SlideShare uma empresa Scribd logo
1 de 25
Lucie Balýová, Michal Nulíček, Petr Hájek, Ondřej Zýka, Jan Ulrych 1. února 2017
Data Governance
a datová kvalita v roce 2017:
Příprava na GDPR
2
Agenda
08:30 - 09:00 Registrace, coffee & networking
09:00 - 09:05 Přivítání, úvodní slovo
09:05 - 09:35 Práva subjektů a povinnosti správců podle GDPR
09:35 - 10:05 Přístup Profinitu v oblasti Data Governance
10:05 - 10:20 Přestávka
10:20 - 11:00 Časově i finančně reálné scénáře řešení na
pokrytí požadavků GDPR
11:00 - 11:30 Diskuse u kávy
PROFINIT
1
VÝVOJ
SOFTWARE
NA ZAKÁZKU
APPLICATION
MANAGEMENT
OUTSOURCING
BIG DATA
& ANALYTICS
ENTERPRISE
INTEGRACE
BI
& DWH
19 let
na trhu od
roku 1998
449 mil
obrat za
rok 2016
50+
významných
zákazníků
v 6 zemích
350
zkušených
profesionálů
#2
V (CAD) v ČR
(Studie IDC
2016)
ROWAN LEGAL
2
ROWAN LEGAL
26 let na českém trhu
4 lokality: Praha, Brno, Bratislava, Riga
Téměř 50 právníků
7x Právnická firma roku – Právo informačních technologií
Mgr. Michal Nulíček, LL.M., Mgr. Lucie Balýová: GDPR snídaně Profinit, Praha, 1. 2. 2017
Práva subjektů a povinnosti
správců podle GDPR
3
Obecné nařízení o ochraně
osobních údajů (GDPR)
Nahrazuje zastaralou směrnici
Reflektuje vývoj technologií i práva
– automatizace procesů, masovost dat, důraz na zabezpečení
Odstraněny šedé zóny, reflektuje teorii
a case law
Jednotná aplikace v celé EU
Jednotná pravidla dozoru v EU,
spolupráce
Mgr. Michal Nulíček, LL.M., Mgr. Lucie Balýová: GDPR snídaně Profinit, Praha, 1. 2. 2017
Obecné nařízení o ochraně
osobních údajů (GDPR)
Evoluce, ne revoluce
– základní pojmy a principy se příliš nemění, ale přibývají nové
Nová práva subjektů údajů, compliance
Nepoměrně vyšší sankce
– Doposud max. 10 mil. Kč, nově max. 20 mil. EUR nebo 4% z obratu
Mgr. Michal Nulíček, LL.M., Mgr. Lucie Balýová: GDPR snídaně Profinit, Praha, 1. 2. 2017
Principy zpracování dat
– Zákonnost, korektnost / férovost a transparentnost
– Účelové omezení
– Minimalizace údajů (nezbytný rozsah relevantních údajů)
– Přesnost (přesné údaje, s opravou či výmazem neaktuálních údajů)
– Omezení uložení (doba zpracování nezbytná pro daný účel)
– Integrita a důvěrnost (zajištění bezpečnosti dat, ochrana před
neoprávněným a nezákonným zpracováním)
– Odpovědnost (a povinnost prokazování)
Důležitý výkladový princip
– Proporcionalita (recitál č. 4) – právo na ochranu osobních údajů
není absolutním právem, vždy v rovnováze s dalšími právy
Principy nařízení
Mgr. Michal Nulíček, LL.M., Mgr. Lucie Balýová: GDPR snídaně Profinit, Praha, 1. 2. 2017
Práva subjektů údajů
Obecně
– proces vyřizování žádostí
– lhůty
– forma
Právo
– na přístup
– na výmaz
– vznést námitku
– na omezení zpracování
– na přenositelnost
Mgr. Michal Nulíček, LL.M., Mgr. Lucie Balýová: GDPR snídaně Profinit, Praha, 1. 2. 2017
Přístup Profinitu v oblasti
Data Governance
4
13
Nové a vyšší nároky na každého správce dat
Znát jaká data
spravuji, a kde
všude jsou
Zabezpečit
provoz
správy dat
Být schopen
informovat
subjekty
a regulátory
14
Start programu
Procesní
Vycházíme z business procesů organizace
a ptáme se, kde se v těchto procesech pracuje
s osobními daty.
Aplikační
Vycházíme z informačních systémů a ptáme
se, jaká osobní data se v těchto systémech
procesují.
Datový
Vycházíme ze zásad Data Managementu,
ptáme se jaká data odpovídají business modelu
organizace a kde všude tato data můžeme
nalézt a kdo je za ně zodpovědný.
15
Posouzení připravenosti – checklist příklad
Právo (Ustanovení) # Povinnost
Procesy
Aplikace
Data
Čl. 15 Právo na
přístup k OÚ
1
Na žádost potvrdit, jestli jsou OÚ, které se
SÚ týkají, zpracovávané nebo ne
x x x
2
Pokud jsou OÚ zpracovávané, na žádost
zpřístupnit informace uvedené
v čl. 155/1a) - h)
x x
3
Pokud jsou OÚ předávané do třetích zemí,
informovat o vhodných zárukách podle čl.
46
x
4
Poskytnout SÚ kopii zpracovávaných
údajů. Pokud žádá v el. podobě, poskytnout
v el. formě
x x x
5 Opravit nepřesné OÚ x x x
Povinnostivyplývajícízprávsubjektůúdajů
16
GDPR a Data Management
Schopnost organizace vyhovět požadavkům GDPR je mimo jiné
úměrná vyspělosti v oblasti řízení dat:
› Je používán Logický Referenční Datový Model organizace?
› Jsou k dispozici definice informačních aktiv (IA) a na ně navázaných datových
elementů (DE)?
› Je u definovaných DE k dispozici klasifikace na osobní a citlivé údaje?
› Jsou logické DE mapovány na systémy/aplikace (obecně „physical data
repositories“)?
› Existuje organizační a personální napojení na IA a DE (vlastníci dat,
„stewardi“)?
› Je zavedený Master Data Management pro klíčová IA (zejména pro aktiva
typu Klient nebo obecně Protistrana?)
› Proběhla jednorázová a probíhá rutinní unifikace/deduplikace u těchto
klíčových aktiv?
› Je sestavován fyzický zlatý záznam pro klíčová IA ? Propisují se vyčištěná
data zpět do non-master systémů?
› Probíhá pravidelné řízení a měření datové kvality u IA a jejich DE?
17
Logický referenční datový model – oblast „Party“
Master Data Management and Reference Data
Enterprise Data Model Overview
Agreement
Agreement
Party_Agreement
Case
Case
Case_Event
Programme
Campaign
Campaign Event
Communication
Party_Contact
Party
Party
- Organisation
- Person
Party_Address_Occupancy Geographic_Address
Location
Service Delivery
Party_Activity
Service_Request
Service Catalogue
Service
Finance
Reservation
Party_Reservation
Account
Accounting
Transaction
18
Tři přístupy k řešení
Maximalistický
Realistický
Baseline
Revoluce v IT architektuře
› TOKENIZACE / PSEUDONYMIZACE
Metadatový registr + Integrace
› viz. dále
Procesní a organizační opatření
› nezbytné minimum
› pro větší organizace zpravidla nedostatečné
19
„Znát všechna data, která spravuji…“
MATICOVÝ
METADATOVÝ MODEL
Elementyosobníchúdajů
Fyzické výskyty osobních údajů v IT systémech
Účel / Souhlas se zpracováním, Právní titul /
Segment / Produkt / Čas
20
Zvolená míra detailu = rozsah projektu
Metadata
+ Golden record
Plná technická metadata:
včetně účelů, právních
titulů, sledování souhlasů,
časové dimenze atd.
Základní
metadata: datové
elementy
x systémy
Data Protection
Repository = Golden
record + reference
na ostatní fyzické
výskyty dat + odkazy
na DQ + logování
Technická metadata
propojená s business
metadaty (produkty,
segmenty…)
Metadata
navázaná
na unifikované
customer_id
21
Typické řešení pro GDPR
Data Governance
Metadata IT provoz
Integrace
App 2
App 3
CRM
DWH
Business
Dictionary
MDM
PDR
Metadata
App 1
METADATA
EXTRACTOR
Procesy BPM
22
Příklad implementačního projektu
05/2018
Discovery
02/201810/201706/201703/2017
Analysis & Design Implementation
Analysis of the primary systems or application
Analysis
Implementation of
the first process
E2E Integration
Design Implementation
Continuous Discovery
PDR
Discovery
Orchestration
Governance
The first
version
of PDR
PDR covers the first
three pilot systems
The first fully
integrated
system
Update & Change
Management
23
GDPR problematika
› Rowan Legal
– Analýza souladu s GDPR
– Implementace
– Právní poradenství
– Certifikace a služby pověřence pro ochranu osobních
› Profinit
– Posouzení připravenosti v oblasti IT systémů a dat
– Spolupráce na přípravě GDPR programu (scoping, timing, …)
– „E-discovery“ fáze ve zvoleném detailu
– Spolupráce na zavedení Data Governance
– Dodávka technické infrastruktury pro realizaci Personal Data
Repository nad zvoleným metadatovým modelem
+
24
Co dál?
› Výchozí stav?
– Právní analýza
– Assessment systémů a dat
› Rozhodnutí o rozsahu a míře detailu řešení, iniciace programu
› Discovery fáze / příprava metadat
› Vybudování metadatového repository
› Napojení na integrační vrstvu a business procesy
Profinit EU, s.r.o.
Tychonova 2, 160 00 Praha 6
Telefon
+ 420 224 316 016
Web
www.profinit.eu
LinkedIn
linkedin.com/company/profinit
Twitter
twitter.com/Profinit_EU
Děkujeme za
pozornost

