Duncan McKay, Business Development Manager bij PBT Group
Hoewel het nog niet wijdverbreid is, wint datamaskering aan momentum in de bedrijfsomgeving als een effectieve strategie om aan de wettelijke vereisten voor de bescherming van persoonlijke informatie te voldoen.
Dit is een methode om een structureel vergelijkbare maar niet-authentieke versie van de gegevens bij een bedrijf te creëren voor analytische doeleinden. Zoals de naam doet vermoeden, maskeert het persoonlijke identificatiegegevens op individueel recordniveau. Het is vooral voordelig voor kwantitatieve analisten die nieuwe machine learning-modellen bouwen om de operationele besluitvorming te optimaliseren en te automatiseren.
Mijn ervaring is dat veel grote organisaties het moeilijk vinden om te bepalen wat werknemers doen met persoonlijke gegevens, gezien de verspreide analisten in het bedrijf. Als zodanig kijken deze bedrijven naar het maskeren of tokeniseren van gegevens. Dus terwijl maskering de gegevens verdoezelt, waardoor het onmogelijk wordt om terug te koppelen naar de oorspronkelijke persoon, tokenisatie wisselt gevoelige gegevens uit met een willekeurige gegevenswaarde in hetzelfde formaat, maar zonder eigen intrinsieke waarde.
Dit maakt het een ideale manier voor bedrijven om modellen voor klantgedrag op te bouwen zonder te weten wie het individu is.
Complex proces
Het belangrijkste voordeel van datamaskering of tokenisatie is dat het is ontworpen om persoonlijke informatie te beschermen. Een bedrijf kan bijvoorbeeld een gegevensanalysebedrijf inhuren om analytische modellen te maken zonder de inhoud van de gegevens te kunnen zien. Als datamaskering wordt toegepast, hebben de gecontracteerde ontwikkelaars toegang tot een omgeving waarin ze gegevens kunnen gebruiken die lijken op de live gegevens en zonder het risico te lopen misbruik te maken van het intellectuele eigendom van de klant.
Het is echter een uiterst complex proces om patronen in gegevens te kunnen identificeren die nog steeds lijken op live productiegegevens. Er is een aanzienlijke hoeveelheid intelligentie nodig om ervoor te zorgen dat de waarde achter de informatie niet verloren gaat.
Bovendien introduceert het een nieuwe stap in de gegevenslevenscyclus. Dit betekent dat gegevens worden vastgelegd en geanalyseerd, en vervolgens worden algoritmen ontwikkeld om deze te verdoezelen. Afhankelijk van de omvang van het project kan dit een aanzienlijke impact hebben op de tijdlijn. Het zou mogelijk nieuwe risico’s en valkuilen kunnen introduceren als de steekproefomvang van gegevens die het bedrijf voorbereidt voor maskering niet effectief wordt weergegeven.
Toekomstig momentum
Vanwege deze complexiteit is datamaskering nog niet gangbaar in de lokale industrie. Veel organisaties geven nog steeds de voorkeur aan de meer toegankelijke tokenisatiemethode, die beschermt tegen cyberrisico’s, maar mogelijk de analytische waarde van de beschermde data opoffert.
Bedrijven realiseren zich misschien pas de waarde van maskering en tokenisatie als ze een cyberveiligheidsincident ervaren dat de kwaliteit van hun gegevens beïnvloedt. Dit zou de katalysator kunnen zijn die nodig is om bedrijven in die richting te duwen. En als dat gebeurt, zal het verstandig zijn om de privacybeveiligingsstrategieën onder de loep te nemen die verder gaan dan alleen de operationele beveiliging zoals die wordt geboden door tokenisatie. Bedrijven moeten privacybenaderingen overwegen die ook de analytische inzichtstructuur van de gegevens behouden, zoals aangegeven door aanbiedingen voor gegevensmaskering.
Hoewel het moeilijk is om te voorspellen hoe snel datamaskering zal worden toegepast, kan het potentieel van het opnieuw uitvinden van organisatiesystemen in een wereld die zich na de blokkering bevindt, het de stimulans geven die nodig is om wat grip te krijgen en om vaker te worden gebruikt ten voordele van het algehele analyseproces.
