Techniken der Datenanonymisierung mit Beispielen erklärt

Die wichtigsten Techniken der Datenanonymisierung sind Maskieren, Generalisieren, Aggregieren, Rauschen, Vertauschen, Tokenisierung, Pseudonymisierung und Hashing, dazu zwei Arten, das Ergebnis zu messen: k-Anonymität und Differential Privacy. Keine davon genügt allein. Europäische Aufsichtsbehörden sagen, dass jede Technik ein gewisses Risiko der Re-Identifizierung lässt, und das Ergebnis gilt nur dann als anonym, wenn niemand vernünftigerweise herausfinden kann, wen ein Datensatz betrifft.

Vier kleine Stapel Karteikarten in einer Reihe auf einem cremefarbenen Schreibtisch: einer mit dunkelblauen Streifen über den Zeilen, einer mit zu grauen Balken verwischten Zeilen, einer mit abgeschnittenen Ecken, einer leer, daneben ein dunkelblauer Bleistift, eine Pflanze und eine Tasse.

Der Maßstab für jede Technik

Nach der DSGVO und der UK GDPR fallen anonyme Informationen nicht unter das Datenschutzrecht, personenbezogene Daten schon. Erwägungsgrund 26 zieht die Grenze: Zu berücksichtigen sind alle Mittel, die „nach allgemeinem Ermessen wahrscheinlich genutzt werden“, wie etwa das Aussondern, um jemanden direkt oder indirekt zu identifizieren. Derselbe Erwägungsgrund sagt, dass pseudonymisierte Daten, die sich mit zusätzlichen Informationen einer Person zuordnen lassen, weiterhin Informationen über eine identifizierbare Person sind.

Die damaligen EU-Datenschutzbehörden, die Artikel-29-Datenschutzgruppe, machten daraus in ihrer Opinion 05/2014 on Anonymisation Techniques (WP216) drei Fragen. Kann man eine Person noch aussondern? Zwei Datensätze über dieselbe Person verknüpfen? Etwas über eine Person ableiten? Die Stellungnahme kommt zu dem Schluss, dass jede untersuchte Technik in manchen Situationen an mindestens einer dieser Fragen scheitert, und deshalb kombiniert man Techniken. Die Leitlinien zu Anonymisierung und Pseudonymisierung der britischen Aufsichtsbehörde ICO, veröffentlicht am 28. März 2025, folgen demselben risikobasierten Ansatz.

Wenn Sie zuerst den Unterschied zwischen Anonymisierung, Pseudonymisierung und Schwärzung brauchen, beginnen Sie mit welches Verfahren Sie für KI brauchen. Dieser Beitrag behandelt die einzelnen Techniken.

Der Beispieldatensatz

Alle Beispiele unten gehen vom selben erfundenen Datensatz aus einer Personalakte aus:

Anna Kowalski, geb. 12.03.1989 (37), 14 Elm Street, Leeds,
anna.kowalski@example.com, Pflegefachkraft, 12 Krankheitstage

Techniken, die Werte entfernen oder unscharf machen

Maskieren und Unterdrücken

Maskieren verbirgt einen Teil eines Werts; Unterdrücken löscht den Wert, die Spalte oder den ganzen Datensatz.

A***** K*******, geb. **.**.1989, [Adresse entfernt], Pflegefachkraft

Es schützt vor direkter Identifizierung. Es macht alles kaputt, was den entfernten Wert braucht, und ist aus dem Ergebnis nicht umkehrbar. Was bleibt, kann trotzdem auf Anna verweisen: Eine Pflegefachkraft mit Jahrgang 1989 ist auf einer kleinen Station nicht schwer zu finden. Maskieren allein macht Daten selten anonym.

Generalisieren

Generalisieren ersetzt einen genauen Wert durch einen allgemeineren.

Alter 37 → 30-39; 14 Elm Street, Leeds → Leeds; Pflegefachkraft → Gesundheitsberuf

Es schützt vor dem Aussondern, indem viele Menschen gleich aussehen. Es kostet Genauigkeit: Sie können nicht mehr sagen, wer älter ist. Es ist nicht umkehrbar. Ob das Ergebnis anonym ist, hängt davon ab, wie viele Menschen jede Kombination teilen, und genau das misst k-Anonymität (siehe unten).

