Wir helfen Organisationen, sensible Daten mit Methoden zu anonymisieren und zu teilen, die vor einer Aufsichtsbehörde bestehen.
Methodische Beratung und Bewertung des Offenlegungsrisikos für Mikrodaten, Register und Längsschnittdaten. Wir klassifizieren Ihre Variablen (direkte Identifikatoren, Quasi-Identifikatoren, sensible Merkmale), definieren das Offenlegungsszenario und den Weitergabemodus, messen das Wiedererkennungsrisiko pro Datensatz und wenden gezielte Methoden an — Generalisierung, lokale Unterdrückung, PRAM, Mikroaggregation, Swapping, Rauschen — abgestimmt auf ein Nutzenziel.
Sie erhalten: einen anonymisierten Datensatz sowie einen belastbaren Bericht — Methoden, Parameter, Restrisiko und erhaltener Nutzen —, der vor einer Aufsichtsbehörde oder Gutachterin standhält.
Erzeugung und Validierung synthetischer Datensätze, die die statistische Aussagekraft erhalten und zugleich die Eins-zu-eins-Verbindung zu realen Personen auflösen. Wir bauen Synthesemodelle (z. B. mit simPop, synthpop, GANs und weiteren, oder massgeschneiderten Lösungen) und bewerten dann beide Seiten des Kompromisses — Wiedergabetreue (Verteilungen, Korrelationen, Modellgüte) und Offenlegungsrisiko (Attribut-/Identitätsoffenlegung) — mit unseren eigenen offenen riskutility-Werkzeugen.
Am besten geeignet, wenn Sie Daten breit teilen, Pipelines aufbauen oder Modelle trainieren möchten, ohne die Menschen hinter den Datensätzen preiszugeben.
Unabhängige Überprüfung einer bestehenden Anonymisierungs- oder Synthetische-Daten-Pipeline. Wir messen das Offenlegungsrisiko unter realistischen Angreiferannahmen neu, prüfen, ob die Methoden zum Weitergabemodus passen, und zeigen auf, wo Nutzen unnötig verloren geht.
Sie erhalten: eine schriftliche Zweitmeinung mit konkreten, priorisierten Befunden — hilfreich vor einer Veröffentlichung, einem Audit oder einer Prüfung durch Fördergeber oder Aufsicht.
What we didOur flagship project: privacy-preserving methods for event and longitudinal data — masking trajectories, protecting event histories, and pushing re-identification-risk assessment beyond k-anonymity.
ImpactOpen, reproducible tools that let organisations analyse and share data following the same people over time, with quantified risk.
What we didA risk-based anonymization and pseudonymization strategy under the EU GDPR/EDPB framework — starting from a formal disclosure-risk assessment and testing identity, attribute and inference disclosure, not k-anonymity alone.
ImpactA defensible route to sharing and using data: anonymization where the data allows, optimized pseudonymization where analytical utility requires.
SBB What we didHousehold-level anonymization and geographic protection of SBB's 9-million-person Synthetic Population (SynPop), with a formal disclosure-risk assessment for a differentiated data-release policy.
ImpactIndividual-level population data that can be shared and used safely in agent-based transport models — not the current all-or-nothing.
Ein erstes Gespräch ist kostenlos, vertraulich und meist klärend.
