In einem Unternehmen sammeln sich tagtäglich neue Dokumente an, welche mühsam in die richtigen Abteilungen oder Ordner verteilt werden müssen. Falls es sich um analoge Dokumente handelt, sollte das Unternehmen diese zunächst scannen. Um die Verteilung einfacher zu gestalten, gibt es die Dokumentenklassifizierung, welche digitale Informationen mithilfe spezieller Produkte direkt den Kategorien zuweisen kann.
Dokumentenklassifizierung „kurz erklärt“
Die Dokumentenklassifizierung erkennt die Inhalte eines Dokuments und weist ihm demnach eine Kategorie oder Sicherheitsstufe innerhalb eines unternehmensinternen Systems zu.
Definition: Dokumentenklassifizierung
Die Dokumentenklassifizierung, auch als Textklassifizierung oder Informationsklassifizierung bezeichnet, gehört in den Bereich des Dokumentenmanagements und beschreibt die Klassifizierung von Dokumenten durch die Auswertung ihres Inhalts. Das Programm erkennt den Kontext der Dateien und ordnet diese dann in vorgegebene Strukturen oder Sicherheitsstufen ein. Die aktuelle Dokumentenklassifizierung unterliegt der ISO 27001. Nähere Informationen zu den rechtlichen Grundlagen finden Sie auf der folgenden Seite des Bundesamtes für Sicherheit in der Informationstechnik:
Funktionsweise
Die Dokumentenklassifizierung läuft in sechs Schritten ab und benötigt unterschiedlichste Technologien, um Dokumente zuverlässig in die entsprechenden Kategorien einordnen zu können.
Datenvorbereitung
Zunächst muss ein bereits kategorisierter Datensatz erstellt werden, welcher als Trainingsbasis für die Algorithmen des Programms dient. Diese Menge an Dokumenten wird dann noch einmal in einen Trainingssatz und einen Testsatz unterteilt. Der Trainingssatz wird, wie der Name vermuten lässt, zum Training des Programms verwendet, während der Testsatz zur Kontrolle genutzt werden soll.
Die Daten müssen selbstverständlich digital vorliegen, weshalb analoge Dokumente zunächst einzuscannen und zu digitalisieren sind. Bei großen Datenmengen empfiehlt sich ein Scandienstleister wie Scanprofi.
Feature-Extraction
In diesem Schritt geht es um die Extrahierung von Mustern im Trainingssatz, durch welche das System die Kategorisierung erlernen soll. Hierfür werden verschiedenste Technologien eingesetzt, beispielsweise die Feature-Extraction, aber auch maschinelles Lernen (ML) und Deep Learning. Alle drei sind Programme zur spezifischen Mustererkennung über algorithmische Prozesse und fallen damit auch in die Kategorie des Data Mining.
Training
Nachdem das System nun mit den Mustern gefüttert wurde, geht es weiter zum eigentlichen Training. Der Trainingssatz wird an das Programm übergeben und es lernt, die Inhalte, Wörter und Sätze, mit den erlernten Mustern zu vergleichen, um sie in die richtigen Kategorien einzuordnen. Hierbei helfen Technologien wie Word Embeddings, welche die semantische Beziehung zwischen Wörtern erkennen, oder Module der natürlichen Sprachverarbeitung (NLP), welche Computern helfen, die menschliche Sprache zu verstehen.
Optimierung
Nun wird der Testdatensatz verwendet, um zu sehen, ob das System auch nicht trainierte Daten erkennt. Anhand der Auswertung kann festgestellt werden, ob der Algorithmus noch optimiert werden muss oder ob er ausreichend funktioniert. Da der Datensatz bereits kategorisiert ist, kann das Ergebnis des Programms einfach mit dem Soll-Zustand verglichen werden. Falls Optimierungsbedarf besteht, sollte wieder bei Schritt 1 begonnen werden.
Testing
Im Testing wird dem System ein noch nicht kategorisierter Datensatz gegeben. Der Algorithmus liest diesen aus und ordnet die Dokumente den entsprechenden Kategorien zu. Ein kurzer, manueller Check hilft, die Funktionsfähigkeit zu verifizieren, bevor das Programm endgültig in Betrieb genommen wird.
Feedback
Nach der Inbetriebnahme wird das Programm von vielen Mitarbeitern im gesamten Unternehmen verwendet. Diese können somit ebenfalls Kritik über Ungenauigkeiten des Systems oder Schulungsbedarf äußern.
Klassifizierung
Im Kontext der Dokumentenklassifizierung geht es nicht nur um Kategorien wie Abteilungen oder Themenbereiche, sondern häufig besonders um Sicherheitsstufen. Diese können auf Basis folgender Kriterien festgelegt werden:
- Wert & Sensibilität: Welche Auswirkungen hätte es, wenn das Dokument in die falschen Hände gerät?
- Rechtliche Pflichten: Gibt es rechtliche Regelungen über die Vertraulichkeitsstufe?
- Personenbezug: Enthalten die Daten persönliche Informationen, welche der Datenschutzgrundverordnung unterliegen?
Nach diesen Kriterien wird meist in zwei bis vier Kategorien unterschieden. Die einfache Variante ist „öffentlich“ und „intern“, während in einer detaillierteren Abstufung in „öffentlich“, „intern“, „vertraulich“ und „streng vertraulich“ differenziert wird.
Vorteile
Die Dokumentenklassifizierung hat viele Vorteile, welche das Unternehmen in seiner Arbeitsweise und seinen Prozessen unterstützen können.
✅ Vielseitiger Einsatz:
Die Klassifizierung hilft nicht nur bei der Datensicherheit, sondern auch als Spamfilter, im Servicebereich oder im Wissensmanagement, sowie zur Erkennung von Trends durch Mustererkennung.
✅ Hohe Präzision:
Algorithmen können Aufgaben mit wesentlich höherer Präzision und Zuverlässigkeit ausführen, wenn sie ausreichend trainiert sind.
✅ Zeitersparnis:
Durch die Effizienz der Dokumentenklassifizierung fällt diese Aufgabe für Mitarbeiter weg, welche sich nun anderen Arbeiten widmen können.
✅Auffindbarkeit:
Das System sorgt dafür, dass alle Dokumente in entsprechenden Kategorien abgelegt werden, sodass Mitarbeitende diese leichter finden und teilen können.
✅ Datenschutz:
Die Klassifizierung von Dokumenten hilft bei der Datenschutzkonformität und Compliance-Richtlinien, da die Dokumente nicht mehr manuell in die Stufen einsortiert werden müssen und das System weniger Fehler macht.
Häufig gestellte Fragen
Die Klassifizierung von Dokumenten bedeutet, dass ein trainierter Algorithmus Dateien in vordefinierte Kategorien sortiert. Diese können themenspezifisch, meist aber sicherheitsbezogen sein.
Die Vertraulichkeit von Dokumenten kann entweder in zwei oder in vier Stufen klassifiziert werden.
-
Zweistufige Klassifizierung:
- öffentlich
- intern
-
Vierstufige Klassifizierung:
- öffentlich
- intern
- vertraulich
- streng vertraulich
Um Dokumente zu klassifizieren, muss eine Software durch einen Trainingsdatensatz und Mustererkennung trainiert werden. Danach wird die Funktionsfähigkeit durch einen Testdatensatz geprüft, bevor das Programm mit echten Daten arbeiten kann.