Anonimleştir

Genel Bakış

Anonimleştir zenginleştirmesi, hassas metin öznitelik değerlerini sistematik olarak anonim yer tutucularla değiştirerek süreç verilerinizin analitik değerini korurken kapsamlı veri gizliliği koruması sağlar. Bu kritik veri koruma operatörü, kişisel olarak tanımlanabilir bilgileri (PII), gizli iş verilerini ve diğer hassas metin değerlerini tutarlı anonim tanımlayıcılarla değiştirerek GDPR, HIPAA ve diğer veri koruma standartları gibi gizlilik düzenlemelerine uyumu garanti eder. Zenginleştirme, gerçek hassas içeriği kaldırırken süreç analizinde temel olan veri ilişkilerini ve desenlerini korur; böylece veri setlerini dış taraflarla paylaşmak, gösterimlerde kullanmak veya daha az güvenli ortamlarda depolamak güvenli hale gelir.

Anonimleştir zenginleştirmesi, aynı öznitelik değerlerini gruplandırır ve her benzersiz değeri "AttributeName 0001", "AttributeName 0002" vb. standart bir anonim tanımlayıcı ile değiştirir. Bu yaklaşım, aynı orijinal değerin tüm örneklerine aynı anonim tanımlayıcının verilmesini sağlar; böylece veri tutarlılığı korunur ve hassas bilgi ifşa edilmeden anlamlı süreç analizi mümkün olur. Zenginleştirme, gizlilik gereksinimlerinize bağlı olarak tüm metin özniteliklerinde otomatik çalışabilir veya belirli özniteliklere odaklanabilir; böylece hangi verilerin anonimleştirileceği esnek bir şekilde kontrol edilirken, hassas olmayan öznitelikler ise referans için bırakılır.

Yaygın Kullanımlar

  • Müşteri isimleri, çalışan kimlikleri, e-posta adresleri ve sosyal güvenlik numaraları gibi kişisel olarak tanımlanabilir bilgileri (PII) koruma
  • Üçüncü taraflarla paylaşmadan önce hesap numaraları, kredi kartı bilgileri ve işlem referansları gibi finansal verileri anonimleştirme
  • Harici danışmanlar veya tedarikçiler için veri setleri hazırlarken veri gizliliğini sağlama
  • Üretim verilerinden hassas iş bilgilerini ifşa etmeden gösterim veri setleri oluşturma
  • Süreç madenciliği projelerinde kişisel verileri anonimleştirerek GDPR uyumluluğunu sağlama
  • Sağlık süreç analizinde hasta bilgilerini koruyup vaka ilişkilerini sürdürme
  • Satın alma süreç analizinde tedarikçi ve satıcı isimlerini anonimleştirerek rekabet gizliliğini sağlama

Ayarlar

Öznitelik Adları (İsteğe Bağlı): Anonimleştirilecek belirli metin özniteliklerini seçin. Boş bırakıldığında, zenginleştirme sistem öznitelikleri (Case ID, Aktivite isimleri gibi) hariç tutarak hem vaka hem de olay tablolarındaki tüm metin özniteliklerini otomatik olarak anonimleştirir. Bu seçici yaklaşım, yalnızca hassas özniteliklerin anonimleştirilmesini sağlarken, hassas olmayan referans verilerinin korunmasına olanak verir. Açılır menü, veri kümenizdeki tüm mevcut metin özniteliklerini gösterir. Anonimleştirmek istediğiniz birden fazla özniteliğe tıklayarak seçim yapabilirsiniz. Yalnızca string/metin türündeki öznitelikler seçilebilir; sayısal ve tarih öznitelikleri genellikle kişisel olarak tanımlanabilir bilgi içermez ve süreç analizinde önemlidir.

Örnekler

Örnek 1: GDPR Uyumlu Müşteri Hizmetleri Süreci

Senaryo: Bir telekomünikasyon şirketi, süreç optimizasyonu analizi için müşteri hizmetleri süreç verilerini harici bir danışmanlık firmasıyla paylaşmak istiyor, ancak GDPR düzenlemelerine uyum için müşteri kişisel bilgilerini korumalıdır.

Ayarlar:

  • Öznitelik Adları: Customer_Name, Phone_Number, Email_Address, Account_Number, Address, Credit_Card_Last4

Çıktı: Zenginleştirme hassas müşteri verilerini anonim tanımlayıcılarla değiştirir:

  • Customer_Name: "John Smith" → "Customer_Name 0001"
  • Customer_Name: "Jane Doe" → "Customer_Name 0002"
  • Phone_Number: "+1-555-0123" → "Phone_Number 0001"
  • Email_Address: "john.smith@example.com" → "Email_Address 0001"
  • Account_Number: "ACC-789456123" → "Account_Number 0001"

Farklı vakalardaki tüm "John Smith" örnekleri tutarlı şekilde "Customer_Name 0001" olarak değiştirilir; veri ilişkileri analiz için korunur.

