Guía · Guía práctica · Anonimización
Técnicas de anonimización de datos: cómo funcionan y ejemplos
Equipo Anonimatum
En resumen
Las técnicas de anonimización transforman los datos para que nadie pueda identificar a las personas con medios razonables: suprimir, generalizar, agrupar, añadir ruido o generar datos sintéticos. Ninguna basta por sí sola; el resultado se valora frente a la singularización, la vinculación y la inferencia.
La anonimización no es una única operación, sino una combinación de técnicas elegidas según los datos y el uso que se les va a dar. No es lo mismo publicar estadísticas de un hospital que entregar a una empresa de desarrollo una copia de la base de clientes para hacer pruebas, o difundir una sentencia en un portal de transparencia.
Esta guía repasa las técnicas más usadas con ejemplos sobre una tabla ficticia, explica cuáles producen datos anonimizados y cuáles se quedan en seudonimización, dedica un apartado a los datos de prueba y termina con un método para elegir y comprobar. Todos los nombres, DNI y fechas de los ejemplos son inventados.
Paso a paso
Define el uso de los datos
Anota quién recibirá los datos y para qué: publicar, compartir con un tercero, analizar o probar una aplicación. El uso decide cuánta precisión necesitas conservar.
Clasifica los atributos
Separa identificadores directos, cuasi identificadores y atributos sensibles. En documentos, incluye encabezados, firmas, sellos y metadatos.
Elimina los identificadores directos
Suprime nombres, DNI, correos, teléfonos y números de cuenta, o sustitúyelos por valores ficticios sin guardar la correspondencia.
Trata los cuasi identificadores
Generaliza fechas, códigos postales y profesiones, agrega cuando baste con totales y elimina los registros demasiado singulares.
Comprueba los tres riesgos
Mide el k-anonimato y la diversidad de los atributos sensibles e intenta singularizar, vincular con fuentes públicas e inferir datos de alguien.
Documenta y revisa
Deja por escrito técnicas, parámetros y resultado de las pruebas, y fija cuándo repetir la evaluación.
Antes de elegir técnica: identificadores y cuasi identificadores
Toda técnica parte de clasificar los atributos. Los identificadores directos señalan a una persona por sí solos: nombre y apellidos, DNI o NIE, número de la Seguridad Social, correo o teléfono. Los cuasi identificadores no identifican aislados, pero combinados sí: fecha de nacimiento, código postal, sexo, profesión o fecha de ingreso. Los atributos sensibles son lo que se quiere estudiar o proteger, como un diagnóstico o un salario.
Quitar los identificadores directos es el primer paso, nunca el último. Con fecha de nacimiento, código postal y sexo se puede singularizar a buena parte de la población, y en un documento basta a veces un cargo («la directora del colegio») para saber de quién se habla. Usaremos esta tabla ficticia en los ejemplos:
| Nombre | DNI | Fecha de nacimiento | Código postal | Profesión | Diagnóstico |
|---|---|---|---|---|---|
| Lucía Ferrer Gil | 12345678Z | 14/03/1987 | 28013 | Enfermera | Asma |
| Jorge Sanz Vidal | 87654321X | 02/11/1979 | 28015 | Profesor | Diabetes tipo 2 |
| Marta Ruiz Peña | 11223344B | 30/06/1990 | 28013 | Abogada | Asma |
| Iván López Mora | 44332211C | 21/01/1985 | 28016 | Ingeniero | Hipertensión |
Supresión y enmascaramiento parcial
La supresión elimina un atributo entero (la columna Nombre y la columna DNI desaparecen) o un registro que resulta demasiado singular, como el único paciente de un municipio pequeño. En documentos equivale a eliminar el texto de verdad, no a taparlo: una caja negra dibujada encima deja el texto debajo y se puede copiar.
El enmascaramiento parcial oculta solo una parte del valor: «XXXX5678Z» en lugar del DNI completo o «jXXX@correo.es». Es útil para que una persona reconozca su propio registro, pero no anonimiza: lo que queda, cruzado con otros datos, suele bastar para identificar. La disposición adicional séptima de la LOPDGDD, por ejemplo, regula cómo publicar fragmentos del DNI en anuncios oficiales precisamente porque siguen siendo datos personales.
