Daten-Anonymisierer

Anonymisieren Sie sensible personenbezogene Daten (PII) in CSV- oder JSON-Daten. Erkennt automatisch Namen, E-Mails, Telefonnummern, Sozialversicherungsnummern, Kreditkarten und IPs. Deterministischer Modus verfügbar.

Aktualisiert am

Share:
Home/utility-tools/Data Anonymizer

Data Anonymizer

Anonymize sensitive data in CSV or JSON. Auto-detects PII columns (names, emails, phones, SSNs, credit cards, IPs) and replaces them with realistic fake data.

Load Data

Drag & drop a CSV or JSON file, or click to browse

Häufig gestellte Fragen

Welche personenbezogenen Daten (PII) werden erkannt?

Namen, E-Mail-Adressen, Telefonnummern, Anschriften, Ausweis-/Sozialversicherungsnummern (SSN/ID), Kreditkarten, IP-Adressen und Geburtsdaten – automatisch anhand des Spaltenkopf-Namens erkannt oder manuell zugewiesen.

Werden Daten hochgeladen?

Nein. Die gesamte Anonymisierung läuft in deinem Browser. Keine Daten verlassen deinen Rechner.

Was ist der deterministische Modus?

Dieselbe Eingabe erzeugt über einen mit einem Seed initialisierten PRNG immer dieselbe anonymisierte Ausgabe. So bleibt die referenzielle Konsistenz über deinen gesamten Datensatz erhalten.

Ist der Data Anonymizer kostenlos?

Ja, der Data Anonymizer ist zu 100 % kostenlos, ohne Registrierung, ohne versteckte Gebühren und ohne Nutzungslimits. Die gesamte Verarbeitung erfolgt lokal in deinem Browser und gewährleistet vollständige Privatsphäre.

Funktioniert der Data Anonymizer auf Mobilgeräten?

Ja, der Data Anonymizer ist vollständig responsiv und funktioniert auf Smartphones und Tablets. Du kannst ihn auf jedem Gerät mit einem modernen Webbrowser nutzen – ohne App-Download.

Muss ich ein Konto erstellen, um dieses Tool zu nutzen?

Es ist kein Konto und keine Registrierung erforderlich. Öffne einfach den Data Anonymizer in deinem Browser und beginne sofort mit der Nutzung. Es gibt keine Anmeldeschranken oder Nutzungsbeschränkungen.

Wie verwende ich den Data Anonymizer?

Gib einfach deine Daten in das vorgesehene Feld ein, passe die Einstellungen nach Wunsch an, und das Tool verarbeitet sie sofort. Anschließend kannst du das Ergebnis in die Zwischenablage kopieren oder herunterladen.

Welche Browser werden unterstützt?

Der Data Anonymizer funktioniert in allen modernen Browsern, darunter Chrome, Firefox, Safari, Edge und Opera. Für das beste Erlebnis verwende die neueste Version deines bevorzugten Browsers.

Was ist der Unterschied zwischen Anonymisieren, Maskieren und Schwärzen von Daten?

Schwärzen entfernt einen Wert vollständig und ersetzt ihn durch einen Platzhalter wie [REDACTED], sodass nichts Lesbares übrig bleibt. Maskieren verbirgt einen Teil eines Werts, behält aber seine Form bei, so wie eine Kartennummer nur die letzten vier Ziffern zeigt. Anonymisieren geht weiter: Es ersetzt Werte durch realistische, aber frei erfundene Alternativen — einen anderen Namen, eine fiktive Telefonnummer, ein verschobenes Datum —, sodass die Daten weiterhin wie das Original aussehen und sich so verhalten, sich aber keiner echten Person mehr zuordnen lassen. Dieses Tool beherrscht alle drei Verfahren. Sie wählen pro Spalte eine Regel, darunter Schwärzen für die vollständige Entfernung, Hash für ein stabiles Pseudonym oder kategoriespezifischen Ersatz, der formatkorrekte fiktive Namen, E-Mails, Sozialversicherungsnummern und Adressen erzeugt. Wählen Sie die Strategie, die zur geplanten Nutzung der Daten passt, und exportieren Sie die bereinigte Kopie als CSV oder JSON.

Wie behalte ich dieselbe Person über mehrere Dateien hinweg dem gleichen fiktiven Wert zugeordnet?

Aktivieren Sie den deterministischen Modus, bevor Sie anonymisieren. Standardmäßig zieht jeder Durchlauf neue Zufallswerte, sodass „John Smith" jedes Mal zu einem anderen fiktiven Namen werden könnte. Der deterministische Modus nutzt einen seed-basierten Generator (Standard-Seed 42), sodass dieselbe Eingabe immer dieselbe Ausgabe erzeugt. Das bedeutet, „John Smith" wird in jeder Zeile und jeder Datei, die Sie mit diesem Seed verarbeiten, zum identischen fiktiven Namen, und eine gehashte Kunden-ID stimmt über Tabellen hinweg überein, sodass Ihre Fremdschlüssel und Joins intakt bleiben. Diese referenzielle Konsistenz ist unverzichtbar, wenn eine Person in mehreren verknüpften Datensätzen vorkommt und die Beziehungen die Anonymisierung überstehen müssen. Ändern Sie den Seed, um eine andere, aber ebenso konsistente Zuordnung zu erzeugen. Aktivieren Sie den Schalter für den deterministischen Modus, legen Sie Ihren Seed fest und verarbeiten Sie jede Datei auf dieselbe Weise, um Datensätze verknüpft zu halten.

