[3]
Veri güvenliğine ilişkin yükümlülükler
MADDE-12 (1)Veri sorumlusu,
a) Kişisel verilerin hukuka aykırı olarak işlenmesini önlemek,
b) Kişisel verilere hukuka aykırı olarak erişilmesini önlemek,
c) Kişisel verilerin muhafazasını sağlamak,
amacıyla uygun güvenlik düzeyini temin etmeye yönelik gerekli her türlü teknik ve idari tedbirleri almak zorundadır.
b.Teknik Tedbirler:
Aon teknik tedbirler kapsamında;
a.Kişisel veri güvenliğinin takibi amacı ile kurulan sistemler kapsamında gerekli iç kontrolleri yapar ve kişisel veri güvenliğini sağlamak için veri yedekleme stratejilerini geliştirir.
b.Kurulan sistemler kapsamında bilgi teknolojileri risk değerlendirmesi ve iş etki analizinin gerçekleştirilmesi süreçlerini yürütür.
c.Verilerin kurum dışına sızmasını engelleyecek veyahut gözlemleyecek teknik altyapının temin edilmesini ve ilgili matrislerin oluşturulmasını sağlar. Siber güvenliğin (ağ güvenliği, uygulama güvenliği, anti-virüs sistemleri de dâhil olmak üzere) sağlanması için gerekli yazılımların mevcut ve güncel olmasını sağlar.
d.Düzenli olarak ve ihtiyaç oluştuğunda sızma testi hizmeti alarak sistem zafiyetlerinin kontrolünü sağlar.
e.Bilgi teknolojileri birimlerinde çalışanların kişisel verilere erişim yetkilerinin kontrol altında tutulmasını sağlar.
f.Fiziksel ortamlarda saklanan kişisel veriler için ise gerekli fiziksel güvenlik önlemleri alır.
g.Kanun’un 12. maddesi uyarınca, kişisel verilerin saklandığı her türlü dijital ortam, bilgi güvenliği gereksinimlerini sağlayacak şekilde korunur.
III. PERSONEL
Kişisel veri saklama ve imha sürecinde yer alan personelin unvanlarına, birimlerine ve görev tanımlarına işbu Politika’nın EK-1’nde yer alan listeden ulaşabilirsiniz.)
IV. KİŞİSEL VERİLERİN İMHA USULLERİ
Aon tarafından KVKK ve diğer ilgili mevzuata uygun olarak elde edilen kişisel veriler Kanun ve Yönetmelik’te sayılan kişisel veri işleme amaçlarının ortadan kalkması halinde Aon tarafından re’sen yahut İlgili Kişinin başvurusu üzerine yine Kanun ve ilgili mevzuat hükümlerine uygun olarak aşağıda belirtilen teknikler ile imha edilebilecektir.
- Kişisel Verilerin Silinmesi ve Yok Edilmesi Teknikleri:
Aon tarafından kişisel verilerin silinmesi ve yok edilmesi tekniklerine ilişkin usul ve esaslar aşağıda sayılmıştır:
Kişisel Verilerin Silinmesi:
Yazılımdan Güvenli Olarak Silme: Tamamen veya kısmen otomatik olan yollarla işlenen ve dijital ortamlarda muhafaza edilen veriler silinirken; İlgili Kullanıcılar için hiçbir şekilde erişilemez ve tekrar kullanılamaz hale getirilecek biçimde verinin ilgili yazılımdan silinmesine ilişkin yöntemler kullanılır.
Bulut sisteminde ilgili verilerin silme komutu verilerek silinmesi; merkezi sunucuda bulunan dosya veya dosyanın bulunduğu dizin üzerinde ilgili kullanıcının erişim haklarının kaldırılması; veri tabanlarında ilgili satırların veri tabanı komutları ile silinmesi; veya taşınabilir medyada yani flash ortamında bulunan verilerin uygun yazılımlar kullanılarak silinmesi bu kapsamda sayılabilecektir.
Ancak, kişisel verilerin silinmesi işlemi, diğer verilere de sistem içerisinde erişilememe ve bu verileri kullanamama sonucunu doğuracak ise, aşağıdaki koşulların sağlanması kaydıyla, kişisel verilerin ilgili kişiyle ilişkilendirilemeyecek duruma getirilerek arşivlenmesi halinde de kişisel veriler silinmiş sayılacaktır.
- Başka herhangi bir kurum, kuruluş veyahut kişinin erişimine kapalı olması,
- Kişisel verilere yalnızca yetkili kişiler tarafından erişilmesini sağlayacak şekilde gerekli her türlü teknik ve idari tedbirlerin alınması.