Mais conteúdo relacionado

Semelhante a Data Governance a datová kvalita v roce 2017. Příprava na GDPR.

Profinit snídaně datová_architektura_20171017_public
Profinit snídaně datová_architektura_20171017_publicProfinit snídaně datová_architektura_20171017_public
Profinit snídaně datová_architektura_20171017_publicProfinit
 
GDPRlive 13.6.2017
GDPRlive 13.6.2017 GDPRlive 13.6.2017
GDPRlive 13.6.2017 Targito
 
Závěrečná práce z kurzu práce s informacemi
Závěrečná práce z kurzu práce s informacemiZávěrečná práce z kurzu práce s informacemi
Závěrečná práce z kurzu práce s informacemiJiří Němec
 
Data management a jak psát data management plan
Data management a jak psát data management planData management a jak psát data management plan
Data management a jak psát data management planPetra Dedicova
 
Prezentace: Data retention v ČR v praxi
Prezentace: Data retention v ČR v praxiPrezentace: Data retention v ČR v praxi
Prezentace: Data retention v ČR v praxiIuridicum Remedium
 
Co všechno vám umožní DMP (Ondřej Synčák)
Co všechno vám umožní DMP (Ondřej Synčák)Co všechno vám umožní DMP (Ondřej Synčák)
Co všechno vám umožní DMP (Ondřej Synčák)Taste Medio
 
Tutoriál : Otevřená a propojitelná data veřejné správy
Tutoriál : Otevřená a propojitelná data veřejné správyTutoriál : Otevřená a propojitelná data veřejné správy
Tutoriál : Otevřená a propojitelná data veřejné správyMartin Necasky
 
Matl - Cesta k data-driven organizaci
Matl - Cesta k data-driven organizaciMatl - Cesta k data-driven organizaci
Matl - Cesta k data-driven organizaciBilligence
 
Matedatový sklad
Matedatový skladMatedatový sklad
Matedatový skladProfinit
 
Datarestart - Big Data v praxi
Datarestart - Big Data v praxiDatarestart - Big Data v praxi
Datarestart - Big Data v praxiProfinit
 
Outsourcing - pohled dodavatele
Outsourcing - pohled dodavateleOutsourcing - pohled dodavatele
Outsourcing - pohled dodavateleOKsystem
 
BIInfrastructure
BIInfrastructureBIInfrastructure
BIInfrastructureJan Bízik
 
Caleum firemni profil
Caleum firemni profilCaleum firemni profil
Caleum firemni profilJosef Ladra
 
OKbase - moderní IT nástroj pro HR
OKbase - moderní IT nástroj pro HROKbase - moderní IT nástroj pro HR
OKbase - moderní IT nástroj pro HROKsystem
 
