Datos anonimizados
Los datos anonimizados son aquellos que se han modificado de tal forma que ya no pueden vincularse a una persona identificable, y que nadie puede volver a vincularlos. Esta última condición es la más complicada, y es la razón por la que la mayoría de los datos que se describen como anonimizados son, en realidad, seudonimizados —una distinción con consecuencias jurídicas reales—.
| Anonimizado | La reidentificación es imposible para cualquier persona, incluido el titular de los datos. |
| Seudonimizado | Se han sustituido los identificadores, pero se pueden volver a vincular mediante una clave almacenada en algún lugar |
| Consecuencias normativas | Los datos verdaderamente anonimizados quedan fuera del ámbito de aplicación del RGPD; los datos seudonimizados, en cambio, no. |
| Técnicas habituales | Agregación, generalización, supresión, adición de ruido, k-anonimato, privacidad diferencial |
| Fallo principal | Reidentificación mediante la combinación de un conjunto de datos con información externa |
| Advertencia sobre la biometría | Una plantilla facial no es un dato anónimo: por su propia naturaleza, permite identificar a una persona. |
| Enmarcado al estilo estadounidense | Se regula mediante las medidas de anonimización previstas en la HIPAA y las leyes estatales de protección de datos, en lugar de una norma federal única |
| Posición práctica | La anonimización es un continuo, no un estado binario |
Cómo funciona
Todas estas técnicas sacrifican la utilidad en aras de la privacidad, y ese sacrificio es inevitable.
Supresión elimina los identificadores directos: nombre, número de cuenta y correo electrónico. Esto es lo mínimo y, por sí solo, dista mucho de ser suficiente, ya que los campos restantes suelen permitir identificar a las personas de todos modos.
Generalización reduce la precisión: una fecha de nacimiento se convierte en un año de nacimiento, y un código postal se convierte en una región. Agregación informa sobre grupos en lugar de sobre personas. k-anonimato Esto se formaliza exigiendo que cada registro sea indistinguible de al menos k−1 registros más en cuanto a los cuasiidentificadores, de modo que ninguna combinación de atributos permita identificar a una persona concreta.
Privacidad diferencial adopta un enfoque diferente, añadiendo ruido estadístico calibrado para que, a partir de los resultados, no sea posible determinar si un individuo concreto se encuentra en el conjunto de datos. Se trata de la garantía más sólida que existe, pero reduce la precisión, por lo que su uso se limita principalmente a trabajos estadísticos a gran escala, en lugar de a sistemas operativos.
El modo de fallo que importa es el efecto mosaico. Un conjunto de datos del que se hayan eliminado los identificadores a menudo puede volver a identificarse cruzándolo con otra fuente. Los ejemplos clásicos —la reidentificación de historiales médicos a partir de la fecha de nacimiento, el sexo y el código postal, o de los historiales de visionado de Netflix a partir de reseñas públicas— funcionaban ambos de esta manera. Que un conjunto de datos sea anónimo no depende solo del propio conjunto de datos, sino de todo lo demás que existe.
Por qué es importante para la verificación de identidad
La verificación de la identidad es, por definición, lo contrario de la anonimización, y la cuestión interesante es qué ocurre con los datos a continuación.
La verificación requiere identificabilidad: el objetivo fundamental es determinar qué persona concreta está presente. Ningún elemento de ese proceso puede anonimizarse mientras se está llevando a cabo. Lo que sí se puede regular es la conservación: qué se conserva una vez tomada la decisión, en qué formato y durante cuánto tiempo.
Las plantillas biométricas merecen una atención especial. Una plantilla facial no es una imagen y, a menudo, se describe como «anonimizada», lo cual es erróneo. Se trata de una representación diseñada para identificar a una persona concreta —esa es su función— y, en algunas investigaciones, se han reconstruido rostros reconocibles a partir de plantillas en determinadas condiciones. Las plantillas son datos personales biométricos y deben recibir ese tratamiento, no el manejo menos riguroso que implica el término «anonimizado».
