Data-anonimisatie

Bijgewerkt: 8 september 2026 · 7 min leestijd

Stel je voor: een ziekenhuis wil onderzoekers toegang geven tot patiëntgegevens om nieuwe medicijnen te ontwikkelen, zonder dat herleidbaar is wie welke patiënt is. De eenvoudigste oplossing lijkt voor de hand liggend: haal namen en burgerservicenummers weg. Toch bleek al in de jaren negentig dat dit vaak niet genoeg is. De Amerikaanse onderzoeker Latanya Sweeney toonde aan dat de combinatie van geboortedatum, postcode en geslacht in de Verenigde Staten al voldoende is om het overgrote deel van de bevolking uniek te identificeren, ook zonder naam. Data-anonimisatie is de verzameling technieken die dit soort herleidbaarheid moet voorkomen, terwijl de gegevens nog wel bruikbaar blijven voor onderzoek, beleid of productontwikkeling.

Het draait om een lastige balans. Volledig anonieme data waarin niemand meer te herkennen is, is vaak ook minder nuttig: patronen en verbanden die je juist wilt ontdekken, verdwijnen mee met de details. Denk aan een spreadsheet vol medische gegevens waarbij elke waarde een beetje willekeurig wordt laten schommelen: individuele patiënten worden onzichtbaar, maar grote trends, zoals de gemiddelde bloeddruk per leeftijdsgroep, blijven zichtbaar. Die spanning tussen privacy en bruikbaarheid is het hart van het vakgebied, en verklaart waarom "anonimiseren" allang niet meer betekent dat je gewoon een naam wegstreept.

Wat is het precies?

Anonimisering begint vaak met een misverstand: het weghalen van namen, adressen of klantnummers heet in de privacywetgeving eigenlijk pseudonimisering. De data blijft dan indirect herleidbaar, bijvoorbeeld via een sleutel die apart wordt bewaard. Pas als het onmogelijk, of extreem onwaarschijnlijk, is om iemand alsnog te identificeren, spreekt de Algemene Verordening Gegevensbescherming (AVG) van echte anonimisering. Die lat ligt hoog, en daarom bestaan er verschillende technische methoden om hem te halen.

Een eerste, klassieke methode is k-anonimiteit, ontwikkeld door Sweeney eind jaren negentig. Het idee: elke combinatie van kenmerken (leeftijd, postcode, geslacht) moet voorkomen bij minstens k personen in de dataset, zodat niemand er met zekerheid uitgepikt kan worden. Is k bijvoorbeeld tien, dan deel je mensen op in groepen van minstens tien met identieke kenmerken, door bijvoorbeeld leeftijden af te ronden op vijftallen of postcodes in te korten. Latere verfijningen als l-diversiteit en t-closeness repareren zwakke plekken van k-anonimiteit, zoals het probleem dat alle tien mensen in zo'n groep toevallig dezelfde ziekte kunnen hebben, waardoor de groep wel "anoniem" is, maar de gevoelige uitkomst alsnog vaststaat.

De huidige gouden standaard heet differential privacy (differentiële privacy), geïntroduceerd door onder anderen de Amerikaanse informatica Cynthia Dwork rond 2006. In plaats van de data zelf aan te passen, voegt deze methode gecontroleerde wiskundige ruis toe aan de uitkomsten van een analyse. Vraag je bijvoorbeeld hoeveel mensen in een dataset ouder zijn dan zestig, dan krijg je niet het exacte getal, maar een licht vervormd antwoord. De hoeveelheid ruis wordt zo gekozen dat de uitkomst nauwelijks verandert of één specifiek persoon wel of niet in de dataset zat, waardoor die persoon wiskundig aantoonbaar beschermd is, ongeacht wat een aanvaller verder al weet. Dat laatste is de grote winst: oudere methoden zoals k-anonimiteit garanderen niets tegen aanvallers die toegang hebben tot andere, externe databronnen.

Een vierde route is het genereren van synthetische data: kunstmatige datasets die statistisch op de originele lijken, maar geen enkele rij bevatten die één-op-één overeenkomt met een echt persoon. Machine-learning-modellen, zoals generative adversarial networks (GAN's), leren de patronen van de echte data en produceren daarna nieuwe, verzonnen "personen" met vergelijkbare statistische eigenschappen.