Data management a jak psát data management plan
Data management a jak psát data management planData management a jak psát data management plan
Data management a jak psát data management planUstredni knihovna VUT
 

Semelhante a Data Governance a datová kvalita v roce 2017. Příprava na GDPR. (20)

Profinit snídaně datová_architektura_20171017_public
Profinit snídaně datová_architektura_20171017_publicProfinit snídaně datová_architektura_20171017_public
Profinit snídaně datová_architektura_20171017_public
 
GDPRlive 13.6.2017
GDPRlive 13.6.2017 GDPRlive 13.6.2017
GDPRlive 13.6.2017
 
Závěrečná práce z kurzu práce s informacemi
Závěrečná práce z kurzu práce s informacemiZávěrečná práce z kurzu práce s informacemi
Závěrečná práce z kurzu práce s informacemi
 
Data management a jak psát data management plan
Data management a jak psát data management planData management a jak psát data management plan
Data management a jak psát data management plan
 
Prezentace: Data retention v ČR v praxi
Prezentace: Data retention v ČR v praxiPrezentace: Data retention v ČR v praxi
Prezentace: Data retention v ČR v praxi
 
Mpi ds p_02 (1)
Mpi ds p_02 (1)Mpi ds p_02 (1)
Mpi ds p_02 (1)
 
Data management
Data managementData management
Data management
 
Co všechno vám umožní DMP (Ondřej Synčák)
Co všechno vám umožní DMP (Ondřej Synčák)Co všechno vám umožní DMP (Ondřej Synčák)
Co všechno vám umožní DMP (Ondřej Synčák)
 
GDPR v roce 2018
GDPR v roce 2018GDPR v roce 2018
GDPR v roce 2018
 
Tutoriál : Otevřená a propojitelná data veřejné správy
Tutoriál : Otevřená a propojitelná data veřejné správyTutoriál : Otevřená a propojitelná data veřejné správy
Tutoriál : Otevřená a propojitelná data veřejné správy
 
DSW 2011: Records Manager - Vysoce kvalifikovaný profesionál
DSW 2011: Records Manager - Vysoce kvalifikovaný profesionálDSW 2011: Records Manager - Vysoce kvalifikovaný profesionál
DSW 2011: Records Manager - Vysoce kvalifikovaný profesionál
 
Matl - Cesta k data-driven organizaci
Matl - Cesta k data-driven organizaciMatl - Cesta k data-driven organizaci
Matl - Cesta k data-driven organizaci
 
New Focus - co děláme
New Focus - co dělámeNew Focus - co děláme
New Focus - co děláme
 
Matedatový sklad
Matedatový skladMatedatový sklad
Matedatový sklad
 
Datarestart - Big Data v praxi
Datarestart - Big Data v praxiDatarestart - Big Data v praxi
Datarestart - Big Data v praxi
 
Outsourcing - pohled dodavatele
Outsourcing - pohled dodavateleOutsourcing - pohled dodavatele
Outsourcing - pohled dodavatele
 
BIInfrastructure
BIInfrastructureBIInfrastructure
BIInfrastructure
 
Caleum firemni profil
Caleum firemni profilCaleum firemni profil
Caleum firemni profil
 
OKbase - moderní IT nástroj pro HR
OKbase - moderní IT nástroj pro HROKbase - moderní IT nástroj pro HR
OKbase - moderní IT nástroj pro HR
 
Data management a jak psát data management plan
Data management a jak psát data management planData management a jak psát data management plan
Data management a jak psát data management plan
 

Mais de Profinit

Reference Data Management
Reference Data ManagementReference Data Management
Reference Data ManagementProfinit
 
Cloud in examples—(how to) benefit from modern technologies in the cloud
Cloud in examples—(how to) benefit from modern technologies in the cloudCloud in examples—(how to) benefit from modern technologies in the cloud
Cloud in examples—(how to) benefit from modern technologies in the cloudProfinit
 
Building big data pipelines—lessons learned
Building big data pipelines—lessons learnedBuilding big data pipelines—lessons learned
Building big data pipelines—lessons learnedProfinit
 
Understand your data dependencies – Key enabler to efficient modernisation
 Understand your data dependencies – Key enabler to efficient modernisation  Understand your data dependencies – Key enabler to efficient modernisation
Understand your data dependencies – Key enabler to efficient modernisation Profinit
 
Propensity Modelling for Banks
Propensity Modelling for BanksPropensity Modelling for Banks
Propensity Modelling for BanksProfinit
 
Legacy systems modernisation
Legacy systems modernisationLegacy systems modernisation
Legacy systems modernisationProfinit
 
Automating Data Lakes, Data Warehouses and Data Stores
Automating Data Lakes, Data Warehouses and Data StoresAutomating Data Lakes, Data Warehouses and Data Stores
Automating Data Lakes, Data Warehouses and Data StoresProfinit
 
4 Steps Towards Data Transparency
4 Steps Towards Data Transparency4 Steps Towards Data Transparency
4 Steps Towards Data TransparencyProfinit
 
Software systems modernisation
Software systems modernisationSoftware systems modernisation
Software systems modernisationProfinit
 
Odborná snídaně: Datový sklad jako Perpetuum Mobile
Odborná snídaně: Datový sklad jako Perpetuum MobileOdborná snídaně: Datový sklad jako Perpetuum Mobile
Odborná snídaně: Datový sklad jako Perpetuum MobileProfinit
 
Data Science a MLOps v prostředí cloudu
Data Science a MLOps v prostředí clouduData Science a MLOps v prostředí cloudu
Data Science a MLOps v prostředí clouduProfinit
 
Detekce sociálních vazeb: domácnosti a přátelé
Detekce sociálních vazeb: domácnosti a přáteléDetekce sociálních vazeb: domácnosti a přátelé
Detekce sociálních vazeb: domácnosti a přáteléProfinit
 
Výsledky backtestu propensitního modelu
Výsledky backtestu propensitního modeluVýsledky backtestu propensitního modelu
Výsledky backtestu propensitního modeluProfinit
 
Propensitní modelování
Propensitní modelováníPropensitní modelování
Propensitní modelováníProfinit
 
