Skip to Content
Open-Source-Data-Governance-Plattform

Finden.Schützen.Nutzen.

Classifyre findet personenbezogene Daten und Secrets in den Systemen, die Sie bereits betreiben, maskiert sie automatisch und lässt Ihr Team alles mit SQL, Excel und Power BI abfragen. Jeder Lesezugriff wird protokolliert. Nichts verlässt Ihre Server.

Keine Anmeldung. Ein Docker-Befehl. Ihre Daten bleiben bei Ihnen.
Classifyre
SELECT * FROM crm.customers
Person · 0,97namegeschwärzt
IBAN · 0,99ibanletzte vier
E-Mail · 0,98emailgehasht
Secret · 0,96api_tokenausgeblendet
Anna BergergeschwärztAT61 1904 3002 3457 3201••••3201[email protected]5fc7613cacc41469tok_7Qe2x9
Lukas HofergeschwärztAT48 3200 0000 1234 5864••••5864[email protected]8169dd18e1635846tok_m81Kp3
Marie NovakgeschwärztDE89 3704 0044 0532 0130 00••••3000[email protected]8a84971c7a971d8atok_x0Pd5a
Jonas WebergeschwärztAT02 2011 1000 0123 4567••••4567[email protected]2f122056582e0a94tok_Zt4w8c
Lesen als

1 Spalte ausgeblendet. Personenbezogene Spalten sind in der Abfrage maskiert. Die Token-Spalte ist ausgeblendet.

  1. VerbindenIceberg-Tabellen via S3
  2. ErkennenAWS-Schlüssel · 0,96
  3. VerwaltenSecret ausgeblendet
  4. FreigebenAnfrage genehmigt
  5. Teilenorders + customers
  6. BI anbindenExcel · eigener Login
  7. ProtokollierenAgent liest · MCP
Hier starten
docker run -d --name classifyre \  -p 3000:3000 \  --shm-size=1g \  -v classifyre-pgdata:/var/lib/postgresql/data \  -v classifyre-data:/var/lib/classifyre \  -v classifyre-uv-cache:/cache/uv \  classifyre/all-in-one:0.9.0
Das Problem

Ihre Daten sind wertvoll. Und voller personenbezogener Daten.

Jedes Team will die Zahlen. Jede Tabelle, die sie enthält, enthält auch Namen, Konten, Adressen und das eine oder andere Passwort. Also wird Zugriff zur Verhandlung, und die Verhandlung endet in einer Tabellenkalkulation.

Der Classifyre-Ermittler im Trenchcoat kratzt sich am Kopf über ein unbeantwortbares Fragezeichen
Abb. 01: sechs Systeme, überall personenbezogene Daten, keine Linie, wer was sehen darf
  • Feldnotiz 01

    Wer darf diese Spalte sehen?

    Die Finanzabteilung will die Kundendatenbank. Welche ihrer 212 Tabellen enthalten personenbezogene Daten? Niemand weiß es, also wartet das Ticket, oder alle bekommen alles.

  • Feldnotiz 02

    Schick mir einfach den Export

    Daten gehen per CSV und geteiltem Datenbankpasswort hinaus. Sechs Kopien später weiß niemand, wo die Kundenliste liegt oder wer sie noch hat.

  • Feldnotiz 03

    Weisen Sie es der Prüferin nach

    Wer hat im letzten Quartal die Gehaltstabellen gelesen, mit welchem Werkzeug? Ohne Protokoll jedes Zugriffs lautet die ehrliche Antwort: Wir wissen es nicht.

Das Problem

Es ist jedes Mal dasselbe Muster: nützliche Daten weggesperrt, weil niemand sagen kann, was darin personenbezogen ist, oder ganz herausgegeben, weil niemand Zeit hatte, Nein zu sagen. Standardmäßig maskiert, bewusst freigegeben, jeder Zugriff protokolliert: Das ist der Ausweg.

