Tema 2 de 6
Clasificación de datos
No se puede proteger lo que no se conoce. Antes de etiquetar, bloquear o retener nada, Purview necesita reconocer qué es sensible: un número de tarjeta, un historial médico, un contrato. Este artículo explica las herramientas que lo hacen y cómo ver los resultados. El examen pregunta sobre todo cuándo usar cada tipo de clasificador.
Contenido
Primero, conocer tus datos
La protección de datos en Purview sigue un orden lógico. Cada paso se apoya en el anterior:
Conocer
Clasificar: qué datos sensibles hay y dónde
Proteger
Etiquetas de confidencialidad y cifrado
Prevenir pérdidas
DLP: que no salgan donde no deben
Gobernar
Retención y eliminación según normas
La clasificación es el primer paso: si un sistema no reconoce un dato como sensible, ninguna directiva lo protegerá. Por eso los mismos clasificadores se reutilizan en etiquetas, DLP, retención y riesgo interno.
Tipos de información confidencial (SIT)
Los SIT (sensitive information types) son clasificadores basados en patrones. Detectan datos con un formato reconocible: números de seguridad social, tarjetas de crédito, cuentas bancarias, números de pasaporte. Microsoft incluye cientos ya definidos para muchos países.
Elemento principal
Lo que se busca: una expresión regular (con o sin validación de suma de comprobación), una lista de palabras clave, un diccionario o una función.
Elementos de apoyo
Evidencia que aumenta la confianza, como una fecha de caducidad válida cerca de un número de tarjeta.
Nivel de confianza
Bajo, medio o alto. Cuanta más evidencia, más confianza. Alto da menos falsos positivos, pero puede perder coincidencias reales.
Proximidad
Distancia máxima en caracteres entre el elemento principal y los de apoyo para que cuenten juntos.
Cómo detecta un SIT
Ejemplo con un número de tarjeta de crédito en un documento:
Patrón: Encuentra un número con el formato de las principales marcas de tarjetas (Visa, MasterCard, American Express…).
Validación: Comprueba la suma de comprobación (algoritmo de Luhn). Una secuencia aleatoria suele fallar aquí.
Evidencia de apoyo: Busca una fecha de caducidad válida a menos de 300 caracteres del número.
Confianza: Solo con el patrón validado, la confianza es menor; con evidencia de apoyo, sube a alta.
Resultado: El elemento queda clasificado y lo pueden usar DLP, el etiquetado automático o la retención.
Clases de SIT
| Clase | Descripción | Ejemplo |
|---|---|---|
| Integrados | Los mantiene Microsoft. No se editan, pero se copian como base de uno propio | Número de tarjeta de crédito, IBAN |
| Entidad con nombre | Nombres de personas, direcciones físicas y términos médicos. Desagrupados (un país o concepto) o agrupados (amplia cobertura) | Todos los nombres completos |
| Personalizados | Expresiones regulares, palabras clave y diccionarios propios | ID de empleado, código de proyecto |
| Exact data match (EDM) | Se sube una copia con hash de una tabla sensible y se buscan esos valores exactos | Números de historial de tus pacientes |
| Huella digital de documento | Convierte un formulario estándar en un SIT para detectar documentos basados en él | Plantilla de solicitud de patente |
Por qué EDM
Un SIT genérico detecta cualquier número con formato de historial médico, aunque no sea de tus pacientes. EDM solo coincide con los valores que realmente están en tu base de datos, así que reduce mucho los falsos positivos.
Clasificadores entrenables
Hay contenido sensible que no tiene patrón: un contrato, un currículum, un código fuente, un correo de acoso. Los clasificadores entrenables usan IA y aprendizaje automático para reconocer el contenido por lo que es, no por un patrón.
Preentrenados
Creados por Microsoft y listos para usar: acoso, lenguaje ofensivo, amenazas, documentos financieros, de RR. HH., legales, código fuente y muchos más.
Personalizados
Para contenido propio de la organización. Se crean con ejemplos y se publican cuando su precisión es suficiente.
Cómo se crea un clasificador personalizado:
Sembrar: Se aporta una carpeta con ejemplos positivos del tipo de documento (y negativos, que no lo son).
Probar: El modelo se ejecuta sobre contenido de prueba y predice qué es y qué no.
Verificar: Una persona revisa las predicciones y confirma o corrige, para afinar el modelo.
Publicar: Cuando la precisión se estabiliza, se publica y queda disponible para las directivas.
Solo funcionan con elementos no cifrados: si el contenido está cifrado, el clasificador no puede leerlo.