Uzman Tarafından Güvenli Olarak Silme: Bazı durumlarda kendisi adına kişisel verileri silmesi için bir uzman ile anlaşabilir. Bu durumda, kişisel veriler bu konuda uzman olan kişi tarafından İlgili Kullanıcılar için hiçbir şekilde erişilemez ve tekrar kullanılamaz hale getirilecek biçimde güvenli olarak silinir.
Kâğıt Ortamında Bulunan Kişisel Verilerin Karartılması: Kişisel verilerin amaca yönelik olmayan kullanımını önlemek veya silinmesi talep edilen verileri silmek için ilgili kişisel verilerin fiziksel olarak kesilerek belgeden çıkartılması veya geri döndürülemeyecek ve teknolojik çözümlerle okunamayacak şekilde sabit mürekkep kullanılarak görünemeyecek hale getirilmesi, kapatılması yöntemidir.
Kişisel Verilerin Yok Edilmesi:
De-manyetize Etme: Manyetik medyanın yüksek manyetik alanlara maruz kalacağı özel cihazlardan geçirilerek üzerindeki verilerin okunamaz bir biçimde bozulması yöntemidir. Dikkat edilmelidir ki bu yöntemle yok etme başarılı olmaz ise ancak medyanın fiziksel olarak yok edilmesi ile yok etme işlemi tamamlanmış olabilecektir.
Fiziksel Yok Etme: Kişisel veriler herhangi bir veri kayıt sisteminin parçası olmak kaydıyla otomatik olmayan yollarla da işlenebilmektedir. Bu tür veriler yok edilirken kişisel verinin sonradan kullanılamayacak biçimde fiziksel olarak yok edilmesi sistemi uygulanmaktadır. Kâğıt ve mikrofiş ortamındaki verilerin yok edilmesi de, başka bir şekilde yok edilmeleri mümkün olmadığından bu şekilde gerçekleştirilmelidir.
Üzerine Yazma: Üzerine yazma yöntemi, özel yazılımlar aracılığı ile manyetik medya ve yeniden yazılabilir optik medya üzerinden en az yedi kez 0 ve 1’lerden oluşan rastgele veriler yazılarak eski verinin okunabilmesi ve kurtarılabilmesini imkânsızlaştıran veri yok etme yöntemidir
Yukarıda sayılan durumlar gerçekleşmesi sırasında Aon; KVKK, Yönetmelik ve ilgili diğer mevzuat hükümlerine veri güvenliğinin sağlanması amacıyla tam uyum sağlamakta ve gerekli tüm idari ve teknik tedbirleri almaktadır.
b. Kişisel Verilerin Anonim Hale Getirilmesi Teknikleri:
Aon tarafından kişisel verilerin anonim hale getirilmesi tekniklerine ilişkin usul ve esaslar aşağıda sayılmıştır:
Değer Düzensizliği Sağlamayan Anonim Hale Getirme Yöntemleri
Değer düzensizliği sağlamayan anonim hale getirme yöntemleri, saklanmakta olan kişisel verilerde bir değişiklik veya ekleme/çıkarma yapılmaksızın; herhangi bir kişisel veri grubunun genelleme, birbiri ile yer değiştirme veya gruptan belirli bir veri veya alt veri grubunun çıkarılması ile uygulanan anonimleştirme yöntemleridir.
Değişken Çıkartma: Betimleyici nitelikteki verilerin çıkartılması yöntemi ile toplanılan verilerin bir araya getirilmesinden sonra oluşturulan veri setindeki değişkenlerden “yüksek dereceli betimleyici” olanlar çıkarılarak mevcut veri seti anonim hale getirilmektedir.
Örneğin, aşağıdaki tabloda veri setindeki değişkenlerden yüksek derecede betimleyici olan veri gruplarının çıkartılması ile anonimleştirme sağlanmıştır.