Liest 40+ Systeme direkt an der Quelle · nie kopiertZum Quellenkatalog →
Custom Connector
Sandbox
WordPress
Slack
S3-Compatible Storage
Azure Blob Storage
Google Cloud Storage
PostgreSQL
MySQL
Microsoft SQL Server
Oracle
Apache Hive
Databricks
Snowflake
Dremio
MongoDB
Neo4j
Power BI
Tableau
Confluence
Jira
Jira Service Management
Notion
Email
YouTube
Reddit
Iceberg REST Catalog
DuckLake
Trino / Starburst
ODBC
Amazon Athena
Google BigQuery
Amazon Redshift
Apache Kafka
Elasticsearch
OpenSearch
Meilisearch
Mounted Folder
Microsoft 365
Google Workspace
Dropbox
Hugging Face
Git Repository
Custom Connector
Sandbox
WordPress
Slack
S3-Compatible Storage
Azure Blob Storage
Google Cloud Storage
PostgreSQL
MySQL
Microsoft SQL Server
Oracle
Apache Hive
Databricks
Snowflake
Dremio
MongoDB
Neo4j
Power BI
Tableau
Confluence
Jira
Jira Service Management
Notion
Email
YouTube
Reddit
Iceberg REST Catalog
DuckLake
Trino / Starburst
ODBC
Amazon Athena
Google BigQuery
Amazon Redshift
Apache Kafka
Elasticsearch
OpenSearch
Meilisearch
Mounted Folder
Microsoft 365
Google Workspace
Dropbox
Hugging Face
Git Repository
So funktioniert es

Von der Rohtabelle zum geteilten Datensatz.

Folgen Sie den Daten durch Classifyre: gefunden, wo sie liegen, direkt abgefragt, verwaltet, in den Werkzeugen genutzt, die Ihr Team schon hat, maskiert für alle, die sie nicht sehen sollen, und bewusst geteilt.

  1. 01Verbinden & erkennen

    Personenbezogene Daten und Secrets dort finden, wo sie liegen

    Verbinden Sie Datenbanken, Lakehouses, Buckets und SaaS-Werkzeuge; Classifyre liest sie direkt an der Quelle, nichts wird in ein weiteres Data Warehouse kopiert. Mitgelieferte Detektoren suchen nach 41 Arten personenbezogener Daten, darunter österreichische, deutsche und Schweizer Kennungen, und 27 Arten von Secrets. Eigene Detektoren per Regex, Modell oder Prompt.

    Jeder Fund hat einen Score und eine schriftliche Begründung, also kann die Datenschutzbeauftragte ihn prüfen und das Security-Team das Aufräumen priorisieren. Die so entstandene Klassifizierung ist das, dem die Masken später folgen.

    • 40+ Quelltypen
    • 41 PII-Arten · 27 Secret-Muster
    • Score und Begründung bei jedem Fund
    Detektor-Pakete ansehen →
    Scan · 3 Quellen
    • crmPostgreSQL
      Gescannt
    • wikiConfluence
      Gescannt
    • exportsParquet in S3
      Gescannt
    Funde, gewichtet
    • IBANcrm.customers.iban · Gültige Prüfsumme in 4.211 von 4.215 Zeilen0.99
    • AWS access keywiki / Deploy notes · Schlüssel und Secret auf derselben Seite0.96
    • AT SVNRexports/2026-10.parquet · Prüfziffer gültig, Spalte heißt svnr0.93
    • Emailcrm.tickets.body · Adressen im Freitext, 312 Tickets0.81

    crm.customers.iban als personenbezogen klassifiziert · ab der nächsten Abfrage maskiert

    Personenbezogene Daten in drei Quellen gefunden, mit Begründung gewichtet.
  2. 02Über Quellen abfragen

    Jedes System mit einer SQL-Abfrage befragen

    Stellen Sie Fragen über die Systeme, die Sie schon haben: PostgreSQL, MySQL, Databricks sowie Delta-, Iceberg- und Parquet-Dateien in S3, Azure oder Google Cloud Storage. Bis zu acht Quellen in einer Abfrage verknüpfen. Jede Abfrage läuft neben den Daten; nichts wird vorher zentral geladen.

    Ergebnisse landen dort, wo Menschen arbeiten: auf der SQL-Seite, als Export nach Excel, CSV und Parquet bis zu einer Million Zeilen, oder direkt im BI-Werkzeug.

