Dienstleistungen · Datenschutz und DSGVO
Personenbezogene Daten entfernt, bevor die Analyse sie überhaupt sieht
InSaaS.ai verarbeitet große Mengen Text aus sozialen Medien, Online-Foren und Kundenquellen für Marktforschung und Produktplanung. In jedem Datensatz können personenbezogene Daten stecken, die vor der Analyse verschwinden müssen, und das von Hand zu prüfen, war in diesem Umfang unmöglich. Wir haben ShareMedix als Anonymisierungs-API integriert, die personenbezogene Daten in der gesamten Pipeline erkennt und maskiert.
Ergebnisse
Kunde: InSaaS.ai
Ein Datenanalyse-Unternehmen, spezialisiert auf Erkenntnisse für Marketing, Marktforschung und Produktentwicklung.
- Branche
- Dienstleistungen und Marktforschung
- Anwendungsfall
- Anonymisierung personenbezogener Daten in Texten
- KI-Ansatz
- NLP-basierte Erkennung personenbezogener Daten
- Datenquelle
- Soziale Medien, Foren, Kundendaten
- Integration
- API mit paralleler Verarbeitung
- Produkt
- ShareMedix (theBlue.ai)
Kurz gefasst
Warum die Daten nicht so genutzt werden durften, wie sie ankamen
- Die Arbeit von InSaaS.ai lebt von der Analyse von Social-Media-Beiträgen, Forendiskussionen, Kundenfeedback und internen Datensätzen, und in all dem stecken personenbezogene Daten.
- Nach der DSGVO dürfen diese Daten nicht roh analysiert werden. Jede personenbezogene Angabe muss zuerst gefunden und entfernt werden, und Menge und Vielfalt machten einen manuellen Prozess unmöglich.
- ShareMedix sitzt jetzt als API in der Pipeline: Daten gehen hinein, anonymisierte Daten kommen heraus, ohne manuellen Schritt und ohne eigene Oberfläche.
- Außerdem wurden Quellen nutzbar, die vorher zu riskant waren, und das erweitert, was InSaaS.ai seinen Kunden liefern kann.
Die Ausgangslage
Die Aufgabe
InSaaS.ai musste riesige Textmengen DSGVO-konform machen, bevor sie analysiert werden durften, und Menge und Vielfalt der personenbezogenen Daten machten eine manuelle Anonymisierung in diesem Umfang unmöglich.
InSaaS.ai baut Analyselösungen für Marketing, Marktforschung und Produktentwicklung, und diese Arbeit beruht auf großen Textmengen: Social-Media-Beiträge, Forendiskussionen, Kundenfeedback und interne Datensätze.
Die Erkenntnisse darin sind wertvoll. Die Daten selbst stecken voller Namen, Adressen, Telefonnummern, IBANs und anderer sensibler Angaben.
Nach der DSGVO darf nichts davon roh verarbeitet werden, jede personenbezogene Angabe muss vor der Analysepipeline erkannt und entfernt sein. Von Hand kam das nicht in Frage: zu viele Daten, zu viele Arten personenbezogener Angaben und zu viel regulatorisches Risiko für einen manuellen Prozess.
Der Bau
Was wir gebaut haben
Wir haben ShareMedix, unsere NLP-gestützte Anonymisierungs-Engine, über eine API direkt in die Verarbeitungspipeline von InSaaS.ai integriert. Personenbezogene Daten werden erkannt und maskiert, bevor die Daten die Analyseschicht erreichen.
Personenbezogenes in Texten finden, die nie strukturiert waren
ShareMedix erkennt Namen, Adressen, Telefonnummern, IBANs, E-Mail-Adressen und weitere Identifikatoren mit NLP. Es kommt mit sehr unterschiedlichen Quellen zurecht: einem umgangssprachlichen Social-Media-Beitrag, einem strukturierten Kundendatensatz und allem dazwischen.
Eine API, kein Werkzeug, das jemand öffnen muss
Statt einer eigenständigen Anwendung mit manueller Bedienung ist ShareMedix eine API, die InSaaS.ai aus der bestehenden Pipeline heraus aufruft. Daten gehen hinein, anonymisierte Daten kommen heraus, und niemand muss daran denken, es anzustoßen.
Kein neuer Flaschenhals
Marktforschungsdatensätze können riesig sein. Die API verarbeitet viele Anfragen gleichzeitig, sodass große Mengen durchlaufen, ohne dass die Anonymisierung die Datenaufbereitung ausbremst.
Regeln, die sich anpassen lassen
Verschiedene Quellen und Anwendungsfälle brauchen verschiedene Behandlung. ShareMedix unterstützt Whitelists, Blacklists und konfigurierbare Regeln, damit InSaaS.ai genau steuern kann, was maskiert wird und was bleibt, und nachsteuern kann, wenn sich Regulierung und Datenquellen ändern.
Was sich geändert hat
Das Ergebnis
Vorher
Personenbezogene Daten verstreut in riesigen Textmengen. Manuelle Prüfung unmöglich, DSGVO-Konformität kaum zu garantieren, und Daten blieben aus Datenschutzgründen ungenutzt.
Nachher
Automatische Erkennung und Maskierung über die API. Die Konformität ist in die Pipeline eingebaut, vollständige Datensätze stehen zur Analyse bereit, und nirgends gibt es einen manuellen Schritt.
InSaaS.ai kann das gesamte Datenvolumen verarbeiten und analysieren, und die DSGVO-Konformität ist dabei automatisch gesichert. Aus einem manuellen Hindernis wurde ein unsichtbarer Teil der Pipeline.
Außerdem sind Daten nutzbar geworden, die vorher zu riskant waren. Kundendaten und andere sensible Quellen, die früher aufwendig von Hand hätten geprüft werden müssen, laufen jetzt automatisch durch.
Das erweitert, was InSaaS.ai seinen Kunden sagen kann, und das ist mehr, als man von einer Datenschutzmaßnahme gewöhnlich erwartet.
Fragen zu diesem Projekt
Anonymisierung personenbezogener Daten in Texten. InSaaS.ai musste riesige Textmengen DSGVO-konform machen, bevor sie analysiert werden durften, und Menge und Vielfalt der personenbezogenen Daten machten eine manuelle Anonymisierung in diesem Umfang unmöglich.
Volle Einhaltung der europäischen Datenschutzvorschriften: DSGVO. Direkt in die bestehende Datenpipeline integriert: API. Viele gleichzeitige Anonymisierungsanfragen im großen Maßstab: Parallel. Namen, Adressen, Telefonnummern und IBANs maskiert: Automatisch.
NLP-basierte Erkennung personenbezogener Daten. Eingesetzte Technik: Natural Language Processing, Named Entity Recognition, Erkennung personenbezogener Daten, API-Integration, ShareMedix-Plattform, DSGVO-Konformität.
Eingesetzte Technik
Sprechen Sie mit dem Team dahinter
theBlue.ai meldet sich innerhalb eines Werktags.
Weitere Referenzen
Gesundheitswesen · Krankenhausbetrieb
Patientendaten automatisch anonymisiert, auf den Servern der Klinik
Mehr lesen
Pharma · Pharmakovigilanz und Marktbeobachtung
Arzneimittelsignale in Texten, die kein Team vollständig lesen konnte
Mehr lesen
Events · Social-Media-Analyse