Çalışanın Adı |
Yaşadığı İl |
Yaşadığı İlçe |
Yaşadığı Mahalle |
Pozisyonu |
Aylık Geliri |
Kıdemi(Yıl) |
Zehra |
İstanbul |
Beylikdüzü |
Alibey |
Hizmetli |
1750 TL |
12 |
Kazım |
Ankara |
Çankaya |
Söğütözü |
İşçi |
1800 TL |
8 |
Ahmet |
İzmir |
Alsancak |
Kordon |
Mühendis |
7500 TL |
7 |
Mehmet |
İstanbul |
Kasımpaşa |
Gültürk |
İşçi |
1550 TL |
5 |
Selma |
İstanbul |
Beşiktaş |
Abbasağa |
Mimar |
3250 TL |
4 |
Kayıtları Çıkartma: Kayıttan çıkarma yönteminde veriler arasında tekillik ihtiva eden veri satırı kayıtlar arasından çıkarılarak saklanan veriler anonim hale getirilmektedir. Örneğin, bir şirkette tek kıdemli müdür var ise bu kişiye ait verilerin birbirleri ile aynı kademede bulunan çalışanların kıdem, maaş ve cinsiyet verilerinin tutulduğu kayıtlardan çıkarılması ile kalan veriler anonim hale getirilebilecektir.
Bölgesel Gizleme: Bölgesel gizleme yönteminde ise tek bir verinin çok az görülebilir bir kombinasyon yaratması sebebi ile belirleyici niteliği mevcut ise ilgili verinin gizlenmesi anonimleştirmeyi sağlamaktadır. Örneğin, şirketin futbol takımının yedek listesinde olan ilgili veri sorumluları arasında yalnızca bir kişi 65 yaşında ise yaş, cinsiyet ve sağlık durumu yönünden futbol oynayabilecek olup olmadığı bilgisinin birlikte saklandığı bir veri kümesinde ‘Yaş:65’ yerine ‘Bilinmiyor’ yazılması veya bu kısmın boş bırakılması anonimleştirmeyi sağlayacaktır.
Alt ve Üst Sınır Kodlama: Alt ve üst sınır kodlaması yöntemi ile önceden tanımlanmış kategorilerin yer aldığı bir veri grubundaki değerlerin belirli bir ölçüt belirlenerek birleştirilmesiyle anonim hale getirilmektedir.
Örneğin, bir işyerinde çalışan personelin işyerindeki çalışma yılının 5 yıldan az, 5 ile 10 yıl arasında veya 10 yıldan çok olmasına göre (çok deneyimli), (deneyimli) ya da (deneyimsiz) olarak birleştirilerek anonim hale getirilebilir.
Çalışanın Pozisyonu |
Yaşı |
Cinsiyeti |
Aylık Geliri |
Kıdemi (Yıl) |
Pazarlama Uzmanı |
43 |
E |
5500 TL |
12 |
Sekreter |
26 |
K |
1800 TL |
3 |
Müdür Yardımcısı |
32 |
E |
3800 TL |
8 |
Müdür |
42 |
K |
6500 TL |
13 |
Hizmetli |
45 |
K |
1600 TL |
4 |
Satış Danışmanı |
32 |
E |
4500 TL |
7 |
İkinci örnekte ise kıdem değişkenine belirlenen yıl ölçütüne göre alt ve üst sınır kodlaması uygulanarak üç kategoriye halinde anonimleştirilmiş şeklini göstermektedir.
Çalışanın Pozisyonu |
Yaşı |
Cinsiyeti |
Aylık Geliri |
Kıdemi |
Pazarlama Uzmanı |
43 |
E |
5500 TL |
Çok Deneyimli |
Sekreter |
26 |
K |
1800 TL |
Deneyimsiz |
Müdür Yardımcısı |
32 |
E |
3800 TL |
Deneyimli |
Müdür |
42 |
K |
6500 TL |
Çok Deneyimli |
Hizmetli |
45 |
K |
1600 TL |
Deneyimsiz |
Satış Danışmanı |
32 |
E |
4500 TL |
Deneyimli |
Genelleştirme: Veri toplulaştırma yöntemi ile birçok veri toplulaştırılmakta ve kişisel veriler herhangi bir kişiyle ilişkilendirilemeyecek hale getirilmektedir. Örneğin; çalışanların yaşlarının tek tek göstermeksizin X yaşında Z kadar çalışan bulunduğunun ortaya konulması.
Global Kodlama: Veri türetme yöntemi ile kişisel verinin içeriğinden daha genel bir içerik oluşturulmakta ve kişisel verinin herhangi bir kişiyle ilişkilendirilemeyecek hale getirilmesi sağlanmaktadır. Örneğin; doğum tarihleri yerine yaşların belirtilmesi; açık adres yerine ikamet edilen bölgenin belirtilmesi.
