Dados Não Estruturados

Dados não estruturados são informações que não seguem um modelo de dados predefinido, por isso o seu significado está no próprio conteúdo. Uma tabela de clientes tem colunas que dizem o que cada valor representa. Um contrato assinado, uma conversa em chat ou uma chamada gravada não trazem esses rótulos.

A maior parte da informação de uma empresa é desse tipo. Como podem conter dados de clientes, tabelas de preços ou dados pessoais, os programas de Prevenção de Perda de Dados (DLP) precisam analisar o que o arquivo contém, e não apenas onde ele está guardado.

Os dados se dividem em três grupos, conforme a quantidade de estrutura que carregam. Os dados não estruturados incluem arquivos Word e PDF, corpo de e-mails, registros de chat, apresentações, imagens, contratos digitalizados, arquivos de projeto e gravações de áudio e vídeo.

Eles estão em toda parte de uma organização típica. Análises do setor estimam de forma consistente que 80–90% dos novos dados corporativos são não estruturados, e essa parcela continua crescendo à medida que a colaboração migra para documentos, chats e mídia.

As mensagens são uma das maiores fontes. Grande parte desse conteúdo circula por serviços de mensagens eletrônicas, onde uma única conversa pode reunir arquivos, capturas de tela e textos colados.

• Drives compartilhados e repositórios de documentos
• Caixas de e-mail e histórico de mensageiros
• Serviços de compartilhamento de arquivos em nuvem
• Documentos digitalizados anexados a processos de negócio
• Fotos de quadros brancos e telas

Dados estruturados podem ser protegidos na origem. Um banco de dados tem limite, permissões e registros de auditoria. Dados não estruturados não têm nada disso, e a maioria das divulgações acidentais e dos furtos de dados por funcionários envolve esse tipo de conteúdo circulando por canais do dia a dia.

Quatro características explicam o problema: não têm esquema nem rótulos, são copiados com facilidade, vêm em formatos variados e pertencem a todos e a ninguém, por isso os catálogos centrais raramente os cobrem.

Como os dados não estruturados não podem ser controlados em uma única fonte, os controles se concentram na análise do conteúdo onde os dados se movem.

O texto é classificado com dicionários de palavras-chave e tesauros, como a lista de palavras proibidas. Valores hash e impressões digitais identificam documentos exatos e suas cópias, e o OCR extrai texto de digitalizações e imagens para que possam ser analisados como qualquer outro arquivo.

Os rótulos permitem que as políticas seguintes apliquem regras ao e-mail, à web, aos mensageiros e às mídias removíveis.

O console reúne esses métodos em um só lugar. Os tesauros de sistema incluem 35 conjuntos de palavras-chave, como SSN, Credit Card e Financial, e cada um mostra a contagem de palavras e as buscas. O reconhecimento de imagens define quais canais e formatos de arquivo são lidos como documentos, e o OCR cobre as digitalizações.

Essas configurações fazem parte do módulo Anexet DLP, que as aplica a documentos, mensagens e arquivos em trânsito.

1 / 2

• 
• 

Comece pelo conteúdo cujo vazamento causaria mais dano e depois acompanhe os canais que ele realmente usa. Regras escritas para todos os arquivos de uma vez costumam bloquear o trabalho comum e acabam desativadas.

Primeiro meça quanto dado não estruturado existe, depois decida onde ele precisa ser lido: onde é criado, compartilhado ou enviado para fora.