    • Bis zu 8 Quellen pro Abfrage
    • Delta · Iceberg · Parquet · CSV
    • Exporte bis 1 Mio. Zeilen
    Daten abfragen →
    Daten abfragen
    crm · PostgreSQL
    lake · Parquet in S3
    ▶ Ausführen
    SELECT c.email, c.city, sum(o.amount) AS revenue
    FROM crm.customers c
    JOIN lake.orders o ON o.customer_id = c.id
    GROUP BY 1, 2;
    3 Zeilen · 2 Quellen verknüpft · E-Mail gehasht
    emailcityrevenue
    5fc7613cacc41469Graz4,812.40
    8169dd18e1635846Linz1,130.00
    8a84971c7a971d8aWien2,977.15
    Eine PostgreSQL-Tabelle mit Parquet-Dateien in einem Bucket verknüpft.
  3. 03Governance

    Governance: Owner, Vertrag und Verlauf für jede Tabelle

    Eine verwaltete Tabelle hat einen Owner, Stewards und einen Custodian, eine Klassifizierung für jede Spalte und einen Status von Entwurf bis zertifiziert. Qualitätsregeln prüfen sie nach Zeitplan: fehlende Werte, ungültige IBANs, Duplikate, Zeilenzahlen oder beliebiges SQL. Die Vereinbarung lässt sich als ODCS-Datenvertrag exportieren.

    Die Nutzung zeigt, wer die Tabelle mit welchem Werkzeug liest; die Aktivität zeigt jeden Zugriff und jede Änderung, alter Wert neben neuem. Wenn die Prüferin fragt, steht die Antwort schon da.

    • Owner, Stewards, Custodians
    • Qualitätsregeln nach Zeitplan
    • ODCS-Datenverträge
    • Jeder Zugriff und jede Änderung protokolliert
    Verwaltete Assets →
    crm.customers · Governance
    Zertifiziert5 von 5 erledigt✓ Zertifiziert

    Verantwortung

    • OwnerGruppeFinanzen
    • StewardGruppeDatenbüro
    • CustodianGruppeIT-Plattform

    Spalten

    SpalteKlassifizierungZugriff
    ibanPersonenbezogenMaskiert · letzte vier
    emailPersonenbezogenMaskiert · gehasht
    api_tokenSecretAusgeblendet

    Qualität

    + Regel hinzufügen
    • email · Fehlende Werte = 0
    • Zeilenzahl ≥ 4.000
    • Spalte prüfen · iban · Ungültige Werte ≤ 0,5 %
    Jetzt ausführen0,1 % ungültig · bestanden

    Nutzung · letzte 30 Tage

    Lesezugriffe
    1.284
    Exporte
    37
    Lesende
    14

    Über: SQL-Verbindungen, die App, MCP

    ↓ Datenvertrag exportieren
    apiVersion: v3.2.0
    kind: DataContract
    status: active
    team: [Finanzen, Datenbüro]
    schema:
    - name: customers
    properties:
    - name: iban
    classification: personal
    quality:
    - type: library
    metric: invalidValues
    mustBeLessThan: 0.5
    Owner, Steward und Custodian zugewiesen, Zugriff gesetzt, eine Qualitätsregel ausgeführt, die Tabelle zertifiziert, der Vertrag exportiert.
  4. 04Power BI & Excel

    Power BI und Excel ohne geteiltes Passwort anbinden

    Classifyre antwortet wie eine PostgreSQL-Datenbank. Jede Person legt ihre eigene SQL-Verbindung an, verschlüsselt und befristet, und verbindet Power BI, Excel, Tableau oder DBeaver damit. Kein Dienstkonto mit dem Schlüssel zu allem, kein Passwort in einer Berichtsdatei.

    Die Verbindung trägt die Rechte der Person: die Tabellen, die sie abfragen darf, die Zeilen ihrer Gruppe, die Masken auf jeder personenbezogenen Spalte. Widerrufen, und der Bericht stoppt.

    • Eine persönliche Verbindung pro Werkzeug
    • Nur TLS, befristet, widerrufbar
    • Das Protokoll nennt das Werkzeug
    SQL-Verbindungen →
    SQL-Verbindungen · Neue Verbindung
    Name
    Power BI
    Tabellen
    crm.customers, sales.orders
    Läuft ab
    in 90 Tagen
    Angelegt
    Server=sql.example.at:5432;Database=finance;User=lena_power_bi;SSL=verify-full
    Kundenbericht · über SQL-Verbindung Power BI
    Graz
    Linz
    Wien
    Salzburg
    redacted••••32011,240.00
    redacted••••5864312.50
    redacted••••300088.90

    09:14 · Lena las crm.customers über SQL-Verbindung Power BI

    Eine persönliche Verbindung, genutzt aus einem BI-Bericht, weiterhin maskiert.
  5. 05Maskieren pro Person

    Maskiert für die eine Person, Klartext für die andere

    Personenbezogene Spalten sind standardmäßig maskiert: geschwärzt, letzte vier, gehasht und trotzdem verknüpfbar, oder ausgeblendet. Masken greifen in der Abfrage, also kommt kein WHERE und kein JOIN an ihnen vorbei. Nur eine Gruppe mit Data reader, unmasked liest Klartext, für eine Quelle oder eine Tabelle, mit Ablaufdatum. Admins haben das standardmäßig nicht.