Profinit Webinar: Benefits of Software Systems Modernization over their Repla...
Profinit Webinar: Benefits of Software Systems Modernization over their Repla...Profinit Webinar: Benefits of Software Systems Modernization over their Repla...
Profinit Webinar: Benefits of Software Systems Modernization over their Repla...Profinit
 
Profinit webinar: Instalment Detector
Profinit webinar: Instalment DetectorProfinit webinar: Instalment Detector
Profinit webinar: Instalment DetectorProfinit
 
Profinit_snidane_DWH_22_10_2019_publish
Profinit_snidane_DWH_22_10_2019_publishProfinit_snidane_DWH_22_10_2019_publish
Profinit_snidane_DWH_22_10_2019_publishProfinit
 
2019 09-23-snidane qa-public
2019 09-23-snidane qa-public2019 09-23-snidane qa-public
2019 09-23-snidane qa-publicProfinit
 
2019 03-20 snidane-serie-kuchyne-full
2019 03-20 snidane-serie-kuchyne-full2019 03-20 snidane-serie-kuchyne-full
2019 03-20 snidane-serie-kuchyne-fullProfinit
 
2018 11-28 snidane-serie-kuchyne
2018 11-28 snidane-serie-kuchyne2018 11-28 snidane-serie-kuchyne
2018 11-28 snidane-serie-kuchyneProfinit
 

Mais de Profinit (20)

Reference Data Management
Reference Data ManagementReference Data Management
Reference Data Management
 
Cloud in examples—(how to) benefit from modern technologies in the cloud
Cloud in examples—(how to) benefit from modern technologies in the cloudCloud in examples—(how to) benefit from modern technologies in the cloud
Cloud in examples—(how to) benefit from modern technologies in the cloud
 
Building big data pipelines—lessons learned
Building big data pipelines—lessons learnedBuilding big data pipelines—lessons learned
Building big data pipelines—lessons learned
 
Understand your data dependencies – Key enabler to efficient modernisation
 Understand your data dependencies – Key enabler to efficient modernisation  Understand your data dependencies – Key enabler to efficient modernisation
Understand your data dependencies – Key enabler to efficient modernisation
 
Propensity Modelling for Banks
Propensity Modelling for BanksPropensity Modelling for Banks
Propensity Modelling for Banks
 
Legacy systems modernisation
Legacy systems modernisationLegacy systems modernisation
Legacy systems modernisation
 
Automating Data Lakes, Data Warehouses and Data Stores
Automating Data Lakes, Data Warehouses and Data StoresAutomating Data Lakes, Data Warehouses and Data Stores
Automating Data Lakes, Data Warehouses and Data Stores
 
4 Steps Towards Data Transparency
4 Steps Towards Data Transparency4 Steps Towards Data Transparency
4 Steps Towards Data Transparency
 
Software systems modernisation
Software systems modernisationSoftware systems modernisation
Software systems modernisation
 
Odborná snídaně: Datový sklad jako Perpetuum Mobile
Odborná snídaně: Datový sklad jako Perpetuum MobileOdborná snídaně: Datový sklad jako Perpetuum Mobile
Odborná snídaně: Datový sklad jako Perpetuum Mobile
 
Data Science a MLOps v prostředí cloudu
Data Science a MLOps v prostředí clouduData Science a MLOps v prostředí cloudu
Data Science a MLOps v prostředí cloudu
 
Detekce sociálních vazeb: domácnosti a přátelé
Detekce sociálních vazeb: domácnosti a přáteléDetekce sociálních vazeb: domácnosti a přátelé
Detekce sociálních vazeb: domácnosti a přátelé
 
Výsledky backtestu propensitního modelu
Výsledky backtestu propensitního modeluVýsledky backtestu propensitního modelu
Výsledky backtestu propensitního modelu
 
Propensitní modelování
Propensitní modelováníPropensitní modelování
Propensitní modelování
 
Profinit Webinar: Benefits of Software Systems Modernization over their Repla...
Profinit Webinar: Benefits of Software Systems Modernization over their Repla...Profinit Webinar: Benefits of Software Systems Modernization over their Repla...
Profinit Webinar: Benefits of Software Systems Modernization over their Repla...
 
Profinit webinar: Instalment Detector
Profinit webinar: Instalment DetectorProfinit webinar: Instalment Detector
Profinit webinar: Instalment Detector
 
Profinit_snidane_DWH_22_10_2019_publish
Profinit_snidane_DWH_22_10_2019_publishProfinit_snidane_DWH_22_10_2019_publish
Profinit_snidane_DWH_22_10_2019_publish
 
2019 09-23-snidane qa-public
2019 09-23-snidane qa-public2019 09-23-snidane qa-public
2019 09-23-snidane qa-public
 
2019 03-20 snidane-serie-kuchyne-full
2019 03-20 snidane-serie-kuchyne-full2019 03-20 snidane-serie-kuchyne-full
2019 03-20 snidane-serie-kuchyne-full
 
2018 11-28 snidane-serie-kuchyne
2018 11-28 snidane-serie-kuchyne2018 11-28 snidane-serie-kuchyne
2018 11-28 snidane-serie-kuchyne
 

Data Governance a datová kvalita v roce 2017. Příprava na GDPR.

