Uma palavra difícil, mas que ganhou muita relevância com as leis de proteção de dados, que foram aprovadas recentemente em diversos países, inclusive, o Brasil.
No varejo físico há o conceito de cliente anônimo, já que em certos cenários é impossível determinar quem passou pelo checkout. Neste cenário, registra-se a venda em um cliente anônimo ou dummy, para que os sistemas possam contabilizar os recebíveis.
Mas, quando falamos de proteção de dados, a anonimização ganha outros contornos e quem trabalha com dados mestres precisa estar preparado para entender estas novas características.
A anonimização de dados é um mecanismo que visa restringir informações de identificação pessoal de forma que seja muito difícil associar essas informações a um indivíduo específico.
O objetivo primário da anonimização é garantir a proteção da privacidade, de tal forma, que não seja possível rastrear informações individuais de consumo ou comportamento.
Ninguém, gostaria de ter seu consumo de medicamentos ou alimentos, exposto ao público.
Hoje, temos uma série de dispositivos coletando nossas informações, sejam os celulares ou equipamentos de automação residencial. Graças a IOT (internet das coisas) é possível saber quantas pessoas entraram em uma casa, o horário de saída ou chegada do proprietário.
Justamente para proteger o consumidor é que a anonimização é um assunto quente.
Um dos subtipos da anonimização é a pseudoanonimização, que é a gestão de dados pessoais impedindo que eles possam ser associados a uma pessoa de forma direta.
Em linhas gerais, a anonimização é um processo sem volta, enquanto que a pseudoanonimização permite que o titular seja reidentificado (através de mecanismos indiretos).
Existem diversas formas de mascaramento de dados, vamos ver as principais:
- Agregação – os dados são acumulados de forma despersonalizada. Exemplo: o endereço não é registrado individualmente, mas podemos saber que 1000 pessoas moram em determinado bairro.
- Criptografia – os dados são criptografados e somente com uma chave é possível realizar a leitura.
- Generalização – Exemplo: Ao invés de registrar a idade usa-se uma faixa etária.
Além, das técnicas citadas acima temos: Hashing, Perturbação, Randomização e supressão.
Em próximos artigos iremos explorar um pouco mais destes temas.
Bons negócios!
Quer melhorar a governança de dados mestres na sua empresa?
Clique aqui para conhecer a plataforma 4MDG.
Leia também sobre Bons cadastros tornam uma empresa mais eficiente.
Quer conhecer sobre o universo dos dados mestres?
Receba gratuitamente nosso e-book sobre MDM e entre em uma das carreiras mais quente do momento
0 Comentários