İçgörüler: Danışmanlık firması, müşteri hizmetleri modellerini analiz edebilir, darboğazları tespit edip iyileştirme önerileri sunabilir; gerçek müşteri kişisel bilgilerine asla erişmeden tam GDPR uyumu sağlanır ve anlamlı süreç içgörüleri elde edilir.

Örnek 2: Sağlık Hasta Yolculuğu Analizi

Senaryo: Bir hastane, hasta tedavi yollarını bölümler arasında analiz etmek istiyor ancak araştırma amaçlı veri kullanımı öncesinde HIPAA düzenlemelerine uyum için hasta sağlık bilgilerini (PHI) korumalıdır.

Ayarlar:

  • Öznitelik Adları: Patient_Name, Medical_Record_Number, SSN, Insurance_ID, Physician_Name, Diagnosis_Description, Medication_Names

Çıktı: Hassas tıbbi bilgiler sistematik olarak anonimleştirilir:

  • Patient_Name: "Robert Johnson" → "Patient_Name 0001"
  • Medical_Record_Number: "MRN-2024-45678" → "Medical_Record_Number 0001"
  • SSN: "123-45-6789" → "SSN 0001"
  • Physician_Name: "Dr. Sarah Williams" → "Physician_Name 0001"
  • Diagnosis_Description: "Type 2 Diabetes" → "Diagnosis_Description 0001"

Birden çok vakada görünen aynı teşhis aynı anonim tanımlayıcıyı alır; desen analizi mümkün olur.

İçgörüler: Araştırmacılar, tedavi modellerini inceleyebilir, hasta akışını analiz edebilir ve bakım optimizasyon fırsatlarını tanımlayabilir; tam hasta gizliliği ve HIPAA uyumu korunur.

Örnek 3: Finansal Denetim Süreci Anonimleştirme

Senaryo: Bir muhasebe firması, gerçek denetim verilerini kullanarak potansiyel müşterilere denetim süreç metodolojisini göstermek istiyor, ancak hassas finansal hesap bilgilerini ve şirket isimlerini korumalıdır.

Ayarlar:

  • Öznitelik Adları: Company_Name, Account_Number, Bank_Name, Auditor_Name, Contact_Person, Tax_ID

Çıktı: Finansal ve iş tanımlayıcıları anonim kodlarla değiştirilir:

  • Company_Name: "Acme Corporation" → "Company_Name 0001"
  • Account_Number: "4532-1234-5678-9012" → "Account_Number 0001"
  • Bank_Name: "First National Bank" → "Bank_Name 0001"
  • Auditor_Name: "Michael Chen" → "Auditor_Name 0001"

Farklı denetim adımlarında geçen tüm "Acme Corporation" referansları aynı "Company_Name 0001" kimliğini alır.

İçgörüler: Firma, denetim süreç verimliliğini gösterebilir, uyumluluk kontrol prosedürlerini anlatabilir ve metodolojisini vurgulayabilir; müşteri gizliliği tamamen korunur.

Örnek 4: Tedarik Zinciri Veri Paylaşımı

Senaryo: Bir üretim şirketi, tedarik zinciri süreç verilerini lojistik optimizasyon tedarikçisiyle paylaşmak istiyor ancak tedarikçi ilişkilerini ve fiyat bilgilerini olası rakiplerden korumalıdır.

Ayarlar:

  • Öznitelik Adları: Supplier_Name, Supplier_Contact, PO_Number, Part_Number, Supplier_Location

Çıktı: Tedarikçi ve parça bilgileri anonime edilirken ilişkiler korunur:

  • Supplier_Name: "TechParts Asia Ltd" → "Supplier_Name 0001"
  • Supplier_Contact: "Lisa Wang" → "Supplier_Contact 0001"
  • PO_Number: "PO-2024-789456" → "PO_Number 0001"
  • Part_Number: "CPU-X7-2024-ADV" → "Part_Number 0001"

Birden çok satın alma siparişinde görünen aynı tedarikçi tutarlı şekilde anonimleştirilir.

İçgörüler: Lojistik tedarikçisi, tedarik zinciri modellerini analiz edip teslimat darboğazlarını saptayabilir, rota optimizasyonu yapabilir; rakip tedarikçi bilgilerine veya fiyatlara erişmeden çalışır.

Örnek 5: Çalışan Performans Değerlendirme Süreci

Senaryo: Bir İK danışmanlık firması, performans değerlendirme sürecini optimize etmeye yardım ediyor ve süreç verilerine erişmesi gerekiyor ancak gerçek çalışan isimlerini, kimliklerini veya maaş bilgilerini görmemeli.

