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