  • 1. Lucie Balýová, Michal Nulíček, Petr Hájek, Ondřej Zýka, Jan Ulrych 1. února 2017 Data Governance a datová kvalita v roce 2017: Příprava na GDPR
  • 2. 2 Agenda 08:30 - 09:00 Registrace, coffee & networking 09:00 - 09:05 Přivítání, úvodní slovo 09:05 - 09:35 Práva subjektů a povinnosti správců podle GDPR 09:35 - 10:05 Přístup Profinitu v oblasti Data Governance 10:05 - 10:20 Přestávka 10:20 - 11:00 Časově i finančně reálné scénáře řešení na pokrytí požadavků GDPR 11:00 - 11:30 Diskuse u kávy
  • 4. VÝVOJ SOFTWARE NA ZAKÁZKU APPLICATION MANAGEMENT OUTSOURCING BIG DATA & ANALYTICS ENTERPRISE INTEGRACE BI & DWH 19 let na trhu od roku 1998 449 mil obrat za rok 2016 50+ významných zákazníků v 6 zemích 350 zkušených profesionálů #2 V (CAD) v ČR (Studie IDC 2016)
  • 6. ROWAN LEGAL 26 let na českém trhu 4 lokality: Praha, Brno, Bratislava, Riga Téměř 50 právníků 7x Právnická firma roku – Právo informačních technologií Mgr. Michal Nulíček, LL.M., Mgr. Lucie Balýová: GDPR snídaně Profinit, Praha, 1. 2. 2017
  • 7. Práva subjektů a povinnosti správců podle GDPR 3
  • 8. Obecné nařízení o ochraně osobních údajů (GDPR) Nahrazuje zastaralou směrnici Reflektuje vývoj technologií i práva – automatizace procesů, masovost dat, důraz na zabezpečení Odstraněny šedé zóny, reflektuje teorii a case law Jednotná aplikace v celé EU Jednotná pravidla dozoru v EU, spolupráce Mgr. Michal Nulíček, LL.M., Mgr. Lucie Balýová: GDPR snídaně Profinit, Praha, 1. 2. 2017
  • 9. Obecné nařízení o ochraně osobních údajů (GDPR) Evoluce, ne revoluce – základní pojmy a principy se příliš nemění, ale přibývají nové Nová práva subjektů údajů, compliance Nepoměrně vyšší sankce – Doposud max. 10 mil. Kč, nově max. 20 mil. EUR nebo 4% z obratu Mgr. Michal Nulíček, LL.M., Mgr. Lucie Balýová: GDPR snídaně Profinit, Praha, 1. 2. 2017
  • 10. Principy zpracování dat – Zákonnost, korektnost / férovost a transparentnost – Účelové omezení – Minimalizace údajů (nezbytný rozsah relevantních údajů) – Přesnost (přesné údaje, s opravou či výmazem neaktuálních údajů) – Omezení uložení (doba zpracování nezbytná pro daný účel) – Integrita a důvěrnost (zajištění bezpečnosti dat, ochrana před neoprávněným a nezákonným zpracováním) – Odpovědnost (a povinnost prokazování) Důležitý výkladový princip – Proporcionalita (recitál č. 4) – právo na ochranu osobních údajů není absolutním právem, vždy v rovnováze s dalšími právy Principy nařízení Mgr. Michal Nulíček, LL.M., Mgr. Lucie Balýová: GDPR snídaně Profinit, Praha, 1. 2. 2017
  • 11. Práva subjektů údajů Obecně – proces vyřizování žádostí – lhůty – forma Právo – na přístup – na výmaz – vznést námitku – na omezení zpracování – na přenositelnost Mgr. Michal Nulíček, LL.M., Mgr. Lucie Balýová: GDPR snídaně Profinit, Praha, 1. 2. 2017
  • 12. Přístup Profinitu v oblasti Data Governance 4
  • 13. 13 Nové a vyšší nároky na každého správce dat Znát jaká data spravuji, a kde všude jsou Zabezpečit provoz správy dat Být schopen informovat subjekty a regulátory
  • 14. 14 Start programu Procesní Vycházíme z business procesů organizace a ptáme se, kde se v těchto procesech pracuje s osobními daty. Aplikační Vycházíme z informačních systémů a ptáme se, jaká osobní data se v těchto systémech procesují. Datový Vycházíme ze zásad Data Managementu, ptáme se jaká data odpovídají business modelu organizace a kde všude tato data můžeme nalézt a kdo je za ně zodpovědný.
  • 15. 15 Posouzení připravenosti – checklist příklad Právo (Ustanovení) # Povinnost Procesy Aplikace Data Čl. 15 Právo na přístup k OÚ 1 Na žádost potvrdit, jestli jsou OÚ, které se SÚ týkají, zpracovávané nebo ne x x x 2 Pokud jsou OÚ zpracovávané, na žádost zpřístupnit informace uvedené v čl. 155/1a) - h) x x 3 Pokud jsou OÚ předávané do třetích zemí, informovat o vhodných zárukách podle čl. 46 x 4 Poskytnout SÚ kopii zpracovávaných údajů. Pokud žádá v el. podobě, poskytnout v el. formě x x x 5 Opravit nepřesné OÚ x x x Povinnostivyplývajícízprávsubjektůúdajů
  • 16. 16 GDPR a Data Management Schopnost organizace vyhovět požadavkům GDPR je mimo jiné úměrná vyspělosti v oblasti řízení dat: › Je používán Logický Referenční Datový Model organizace? › Jsou k dispozici definice informačních aktiv (IA) a na ně navázaných datových elementů (DE)? › Je u definovaných DE k dispozici klasifikace na osobní a citlivé údaje? › Jsou logické DE mapovány na systémy/aplikace (obecně „physical data repositories“)? › Existuje organizační a personální napojení na IA a DE (vlastníci dat, „stewardi“)? › Je zavedený Master Data Management pro klíčová IA (zejména pro aktiva typu Klient nebo obecně Protistrana?) › Proběhla jednorázová a probíhá rutinní unifikace/deduplikace u těchto klíčových aktiv? › Je sestavován fyzický zlatý záznam pro klíčová IA ? Propisují se vyčištěná data zpět do non-master systémů? › Probíhá pravidelné řízení a měření datové kvality u IA a jejich DE?
  • 17. 17 Logický referenční datový model – oblast „Party“ Master Data Management and Reference Data Enterprise Data Model Overview Agreement Agreement Party_Agreement Case Case Case_Event Programme Campaign Campaign Event Communication Party_Contact Party Party - Organisation - Person Party_Address_Occupancy Geographic_Address Location Service Delivery Party_Activity Service_Request Service Catalogue Service Finance Reservation Party_Reservation Account Accounting Transaction
  • 18. 18 Tři přístupy k řešení Maximalistický Realistický Baseline Revoluce v IT architektuře › TOKENIZACE / PSEUDONYMIZACE Metadatový registr + Integrace › viz. dále Procesní a organizační opatření › nezbytné minimum › pro větší organizace zpravidla nedostatečné
  • 19. 19 „Znát všechna data, která spravuji…“ MATICOVÝ METADATOVÝ MODEL Elementyosobníchúdajů Fyzické výskyty osobních údajů v IT systémech Účel / Souhlas se zpracováním, Právní titul / Segment / Produkt / Čas
  • 20. 20 Zvolená míra detailu = rozsah projektu Metadata + Golden record Plná technická metadata: včetně účelů, právních titulů, sledování souhlasů, časové dimenze atd. Základní metadata: datové elementy x systémy Data Protection Repository = Golden record + reference na ostatní fyzické výskyty dat + odkazy na DQ + logování Technická metadata propojená s business metadaty (produkty, segmenty…) Metadata navázaná na unifikované customer_id
  • 21. 21 Typické řešení pro GDPR Data Governance Metadata IT provoz Integrace App 2 App 3 CRM DWH Business Dictionary MDM PDR Metadata App 1 METADATA EXTRACTOR Procesy BPM
  • 22. 22 Příklad implementačního projektu 05/2018 Discovery 02/201810/201706/201703/2017 Analysis & Design Implementation Analysis of the primary systems or application Analysis Implementation of the first process E2E Integration Design Implementation Continuous Discovery PDR Discovery Orchestration Governance The first version of PDR PDR covers the first three pilot systems The first fully integrated system Update & Change Management
  • 23. 23 GDPR problematika › Rowan Legal – Analýza souladu s GDPR – Implementace – Právní poradenství – Certifikace a služby pověřence pro ochranu osobních › Profinit – Posouzení připravenosti v oblasti IT systémů a dat – Spolupráce na přípravě GDPR programu (scoping, timing, …) – „E-discovery“ fáze ve zvoleném detailu – Spolupráce na zavedení Data Governance – Dodávka technické infrastruktury pro realizaci Personal Data Repository nad zvoleným metadatovým modelem +
  • 24. 24 Co dál? › Výchozí stav? – Právní analýza – Assessment systémů a dat › Rozhodnutí o rozsahu a míře detailu řešení, iniciace programu › Discovery fáze / příprava metadat › Vybudování metadatového repository › Napojení na integrační vrstvu a business procesy
  • 25. Profinit EU, s.r.o. Tychonova 2, 160 00 Praha 6 Telefon + 420 224 316 016 Web www.profinit.eu LinkedIn linkedin.com/company/profinit Twitter twitter.com/Profinit_EU Děkujeme za pozornost

