By · Last updated 2026-05-01

بلاگ پر واپس جائیںGDPR اور تعمیل

اندرونی ملازم IDs بھی PII ہیں

ہر بڑے ادارے کے پاس ملکیتی اندرونی شناختیں ہوتی ہیں جو گمنام ریکارڈز کو حقیقی لوگوں سے جوڑتی ہیں۔ GDPR جرمانوں کا 34% ناکافی تکنیکی اقدامات پر مشتمل ہے۔

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

Quasi-PII کیا ہے؟

GDPR آرٹیکل 4 کسی بھی ایسے ڈیٹا کا احاطہ کرتا ہے جو کسی شخص کی شناخت کر سکتا ہے۔ ڈیٹا کو براہ راست کسی کا نام لینے کی ضرورت نہیں۔ اسے صرف اضافی مراحل کے ذریعے شناخت ممکن بنانی ہے۔

اندرونی ملازم IDs ایک واضح مثال ہیں۔ "EMP-EU-123456" کی قدر لیں۔ وہ string کسی کا نام نہیں لیتا۔ لیکن HR سسٹم میں ایک سادہ lookup table ہے۔ EMP-EU-123456 Maria Schmidt، Senior Engineer، Munich سے جڑتا ہے۔ اس table تک رسائی رکھنے والا کوئی بھی اسے ڈھونڈ سکتا ہے۔ GDPR کے تحت، ID ذاتی ڈیٹا ہے۔

یہی قانون دیگر اندرونی کوڈز پر لاگو ہوتا ہے:

  • کسٹمر اکاؤنٹ نمبر جو CRM ریکارڈز سے جڑتے ہیں
  • پروجیکٹ کوڈ جو معاہدہ سسٹمز میں کلائنٹ کے ناموں سے جڑتے ہیں
  • قانونی فائلوں میں case reference نمبر
  • Medical record نمبر جو مریض کے ریکارڈز سے جڑتے ہیں

نام اور ای میل ہٹانا کافی نہیں ہے۔ اگر اندرونی IDs فائل میں رہیں تو دوبارہ شناخت صرف دو قدم دور ہے۔

یہ خلا جرمانوں کی طرف کیوں لے جاتا ہے

تمام GDPR جرمانوں کا 34% آرٹیکل 32 کے تحت ناکافی تکنیکی اقدامات پر مشتمل ہے۔ یہ اعداد و شمار DLA Piper 2025 GDPR سالانہ رپورٹ سے آتے ہیں۔ quasi-identifying اندرونی شناختوں کو پہچاننے میں ناکامی اس زمرے میں آتی ہے۔

EDPB نے 2024 میں 900 سے زیادہ consistency mechanism cases سنبھالے۔ Cross-border نفاذ کا مطلب ہے کہ مشترک ڈیٹا سیٹ میں ایک خلا کئی یورپی یونین ممالک میں مربوط کارروائی کا باعث بن سکتی ہے۔

معیاری PII ٹولز عالمی پیٹرن ڈھونڈتے ہیں: نام، ای میلز، فون نمبر، قومی IDs۔ وہ آپ کا اندرونی ID فارمیٹ نہیں جانتے۔ کوئی بھی ٹول نہیں جانتا جب تک آپ اسے نہ بتائیں۔ یہی خلا ہے۔

بغیر کوڈ کا Pattern Builder کیسے کام کرتا ہے

ایک عالمی logistics کمپنی کو بیرونی آڈٹ کے لیے ملازم ریکارڈز کو گمنام بنانا ہے۔ ان کے ملازم IDs اس فارمیٹ میں ہیں: EMP-[REGION]-[6 ہندسے]۔ تین مثالیں: EMP-EU-123456، EMP-APAC-789012، EMP-AMER-345678۔

tعمیل ٹیم AI pattern helper میں تین مثالیں درج کرتی ہے۔ AI واپس دیتا ہے:

  • پیٹرن: EMP-[A-Z]{2,4}-\d{6}
  • تینوں مثالوں سے مطابقت
  • تجویز کردہ entity نام: EMPLOYEE-ID
  • تجویز کردہ اگلا قدم: مزید region codes کے ساتھ test کریں

ٹیم دس مزید نمونے test کرتی ہے۔ پیٹرن ان سب پر کام کرتا ہے۔

وہ custom entity کو ٹیم کے مشترک GDPR preset میں محفوظ کرتے ہیں۔ آڈٹ پیکیج کی تمام 47 دستاویزات ایک بیچ میں processed ہوتی ہیں۔ ہر ملازم ID کو کردار پر مبنی label سے replace کیا جاتا ہے۔ آڈٹ فرم ایسی فائلیں پاتی ہے جو اب کسی بھی فرد سے جڑی نہیں ہیں۔

کسی انجینئرنگ مدد کی ضرورت نہیں۔ پوری ترتیب ایک گھنٹے سے کم میں ہو جاتی ہے۔

آگے کیا ہوتا ہے

ایک بار custom entity مشترک preset میں محفوظ ہو جائے، تمام ٹیم ممبران ایک ہی ترتیب استعمال کرتے ہیں۔ نئے عملے کو پہلے دن سے ہی ملتی ہے۔ Batch jobs، API calls، اور manual uploads سب ایک ہی پیٹرن لاگو کرتے ہیں۔

آڈٹ ٹریل دکھاتی ہے کہ ہر فائل کے لیے کون سا preset استعمال کیا گیا۔ اگر کوئی DPA آپ کے anonymization عمل کا ثبوت مانگے، تو آپ اسے دکھا سکتے ہیں۔

مکمل custom entity ترتیب ورک فلو کے لیے، تنظیمی گمنامی کے لیے کسٹم PII شناختیں دیکھیں۔ ٹیموں میں اس ترتیب کو مستقل رکھنے کے لیے، GDPR آڈٹ کے لیے anonymization مستقل مزاجی presets دیکھیں۔

ذرائع

کیا آپ اپنے ڈیٹا کی حفاظت کے لیے تیار ہیں؟

48 زبانوں میں 285+ ادارتی اقسام کے ساتھ PII کی گمنامی شروع کریں۔

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.