Wie entscheidet das Tool, welche Spalten personenbezogene Daten enthalten?

Die automatische Erkennung gleicht Ihre Spaltenüberschriften mit bekannten Mustern ab. Eine Überschrift wie email, phone, ssn, dob oder address wird erkannt und noch vor jeder Aktion als PII-Spalte markiert, und erkannte Spalten werden hervorgehoben, damit Sie Ihr Risiko auf einen Blick erkennen. Zu den gesuchten Kategorien zählen Namen, E-Mail-Adressen, Telefonnummern, Postanschriften, Sozialversicherungsnummern und nationale IDs, Kreditkartennummern, IP-Adressen sowie Geburtsdaten. Da die Erkennung auf Spaltennamen statt auf dem Inhalt jeder Zelle beruht, wird eine ungewöhnlich benannte Spalte möglicherweise nicht automatisch erkannt — Sie können jedoch jeder Spalte manuell jede Regel zuweisen, sodass nichts an die automatische Vermutung gebunden ist. Fügen Sie Ihr CSV oder JSON ein, prüfen Sie die hervorgehobenen Spalten, passen Sie Zuweisungen bei Bedarf an und anonymisieren Sie mit der Gewissheit, dass die richtigen Felder abgedeckt sind.

Zerstört die Anonymisierung das Format oder die Struktur meines Datensatzes?

Nein. Das Tool ist darauf ausgelegt, die Struktur zu erhalten: Die Ausgabe behält dieselben Spalten, dieselbe Zeilenzahl und dieselben Wertformate wie Ihr Original. Ersatzwerte sind formatkorrekt, sodass eine fiktive Telefonnummer weiterhin wie eine Telefonnummer aussieht, eine ersetzte Sozialversicherungsnummer das richtige Ziffernmuster behält und eine neu erzeugte E-Mail eine gültige Adresse ist. Für Datumsangaben können Sie die Verschieben-Regel nutzen, die jeden Wert um einen zufälligen Versatz von bis zu 30 Tagen in beide Richtungen verschiebt und so den groben zeitlichen Rahmen erhält, ohne das genaue Datum preiszugeben. Für numerische Spalten wie Gehälter verändert die Rauschen-Regel Werte um bis zu zehn Prozent, sodass die Verteilung realistisch bleibt. So bleiben anonymisierte Daten als Testdaten nutzbar — mit korrekten Datentypen und intakten Beziehungen. Nutzen Sie die Vorher-Nachher-Vorschau, um vor dem Export zu bestätigen, dass die Struktur erhalten geblieben ist.

Was macht die Hash-Option, und wann sollte ich sie statt Schwärzen verwenden?

Die Hash-Regel wandelt einen Wert in die ersten acht Zeichen seines SHA-256-Hashwerts um, berechnet direkt in Ihrem Browser mit der Web-Crypto-API. Anders als Schwärzen, das alles mit [REDACTED] überschreibt und den Wert vollständig verwirft, erzeugt Hashing ein stabiles Pseudonym: Dieselbe Eingabe ergibt immer denselben kurzen String, sodass Sie diese Spalte weiterhin gruppieren, zählen oder verknüpfen können, ohne jemals den echten Bezeichner preiszugeben. Nutzen Sie Hash, wenn Sie Beziehungen erhalten müssen — etwa um Bestellungen über Tabellen hinweg mit einer Kunden-ID zu verknüpfen —, den zugrunde liegenden Wert aber nicht offenlegen dürfen. Nutzen Sie Schwärzen, wenn das Feld keinen analytischen Wert hat und einfach verschwinden soll, etwa eine Freitext-Notizspalte mit vereinzelten personenbezogenen Details. Weisen Sie Ihren Schlüsselspalten Hash zu und dem Rest Schwärzen, und exportieren Sie das Ergebnis anschließend als CSV oder JSON.

Über den Data Anonymizer

Der Data Anonymizer verwandelt eine Tabelle voller persönlicher Daten in eine sichere, teilbare Kopie. Fügen Sie CSV oder JSON ein oder ziehen Sie eine Datei hinein: Das Tool scannt Ihre Spaltenüberschriften, markiert diejenigen, die wie personenbezogene Daten (PII) aussehen, und ersetzt diese Werte durch realistische, frei erfundene Alternativen. Das Ergebnis behält die Struktur Ihrer Originaldaten bei — gleiche Spalten, gleiche Zeilenzahl, gleiche Formate —, enthält aber keine echten Personen mehr. Entwickelt wurde es für Entwickler, die Testdatenbanken befüllen, Analysten, die Stichproben mit Dienstleistern teilen, und alle, die Daten weitergeben müssen, ohne Kundendetails preiszugeben.