Notas do Editor

  1. Text Nařízení: http://eur-lex.europa.eu/legal-content/CS/TXT/HTML/?uri=CELEX:32016R0679&from=EN NAŘÍZENÍ EVROPSKÉHO PARLAMENTU A RADY (EU) 2016/679 ze dne 27. dubna 2016 o ochraně fyzických osob v souvislosti se zpracováním osobních údajů a o volném pohybu těchto údajů a o zrušení směrnice 95/46/ES (obecné nařízení o ochraně osobních údajů) Směrnice je již zastaralá Nakládání s osobními údaji je v současnosti v EU regulováno směrnicí 95/46/ES, každý členský stát EU má svoji národní právní úpravu, která směrnici implementuje, u nás jde o zákon č. 101/2000 Sb., o ochraně osobních údajů Směrnice vznikla v roce 95, internet byl v té době v plenkách. V posledních letech tedy bylo zjevné, že směrnice na jednu stranu neposkytuje dostatečnou ochranu našemu soukromí v kontextu internetu a moderních sledovacích nástrojů a zároveň vytváří umělé překážky pro rozvoj digitální ekonomiky Proto Evropská komise v roce 2012 představila návrh nového Obecného nařízení o ochraně osobních údajů. Reflexe vývoje v technologii i právu nařízení reflektuje rozmach některých druhů automatizovaného zpracování – profilování (automatizované zpracování a rozhodování) za účelem dosažení vyšší kontroly správců ve veřejném sektoru a některých správců, kteří masivně osobní údaje zpracovávají zavádí např. institut Pověřence pro ochranu údajů V posledních letech se stává čím dál větším tématem bezpečnost osobních údajů, a to zejména kvůli frekventovaným masivním únikům dat  větší důraz na bezpečnost, notifikace bezpečnostních narušení Vývoj v právu Některá soudní rozhodnutí (Google Spain, IP adresa (AG: Breyer)) zavedla nová práva a upravila některé definice – nařízení toto reflektuje Interpretace WP29 – pracovní skupina podle čl. 29 směrnice ve svých stanoviscích často extenzivně vykládala mnoho institutů – v nařízení je velké množství těchto výkladů zohledněno a kodifikováno Hlavní účel nařízení = Posilování postavení jednotlivce Účelem obecného nařízení o ochraně údajů je: posílit práva fyzických osob na ochranu údajů; a (odrazem tohoto je zavedení nových práv subjektů údajů a rozšíření těch stávajících) usnadnit volný tok osobních údajů v rámci jednotného digitálního trhu, mimo jiné prostřednictvím snižování administrativní zátěže (odrazem snižování této administrativní zátěže je např. tzv. one-stop-shop – celkově je však reálné snížení administrativní zátěže velice diskutabilní) Jak tedy nařízení ochranu osobních údajů mění? Na mnoha místech nedochází k zásadním změnám (cílem není revoluce, nýbrž evoluce :) , dřívější šedé zóny jsou však ve většině případů vyjasněny směrem ke striktnějšímu výkladu, některé praktiky, které bylo dříve možné považovat za hraniční tak podle nařízení nebudou možné Jak budou tyto změny vynucovány? Soukromoprávní odpovědnost zakotvena je společná a nerozdílná povinnost náhrady újmy subjektům údajů – správce bude muset nahrazovat škodu za zpracovatele či společného správce a naopak  více v posledním bloku konference Nepoměrně vyšší sankce správní pokuty dosahují až 20 mil. EUR (cca 541 mil. Kč) nebo 4 % celosvětového ročního obratu skupiny(cokoli je vyšší) Zároveň je povinnost u GDPR nutné spojit také s novelou zákona o trestní odpovědnosti právnických osob – nově budou společnosti v některých případech, pokud nebudou zavádět dostatečná opatření (např. bezpečnostní), trestně odpovědné za TČ neoprávněného nakládání s osobními údaji
  2. Text Nařízení: http://eur-lex.europa.eu/legal-content/CS/TXT/HTML/?uri=CELEX:32016R0679&from=EN NAŘÍZENÍ EVROPSKÉHO PARLAMENTU A RADY (EU) 2016/679 ze dne 27. dubna 2016 o ochraně fyzických osob v souvislosti se zpracováním osobních údajů a o volném pohybu těchto údajů a o zrušení směrnice 95/46/ES (obecné nařízení o ochraně osobních údajů) Směrnice je již zastaralá Nakládání s osobními údaji je v současnosti v EU regulováno směrnicí 95/46/ES, každý členský stát EU má svoji národní právní úpravu, která směrnici implementuje, u nás jde o zákon č. 101/2000 Sb., o ochraně osobních údajů Směrnice vznikla v roce 95, internet byl v té době v plenkách. V posledních letech tedy bylo zjevné, že směrnice na jednu stranu neposkytuje dostatečnou ochranu našemu soukromí v kontextu internetu a moderních sledovacích nástrojů a zároveň vytváří umělé překážky pro rozvoj digitální ekonomiky Proto Evropská komise v roce 2012 představila návrh nového Obecného nařízení o ochraně osobních údajů. Reflexe vývoje v technologii i právu nařízení reflektuje rozmach některých druhů automatizovaného zpracování – profilování (automatizované zpracování a rozhodování) za účelem dosažení vyšší kontroly správců ve veřejném sektoru a některých správců, kteří masivně osobní údaje zpracovávají zavádí např. institut Pověřence pro ochranu údajů V posledních letech se stává čím dál větším tématem bezpečnost osobních údajů, a to zejména kvůli frekventovaným masivním únikům dat  větší důraz na bezpečnost, notifikace bezpečnostních narušení Vývoj v právu Některá soudní rozhodnutí (Google Spain, IP adresa (AG: Breyer)) zavedla nová práva a