Parte: 14 — GRC, riesgo y cumplimiento · Fuente: GDPR, ISO/IEC 27701 y NIST Privacy Framework ⏱️ Duración estimada: 100 min · Nivel: Intermedio
Profundizar en la privacidad como disciplina propia, más allá del cumplimiento legal de la clase 281. Al terminar entenderás los principios de privacy by design, la diferencia entre seguridad y privacidad, cómo ejecutar una Evaluación de Impacto de Protección de Datos (DPIA/EIPD), aplicar técnicas de minimización, seudonimización y anonimización, y el papel del DPO (Delegado de Protección de Datos).
Al finalizar, el alumno podrá:
| # | Tema | Por qué importa |
|---|---|---|
| 1 | Privacidad vs. seguridad | Puedes ser seguro y aun así invadir la privacidad |
| 2 | Principios GDPR (Art.5) | Base de todo tratamiento lícito |
| 3 | Privacy by design & by default | La privacidad se diseña, no se parchea |
| 4 | DPIA / EIPD | Evaluar riesgo para los derechos de las personas |
| 5 | Minimización, seudonimización, anonimización | Reducir el dato reduce el riesgo |
| 6 | Derechos del interesado | Acceso, supresión, portabilidad, oposición |
| 7 | El DPO y la rendición de cuentas | Responsable de vigilar el cumplimiento |
pandas para practicar seudonimización/anonimización.Parte A — DPIA de un nuevo tratamiento en "Ferretería del Sur S.A.":
Parte B — Técnicas de reducción de dato (Python):
import pandas as pd, hashlib
df = pd.DataFrame({"email":["ana@x.com","luis@y.com"], "ciudad":["Sevilla","Sevilla"], "importe":[120, 340]})
# Seudonimización (reversible con clave separada; aquí hash como demo)
df["email_seudo"] = df["email"].apply(lambda e: hashlib.sha256(e.encode()).hexdigest()[:12])
# Minimización: elimina el identificador directo
df_min = df.drop(columns=["email"])
# Generalización para anonimizar el importe en rangos
df_min["rango_importe"] = pd.cut(df_min["importe"], bins=[0,100,200,500], labels=["bajo","medio","alto"])
print(df_min)
Parte C — Derechos:
Entrega una DPIA completa del tratamiento de recomendaciones personalizadas, con descripción, análisis de necesidad/proporcionalidad, identificación y evaluación de al menos 4 riesgos, medidas por riesgo y conclusión sobre el riesgo residual, más una demostración técnica de seudonimización y minimización sobre un dataset.
Criterio de aceptación: la DPIA justifica la minimización de datos, cada riesgo tiene una medida asociada, la conclusión indica si el riesgo residual es aceptable, y la demo distingue correctamente seudonimización de anonimización.
| Síntoma / mensaje | Causa y cómo arreglar |
|---|---|
| Confundir seguridad con privacidad | Cifrar no basta; hay que limitar finalidad y minimizar |
| "Anonimizar" con un simple hash | Es seudonimización reversible; usa sal, k-anonimato o supresión |
| Recoger "por si acaso" más datos de los necesarios | Viola minimización; recoge solo lo imprescindible |
| DPIA hecha después de lanzar | Privacy by design exige hacerla antes; incorpórala al diseño |
| Ignorar los plazos de derechos | GDPR da 1 mes; ten procedimientos listos |
❓ ¿Seguridad y privacidad no son lo mismo? No. La seguridad protege el dato de accesos no autorizados; la privacidad protege a la persona de usos indebidos, incluso por parte de quien tiene acceso legítimo. Se necesitan ambas.
❓ ¿Cuándo necesito un DPO? Cuando el tratamiento a gran escala de datos sensibles o la monitorización sistemática lo requieran (GDPR Art.37), o si eres autoridad pública. Muchas empresas lo designan por prudencia.
❓ ¿La anonimización saca los datos del GDPR? Sí, si es irreversible de verdad. Pero anonimizar bien es difícil; la seudonimización, en cambio, sigue siendo dato personal regulado.
❓ ¿Qué diferencia hay entre ISO 27701 y el NIST Privacy Framework? 27701 extiende el SGSI de 27001 a la privacidad (certificable); el NIST Privacy Framework es un marco voluntario de gestión de riesgo de privacidad, análogo al CSF.
Clase 288 — Seguros cibernéticos