Wat wil men ermee bereiken?

Het overkoepelende doel is simpel te zeggen en lastig te bereiken: gegevens delen en analyseren zonder individuen schade te berokkenen. Overheden en bedrijven verzamelen enorme hoeveelheden data over gezondheid, mobiliteit, consumptiegedrag en meer. Die data is waardevol voor wetenschappelijk onderzoek, beleidsvorming en productontwikkeling, maar bevat ook gevoelige informatie die bij misbruik tot discriminatie, chantage of erger kan leiden. Anonimisering moet die twee belangen verzoenen.

Een tweede drijfveer is wetgeving. De AVG staat vrij gebruik van persoonsgegevens alleen toe onder strikte voorwaarden: toestemming, een wettelijke grondslag, dataminimalisatie. Eenmaal écht geanonimiseerde data valt buiten het bereik van die wet, omdat er simpelweg geen persoonsgegevens meer zijn. Voor organisaties is dat een sterke prikkel: goed geanonimiseerde data is makkelijker te delen, te bewaren en te hergebruiken dan persoonsgegevens.

Statistiekbureaus zoals het Nederlandse Centraal Bureau voor de Statistiek (CBS) of het Amerikaanse Census Bureau hebben nog een derde reden: zij zijn wettelijk verplicht om over individuele burgers zwijgzaam te blijven, maar moeten tegelijk gedetailleerde statistieken publiceren tot op wijk- of buurtniveau. Anonimiseringstechnieken zijn voor hen geen keuze maar een dagelijkse noodzaak.

Tot slot speelt anonimisering een groeiende rol bij kunstmatige intelligentie. Modellen worden getraind op enorme hoeveelheden tekst, beelden of gedragsdata, en er is toenemende zorg dat zulke modellen per ongeluk persoonlijke details uit hun trainingsdata onthouden en later reproduceren. Technieken als differential privacy worden daarom ook ingezet tijdens het trainen van AI-modellen zelf, niet alleen bij het vrijgeven van datasets.

Voorbeelden uit de praktijk

Amerikaanse volkstelling (2020). Het US Census Bureau paste voor het eerst differential privacy toe op de resultaten van de tienjaarlijkse volkstelling, via een systeem dat de "TopDown Algorithm" heet. Het bureau vreesde dat steeds krachtigere reconstructieaanvallen, waarbij aanvallers gepubliceerde statistieken combineren om individuele personen te achterhalen, de traditionele bescherming ondermijnden. De overstap leidde tot felle discussie onder demografen, omdat de toegevoegde ruis vooral in kleine gemeenschappen en dunbevolkte gebieden tot merkbaar minder nauwkeurige cijfers leidde.

Apple en Google in besturingssystemen. Apple gebruikt sinds iOS 10 (2016) differential privacy om bijvoorbeeld populaire emoji, typsuggesties en surfgedrag in Safari te analyseren zonder individuele gebruikers te kunnen volgen. Google paste een vergelijkbare aanpak toe met het systeem RAPPOR (Randomized Aggregatable Privacy-Preserving Ordinal Response), voor het eerst beschreven rond 2014, om bijvoorbeeld ongewenste instellingen in de Chrome-browser te detecteren.

De Netflix Prize: een waarschuwend voorbeeld. Netflix publiceerde in 2006 een "geanonimiseerde" dataset met filmbeoordelingen van honderdduizenden klanten voor een wedstrijd om het aanbevelingsalgoritme te verbeteren. Onderzoekers Arvind Narayanan en Vitaly Shmatikov toonden rond 2008 aan dat ze individuele gebruikers alsnog konden identificeren door de beoordelingen te vergelijken met openbare recensies op IMDb. Deze zaak wordt in de vakliteratuur nog altijd aangehaald als bewijs dat het weghalen van namen alléén onvoldoende bescherming biedt.

OpenDP. Harvard University lanceerde, in samenwerking met Microsoft, rond 2019 het opensource-project OpenDP: een softwarebibliotheek waarmee organisaties differential privacy makkelijker kunnen toepassen zonder zelf de complexe wiskunde te hoeven implementeren. Het project wordt onder meer gebruikt in samenwerkingen met Amerikaanse overheidsinstanties en universiteiten.