El análisis agregado es donde se aplica la verdadera anonimización: tasas de aprobación por tipo de documento, tasas de fraude por canal, rendimiento de los modelos por cohorte. Estos datos son útiles, no requieren registros identificables y pueden elaborarse siguiendo un estándar de anonimización real. Cómo se almacenan y conservan los datos de verificación Es una pregunta que vale la pena plantearle a cualquier proveedor, y la de Microblink… Flujo de trabajo de KYC y AML está diseñado para conservar los datos identificables únicamente durante el tiempo que exija la normativa.
Anonimización frente a seudonimización
| Anonimizado | Seudonimizado | |
|---|---|---|
| Reidentificación | Imposible para cualquiera | Es posible con la clave |
| Tecla pulsada | No hay ninguno | Por parte del responsable del tratamiento o de un tercero |
| En virtud del RGPD | Fuera del ámbito de aplicación | Siguen siendo datos personales, totalmente incluidos en el ámbito de aplicación |
| Incumplimiento de obligaciones | Ninguno: no se tratan datos personales | Obligaciones completas en materia de notificación de violaciones de seguridad |
| Utilidad de los datos | Reducido, a veces de forma considerable | En gran parte conservado |
| Errores habituales | Aplicado a datos que solo han sido seudonimizados | — |
El último punto es el problema práctico. Las organizaciones suelen describir los datos sometidos a hash o tokenizados como «anonimizados». Si existe en algún lugar una clave que permita revertir el proceso, los datos se consideran seudonimizados y siguen siendo de aplicación todas las obligaciones; una distinción que los reguladores han hecho cumplir.
Lo que no puede hacer
No se puede garantizar de forma permanente. Un conjunto de datos que hoy es anónimo puede volver a ser identificable mañana si se dispone de un nuevo conjunto de datos con el que cruzarlo. La anonimización se evalúa en función del entorno informativo, y ese entorno no hace más que crecer.
No puede conservar toda su utilidad. Todas las técnicas provocan una degradación de los datos. Las garantías sólidas implican una pérdida sustancial de precisión, por lo que los métodos más sólidos son los que menos se utilizan.
No se puede conseguir eliminando nombres. Los identificadores directos son la parte fácil. La combinación de cuasiidentificadores —código postal, fecha de nacimiento, sexo, profesión— suele aislar a las personas, y el mero hecho de eliminar los nombres deja datos que pueden volver a identificarse con facilidad.
No se aplica a las plantillas biométricas. Existe una plantilla para identificar a una persona. Puede protegerse, cifrarse y limitarse su periodo de conservación, pero no puede anonimizarse sin que deje de ser útil para su finalidad.
Preguntas frecuentes
¿Cuál es la diferencia entre datos anonimizados y datos seudonimizados?
Nadie puede vincular los datos anonimizados con una persona concreta. En los datos seudonimizados se sustituyen los identificadores, pero siguen pudiendo vincularse mediante una clave. Según el RGPD, los primeros quedan totalmente fuera de su ámbito de aplicación; los segundos siguen siendo datos personales, por lo que están sujetos a todas las obligaciones correspondientes.
¿Se anonimizan los datos cifrados mediante hash?
Normalmente no. Si el espacio de entrada es reducido o fácil de adivinar —como direcciones de correo electrónico, números de teléfono o números de identificación nacional—, los hash pueden descifrarse mediante un ataque de fuerza bruta. El hash es una seudonimización, a menos que se combine con otras medidas.
¿Es posible volver a identificar los datos anonimizados?
A menudo, combinándolo con otros conjuntos de datos. Hay ejemplos muy conocidos en los que se ha vuelto a identificar a personas a partir de historiales médicos y registros de navegación utilizando solo unos pocos cuasiidentificadores. El anonimato depende de qué más exista, no solo del propio conjunto de datos.
¿Son las plantillas biométricas datos anonimizados?
No. Una plantilla es una representación matemática creada específicamente para identificar a una persona, y algunos estudios han logrado reconstruir rostros reconocibles a partir de plantillas en determinadas condiciones. Las plantillas son datos personales biométricos y deben tratarse como tales.
Lecturas relacionadas
- RGPD — en los casos en que la distinción entre datos anonimizados y seudonimizados tenga fuerza jurídica
- Biometría facial — Por qué las plantillas no son datos anonimizados
- Fuga de datos — ¿qué es lo que facilita la reidentificación con el paso del tiempo?
- Verificación de documentos de identidad — el proceso de anonimización se aplica después, no durante