用途：在个人数据接近保留期限时，评估是否可用匿名化替代删除，使数据依据 GDPR 第26条脱离该法规适用范围，从而无限期保留、无需法律依据、不适用数据主体权利，也无需计入保留期义务。要求匿名化不可逆，区别于仍属个人数据的假名化。
主要能力：该技能提供评估框架、实施技巧与验证方法。技术分为三类：随机化（噪声添加、置换、差分隐私）、泛化（聚合、k-匿名、l-多样性、t-接近性、上下限编码、数据脱敏）、抑制（记录、属性、单元格抑制）。并给出基于 WP29 第05/2014号意见的三项风险——单点识别、可关联性、推断——对应评估。
使用方式：评估流程分四步。第一步判断是否有统计、研究、训练模型或历史存档等正当目的，若无正当目的则应删除而非匿名化。第二步按数据类型选技术（结构化数值、分类、自由文本、交易、位置数据各有推荐组合）。第三步执行流水线：移除直接标识符，泛化准标识符（年龄分10岁段、邮编截断、日期泛化到月），应用 k-匿名（普通数据 k≥5，敏感数据 k≥10），必要时应用 l-多样性（l≥3），对数值加噪（ε≤1.0，敏感数据 ε≤0.1），最后验证。第四步验证去识别风险，包括单点识别概率<0.05、关联测试、推断置信度≤80%以及 ICO 的“有动机入侵者”测试。数据集规模不同，k 值要求不同；位置数据 k≥20；已生成的数据需登记到匿名化登记册。
适用场景：需要长期保留聚合或统计数据的组织，用于报告、研究、机器学习训练、历史归档。
限制：若匿名化被攻破，数据将追索性地重新变为个人数据；需年度复审，因新数据源、技术进步或人群变化可能使匿名化失效；若失效，须加强匿名化或按个人数据处理并全面合规。资料未涉及具体工具、收费或部署细节。