upravila některé definice – nařízení toto reflektuje Interpretace WP29 – pracovní skupina podle čl. 29 směrnice ve svých stanoviscích často extenzivně vykládala mnoho institutů – v nařízení je velké množství těchto výkladů zohledněno a kodifikováno Hlavní účel nařízení = Posilování postavení jednotlivce Účelem obecného nařízení o ochraně údajů je: posílit práva fyzických osob na ochranu údajů; a (odrazem tohoto je zavedení nových práv subjektů údajů a rozšíření těch stávajících) usnadnit volný tok osobních údajů v rámci jednotného digitálního trhu, mimo jiné prostřednictvím snižování administrativní zátěže (odrazem snižování této administrativní zátěže je např. tzv. one-stop-shop – celkově je však reálné snížení administrativní zátěže velice diskutabilní) Jak tedy nařízení ochranu osobních údajů mění? Na mnoha místech nedochází k zásadním změnám (cílem není revoluce, nýbrž evoluce :) , dřívější šedé zóny jsou však ve většině případů vyjasněny směrem ke striktnějšímu výkladu, některé praktiky, které bylo dříve možné považovat za hraniční tak podle nařízení nebudou možné Jak budou tyto změny vynucovány? Soukromoprávní odpovědnost zakotvena je společná a nerozdílná povinnost náhrady újmy subjektům údajů – správce bude muset nahrazovat škodu za zpracovatele či společného správce a naopak  více v posledním bloku konference Nepoměrně vyšší sankce správní pokuty dosahují až 20 mil. EUR (cca 541 mil. Kč) nebo 4 % celosvětového ročního obratu skupiny(cokoli je vyšší) Zároveň je povinnost u GDPR nutné spojit také s novelou zákona o trestní odpovědnosti právnických osob – nově budou společnosti v některých případech, pokud nebudou zavádět dostatečná opatření (např. bezpečnostní), trestně odpovědné za TČ neoprávněného nakládání s osobními údaji
  3. Text Nařízení: http://eur-lex.europa.eu/legal-content/CS/TXT/HTML/?uri=CELEX:32016R0679&from=EN NAŘÍZENÍ EVROPSKÉHO PARLAMENTU A RADY (EU) 2016/679 ze dne 27. dubna 2016 o ochraně fyzických osob v souvislosti se zpracováním osobních údajů a o volném pohybu těchto údajů a o zrušení směrnice 95/46/ES (obecné nařízení o ochraně osobních údajů) Směrnice je již zastaralá Nakládání s osobními údaji je v současnosti v EU regulováno směrnicí 95/46/ES, každý členský stát EU má svoji národní právní úpravu, která směrnici implementuje, u nás jde o zákon č. 101/2000 Sb., o ochraně osobních údajů Směrnice vznikla v roce 95, internet byl v té době v plenkách. V posledních letech tedy bylo zjevné, že směrnice na jednu stranu neposkytuje dostatečnou ochranu našemu soukromí v kontextu internetu a moderních sledovacích nástrojů a zároveň vytváří umělé překážky pro rozvoj digitální ekonomiky Proto Evropská komise v roce 2012 představila návrh nového Obecného nařízení o ochraně osobních údajů. Reflexe vývoje v technologii i právu nařízení reflektuje rozmach některých druhů automatizovaného zpracování – profilování (automatizované zpracování a rozhodování) za účelem dosažení vyšší kontroly správců ve veřejném sektoru a některých správců, kteří masivně osobní údaje zpracovávají zavádí např. institut Pověřence pro ochranu údajů V posledních letech se stává čím dál větším tématem bezpečnost osobních údajů, a to zejména kvůli frekventovaným masivním únikům dat  větší důraz na bezpečnost, notifikace bezpečnostních narušení Vývoj v právu Některá soudní rozhodnutí (Google Spain, IP adresa (AG: Breyer)) zavedla nová práva a upravila některé definice – nařízení toto reflektuje Interpretace WP29 – pracovní skupina podle čl. 29 směrnice ve svých stanoviscích často extenzivně vykládala mnoho institutů – v nařízení je velké množství těchto výkladů zohledněno a kodifikováno Hlavní účel nařízení = Posilování postavení jednotlivce Účelem obecného nařízení o ochraně údajů je: posílit práva fyzických osob na ochranu údajů; a (odrazem tohoto je zavedení nových práv subjektů údajů a rozšíření těch stávajících) usnadnit volný tok osobních údajů v rámci jednotného digitálního trhu, mimo jiné prostřednictvím snižování administrativní zátěže (odrazem snižování této administrativní zátěže je např. tzv. one-stop-shop – celkově je však reálné snížení administrativní zátěže velice diskutabilní) Jak tedy nařízení ochranu osobních údajů mění? Na mnoha místech nedochází k zásadním změnám (cílem není revoluce, nýbrž evoluce :) , dřívější šedé zóny jsou však ve většině případů vyjasněny směrem ke striktnějšímu výkladu, některé praktiky, které bylo dříve možné považovat za hraniční tak podle nařízení nebudou možné Jak budou tyto změny vynucovány? Soukromoprávní odpovědnost zakotvena je společná a nerozdílná povinnost náhrady újmy subjektům údajů – správce bude muset nahrazovat škodu za zpracovatele či společného správce a naopak  více v posledním bloku konference Nepoměrně vyšší sankce správní pokuty dosahují až 20 mil. EUR (cca 541 mil. Kč) nebo 4 % celosvětového ročního obratu skupiny(cokoli je vyšší) Zároveň je povinnost u GDPR nutné spojit také s novelou zákona o trestní odpovědnosti právnických osob – nově budou společnosti v některých případech, pokud nebudou zavádět dostatečná opatření (např. bezpečnostní), trestně odpovědné za TČ neoprávněného nakládání s osobními údaji