Het CBS en microdata. Het Nederlandse CBS geeft onderzoekers onder strikte voorwaarden toegang tot geanonimiseerde microdata, detailgegevens over individuele personen of bedrijven, ontdaan van direct herleidbare kenmerken, in een beveiligde omgeving die alleen op afstand toegankelijk is. Dit soort "safe rooms" combineert technische anonimisering met organisatorische maatregelen zoals controle op de uitvoer van resultaten.

Hoe ver is de techniek?

Wiskundig gezien is differential privacy een volwassen vakgebied: de theorie is sinds het werk van Dwork en collega's ruim uitgewerkt en veelvuldig getoetst door de wetenschappelijke gemeenschap. Het praktische gebruik is echter nog volop in ontwikkeling. Een terugkerend probleem is de afweging tussen privacy en nauwkeurigheid: hoe meer ruis je toevoegt, hoe beter de bescherming, maar hoe minder bruikbaar de uitkomst. Organisaties moeten per toepassing een "privacybudget" kiezen (vaak aangeduid met de Griekse letter epsilon), en er bestaat geen algemeen geaccepteerde vuistregel voor wat een veilige waarde is.

Ook op regelgevend vlak is er nog geen consensus. De Europese privacytoezichthouders, verenigd in de European Data Protection Board, hebben herhaaldelijk benadrukt dat "geanonimiseerd" een hoge en soms onduidelijke lat is: data die vandaag onherleidbaar lijkt, kan dat morgen niet meer zijn door nieuwe technieken of extra databronnen waarmee ze gecombineerd kan worden. Er bestaat dus geen garantie die voor altijd geldt, wat organisaties dwingt tot periodieke herbeoordeling.

Nieuwe uitdagingen komen ook uit de hoek van kunstmatige intelligentie. Onderzoekers hebben aangetoond dat grote taalmodellen soms letterlijke fragmenten uit hun trainingsdata kunnen reproduceren, een fenomeen dat "memorisatie" heet, en dat zogeheten "membership inference attacks" kunnen achterhalen of specifieke gegevens in de trainingsset zaten. Dit heeft geleid tot onderzoek naar het trainen van modellen met ingebouwde differential privacy, wat nog relatief nieuw en rekenkundig kostbaar is.

Synthetische data wint terrein dankzij verbeterde generatieve AI-modellen, maar ook hier blijft waakzaamheid nodig: onderzoek laat zien dat synthetische datasets soms toch herkenbare sporen van individuele originele records bevatten, vooral bij kleine of ongewone gevallen binnen de brondata, ook wel "outliers" genoemd.

Wie werken eraan?

Het theoretisch fundament komt grotendeels uit de Amerikaanse academische wereld. Cynthia Dwork, verbonden aan Harvard University, geldt als een van de grondleggers van differential privacy, samen met onderzoekers als Frank McSherry, Kobbi Nissim en Adam Smith. Harvard's Privacy Tools Project en het opvolgende OpenDP-initiatief brengen deze kennis samen met Microsoft Research, dat een eigen onderzoeksgroep aan differential privacy wijdt.

Onder de techbedrijven investeren vooral Apple, Google en Microsoft zwaar in toepassingen. Google onderhoudt een eigen opensource-bibliotheek voor differential privacy en publiceert regelmatig onderzoek via Google Research. IBM en Meta doen eveneens onderzoek naar privacybeschermende technieken, onder meer voor het delen van onderzoeksdata met academici.

Aan de kant van overheden loopt het Amerikaanse Census Bureau voorop met de praktische, grootschalige toepassing van differential privacy. In Nederland werkt het CBS met eigen statistische onthullingscontrole-methoden en microdatabeleid, en publiceert de Autoriteit Persoonsgegevens richtlijnen over wanneer data als voldoende geanonimiseerd geldt. Op Europees niveau bepaalt de European Data Protection Board de juridische interpretatie, terwijl het Amerikaanse National Institute of Standards and Technology (NIST) werkt aan technische standaarden en richtlijnen voor privacybeschermende technieken.

Tot slot zijn er gespecialiseerde start-ups en softwareleveranciers die anonimiserings- en synthetische-datatools aanbieden aan bedrijven die zelf niet de expertise in huis hebben, vaak gebouwd op de academische fundamenten die hierboven genoemd zijn.