حفاظت از دادهٔ شخصی مشتری؛ اصول حریم خصوصی در سامانه‌های مالی

بانکداری بازنویسنده: پارسا آقابراری۲ دقیقه مطالعهمنبع: Civilica
حفاظت از دادهٔ شخصی مشتری؛ اصول حریم خصوصی در سامانه‌های مالی

۱مقدمه

سامانه‌های مالی حجم زیادی از داده‌های شخصی، از هویت و نشانی تا الگوی خرج‌کرد و درآمد را نگهداری می‌کنند. نشت این داده‌ها علاوه بر آسیب به مشتری، اعتبار سازمان را به‌شدت مخدوش می‌کند.

۲بررسی موضوع

اصول پذیرفته‌شدهٔ حریم خصوصی شامل حداقل‌سازی داده (گردآوری فقط دادهٔ لازم)، محدودیت هدف (استفاده فقط برای هدف اعلام‌شده)، محدودیت زمان نگهداری، شفافیت با مشتری و امنیت داده است.

در عمل، طراحی مبتنی بر حریم خصوصی (Privacy by Design) یعنی رمزنگاری دادهٔ حساس، ناشناس‌سازی یا مستعارسازی داده برای تحلیل و آزمون، کنترل دسترسی بر پایهٔ نیاز شغلی و ثبت همهٔ دسترسی‌ها به داده‌های حساس.

۳جمع‌بندی

مقررات حفاظت از داده در جهان رو به گسترش است و در ایران نیز موضوع حفاظت از دادهٔ شخصی در دست بررسی قانون‌گذار قرار دارد. سازمان‌هایی که از امروز این اصول را رعایت کنند، برای الزامات آینده آماده‌ترند.

اشتراک‌گذاری:تلگرامواتس‌اپلینکدین

منابع

  1. سیویلیکا ↗
  2. پرتال جامع علوم انسانی ↗
همفکران فناوری شریفاین مقاله خلاصه‌ای از منابع رسمی ذکرشده است که تیم همفکران فناوری شریف برای مدیران و تیم‌های مالی تهیه کرده است.
می‌خواهید این راهکارها را در سازمانتان ببینید؟درخواست دموی رایگان

مقالات مرتبط

بانکداری بازپادکست همفکران | گفت‌وگو با سید محسن شاهمرادی دربارهٔ بانکداری باز و آیندهٔ فین‌تک در ایراننخستین قسمت پادکست همفکران فناوری شریف؛ پارسا آقابراری با سید محسن شاهمرادی، معاونت اجرایی و فناوری مالی، دربارهٔ بانکداری باز و آیندهٔ فین‌تک در ایران گفت‌وگو کرده است. نسخهٔ صوتی کامل را همین‌جا بشنوید.بانکداری بازباج‌افزار در صنعت مالی؛ از رمزگذاری داده تا اخاذی دوگانهباج‌افزارها از ابزاری برای قفل کردن فایل‌ها به صنعتی سازمان‌یافته با اخاذی چندمرحله‌ای تبدیل شده‌اند. آمادگی پیش از حمله، تنها راه کاهش خسارت است.بانکداری بازبهینه‌سازی پایگاه داده؛ ایندکس، پرس‌وجو و کارایی سامانهکندی بسیاری از نرم‌افزارها نه از سرور، بلکه از پرس‌وجوهای ناکارآمد پایگاه داده است. چند اصل ساده، سرعت را چند برابر می‌کند.بانکداری بازمهندسی داده و خط لولهٔ ETL؛ ستون فقرات هر سامانهٔ تحلیلیپیش از هر تحلیل و مدل هوشمند، داده باید از منابع پراکنده استخراج، پاک‌سازی و یکپارچه شود. این وظیفهٔ مهندسی داده است.