Generalización y agregación
La generalización sustituye un valor por otro menos preciso: la fecha de nacimiento por un tramo de edad, el código postal por sus tres primeras cifras o la provincia, la profesión por el sector. La agregación va un paso más allá y publica solo totales, medias o porcentajes por grupo, nunca registros individuales. Aplicada a la tabla de ejemplo:
| Edad | Código postal | Sector | Diagnóstico |
|---|---|---|---|
| 35-44 | 280** | Sanidad y educación | Asma |
| 45-54 | 280** | Sanidad y educación | Diabetes tipo 2 |
| 35-44 | 280** | Servicios profesionales | Asma |
| 35-44 | 280** | Servicios profesionales | Hipertensión |
Cuanto más se generaliza, menos riesgo y menos utilidad. Por eso los tramos se eligen según la pregunta que deben responder los datos: un estudio por grupos de edad no necesita la fecha exacta, pero un análisis de estacionalidad quizá necesite el mes.
k-anonimato, l-diversidad y t-proximidad
El k-anonimato es un criterio para medir la generalización: cada combinación de cuasi identificadores debe compartirla al menos k registros. En la tabla anterior, la combinación «35-44, 280**, Servicios profesionales» aparece dos veces, así que esos registros cumplen k = 2; las dos primeras filas, en cambio, son únicas y habría que generalizar más (por ejemplo, ampliar el tramo de edad o unir sectores) o suprimirlas.
El k-anonimato no protege frente a la inferencia: si todos los registros de un grupo tienen el mismo diagnóstico, saber que alguien está en el grupo revela su enfermedad. La l-diversidad exige que en cada grupo haya al menos l valores distintos del atributo sensible, y la t-proximidad (t-closeness) que su distribución en cada grupo se parezca a la del conjunto completo.
Perturbación: ruido, permutación y privacidad diferencial
Las técnicas de aleatorización alteran los valores para romper el vínculo exacto con la persona, manteniendo las propiedades estadísticas. Añadir ruido suma o resta una pequeña cantidad aleatoria (un salario de 31.240 euros pasa a 30.980); la permutación intercambia valores de un atributo entre registros; la privacidad diferencial añade ruido calibrado a los resultados de las consultas para que la presencia o ausencia de una persona concreta apenas cambie la respuesta.
Son muy útiles para estadísticas y analítica, pero no sirven para documentos que deben seguir siendo fieles al original, como una resolución o un contrato: allí no se puede cambiar una cifra para que «se parezca».
Enmascaramiento de datos, tokenización y hash: ¿anonimizan?
Bajo el nombre de enmascaramiento de datos (data masking) se agrupan técnicas que sustituyen valores reales por otros ficticios con el mismo formato: un DNI por otro DNI válido, un nombre por otro nombre. Si la sustitución es aleatoria y no se guarda la correspondencia, contribuye a anonimizar; si es coherente y existe una tabla o clave para revertirla, es seudonimización y los datos siguen siendo personales (artículo 4.5 del RGPD).
La tokenización cambia cada valor por un token y guarda la equivalencia en un almacén protegido: es seudonimización por definición. Con el hash pasa algo parecido aunque no haya tabla: los DNI españoles son unos cien millones de números con una letra de control, así que se pueden calcular todos los hash posibles en poco tiempo y revertir uno sin clave. Un hash con clave secreta (HMAC) es más robusto, pero quien tiene la clave puede reidentificar.
| Técnica | ¿Singularización? | ¿Vinculación? | ¿Inferencia? |
|---|---|---|---|
| Seudonimización (sustitución con tabla de correspondencias) | Sí | Sí | Sí |
| Hash y tokenización | Sí | Sí | Puede que no |
| Adición de ruido | Sí | Puede que no | Puede que no |
| Permutación | Sí | Sí | Puede que no |
| Agregación y k-anonimato | No | Sí | Sí |
| l-diversidad | No | Sí | Puede que no |
| Privacidad diferencial | Puede que no | Puede que no | Puede que no |
La lectura de la tabla es clara: ninguna técnica cierra los tres riesgos por sí sola, y la seudonimización no cierra ninguno. Lo habitual es combinar varias y comprobar el resultado.
Datos sintéticos
Los datos sintéticos se generan a partir de un modelo estadístico o de aprendizaje automático entrenado con los datos reales: registros nuevos que reproducen distribuciones y correlaciones sin corresponder a personas concretas. Son una buena opción para entrenar modelos o probar aplicaciones, pero no son anónimos automáticamente: un modelo puede memorizar y reproducir casos raros, y los registros atípicos (el único paciente de 98 años de una provincia) son los más expuestos. Conviene medir la distancia entre registros sintéticos y reales antes de compartirlos.
Anonimización de datos de prueba
Copiar la base de datos de producción en el entorno de desarrollo o de pruebas es una de las fugas más comunes: el entorno tiene menos controles, más personas con acceso y, a menudo, proveedores externos. Los principios de minimización y de protección de datos desde el diseño (artículos 5.1.c y 25 del RGPD) empujan a usar datos de prueba que no identifiquen a nadie.
- Genera en lugar de copiar siempre que sea posible: datos sintéticos o ficticios con formatos válidos (un DNI inventado con su letra de control correcta, IBAN que pasan la validación) cubren la mayoría de pruebas funcionales.
