# Übersicht > **SCU-Kostenschätzung** > > Dieser Agent verbraucht typischerweise **0,01 - 1 SCUs** pro Analyse-Durchlauf, abhängig vom Umfang der Klassifizierungsdaten und der Tiefe des ausgewählten Analysemodus. Der Deep-Analysemodus kann mehr SCUs verwenden. ### Einführung Classification Optimizer hilft Ihnen, das Maximum aus Ihrer Microsoft Purview-Datenklassifizierung herauszuholen. Wenn Sie sich schon einmal gefragt haben, warum bestimmte sensible Informationen immer wieder durchrutschen oder warum Sie in False Positives ertrinken, ist dieser Agent genau das Richtige für Sie. Er analysiert, wie Ihre Sensitive Information Types (SITs) in der Praxis tatsächlich performen, findet Muster, von deren Existenz Sie nichts wussten, und sagt Ihnen genau, wie Sie Ihre Klassifizierungsgenauigkeit verbessern können.
### Was er tut * **Analysiert die reale SIT-Performance** basierend auf tatsächlichen Erkennungsdaten, nicht nur auf Theorie * **Findet Ko-Vorkommensmuster** und zeigt, welche sensiblen Typen zusammen auftreten * **Identifiziert Klassifizierungslücken** wo wichtige Daten nicht erkannt werden * **Erkennt redundante Klassifizierer** die sich überschneiden und unnötige Komplexität erzeugen * **Empfiehlt neue zusammengesetzte SITs** basierend auf Mustern, die konsistent gemeinsam auftreten * **Schlägt eine Parametrierung vor** um False Positives zu reduzieren und die Genauigkeit zu verbessern * **Identifiziert Kandidaten für trainierbare Klassifizierer** für komplexe, kontextabhängige Muster * **Stellt priorisierte Empfehlungen bereit** mit statistischer Untermauerung (Support, Lift, Confidence) ### Anwendungsfälle #### 1. Reduzierung von False Positives Ihre DLP-Richtlinien lösen ständig aus, aber die Hälfte der Warnungen sind keine echten Probleme. Die Benutzer sind frustriert, weil Sperren ausgelöst werden, die keinen Sinn ergeben. Classification Optimizer analysiert, welche SITs Probleme verursachen, und empfiehlt konkrete Anpassungen von Parametern (Konfidenzwerte, Instanzanzahlen, Schwellenwerte), um die Präzision zu verbessern, ohne den Schutz zu beeinträchtigen. #### 2. Verbesserung der Erkennungsgenauigkeit Wichtige sensible Daten werden von Ihren Richtlinien nicht erfasst. Sie vermuten, dass Ihre Klassifizierer nicht alles erkennen, was sie sollten. Der Agent identifiziert Abdeckungslücken, analysiert Erkennungsmuster und empfiehlt neue SIT-Kombinationen oder trainierbare Klassifizierer, um das zu erfassen, was Ihnen derzeit entgeht. #### 3. Vereinfachung komplexer Klassifizierungsschemata Im Laufe der Zeit haben Sie Dutzende oder Hunderte von SITs angesammelt, und niemand weiß mehr, welche davon tatsächlich noch wertvoll sind. Classification Optimizer zeigt Ihnen, welche Klassifizierer redundant sind, welche konsistent zusammen auftreten (und zusammengeführt werden sollten) und welche nichts Nützliches erkennen. Räumen Sie dieses Klassifizierer-Wildwuchs endlich auf. #### 4. Bessere zusammengesetzte Klassifizierer erstellen Sie wissen, dass bestimmte Arten sensibler Daten oft zusammen auftreten (z. B. Passnummern mit Geburtsdaten), aber die richtigen zusammengesetzten SITs manuell zu erstellen ist ein Ratespiel. Der Agent analysiert Ko-Vorkommensmuster mit statistischen Kennzahlen und empfiehlt dann genau, welche SITs mit welchen Parametern kombiniert werden sollten. #### 5. Regulatorische Anforderungen effektiver erfüllen Compliance-Rahmenwerke verlangen bestimmte Datenschutzmaßnahmen, aber Ihre aktuellen SITs sind nicht auf diese Anforderungen abgestimmt. Classification Optimizer identifiziert strategische Lücken, die mit regulatorischen Anforderungen verknüpft sind, und empfiehlt neue Klassifizierer oder trainierbare Klassifizierer, um diese Lücken zu schließen. ### Warum Classification Optimizer? | Das Problem, mit dem Sie sich befassen | Wie das hilft | | ----------------------------------------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------------------------------------------------- | | **Überlastung durch False Positives**: DLP-Warnungen überall, aber die meisten sind keine echten Probleme | **Präzisionsoptimierung**: Konkrete Empfehlungen für Parameter, um Rauschen zu reduzieren und gleichzeitig den Schutz aufrechtzuerhalten | | **Wichtige Daten rutschen durch**: Ihre Richtlinien erfassen nicht alles, was sie sollten | **Gap-Analyse**: Erkennt, was übersehen wird, und empfiehlt neue Erkennungsmuster | | **Klassifizierer-Chaos**: Zu viele SITs, unklar, welche relevant sind | **Nutzungsanalysen**: Zeigt, welche Klassifizierer tatsächlich wertvoll und welche redundant sind | | **Manuelles Raten**: Zusammengesetzte SITs auf Basis von Intuition statt Daten erstellen | **Mustererkennung**: Statistische Analyse zeigt, welche SITs konsistent gemeinsam auftreten | | **Zeitaufwändige Analyse**: Die manuelle Überprüfung der Wirksamkeit der Klassifizierung dauert ewig | **Automatisierte Einblicke**: Vollständige Analyse mit priorisierten Empfehlungen in Minuten | | **Keine strategische Richtung**: Unklar, worauf die Verbesserung der Klassifizierung fokussiert werden soll | **Priorisierte Roadmap**: Empfehlungen nach Wirkung priorisiert, mit unterstützenden Kennzahlen | ### So funktioniert es **Was eingeht:** * Purview-Warndaten und Erkennungsereignisse aus Ihrem angegebenen Zeitraum (Standard 30 Tage) * Vorhandene SIT-Konfigurationen und Erkennungsmuster * Klassifizierungsanalysen und Nutzungsdaten * Sicherheitsereignisse, die tatsächliche SIT-Erkennungen zeigen * Klassifizierungsdaten aus SharePoint, Exchange und Dateien **Was es tut:** * Berechnet Basiskennzahlen für jede SIT (Erkennungshäufigkeit, Verteilung) * Erstellt eine Ko-Vorkommensmatrix, die zeigt, welche SITs zusammen auftreten * Wendet statistische Analysen an (Support, Lift, bedingte Wahrscheinlichkeit) * Identifiziert Muster, Lücken und Optimierungsmöglichkeiten * Erzeugt Empfehlungen mit technischer Begründung und Priorisierung **Was Sie erhalten:** * Basis-Kennzahlen zur SIT-Performance * Ko-Vorkommensmuster mit statistischer Signifikanz * Empfehlungen für neue zusammengesetzte SITs mit vorgeschlagenen Parametern * Anleitung zur Parametrierung bestehender SITs * Kandidaten für trainierbare Klassifizierer für komplexe Muster * Vorschläge zur Richtlinienoptimierung (Scoping, Regelanpassung, Gruppierungen) * Priorisierter Aktionsplan mit erwarteter Wirkung * Debug-Ausgabe (optional), die detaillierte Analyseschritte zeigt --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://agents.glueckkanja.com/de/agents/classification-optimizer/overview.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.