Libelle DataMasking Icon

Les défis de l'anonymisation des données en entreprise

Auteur

Cybercriminalité, RGPD et anonymisation des données. Même dans les systèmes non productifs, ces thèmes deviennent de plus en plus pertinents. Et les tests logiciels doivent être aussi valides que possible, même avec des données anonymisées. Trouver une solution adaptée à ces besoins est une tâche complexe. La complexité du sujet fait presque échouer de nombreux projets. Notre expert vous montre ses trois plus grands défis dans les projets liés à l'anonymisation des données dans les systèmes non productifs et vous explique comment les surmonter avec succès.

Défi 1 : les parties prenantes sous-estiment le sujet de l'anonymisation des données.

Un projet, de nombreuses parties prenantes, des points de vue différents : Au cours de ma carrière chez Libelle IT Group, il y a déjà eu plusieurs parties intéressées dont les efforts en matière d'anonymisation des données ont posé des problèmes en amont. Les parties prenantes n'étaient pas d'accord sur l'enjeu de l'anonymisation des données dans les systèmes non productifs. Alors que pour certains, il était important que les adresses soient toujours logiquement correctes après l'anonymisation, d'autres avaient une tout autre priorité. Définissez donc des objectifs clairs avec toutes les personnes concernées en amont d'un projet de protection des données et veillez à ce que les connaissances soient homogènes.

Défi 2 : une gestion de projet trop complexe

Vous voulez réussir votre projet de protection des données ? Notre recommandation : abordez-le de manière pragmatique. Définissez une (!) personne responsable du projet et identifiez uniquement les systèmes qui sont réellement pertinents pour l'anonymisation des données. Divisez les données personnelles à protéger en profils (noms, adresses, données bancaires, etc.) pour une vue d'ensemble structurée. A l'heure du big data et d'une informatique de plus en plus complexe, une approche aussi simple et structurée que possible est élémentaire.

Exemple : définir les profils :

Défi 3 : Une implémentation non itérative

Si vous avez choisi une solution pour l'anonymisation des données dans des systèmes non productifs, vous devez absolument procéder de manière itérative lors de l'implémentation. Le projet n'est pas terminé avec la décision finale. Chaque environnement système est différent. Une validation itérative des systèmes de test, des données anonymisées, etc. est donc absolument nécessaire pour la réussite du projet.

Vous envisagez vous aussi d'optimiser l'anonymisation des données dans vos systèmes non productifs ? Nos experts Miroslav Jakovljevic et Michael Schwenk se tiennent à votre disposition. N'hésitez pas à prendre contact avec eux pour un conseil personnalisé.

Pour une anonymisation optimisée des données et la meilleure réussite possible du projet - Libelle DataMasking.

Vers tous les articles