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.
| Inställning | Värde | Varför |
|---|---|---|
| Förinställning | Standard (SSN, kreditkort, e-post, US-telefon) | Täcker de fyra vanligaste PII-typerna utan brus från mönster med hög felpositivt-grad |
| Analysläge | PII-identifieringsanalys | Du behöver både Poster med PII (antal) och PII-exponeringsgrad (procent) för efterlevnadsrapporten |
| Fält | Description (LongTextArea), Internal_Comments__c (LongTextArea) | Fritextfält där handläggare klistrar in kundkommunikation |
Exempelresultat (för fältet Description)
| Mätvärde | Värde |
|---|---|
| Poster med PII | 1 247 |
| PII-exponeringsgrad | 15,6 % |
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.
| Inställning | Värde | Varför |
|---|---|---|
| Förinställning | Kritisk (SSN, kreditkort) | Bara två mönster. Minimal genomsökning för finansiell PII. Nästan noll felpositivt-grad. |
| Analysläge | PII-genomsökning | Du behöver ett antal, inte en procentsats. Snabb genomsökning för ett gå/inte-gå-beslut. |
| Fält | Description (LongTextArea), Notes__c (TextArea), Company (String) | Fritextfält där finansiell PII kan förekomma |
Exempelresultat (för fältet Description)
| Mätvärde | Värde |
|---|---|
| Poster med PII | 23 |
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:
| Inställning | Värde | Varför |
|---|---|---|
| Förinställning | Standard (SSN, kreditkort, e-post, US-telefon) | Rimlig standard för de flesta fält |
| Analysläge | PII-identifieringsanalys | Exponeringsgrader behövs för den kvartalsvisa styrningsrapporten |
Fältspecifika åsidosättningar:
| Fält | Objekt | Typ | Åsidosättningsmönster | Motiv |
|---|---|---|---|---|
| Contact | E-post | SSN, kreditkort | E-postfältet innehåller e-postadresser av design. Att genomsöka e-postmönstret ger 100 % träffar. Genomsök bara efter finansiell PII som inte hör hemma i det här fältet. | |
| Description | Case | LongTextArea | Utökad (alla 8) | Fritext där vad som helst kan förekomma. Handläggare klistrar in fullständig kundkommunikation. Använd det bredaste nätet. |
| Subject | Case | String | Kritisk (SSN, kreditkort) | Kort textfält. Hög risk för falska positiva för mönster som DOB. Genomsök bara för de två högalvarlighetstyperna. |
| Internal_Comments__c | Case | LongTextArea | Standard (4 mönster) | Behåll den globala standarden. Interna kommentarer har måttlig PII-risk. |
| Phone | Contact | Telefon | SSN, kreditkort | Telefonfältet innehåller telefonnummer av design. Samma logik som e-post: genomsök bara efter PII-typer som inte hör hemma. |
| Notes__c | Contact | TextArea | Standard + IP-adress | Anteckningsfältet får standarden plus IP-adress. Supportcontacts inkluderar ibland server-/nätverksinformation i anteckningar. |
Exempelresultat
| Fält | Poster med PII | PII-exponeringsgrad |
|---|---|---|
| Email (Contact) | 3 | 0,04 % |
| Description (Case) | 1 847 | 23,1 % |
| Subject (Case) | 0 | ej tillämpligt |
| Internal_Comments__c (Case) | 412 | 5,2 % |
| Phone (Contact) | 0 | ej tillämpligt |
| Notes__c (Contact) | 89 | 2,8 % |
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
| Om du behöver… | Börja med | Nyckelinställningar |
|---|---|---|
| Köra en PII-revision inför ett AI-projekt | Standardförinställning, PII-identifieringsanalys | Båda mätvärdena ger antal + exponeringsgrad för efterlevnadsrapporter |
| Kontrollera för finansiell PII inför en datamigrering | Kritisk förinställning, PII-genomsökning | Två mönster, snabb genomsökning, nästan noll falska positiva |
| Maximera identifieringstäckning för en förstagångsrevision | Utökad förinställning, PII-identifieringsanalys | Alla 8 mönster. Högre falsk positiv-grad men inget missas. |
| Finjustera identifiering per fält för att minska falska positiva | Standard globalt + fältspecifika åsidosättningar | Ta bort mönster för förväntat innehåll (e-post på e-postfält, telefon på telefonfält) |
| Köra en riktad efterlevnadskontroll för specifika PII-typer | Anpassad mönsteruppsättning, PII-genomsökning | Aktivera bara de specifika mönster som är relevanta för ditt efterlevnadsramverk |
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.