  4. Nařízení staví na následujících principech: zákonnost, korektnost a transparentnost; účelové omezení; minimalizace dat; přesnost, omezení uložení; integrita a důvěrnost; odpovědnost Obecný výčet principů se nachází v čl. 5, nicméně principy se odráží v mnoha „praktických“ ustanovení v celém nařízení. Zásada zákonnosti, férovosti a transparentnosti se promítá do právních titulů, tzn. že je možné zpracovávat osobní údaje pouze na základě jednoho z nařízením stanovených právních základů tento právní titul ( nebo také právní základ, právní důvod) musí mít správce vždy pro každý účel zpracování zásada se promítá také do způsobu získávání souhlasu nebo do oblasti informační povinnosti. V souladu s principem transparentnosti musí být např. subjektům údajů zřejmé, jaké osobní údaje jsou shromažďovány, užívány nebo jiným způsobem zpracovávány a v jakém rozsahu jsou osobní údaje zpracovávány (nebo budou v budoucnosti zpracovávány). V souladu s principem transparentnosti musí být dále také informace týkající se zpracování osobních údajů jednoduše dostupné a jednoduše srozumitelné a musí být při jejich poskytování užíván jednoznačný a srozumitelný jazyk. V souladu se zásadou zákonnosti potom musí být osobní údaje zpracovávány na základě souhlasu subjektu údajů nebo jiném základě stanoveném v Nařízení nebo jiném předpise členského státu nebo právu Unie. Zásada účelového omezení osobní údaje mohou být shromažďovány pro určité, výslovně vyjádřené a legitimní účely a nesmějí být dále zpracovávány způsobem, který je s těmito účely neslučitelný; účel je hlavním určovatelem dalších parametrů – zpracovatel bude mít tedy např. 3 účely – 1. poskytování služby, 2. nabízení produktů a služeb, 3. zajišťování síťové bezpečnosti – pro každý z těchto účelů musí mít právní titul, tedy např. pro 1. právní základ plnění smlouvy, pro 2. a 3. oprávněný zájem dále potom bude muset pro tyto účely splnit informační povinnost a vést o nich evidenci zpracování Tato zásada se promítá také např. do dalšího zpracování (posouzení slučitelnosti čl. 6 odst. 4) Další zpracování je situace, kdy správce zpracovává osobní údaje za jiným účelem, než za jakým byly původně shromážděny. V současné úpravě je toto dovozeno výkladem WP29, v nařízení je to výslovně upraveno Obecně je k dalšímu zpracování zapotřebí souhlas subjektu údajů – bez souhlasu lze dále zpracovávat, pokud je nový účel slučitelný s tím původním Slučitelnost účelů se bude posuzovat na základě několika faktorů, které jsou v nařízení vyjmenovány – posuzují se okolnosti shromáždění údajů, možné důsledky zamýšleného zpracování, existence bezpečnostních záruk, apod. o posouzení musí být pořízen záznam, aby jeho provedení mohl být kdykoliv správce schopen doložit Minimalizace údajů (nezbytný rozsah relevantních údajů) Zásada, která říká, že osobní údaje musí být přiměřené, relevantní a omezené na nezbytný rozsah ve vztahu k účelu, pro který jsou zpracovávány praktický odraz např. v záměrné ochraně osobních údajů (více v pozdějším bloku konference), právu na výmaz, apod. Přesnost (přesné údaje, s opravou či výmazem neaktuálních údajů) osobní údaje musí být přesné a v případě potřeby aktualizované; musí být přijata veškerá rozumná opatření, aby osobní údaje, které jsou nepřesné s přihlédnutím k účelům, pro které se zpracovávají, byly bezodkladně vymazány nebo opraveny praktický odraz v právu subjektu údajů na opravu, na výmaz, na omezení zpracování tato povinnost zároveň znamená, že správci by měli být velmi obezřetní např. při nákupu databází a přesnost údajů kontrolovali v rámci due diligence Omezení uložení (doba zpracování nezbytná pro daný účel) údaje nesmí být uloženy ve formě umožňující identifikaci subjektů údajů po dobu delší, než je nezbytné pro účely, pro které jsou zpracovávány výjimka pro archivaci ve veřejném zájmu pro účely vědeckého či historického výzkumu nebo pro statistické účely Integrita a důvěrnost (zajištění bezpečnosti dat, ochrana před neoprávněným a nezákonným zpracováním) údaje musí být zpracovávány způsobem, který zajistí náležité zabezpečení osobních údajů, včetně jejich ochrany pomocí vhodných technických nebo organizačních opatření před neoprávněným či protiprávním zpracováním a před náhodnou ztrátou, zničením nebo poškozením praktické ustanovení  zabezpečení osobních údajů (čl. 32) Odpovědnost (a povinnost prokazování) Velmi důležitý princip praktické ustanovení - zejména čl. 24 Správce odpovídá za dodržení všech těchto principů, soulad musí být schopen dokázat – proto např. bude muset uchovávat kvalitní záznamy o všech provedených posouzeních, které provádí zároveň dává nařízení k plnění této povinnosti správcům a zpracovatelům nástroje v podobě kodexů chování či osvědčení o ochraně osobních údajů (více v jiném bloku konference) Důležitý výkladový princip Proporcionalita (recitál č. 4) – právo na ochranu osobních údajů není absolutním právem, vždy musí být v rovnováze s dalšímu právy