PII-identifiering: Konfigurationsscenarier

Vad dessa scenarier täcker

Den här sidan går igenom tre verkliga konfigurationer av DQS PII-identifiering. Varje scenario täcker ett specifikt genomsökningsbehov, visar exakta inställningar att använda och förklarar hur man läser resultaten.

Dessa genomgångar bygger på koncepten från den huvudsakliga artikeln PII-identifiering. Läs den först om du är ny för PII-identifieringsmönster, förinställningar eller det diagnostiska flödet.

Scenario 1: Pre-AI-revision på ärendekommentarer

Affärskontexten

Ditt företag lanserar Agentforce på Service Cloud. Innan Case-data kopplas till AI kräver efterlevnadsteamet en PII-exponeringsrapport. Du behöver genomsöka Case-fritexter­fält (Description, Internal Comments) för att veta om PII finns och hur utbredd den är.

Konfiguration

Använd standardförinställningen med PII-identifieringsanalysläget. Det ger dig båda mätvärdena: antalet och exponeringsgraden.

Exempelresultat (för fältet Description)

Totalt antal Case-poster genomsökta: 8 000.

Läsa resultaten

Börja med PII-exponeringsgraden: 15,6 %. Ungefär 1 av 6 ärendebeskrivningar innehåller PII. Det här överstiger varje rimlig tröskel för AI-bearbetning.

Poster med PII ger rensningsomfattningen: 1 247 ärenden behöver granskning. Det här talet berättar för efterlevnadsteamet hur stort saneringsprojektet är.

Standardförinställningen söker efter SSN, kreditkort, e-post och US-telefon. Höga träffar på ett Description-fält kommer troligen från e-postadresser (handläggare klistrar in kundmejl) och telefonnummer (återuppringnings­detaljer). SSN- och kreditkortsträffar är de efterlevnadskritiska fynden.

För att bryta ner exponeringen per PII-typ, kör separata genomsökningar med individuella mönster aktiverade. Genomsök först med bara SSN + kreditkort (förinställningen Kritisk) för att isolera högseveritets­fynden. Jämför sedan mot den fullständiga standardgenomsökningen för att se hur mycket av exponeringen som är kontaktinformation kontra finansiell PII.

Nästa åtgärd

Presentera efterlevnadsteamet med två tal: 1 247 påverkade poster, 15,6 % exponeringsgrad. Om SSN/kreditkortsundermängden är noll, behöver dessa poster saneras innan AI-driftsättning. E-post- och telefon­träffarna behöver ett policysbeslut: är dessa PII-typer acceptabla i AI-kontexten, eller behöver de också maskeras?

Scenario 2: Snabb finansiell efterlevnadskontroll på Leads

Affärskontexten

Ditt datateam migrerar 50 000 Lead-poster till en ny plattform för marknadsförings­automation. Leverantörens DPA (databehandlingsavtal) förbjuder överföring av personnummer eller kreditkortsnummer. Du behöver ett snabbt ja/nej-svar: innehåller Lead-datan finansiell PII?

Konfiguration

Använd förinställningen Kritisk med PII-genomsöknings­läget. Två mönster, snabb genomsökning, enbart antal som utdata.

Exempelresultat (för fältet Description)

Totalt antal Lead-poster genomsökta: 50 000.

Läsa resultaten

23 poster av 50 000. SSN-mönstret (NNN-NN-NNNN) och kreditkorts­mönstret (13-16-siffriga sekvenser) hittade träffar i 23 Lead-beskrivningar.

Det här är ett litet antal, men för en migrering som regleras av ett DPA spelar även en post roll. Dessa 23 poster behöver manuell granskning innan export.

Vissa träffar är troligen falska positiva, särskilt från kreditkorts­mönstret. Långa numeriska sekvenser i Lead-beskrivningar (spårnings­nummer, faktura-ID) kan utlösa 13-16-siffrig regex. Granska de 23 posterna för att skilja bekräftad PII från falska träffar.

Om fälten Notes__c och Company också visar träffar, lägg till dem i granskningslistan. Fältet Company (String-typ) är kort text, så falska positiva från kreditkorts­mönstret är mindre troliga men fortfarande möjliga.

Nästa åtgärd

Plocka ut de 23 posterna för manuell granskning. Bekräfta vilka som är faktiska personnummer eller kreditkortsnummer kontra falska positiva. Sanera bekräftad PII: ta bort, maskera eller exkludera från export. Kör genomsökningen igen efter sanering för att verifiera noll träffar. Dokumentera det rena genomsökningsresultatet för leverantörens DPA-efterlevnadsfil.

Scenario 3: Fält-för-fält-åsidosättningsstrategi för en supportorg

Affärskontexten

Din supportorg har 6 textfält över Case- och Contact-objekt. Varje fält har olika PII-riskegenskaper. En enda global mönsteruppsättning producerar för många falska positiva på vissa fält och missar risker på andra. Du behöver fält­specifika mönsterkonfigurationer.

Konfiguration

Börja med en global baslinje och åsidosätt sedan per fält.

Global konfiguration:

Fält­specifika åsidosättningar:

Exempelresultat

Läsa resultaten

E-postfält: 3 poster, 0,04 %. Tre Contact-e-postfält innehåller något som matchar SSN- eller kreditkorts­mönstret. Det här är oväntat och värt att undersöka. Troligen ett datainmatningsfel där någon lade ett personnummer i e-postfältet.

Description-fält: 1 847 poster, 23,1 %. Nästan en fjärdedel av ärendebeskrivningarna innehåller PII. Den utökade förinställningen fångar allt. Det höga antalet är förväntat på ett fritext­fält där handläggare klistrar in kundkommunikation. Det här fältet är ditt prioriterade mål för sanering.

Subject-fält: 0 poster. Rent. Den kritiska förinställningen på ett kort textfält ger noll brus.

Interna kommentarer: 412 poster, 5,2 %. Måttlig exponering. Standardförinställningen fångar de vanliga mönstren utan bruset från falska positiva för DOB. 412 poster är en hanterbar granskningsomfattning.

Telefonfält: 0 poster. Rent. Inga personnummer eller kreditkort i telefonfältet.

Anteckningsfält: 89 poster, 2,8 %. Låg exponering. IP-adresstillägget fångade vissa träffar i anteckningarna. Granska om dessa är faktiska IP-adresser från serverkonfigurationer klistrade in av supportpersonal.

Nästa åtgärd

Fokusera saneringen på Description-fältet först (högst exponering). Använd fält­specifika resultat för att prioritera: Description (23,1 %) > Internal Comments (5,2 %) > Notes (2,8 %) > Email (0,04 %). Subject- och Phone-fälten är rena.

Kör den här genomsökningen kvartalsvis. De fält­specifika åsidosättningarna finns kvar, så varje efterföljande genomsökning använder samma riktade konfiguration.

Välja din konfiguration

För en fullständig referens av alla 8 identifieringsmönster, tre förinställningar och hur det diagnostiska flödet fungerar, återvänd till den huvudsakliga artikeln PII-identifiering.

För att se hur PII-identifiering passar in i den bredare AI-beredskapsbilden, ta AI-beredskapsbedömningen.