    Die gehashte Maske ist Pseudonymisierung im Sinne der DSGVO, keine Anonymisierung: Gleiche Werte ergeben denselben Hash, also können Analysten Personen verknüpfen und zählen, ohne zu lesen, wer sie sind. Unten läuft es: dieselben Abfragen, von einer Analystin und einem Data Steward der Finanzabteilung.

    • Standardmäßig maskiert
    • Geschwärzt · letzte vier · gehasht · ausgeblendet
    • Pseudonymisierung, keine Anonymisierung
    • Klartext ist eine eigene Freigabe
    So funktioniert die Maskierung →
    SELECT city, count(DISTINCT email) AS customers
    FROM crm.customers
    GROUP BY city;
    ▶ Ausführen

    Lena, Analystin

    Data reader

    citycustomers
    Graz1
    Linz1
    Wien1
    Salzburg1
    4 Zeilen

    Tom, Data Steward Finanzen

    Data reader, unmasked

    citycustomers
    Graz1
    Linz1
    Wien1
    Salzburg1
    4 Zeilen

    Zählen funktioniert auf maskierten Spalten. Die Antwort ist brauchbar; die Person dahinter bleibt verdeckt.

    Maskierte Daten zu lesen ist eine eigene Freigabe, mit Ablaufdatum, und sie ist protokolliert.
  6. 06Teilen

    Einen Datensatz teilen, der Ihre Quellen verknüpft

    Verknüpfen Sie Tabellen aus verschiedenen Systemen zu einem geteilten Datensatz (Kunden aus dem CRM, Bestellungen aus dem Lake, Rechnungen aus der Finanz) und geben Sie ihn den Gruppen, die ihn brauchen. Ein geteilter Datensatz ist eine verwaltete, gespeicherte Abfrage, keine Kopie: Er liest die Quellen live, und die Masken jeder Eingangstabelle reisen mit, als Untergrenze, die nur steigen kann.

    Das empfangende Team fragt ihn ab wie jede Tabelle, auf der SQL-Seite, in Excel oder in Power BI, und jeder Zugriff ist protokolliert.

    • Joins über Quellen
    • Masken reisen mit
    • Freigabe pro Gruppe, mit Ablaufdatum
    Geteilte Datasets →
    Daten abfragen · Neues geteiltes Dataset
    SELECT c.email AS customer, c.city,
    count(o.id) AS orders, sum(i.amount) AS revenue
    FROM crm.customers c
    JOIN lake.orders o ON o.customer_id = c.id
    JOIN finance.invoices i ON i.order_id = o.id
    GROUP BY 1, 2;
    Gespeichert
    Nameshared.sales.customer_revenue
    Vertrieb RegionenData reader · 90 Tage
    ✓ Geteilt
    shared.sales.customer_revenueVertrieb Regionen liest es · 3 Quellen
    5fc7613cacc41469Graz124,812.40
    8169dd18e1635846Linz41,130.00

    Masken aus den Eingängen behalten: customer gehasht (crm.customers.email)

    Drei Quellen zu einem Datensatz verknüpft, mit einer Gruppe geteilt, Masken behalten.
Wenn etwas abfließt

Das ist der Teil, den die meisten Werkzeuge Ihnen überlassen.

Ein Fall, der sich selbst zusammenstellt
ANALYSTEN-LINKDUPLIKAT-TREFFER · VERSANDTE DATEI = INTERNE DATEIFALL #42 · OFFENGeheimleck per E-MailHYPOTHESE 1Absender: A. NovakHYPOTHESE 2214 Datensätze geleaktEMLIDTAGDUPPER AUTOPILOT
Eine klassifizierte Datei, per Mail nach draußen: Absender zurückverfolgt, Auswirkung eingegrenzt, Duplikat bestätigt, jedes Beweisstück zugeordnet.
  • EMLDie externe Mail selbst: Header, Empfänger, Zeitstempel
  • IDAbsender-Identität über das Verzeichnis hinweg aufgelöst
  • CLASSKlassifizierungsmarkierung im Anhang gefunden
  • DUPInternes Original per Fingerprint bestätigt
Die echte Sache ansehenshowcase.classifyre.com
Wo es ankommt

Die Daten sehen anders aus. Die Regeln sind dieselben.