- Si partes de producción, enmascara con coherencia: el mismo cliente debe recibir el mismo valor ficticio en todas las tablas para no romper claves e integridad referencial. Mientras exista la tabla de correspondencias, eso es seudonimización: destrúyela o guárdala fuera del entorno de pruebas.
- No olvides los campos libres: observaciones, adjuntos, PDF y correos guardados en la base de datos llevan nombres y DNI que ninguna regla de columnas detecta.
- Generaliza o elimina los registros raros y revisa los ficheros de log y las copias de seguridad del entorno de pruebas, que también contienen datos.
- Documenta el proceso: qué técnica se aplica a cada campo, quién puede acceder a los datos originales y cuándo se refrescan las copias.
¿Cuándo son de verdad datos anonimizados?
Según el considerando 26 del RGPD, unos datos son anónimos cuando la persona no es identificable teniendo en cuenta todos los medios que razonablemente puedan utilizarse, por el responsable o por un tercero: coste, tiempo, tecnología disponible y otros datos accesibles. Si se cumple, el RGPD deja de aplicarse a esos datos; si no, siguen siendo datos personales aunque no lleven nombre.
En la práctica se comprueban tres riesgos: la singularización (¿se puede aislar a una persona?), la vinculación (¿se pueden enlazar sus registros con otra fuente?) y la inferencia (¿se puede deducir un dato suyo con alta probabilidad?). Las Directrices 02/2026 del CEPD, en consulta pública este año, mantienen ese enfoque con criterios reformulados. La evaluación no es definitiva: hay que repetirla si cambian los datos publicados o la tecnología, porque el riesgo de reidentificación evoluciona.
Anonimizar documentos: lo que cambia frente a una tabla
Casi todas las técnicas anteriores nacieron para bases de datos. En un documento (una sentencia, un expediente, un informe clínico) los datos no están en columnas: aparecen en el texto, en encabezados, en tablas incrustadas, en sellos escaneados y en los metadatos del fichero. Ahí las técnicas útiles son la supresión real del texto, la generalización a mano de datos de contexto («una localidad de la provincia de Teruel») y, cuando hay que conservar quién es quién, la sustitución coherente por seudónimos.
Anonimatum aplica esas técnicas a documentos PDF, Word, Excel, PowerPoint e imágenes: su IA propia, que se ejecuta en servidores de la Unión Europea, y los patrones (DNI/NIF, IBAN, teléfono, correo) localizan los datos; tú revisas cada marca en una previsualización y el resultado elimina el texto y los metadatos de forma irreversible. Si necesitas mantener la relación entre personas, el modo de seudonimización sustituye cada dato por un seudónimo coherente. Puedes ver la diferencia entre ambos enfoques en anonimizar o seudonimizar.
Preguntas frecuentes
¿Qué técnica de anonimización es la mejor?
Ninguna sirve para todo. Para estadísticas funcionan bien la agregación, el k-anonimato y la privacidad diferencial; para datos de prueba, los datos sintéticos o el enmascaramiento sin tabla de correspondencias; para documentos, la supresión real del texto y de los metadatos.
¿Los datos seudonimizados son datos anonimizados?
No. Si existe una clave, tabla o información adicional que permite volver a la persona, son datos seudonimizados y siguen siendo datos personales sujetos al RGPD (artículo 4.5). La seudonimización reduce el riesgo, pero no saca los datos del Reglamento.
¿Cifrar un DNI con un hash lo anonimiza?
No. Como el número de DNI posibles es limitado, se pueden calcular todos los hash y revertirlos. Un hash con clave secreta es seudonimización: quien tenga la clave puede reidentificar.
¿Puedo usar datos reales en el entorno de pruebas si los enmascaro?
Puedes, si el enmascaramiento cubre también los campos libres y adjuntos y no queda en ese entorno la tabla de correspondencias. Aun así, siempre que sea viable es preferible generar datos sintéticos o ficticios.
¿Hay que repetir la evaluación de anonimización?
Sí. El riesgo de reidentificación cambia con la tecnología y con la información que se publica con el tiempo, así que conviene revisarla periódicamente y siempre que cambie el uso de los datos.
¿Tus datos están en documentos, no en tablas?
Cuéntanos qué documentos tratáis y te enseñamos en una demo cómo Anonimatum detecta, revisa y elimina los datos personales con IA ejecutada en la UE.
Fuentes y normativa
- Reglamento (UE) 2016/679 (RGPD), considerando 26 y artículo 4.5 (EUR-Lex)
- Grupo del Artículo 29, Dictamen 05/2014 sobre técnicas de anonimización (WP216)
- AEPD, Orientaciones y garantías en los procedimientos de anonimización
- AEPD y SEPD, 10 malentendidos relacionados con la anonimización
- CEPD, Directrices 02/2026 sobre anonimización (consulta pública)