Çalışanın Pozisyonu |
İkamet Adresi |
Çocuğu |
Aylık Geliri |
Kıdemi(Yıl) |
Hizmetli |
Atakent Mah. Çiçek Sok. 45/5 İkitelli, İstanbul |
Var |
1750 TL |
12 |
İşçi |
Söğütözü Mah. Aydın Sok. 38/3 Çankaya, Ankara |
Yok |
1800 TL |
8 |
Mühendis |
Kozyatağı Mah. Çanlı Sok. 25/9 Göztepe, İstanbul |
Yok |
7500 TL |
7 |
İşçi |
Türkali Mah. Asmalı Sok. 19/3 Beşiktaş, İstanbul |
Var |
1550 TL |
5 |
Aşağıdaki tabloda veri türetme yoluyla anonimleştirme yöntemi uygulanmıştır:
Çalışanın Pozisyonu |
İkamet Edilen Bölge |
Çocuğu |
Aylık Geliri |
Kıdemi(Yıl) |
Hizmetli |
İstanbul Avrupa Yakası |
Var |
1750 TL |
12 |
İşçi |
Ankara Güney Bölge |
Yok |
1800 TL |
8 |
Mühendis |
İstanbul Anadolu Yakası |
Yok |
7500 TL |
7 |
İşçi |
İstanbul Avrupa Yakası |
Var |
1550 TL |
5 |
Değer Düzensizliği Sağlayan Anonim Hale Getirme Yöntemleri
Değer düzensizliği sağlayan anonim hale getirme yöntemlerinde değer düzensizliği sağlamayanların aksine kişisel veri gruplarında bazı verilerin değiştirilmesi ile bozulma yaratmaktadır. Bu yöntemler kullanılırken elde edilmesi beklenen/istenen fayda doğrultusunda sapmaların dikkatli uygulanması gerekecektir. Toplam istatistiklerin bozulmaması sağlanarak veriden beklenen fayda sağlanmaya devam edilebilir.
Gürültü Ekleme: Verilere gürültü ekleme yöntemi özellikle sayısal verilerin ağırlıklı olduğu bir veri setinde mevcut verilere belirlenen oranda artı veya eksi yönde birtakım sapmalar eklenerek veriler anonim hale getirilmektedir. Örneğin, kilo değerlerinin olduğu bir veri grubunda (+/−) 3 kg sapması kullanılarak gerçek değerlerin görüntülenmesi engellenmiş ve veriler anonimleştirilmiş olur. Sapma her değere eşit ölçüde uygulanır.
Mikro Birleştirme: Mikro birleştirme yönteminde tüm veriler ilk olarak anlamlı bir sıraya dizilerek (büyükten küçüğe gibi) gruplara ayrılıp, grupların ortalaması alınarak elde edilen değer mevcut gruptaki ilgili verilerin yerine yazılarak anonimleştirme sağlanmış olacaktır.
Örneğin, maaş bilgisi için; 10.000 TL altı ve üstü iki grup yapılır ise, 10.000 ve daha az maaş alan kişilerin maaşlarının toplamı kişi sayısına bölünür ve 10.000 TL altında maaş alan herkesin maaş kümesine elde edilen bu değer yazılır.
Veri Değiş Tokuşu: Veri değiş tokuşu yönteminde saklanan veriler içerisinden seçilen çiftler arasında bir değişkenin değerleri birbiri ile değiştirilir. Genel olarak kategorize edilebilen veriler için kullanılan bu yöntemde amaç veri sahiplerine ait verilerin birbirleri ile değiştirilerek veri tabanının dönüştürülmesidir.
Örneğin, aşağıdaki tabloda ‘Yaş: 45’, ‘Cinsiyet: Kadın’, ‘İl: Ankara’ verileri bulunan kişilere ait gelir bilgisi ‘Yaş: 30’, ‘Cinsiyet: Kadın’, ‘İl: İzmir’ olanlar ve ‘Yaş: 25’, ‘Cinsiyet: Erkek’ ‘İl: İzmir’ olanların gelir bilgileri ile ‘Yaş:35’, ‘Cinsiyet: Erkek’ ‘İl: İstanbul’ olanların gelir bilgileri birbirleri içerisinde değiştirilerek veri tabanı dönüştürülmüştür.
Yaş |
Cinsiyet |
İl |
Gelir |
45 |
Kadın |
Ankara |
30.000 |
30 |
Kadın |
İzmir |
20.000 |
25 |
Erkek |
İzmir |
15.000 |
35 |
Erkek |
İstanbul |
25.000 |
55 |
Erkek |
İzmir |
18.000 |
24 |
Erkek |
İzmir |
40.000 |