Classifyre liest, worauf die Organisation läuft; die Branche entscheidet nur, welche Spalten personenbezogen sind und wer sie im Klartext liest.

  • Öffentliche Hand · Länder · StädteTypische DatenRegister, Akten, Statistik, BeschaffungWas sich ändertBezirke fragen ihre eigenen Zeilen ab, personenbezogene Spalten kommen maskiert, die DSB liest das Protokoll
  • Gesundheit · SpitälerTypische DatenAufnahmen, Laborwerte, Dienstpläne, AbrechnungWas sich ändertAnalysten zählen Patienten, ohne zu lesen, wer sie sind
  • Banken · KYCTypische DatenKundenstamm, Transaktionen, KontenWas sich ändertIBANs als letzte vier, gehashte IDs, die trotzdem joinen, ein Protokoll für die Aufsicht
  • VersicherungenTypische DatenSchäden, Polizzen, GesundheitsangabenWas sich ändertAktuare bekommen die Tabellen, nicht die Versicherten
  • BI · Analytics-TeamsTypische DatenWarehouses, Lakehouses, Delta- und Iceberg-TabellenWas sich ändertPower BI und Excel über persönliche Verbindungen statt eines geteilten Passworts
  • Security-TeamsTypische DatenGit, Wikis, Tickets, Buckets, LogsWas sich ändertSchlüssel und Tokens gefunden, begründet gewichtet, zuerst aufgeräumt
  • Revision · ComplianceTypische DatenZugriffsprotokolle, Gehälter, VerträgeWas sich ändertWer welche Tabelle mit welchem Werkzeug wann gelesen hat: ein Filter
  • VorfallbearbeitungTypische DatenMail, Laufwerke, DatenbankenWas sich ändertEin Fingerabdruck über Systeme, bearbeitet als Fall

Jede Zeile ist ein Einstieg, kein eigenes Produkt: darunter liegen dieselben Masken, Freigaben und dasselbe Zugriffsprotokoll.

Ihr Zug

Öffnen Sie Ihre Daten sicher, noch heute Abend.

Richten Sie es auf eine Datenbank, die Sie bereits betreiben. Am Morgen wissen Sie, welche Spalten personenbezogene Daten enthalten, und Ihr Team kann den Rest abfragen. Alles, was Sie einrichten, kommt mit auf Kubernetes.

Heute Abend ein Befehl. Derselbe Kern im großen Maßstab.

Das All-in-one-Image enthält Datenbank, Oberfläche und Scan-Worker; alles bleibt auf Ihrem Rechner. Das Helm-Chart betreibt denselben Kern auf Kubernetes, wenn die Umgebung wächst.

All-in-one-Image · kostenlos · ohne Anmeldung
docker run -d --name classifyre \  -p 3000:3000 \  --shm-size=1g \  -v classifyre-pgdata:/var/lib/postgresql/data \  -v classifyre-data:/var/lib/classifyre \  -v classifyre-uv-cache:/cache/uv \  classifyre/all-in-one:0.9.0
Helm-Chart · skaliert beliebig

Oder auf Kubernetes betreiben

Kurzlebige Scan- und Abfrage-Worker skalieren zwischen den Läufen auf null und so weit, wie Ihre Umgebung reicht. Ihr Cluster, Ihre Daten.

helm install classifyre \
  oci://registry-1.docker.io/classifyre/classifyre-core \
  --version 0.9.0
  1. Heute Abend, auf Ihrem Rechner

    Ein Docker-Befehl. Quellen, Masken und das Zugriffsprotokoll bleiben lokal.

  2. Im großen Maßstab, auf Kubernetes

    Derselbe Kern als Helm-Chart: Worker skalieren zwischen den Läufen auf null.

  3. Wenn es Infrastruktur wird

    Ihr Team oder Ihr Integrator betreibt es. Enterprise schneidet es auf Ihre Organisation zu, bringt OpenShift und ein SLA. Jede Funktion ist schon Open Source.

Klare Antworten

Fragen, die wirklich gestellt werden.

Mehr Detail in der Dokumentation · docs.classifyre.com