Alles läuft direkt in Ihrem Browser ab. Ihre Datei wird lokal über die FileReader-API gelesen und auf Ihrem Gerät verarbeitet — nichts wird auf einen Server hochgeladen. Es gibt keine Registrierung und kein Zeilenlimit, sodass Sie auch einen vertraulichen Kundenexport oder einen Produktions-Extract verarbeiten können, ohne dass er Ihren Rechner verlässt.

Was erkannt wird und wie die Ersetzung funktioniert

Die automatische Erkennung gleicht Spaltennamen mit bekannten Mustern ab, sodass eine Überschrift wie email, phone, ssn oder dob erkannt und markiert wird, noch bevor Sie irgendetwas tun. Zu den erkannten Kategorien zählen Namen, E-Mail-Adressen, Telefonnummern, Postanschriften, Sozialversicherungsnummern und nationale IDs, Kreditkartennummern, IP-Adressen sowie Geburtsdaten. Alles, was das Tool findet, wird als PII-Spalte hervorgehoben, sodass Sie Ihr Risiko auf einen Blick erkennen.

Anschließend wählen Sie pro Spalte eine Regel aus zwölf Optionen:

  • Namen — werden gegen einen zufälligen Vor- und Nachnamen aus einer integrierten Liste getauscht.
  • E-Mail — wird durch eine sichere Adresse im Format randomuser####@example.com ersetzt.
  • Telefon, SSN/ID, Kreditkarte, IP, Adresse — werden als formatkorrekte, aber frei erfundene Werte neu erzeugt.
  • Datum (verschieben) — wird um einen zufälligen Versatz von bis zu 30 Tagen in beide Richtungen verschoben, wodurch der grobe zeitliche Rahmen erhalten bleibt, ohne das exakte Geburts- oder Ereignisdatum preiszugeben.
  • Zahl (Rauschen) — wird um bis zu plus/minus 10 Prozent verändert, nützlich für Gehälter oder Kennzahlen, bei denen die Verteilung wichtig ist, die genauen Werte aber nicht.
  • Schwärzen — wird durch [REDACTED] überschrieben.
  • Hash — wird in die ersten 8 Zeichen seines SHA-256-Hashwerts umgewandelt (berechnet mit der Web-Crypto-API des Browsers), was ein stabiles Pseudonym ergibt, über das sich Daten weiterhin verknüpfen lassen.
  • Unverändert lassen — bleibt für Spalten ohne personenbezogene Daten unangetastet.

Deterministischer Modus und referenzielle Konsistenz

Standardmäßig erzeugt jeder Durchlauf neue Zufallswerte. Aktivieren Sie den deterministischen Modus, und derselbe Eingabewert wird immer auf denselben Ausgabewert abgebildet, gesteuert von einem seed-basierten Pseudozufallsgenerator mit einem von Ihnen festgelegten Seed (Standard 42). Das ist wichtig, wenn dieselbe Person in mehreren Dateien oder Zeilen vorkommt: „John Smith" wird überall zum gleichen fiktiven Namen, und eine gehashte Kunden-ID stimmt über Tabellen hinweg überein, sodass Ihre Fremdschlüssel und Joins auch nach der Anonymisierung funktionieren. Ändern Sie den Seed, um eine andere, aber ebenso konsistente Zuordnung zu erzeugen.

Ergebnisse prüfen und exportieren

Nach der Anonymisierung zeigt eine Vorher-Nachher-Vorschau die ersten zehn Zeilen nebeneinander, wobei veränderte Zellen hervorgehoben sind, sodass Sie kontrollieren können, ob die richtigen Spalten bearbeitet wurden. Eine kurze Zusammenfassung nennt verarbeitete Zeilen, anonymisierte Spalten und erkannte PII-Spalten. Wenn das Ergebnis stimmt, exportieren Sie es als CSV oder JSON oder kopieren es als tabulatorgetrennte Werte in die Zwischenablage, um es direkt in eine Tabelle einzufügen.

Warum Datenanonymisierung wichtig ist

Echte Kundendaten in einer Testumgebung, einem Screenshot oder bei der Weitergabe an einen Dienstleister sind eine häufige Ursache für unbeabsichtigte Datenlecks, und Vorschriften wie die DSGVO stufen Namen, E-Mail-Adressen und IDs als geschützte personenbezogene Daten ein. Ordnungsgemäß anonymisierte Daten fallen weitgehend nicht mehr unter diesen Anwendungsbereich, da sich Personen daraus nicht mehr identifizieren lassen. Mit dem Data Anonymizer bleiben realistische Testdaten erhalten — korrekte Datentypen, realistische Verteilungen, intakte Beziehungen —, ohne echte Personen zu gefährden. Laden Sie den Beispieldatensatz, um den gesamten Ablauf zu sehen, bevor Sie Ihre eigenen Daten verarbeiten.