L'anonimizzazione di un dataset attuariale consente analisi statistiche e modelli di pricing senza esporre dati sanitari o di sinistro identificabili. Il GDPR considerando 26 esclude i dati anonimizzati dall'ambito di applicazione del regolamento. Solvency II (Reg. UE 2009/138) e IVASS Reg. 38/2018 richiedono ORSA e modelli interni robusti. anonym.plus de-identifica ogni record in locale senza trasferire i dati.
Quando si applica
Un dataset di Cattolica Verona contiene 50.000 righe con età, sesso, patologie e importi di sinistro. Prima di condividerlo con il team di pricing, ogni record deve essere de-identificato.
Come lo gestisce anonym.plus
- Carica il dataset (CSV, XLSX o JSON) in anonym.plus.
- Seleziona le colonne identificative: nome, CF, tessera sanitaria.
- Lo strumento applica soppressione, generalizzazione o pseudonimizzazione per colonna.
- Verifica le distribuzioni statistiche prima e dopo per conservare l'utilità analitica.
- Esporta il dataset de-identificato in locale.
- Conserva il log di anonimizzazione per l'audit trail.
Cosa serve fornire
- Il dataset attuariale (CSV, XLSX o JSON).
- La mappatura colonne: quale tipo di PII contiene ogni colonna.
- La soglia di quasi-identificatori per il controllo k-anonimato.
Tipi di entità rilevati nei documenti finanziari
| Categoria | Tipo di entità anonym.plus | Esempio |
|---|---|---|
| Nome | PERSON | Giuseppe Verdi → [ASSICURATO] |
| Codice fiscale | IT_FISCAL_CODE | VRDGPP60D10H501S → [CF] |
| Tessera sanitaria | IT_HEALTH_CARD | RSSMRA80A01H501Z0000 → [TS] |
| Data | DATE_TIME | Data sinistro 22/07/2025 → [DATA] |
| Importo | LOCATION | 500.000,00 € → [IMPORTO] |
| Organizzazione | ORGANIZATION | Cattolica Verona → [COMPAGNIA] |
Conformità raggiunta
- L
- '
- a
- n
- o
- n
- i
- m
- i
- z
- z
- a
- z
- i
- o
- n
- e
- c
- o
- n
- f
- o
- r
- m
- e
- a
- l
- <
- s
- t
- r
- o
- n
- g
- >
- G
- D
- P
- R
- c
- o
- n
- s
- i
- d
- e
- r
- a
- n
- d
- o
- 2
- 6
- <
- /
- s
- t
- r
- o
- n
- g
- >
- e
- s
- c
- l
- u
- d
- e
- i
- l
- d
- a
- t
- a
- s
- e
- t
- d
- a
- l
- l
- '
- a
- m
- b
- i
- t
- o
- d
- e
- l
- r
- e
- g
- o
- l
- a
- m
- e
- n
- t
- o
- .
- S
- u
- p
- p
- o
- r
- t
- a
- m
- o
- d
- e
- l
- l
- i
- O
- R
- S
- A
- e
- d
- i
- p
- r
- i
- c
- i
- n
- g
- r
- i
- c
- h
- i
- e
- s
- t
- i
- d
- a
- <
- s
- t
- r
- o
- n
- g
- >
- S
- o
- l
- v
- e
- n
- c
- y
- I
- I
- <
- /
- s
- t
- r
- o
- n
- g
- >
- e
- <
- s
- t
- r
- o
- n
- g
- >
- I
- V
- A
- S
- S
- R
- e
- g
- .
- 3
- 8
- /
- 2
- 0
- 1
- 8
- <
- /
- s
- t
- r
- o
- n
- g
- >
- .
- E
- l
- a
- b
- o
- r
- a
- z
- i
- o
- n
- e
- 1
- 0
- 0
- %
- l
- o
- c
- a
- l
- e
- :
- i
- m
- i
- c
- r
- o
- -
- d
- a
- t
- i
- n
- o
- n
- l
- a
- s
- c
- i
- a
- n
- o
- i
- l
- p
- e
- r
- i
- m
- e
- t
- r
- o
- a
- z
- i
- e
- n
- d
- a
- l
- e
- .
Anonimizza Dataset attuariali offline — vedi piani & inizia gratis →
Limiti & avvertenze
L'anonimizzazione statistica richiede la verifica del rischio di re-identificazione (k-anonimato, l-diversity). anonym.plus de-identifica i campi ma non sostituisce una valutazione attuariale del rischio residuo.
Domande frequenti
Posso usare i dati anonimizzati per addestrare modelli di machine learning?
Sì. Se il dataset soddisfa il GDPR considerando 26, non è più dato personale e può essere usato liberamente per l'addestramento di modelli attuariali.
Lo strumento verifica il k-anonimato?
anonym.plus de-identifica i campi selezionati. La verifica formale del k-anonimato richiede un'analisi statistica separata eseguita dal team attuariale.
I dati vengono inviati a un server?
No. L'elaborazione avviene interamente in locale; il dataset non lascia mai il dispositivo.