Qué son los datos no estructurados
Los datos no estructurados son información que no sigue un modelo de datos predefinido, así que su significado está en el propio contenido. Una tabla de clientes tiene columnas que indican qué representa cada valor. Un contrato firmado, una conversación de chat o una llamada grabada no traen esas etiquetas.
La mayor parte de la información de una empresa es de este tipo. Como pueden contener datos de clientes, listas de precios o datos personales, los programas de prevención de pérdida de datos (DLP) deben analizar lo que el archivo contiene, no solo dónde está guardado.
Datos estructurados, semiestructurados y no estructurados
Los datos se dividen en tres grupos según cuánta estructura tienen. Los datos no estructurados incluyen archivos Word y PDF, cuerpos de correos, registros de chat, presentaciones, imágenes, contratos escaneados, archivos de diseño y grabaciones de audio y video.
| Tipo | Característica clave | Ejemplo típico |
|---|---|---|
| Estructurados | Campos fijos en filas y columnas | Una tabla de clientes |
| Semiestructurados | Marcado o metadatos propios | JSON, XML o encabezados de correo |
| No estructurados | Sin esquema; el significado está en el contenido | Un archivo Word, un contrato escaneado o la grabación de una llamada |
Dónde viven los datos no estructurados
Están en todas partes de una organización típica. Los análisis del sector estiman de forma consistente que entre 80% y 90% de los datos corporativos nuevos son no estructurados, y esa proporción sigue creciendo a medida que la colaboración se traslada a documentos, chats y medios.
La mensajería es una de las mayores fuentes. Buena parte de este contenido circula por servicios de mensajería electrónica, donde un solo hilo puede reunir archivos, capturas de pantalla y texto pegado.
- Unidades compartidas y repositorios de documentos
- Buzones de correo e historial de mensajeros
- Servicios de uso compartido de archivos en la nube
- Documentos escaneados adjuntos a procesos de negocio
- Fotos de pizarrones y pantallas
Por qué es difícil protegerlos
Los datos estructurados se pueden proteger en su origen. Una base de datos tiene un límite, permisos y registros de auditoría. Los datos no estructurados no tienen nada de eso, y la mayoría de las divulgaciones accidentales y de los robos de datos por parte de empleados involucran este contenido en movimiento por los canales cotidianos.
Cuatro rasgos lo explican: no tienen esquema ni etiquetas, se copian con facilidad, llegan en formatos muy variados y pertenecen a todos y a nadie, por lo que los catálogos centrales rara vez los cubren.
| Característica | Datos estructurados | Datos no estructurados |
|---|---|---|
| Esquema fijo | ||
| Límite, permisos y registros de auditoría propios | ||
| Se pueden proteger en su origen |
Cómo recuperan visibilidad las organizaciones
Como los datos no estructurados no se pueden controlar en una sola fuente, los controles se concentran en analizar el contenido donde los datos se mueven.
El texto se clasifica con diccionarios de palabras clave y tesauros, como la lista de palabras prohibidas. Los valores hash y las huellas digitales identifican documentos exactos y sus copias, y el OCR extrae el texto de escaneos e imágenes para que se puedan analizar como cualquier otro archivo.
Las etiquetas permiten que las políticas posteriores apliquen reglas al correo, la web, los mensajeros y los medios extraíbles.
Cómo se ve en Anexet
La consola reúne estos métodos en un solo lugar. Los tesauros del sistema incluyen 35 conjuntos de palabras clave, como SSN, Credit Card o Financial, y cada uno muestra su número de palabras y sus búsquedas. El reconocimiento de imágenes define qué canales y formatos de archivo se leen como documentos, y el OCR cubre los escaneos.
Estos ajustes forman parte del módulo Anexet DLP, que los aplica a documentos, mensajes y archivos en tránsito.
1 / 2
Por dónde empezar
Empiece por el contenido cuya fuga causaría más daño y luego siga los canales que realmente usa. Las reglas escritas para todos los archivos a la vez suelen bloquear el trabajo cotidiano y terminan desactivadas.
Primero mida cuántos datos no estructurados hay y después decida dónde deben leerse: donde se crean, se comparten o salen de la empresa.
Los datos no estructurados son el trabajo cotidiano. La protección solo funciona cuando lee el contenido donde ocurre ese trabajo.
Anexet TeamCómo lo resuelve Anexet
La mayor parte del contenido que Anexet analiza es no estructurado: su módulo DLP clasifica documentos, mensajes y archivos en movimiento, de modo que las decisiones de política se basan en lo que contiene un archivo y no en dónde está almacenado.
Análisis de contenido para texto
los métodos de clasificación incluyen tesauros de seguridad (170 diccionarios preconstruidos), bancos de hashes para la coincidencia exacta de archivos, bibliotecas de huellas digitales para plantillas de documentos y la integración con etiquetas de confidencialidad para el contenido ya etiquetado.
Más allá del texto plano
el OCR extrae texto de escaneos e imágenes para que puedan analizarse como cualquier otro documento; el reconocimiento de sellos y estampas ayuda a identificar documentos oficiales en forma escaneada.
Cobertura de canales
los agentes en los endpoints vigilan los canales por los que viajan los datos no estructurados: correo, web, aplicaciones de almacenamiento en la nube, mensajería, dispositivos extraíbles, impresión y portapapeles.
Aplicación y evidencia
las políticas pueden bloquear una transferencia, ponerla en cuarentena para revisión, registrarla o lanzar una alerta; cada evento queda registrado en una pista de auditoría (usuario, marca de tiempo, canal, clasificación del contenido, acción tomada).
Arquitectura on-premise
las reglas de detección, el contenido capturado y los logs de auditoría permanecen dentro de la infraestructura de la propia organización.
Anexet DLP
Más información