SIT frente a clasificador entrenable
| Tipo de información confidencial | Clasificador entrenable | |
|---|---|---|
| Cómo reconoce | Patrones, palabras clave, funciones | Aprendizaje automático sobre ejemplos |
| Bueno para | Datos con formato: números, códigos, identificadores | Tipos de documento o de mensaje sin formato fijo |
| Pregunta que responde | ¿Contiene este dato concreto? | ¿Qué clase de contenido es? |
| Ejemplo | Número de pasaporte | Contrato, currículum, acoso |
Content explorer y Activity explorer
Una vez clasificados los datos, el administrador necesita ver el resultado. Dos herramientas responden dos preguntas distintas:
Content explorer · ¿qué hay y dónde?
Instantánea de los elementos con etiqueta de confidencialidad, etiqueta de retención o clasificados como SIT, y su ubicación (Exchange, SharePoint, OneDrive…). Permite ver el contenido escaneado, por eso su acceso está muy restringido a grupos de roles específicos: uno para ver la lista de elementos y otro para ver su contenido. En el portal actual de Purview aparece como Data explorer.
Activity explorer · ¿qué se hace con ello?
Historial de acciones sobre el contenido etiquetado o clasificado: etiquetas aplicadas, cambiadas o quitadas, bajadas de etiqueta (de Confidencial a Público), archivos copiados a USB o a una red, impresiones. Recibe señales de DLP para endpoints.
Para recordarlo: Content = contenido (estado); Activity = actividad (acciones).
Dónde se usa la clasificación
Etiquetas de confidencialidad
Etiquetado automático o recomendado cuando se detecta un SIT o un clasificador.
DLP
Condiciones de las directivas: bloquear el envío si el correo contiene números de tarjeta.
Retención
Aplicar automáticamente etiquetas de retención a contenido que coincide.
Cumplimiento de comunicaciones y riesgo interno
Detectar mensajes inapropiados o la salida de contenido sensible.
También se aplican a las interacciones con IA: los mismos SIT detectan datos sensibles en prompts y respuestas de Microsoft 365 Copilot.
Escenarios de examen
| Situación | Respuesta | Por qué |
|---|---|---|
| Detectar números de tarjeta de crédito en correos y archivos | SIT integrado | Patrón conocido con validación de suma de comprobación. |
| Detectar IDs de empleado con un formato propio (EMP-123456) | SIT personalizado | Expresión regular definida por la organización. |
| Detectar solo los números de historial de pacientes que existen en tu base de datos | Exact data match (EDM) | Compara con valores exactos, menos falsos positivos. |
| Reconocer contratos aunque no tengan un patrón fijo | Clasificador entrenable | Reconoce el tipo de documento por su contenido. |
| Detectar acoso o amenazas en mensajes | Clasificador entrenable preentrenado | Microsoft ya los entrena. |
| Ver cuántos documentos con datos de salud hay y en qué sitios | Content explorer | Instantánea de qué hay y dónde. |
| Ver quién bajó la etiqueta de un documento de Confidencial a General | Activity explorer | Registra acciones sobre el contenido. |
| Detectar formularios estándar de la empresa, como una solicitud de patentes | Huella digital de documento | Crea un SIT a partir de una plantilla de formulario. |
Trampas frecuentes del examen
❓ Se quiere detectar contratos que no siguen ningún patrón fijo. ¿SIT o clasificador entrenable?
Clasificador entrenable: reconoce el tipo de documento con aprendizaje automático. Los SIT buscan patrones.
❓ ¿Se puede editar un SIT integrado?
No. Se puede copiar y modificar la copia como SIT personalizado.
❓ Un usuario baja un documento de Confidencial a Público. ¿Dónde lo ve el administrador?
En Activity explorer. Content explorer muestra qué contenido hay, no la actividad.
❓ ¿Cualquier administrador de cumplimiento puede ver el contenido en Content explorer?
No. El acceso está restringido a grupos de roles específicos, porque permite leer contenido sensible.
❓ ¿Un clasificador entrenable puede analizar un documento cifrado?
No. Solo funciona con elementos no cifrados.
❓ ¿Qué reduce falsos positivos al buscar datos de clientes reales?
Exact data match (EDM), que compara con los valores exactos de tu base de datos.
❓ ¿Un nivel de confianza alto detecta más coincidencias?
No. Detecta menos, pero con menos falsos positivos. Uno bajo detecta más, con más falsos positivos.
¿Entendiste este tema?
Pon a prueba lo que acabas de aprender
Una aseguradora quiere detectar solo los números de póliza que existen en su base de datos de clientes, no cualquier número con ese formato. ¿Qué usa?
¿Listo para poner a prueba "Clasificación de datos"?
Preguntas originales, cada una con su explicación.
Empezar un simulacro