Ayarlar:

  • Öznitelik Adları: (Tüm metin özniteliklerini otomatik anonimleştirmek için boş bırakın)

Çıktı: Tüm metin öznitelikleri otomatik anonimleştirilir:

  • Employee_Name: "Jennifer Brown" → "Employee_Name 0001"
  • Manager_Name: "David Lee" → "Manager_Name 0001"
  • Department: "Sales West" → "Department 0001"
  • Job_Title: "Senior Account Manager" → "Job_Title 0001"
  • Review_Comments: "Exceeds expectations" → "Review_Comments 0001"
  • Employee_ID: "EMP-45678" → "Employee_ID 0001"

İnceleme_Skoru ve Hizmet_Yılları gibi sayısal öznitelikler analiz için değişmeden kalır.

İçgörüler: Danışmanlık firması, değerlendirme döngüsü sürelerini analiz edebilir, süreç zayıflıklarını belirleyip iyileştirmeler önerebilir; tam çalışan gizliliği ve mahremiyeti sağlanır.

Çıktı

Anonimleştir zenginleştirmesi, hassas içeriği anonim tanımlayıcılarla değiştirerek mevcut metin öznitelik değerlerini yerinde değiştirir; öznitelik yapısını ve veri tiplerini korur. Anonimleştirme, süreç madenciliği analizinde temel olan veri ilişkilerini sürdürürken tutarlı bir desen izler.

Anonimleştirme Formatı: Her öznitelikteki benzersiz değer, "[AttributeName] [4-basamaklı-sayı]" kalıbı ile değiştirilir; sayı 0001’den başlayarak sıra ile atanır. Örneğin "Customer_Name" özniteliğindeki ilk benzersiz değer "Customer_Name 0001", ikinci değer "Customer_Name 0002" olur.

Tutarlılık Garantisi: Zenginleştirme, aynı orijinal değerin tüm vaka ve olaylardaki örneklerine aynı anonim tanımlayıcıyı verir. Bu tutarlılık veri ilişkilerini korur ve anlamlı süreç analizini mümkün kılar. Örneğin "John Smith" 100 farklı vakada geçiyorsa, tüm 100 örnek aynı "Customer_Name 0001" etiketiyle değiştirilir.

Anonimleştirme Kapsamı: Belirli öznitelik seçilmemişse, zenginleştirme şu istisnalarla hem vaka tablosundaki hem de olay tablosundaki tüm metin (string) özniteliklerini otomatik anonimleştirir:

  • Case ID öznitelikleri vaka kimliği için korunur
  • Aktivite isimleri süreç akışı görünürlüğü için korunur
  • Hesaplanmış öznitelikler atlanır, çünkü kaynak hassas veri içermez
  • Gizli öznitelikler atlanır
  • Metin olmayan öznitelikler (sayısal, tarih, boolean) değiştirilmez

Geri Döndürülemezlik: Anonimleştirme işlemi mindzieStudio içinde geri alınamaz. Uygulandıktan sonra orijinal değerlere anonim veri setinden erişilemez. Orijinal değerleri başka amaçlar için saklamak istiyorsanız, uygulamadan önce verilerinizi mutlaka yedekleyin.

Performans Düşünceleri: Zenginleştirme her öznitelik için tüm benzersiz değerleri gruplandırarak anonimleştirme uygular; bu büyük veri kümelerinde bile verimli işlem sağlar. Sıralı numaralandırma, okunabilir ve tahmin edilebilir bir format sunarken benzersizliği garanti eder.

Diğer Özelliklerle Entegrasyon: Anonimleştirilmiş öznitelikler orijinal veri tipini korur ve mindzieStudio’daki filtreler, süreç haritaları ve diğer zenginleştirmeler dahil tüm özelliklerde kullanılabilir. Anonim tanımlayıcılar, orijinal değerler gibi grup işlemleri, uyumluluk kontrolü ve performans analizinde kullanılabilir. Tutarlı değişim, anonimleştirme sonrası süreç desenlerinin, frekanslarının ve ilişkilerinin analiz edilebilir kalmasını sağlar.

Ayrıca Bakınız

  • Özniteliği Gizle - Verileri değiştirmeden hassas öznitelikleri tamamen gizle
  • Boş Öznitelikleri Gizle - Değer içermeyen öznitelikleri veri setinden kaldır
  • Öznitelik Değerlerini Grupla - Benzer öznitelik değerlerini kategorilere dönüştür
  • Öznitelik Değerlerini Kategorize Et - Öznitelik aralıklarından anlamlı kategoriler oluştur
  • Metni Kırp - Metin özniteliklerinden baştaki/sondaki boşlukları kaldırarak temizle
  • Metnin Başlangıcını Al - Metin özniteliklerinin başlangıç kısmını çıkar
  • Metnin Sonunu Al - Metin özniteliklerinin son kısmını çıkar

Bu dokümantasyon mindzie Studio süreç madenciliği platformunun bir parçasıdır.