Aggregieren

Aggregieren veröffentlicht Summen oder Durchschnitte statt einzelner Zeilen.

Station 4, 2025: 23 Pflegekräfte, durchschnittlich 9,4 Krankheitstage

Es schützt Einzelne, solange jede Gruppe groß ist. Jede Frage zu einer einzelnen Person wird unmöglich. Bei einer Gruppe von einer oder zwei Personen verrät der Durchschnitt den Einzelwert, deshalb werden kleine Zellen meist unterdrückt.

Rauschen (Perturbation)

Rauschen verändert Werte zufällig ein wenig.

Alter 37 → 39; 12 Krankheitstage → 10 Krankheitstage

Es hält Statistiken ungefähr richtig und macht jeden Einzelwert unzuverlässig. Genaue Zahlen gehen verloren. WP216 warnt, dass Rauschen keine eigenständige Anonymisierungsmethode ist, sofern es die Information nicht überwiegt: Ein Ausreißer, etwa die einzige Person mit 90 Krankheitstagen, bleibt erkennbar.

Vertauschen (Permutation)

Vertauschen tauscht Werte zwischen Datensätzen, sodass jede Spalte ihre Summen behält, die Zeilen aber nicht mehr zu einer Person gehören.

Annas 12 Krankheitstage ↔ 3 Tage einer anderen Pflegekraft

Es schützt davor, einen Wert einer Person zuzuordnen. Es zerstört die Beziehungen zwischen Spalten, und WP216 zeigt, dass es scheitert, wenn die vertauschten Werte an andere Spalten gebunden sind: Das Gehalt einer Führungskraft bei einer Einstiegsposition fällt auf.

Techniken, die Identifikatoren ersetzen

Tokenisierung

Tokenisierung ersetzt einen Identifikator durch ein zufälliges Token und hält die Verknüpfung in einer separaten, geschützten Tabelle fest.

anna.kowalski@example.com → TKN-8F3K2Q

Die ICO weist darauf hin, dass ein zufälliges Token in keiner mathematischen Beziehung zum Original steht, das Token allein also nichts verrät. Wer die Tabelle hat, kann es umkehren, und deshalb bleibt das Ergebnis für diese Stelle personenbezogen.

Pseudonymisierung mit einheitlichen Platzhaltern

Jede Person, Firma oder Adresse erhält einen lesbaren Platzhalter, und derselbe Wert erhält immer denselben.

Person_1, geb. [Date_1], [Address_1], Pflegefachkraft.
Person_1 bat Person_2, den Urlaub zu genehmigen.

Sie verbirgt direkte Identifikatoren und lässt erkennbar, wer was getan hat, was bei Texten zählt. Die Logik des Dokuments bleibt erhalten. Mit der Zuordnung ist sie umkehrbar, und nach Erwägungsgrund 26 bleiben die Daten personenbezogen. Die Frage, wer den Schlüssel hält, behandelt ausführlich unser Beitrag dazu, ob pseudonymisierte Daten weiterhin personenbezogen sind.

Hashing

Hashing schickt einen Wert durch eine Einwegfunktion und behält das Ergebnis.

anna.kowalski@example.com → 3f9a…c71e (SHA-256)

Es wirkt unumkehrbar, ist es bei Namen und E-Mail-Adressen aber oft nicht. Wer eine Liste wahrscheinlicher Werte hat, kann jeden hashen und vergleichen: Es gibt nur begrenzt viele Mitarbeiternamen oder Firmenadressen. WP216 macht diesen Punkt zu bekannten Wertebereichen, und die ICO rät ab von Hashing ohne Salt, Pepper oder Schlüssel und von veralteten Algorithmen wie MD5 und SHA-1, weil sie für Brute-Force-Angriffe anfällig sind. Ein Hash mit Schlüssel ist Pseudonymisierung; ein einfacher Hash einer E-Mail-Adresse kaum.

k-Anonymität und Differential Privacy

Das sind keine Methoden, einen Wert zu verändern. Es sind Methoden, zu prüfen oder zu garantieren, wie gut ein ganzer Datenbestand geschützt ist.

