือ CZ + IČO (บริษัท) DIČ ส่วนบุคคลปรากฏในสัญญาฟรีแลนซ์

IBAN: รูปแบบ CZ + 22 หลัก พบในไฟล์เงินเดือนและรายงานค่าใช้จ่าย

จุดเสี่ยงในภาคการผลิต

บันทึก HR: เงินเดือนพนักงานท้องถิ่นประกอบด้วยหมายเลขวันเกิด บัตรประจำตัว และรายละเอียดธนาคาร การถ่ายโอน HR ข้ามพรมแดนต้องการ Transfer Impact Assessments

การตรวจสอบย้อนกลับคุณภาพ: ระบบการผลิตยานยนต์มักเชื่อมโยงบันทึกข้อบกพร่องกับพนักงานรายบุคคล นี่คือข้อมูลส่วนบุคคลในเทคโนโลยีการดำเนินการ อยู่ภายใต้ GDPR แม้นอกระบบ HR

ข้อมูลตัวแทนจำหน่าย: เครือข่ายผู้ผลิตขนาดใหญ่ประมวลผลบันทึกทดลองขับ แบบฟอร์มการจัดหาเงิน และประวัติการบริการ หลายรายการมีหมายเลขวันเกิด

ดู คู่มือการปฏิบัติตาม GDPR และ ภาพรวมการตรวจจับ PII หลายภาษา สำหรับวิธีที่ช่องว่างด้านตัวระบุใช้บังคับข้ามเขตอำนาจศาล EU สำหรับความครอบคลุมเอนทิตีทั้งหมด ดู ข้อมูลอ้างอิงเอนทิตี

ความต้องการหลักนั้นเรียบง่าย การตรวจจับหมายเลขวันเกิดต้องรวมการจัดการค่าออฟเซ็ตเพศและการตรวจสอบผลรวมตรวจสอบ NER ดั้งเดิมสำหรับการประมวลผลข้อความก็เป็นสิ่งจำเป็น ต้องรองรับไปป์ไลน์หลายภาษาแบบผสม

แหล่งอ้างอิง

พร้อมที่จะปกป้องข้อมูลของคุณหรือยัง?

เริ่มทำให้ PII เป็นนิรนามด้วยประเภทเอนทิตีมากกว่า 285 ประเภทใน 48 ภาษา.

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.