k-Anonymität bedeutet, dass jede Kombination identifizierender Merkmale (Altersgruppe, Stadt, Beruf) von mindestens k Datensätzen geteilt wird. Mit k = 5 verbirgt sich Anna unter mindestens fünf Personen, die gleich aussehen. Ableitungen verhindert das nicht: Hatten alle fünf Beschäftigten im Gesundheitswesen zwischen 30 und 39 in Leeds mehr als zehn Krankheitstage, erfahren Sie das auch über Anna. l-Diversität ergänzt die Regel, dass jede Gruppe mindestens l verschiedene Werte des sensiblen Merkmals enthalten muss.

Differential Privacy setzt bei Antworten an statt bei Zeilen. Jeder veröffentlichten Statistik wird Rauschen hinzugefügt, so bemessen, dass sich die Antwort kaum ändert, ob eine bestimmte Person in den Daten ist oder nicht. Der Schutz wird über einen Parameter eingestellt, und stärkerer Schutz bedeutet ungenauere Zahlen. Das US Census Bureau nutzte das Verfahren für die Datenprodukte der Volkszählung 2020, mit Ausnahme der Bundesstaatssummen für die Sitzverteilung. Es eignet sich für Statistiken; für ein Dokument, das jemand lesen muss, bringt es nichts.

Bei Tabellen übernehmen Tools dieses Messen. ARX, ein kostenloses Open-Source-Desktop-Tool und eine Java-Bibliothek (Apache-2.0-Lizenz, Version 3.9.2, Stand Oktober 2026), wendet Generalisierung, Unterdrückung und Mikroaggregation auf strukturierte Daten an und prüft das Ergebnis auf k-Anonymität, l-Diversität, t-Closeness und Differential Privacy. Es schätzt auch das verbleibende Re-Identifizierungsrisiko. Es ist für Datenbestände wie CSV-Dateien, Excel-Tabellen und Datenbanktabellen gemacht, nicht für Verträge oder Briefe.

Alle Techniken im Vergleich

Technik	Schützt vor	Macht kaputt	Umkehrbar	Nach DSGVO weiter personenbezogen
Maskieren, Unterdrücken	Direkter Identifizierung	Alles, was den Wert brauchte	Nein	Meist, wenn andere Details bleiben
Generalisieren	Aussondern	Genauigkeit	Nein	Hängt von den Gruppengrößen ab
Aggregieren	Aussondern, Verknüpfen	Alle Fragen zu Einzelpersonen	Nein	Oft nicht, wenn die Gruppen groß sind
Rauschen	Genauen Werten	Genaue Zahlen	Nein	Meist, für sich allein
Vertauschen	Zuordnung eines Werts zu einer Person	Beziehungen zwischen Spalten	Nein	Meist, für sich allein
Tokenisierung	Direkter Identifizierung	Wenig	Ja, mit der Tabelle	Ja
Pseudonymisierung (Platzhalter)	Direkter Identifizierung	Wenig; Text bleibt lesbar	Ja, mit der Zuordnung	Ja
Hashing	Flüchtigem Lesen	Wenig	Ohne Schlüssel oft durch Raten	Ja
k-Anonymität, l-Diversität	Aussondern; Ableitung (l)	Genauigkeit, einige Datensätze	Nein	Hängt von k, l und Kontext ab
Differential Privacy	Rückschlüssen auf eine Person aus Statistiken	Genaue Zahlen, jede Nutzung pro Person	Nein	Hängt von den Parametern ab

Die meisten Zeilen sagen „hängt ab“, weil über die Anonymität für den ganzen Datenbestand in seinem Kontext entschieden wird, nicht pro Technik. Bei allem, was Sie als anonym veröffentlichen oder weitergeben wollen, fragen Sie Ihren Datenschutzbeauftragten oder einen Anwalt für Datenschutzrecht.

Welche Techniken zu Dokumenten für die KI passen

Ein Datenbestand für Statistiken und ein Dokument für einen KI-Chatbot brauchen Gegensätzliches. Statistiken brauchen viele Zeilen und keine Einzelpersonen; Aggregieren, Generalisieren, k-Anonymität und Differential Privacy sind dafür gemacht. Ein Vertrag, ein E-Mail-Verlauf oder eine Beschwerde handelt von bestimmten Personen, und die KI muss ihnen folgen.

Bei Dokumenten erledigen drei Techniken den Großteil:

Pseudonymisierung mit einheitlichen Platzhaltern für Namen, Firmen, Adressen, E-Mail-Adressen und Ausweisnummern. Person_1 bleibt im ganzen Text Person_1, sodass die KI erkennt, wer was geschrieben hat und wer wem etwas schuldet. Schwarze Balken oder ein einzelnes „[GESCHWÄRZT]“ löschen das aus; siehe warum Platzhalter besser funktionieren.
Generalisieren für Daten und Orte, die die Frage nicht genau braucht: „März 2025“ statt eines Tages, „eine Stadt im Norden Englands“ statt einer Straße.
Unterdrücken für alles, was die Frage gar nicht braucht, etwa eine Gesundheitsangabe in einem Dokument, zu dem Sie nur nach Kündigungsfristen fragen.

Rauschen, Vertauschen und Differential Privacy haben hier nichts zu suchen: Wer Fakten in einem Dokument verändert, macht die Antwort der KI falsch. Hashing verwandelt Namen in Zeichenketten, die niemand, auch nicht die KI, im Zusammenhang lesen kann.

Das Ergebnis ist pseudonymisiert, die Datenschutzregeln gelten für Sie also weiter. Was sich ändert, ist, was Ihren PC verlässt. Wenn Sie dafür Software auswählen, behandelt unsere Checkliste Pseudonymisierungstools: worauf Sie achten sollten, wohin die Daten gehen und wie die Namen zurückkommen.

Häufige Fragen

Welche Anonymisierungstechnik ist am wirksamsten?

Es gibt nicht die eine. WP216 stellte fest, dass jede untersuchte Technik in manchen Situationen mindestens einen der drei Tests nicht besteht. Bei statistischen Datenbeständen liefern Generalisieren und Unterdrücken, gemessen mit k-Anonymität, oder Differential Privacy die stärksten Ergebnisse. Bei Dokumenten, die eine KI lesen muss, ist Pseudonymisierung mit Generalisierung von Daten und Orten die praktische Wahl, und das ist keine Anonymisierung.

Genügt es, eine E-Mail-Adresse zu hashen, um sie zu anonymisieren?

Nein. E-Mail-Adressen folgen vorhersehbaren Mustern, ein Angreifer kann also eine Liste wahrscheinlicher Adressen hashen und die Ergebnisse abgleichen. Ein Hash mit Schlüssel oder ein zufälliges Token ist sicherer, und beides bleibt Pseudonymisierung, keine Anonymisierung.

Welche Anonymisierungstools gibt es für Tabellen?

ARX ist ein kostenloses Open-Source-Beispiel: Sie laden eine CSV-, Excel- oder Datenbanktabelle, legen Regeln für Generalisieren und Unterdrücken fest, wählen ein Datenschutzmodell wie k-Anonymität, und es zeigt das verbleibende Risiko an. Solche Tools arbeiten mit Spalten und Zeilen, nicht mit Fließtext.

Fallen anonymisierte Daten unter die DSGVO?

Wirklich anonyme Daten nicht, so Erwägungsgrund 26. Pseudonymisierte Daten schon. Schwierig ist der Nachweis, dass niemand die Daten vernünftigerweise re-identifizieren kann, und deshalb behandeln Aufsichtsbehörden Anonymisierung als Risikobewertung statt als einzelnen Schritt.

ClientSafe pseudonymisiert Dokumente auf Ihrem PC: Es ersetzt Namen, Firmen, Adressen, Telefonnummern, E-Mail-Adressen, Konto- und Ausweisnummern sowie Geburtsdaten durch Platzhalter wie Person_1 und behält für denselben Namen in jedem Dokument eines Falls denselben Platzhalter bei. Die Erkennung ist nicht perfekt, prüfen Sie die Liste also, bevor Sie kopieren.