# 交付时卡住部署的，往往是隐私问题

> 曾在 Netflix、Uber、Google 做隐私工程的 Nishant Bhajaria，用 384 页手册教你赶在客户律师发问前备好答案。

原文: https://fdetimes.net/zh/books-courses/data-privacy-bhajaria-runbook-review/

Netflix 前首席产品官 Neil Hunt 在出版社为这本书写的推荐语中说，他希望自己 2015 年或 2016 年在 Netflix 时就能读到它。这是宣传文案，但道理不假：隐私知识来得越早，价值越大。

对前线部署工程师（FDE）来说，早与晚通常在交付时见分晓。管道已经接上真实数据，演示也跑得很顺，这时客户的法务团队开始发问：谁能看到哪一列？用户要求导出或删除自己的数据时怎么办？用户同意记录存在哪里？

答不上来，部署就会卡住。Nishant Bhajaria 所著的 *Data Privacy: A runbook for engineers* 由 Manning 于 2022 年出版，共 384 页，正是为这一刻而写。Manning 的宣传语说得直白：把隐私内置到系统设计中。

## 作者有什么背景？

据 Simon & Schuster 介绍，Bhajaria 曾在 Uber、Netflix 和 Google 主导技术隐私工作，其中包括在 Netflix 担任隐私工程负责人。KDnuggets 与 Manning 合作的一篇专题文章称，这本书讲的是如何大规模部署隐私解决方案和工具。

同一篇文章强调，要在严格的数据保护和业务需求之间取得平衡。这正是 FDE 每周都在经历的拉锯：客户想快点上线，法务想要确定性。书中还讲了如何搭建一个能从高层争取到预算的隐私项目，这考验的是说服力，而不只是写代码的能力。

## 目录按什么顺序展开？

Bookshare 上的目录显示，全书遵循真实隐私项目的节奏。第 2 部分讲主动式数据治理，包含三个环环相扣的章节：分级、清单，然后是数据共享。

第 3 部分“构建工具与流程”中，第 6 章讲技术隐私评审，第 7 章讲数据删除，第 8 章讲为数据主体访问请求（DSAR）导出数据。第 4 部分收尾，涵盖用户同意、安全漏洞，以及讲规模化、招聘和监管的第 11 章。

这个顺序值得留意：先弄清手里有哪些数据，再构建工具，组织层面的问题放到最后。好的项目也是这个节奏。

## 先分级，再写管道

Manning 把按隐私风险给数据分级列为本书传授的技能之一。后面的一切都建立在这一步上：谁能访问、数据保留多久、导出或删除时必须覆盖哪些内容。

举个假设的例子：你在为一家配送公司部署预测系统。订单表包含订单 ID、订单金额、收件人电话、GPS 坐标和配送备注；文章开头的图给每一列都打了标签。

最容易被忽略的是备注列。它是自由文本字段，人们会在里面填写姓名和家庭住址，所以无论看起来多无害，都必须定为高风险。

标签一旦定下来，很多决策就水到渠成。预测模型大概用不到电话号码，那么这一列根本不进入特征库。到客户现场第一周的任务：整理出标签表，请对方的数据负责人确认。

**要点:** 从未拉进系统的数据，就永远不需要保护。

## 评审是为了让你更快

Manning 称，这本书教你建立一套技术评审流程，以加快隐私影响评估（Privacy Impact Assessment），第 6 章专门讲这件事。这个视角值得记住，因为工程师往往把隐私评审看成刹车。

一种落地方式：准备一页现成的模板，写明使用哪些数据、为什么需要、谁有访问权限、保留多久。问题已经有了结构，法务只需核对，不必从头调查。项目一开始就问清楚由谁审批评审，免得到最后一刻再四处找人。

## 删除、导出和同意管理是要交付的功能

连续两章讲数据删除和导出，外加一节讲如何设计同意管理平台（CMP），可见作者把这些当成要构建的工具，而不是纸面上的条款。面对 DSAR，也就是某人要求查看自己的数据时，系统必须找到每一份副本。

回到配送公司的例子：某个收件人的 GPS 坐标可能同时存在于源表、预计算特征和日志中。如果每个请求都要手写脚本，这就是你留给客户的债。

解决办法的根基在第 2 部分的清单环节：一份目录，写明哪张表的哪一列存有 user_id，以及它的风险标签。最小化的导出函数只需读取这份目录，按 user_id 逐表查询，把结果打包成一个文件交给请求者，并附上已扫描的数据源列表。

删除操作手册复用同一份目录。每张表写一行：硬删除、匿名化还是等保留期到期，由谁执行，以及如何验证按 user_id 查询已无结果。不在目录里的新表，还不能放行到生产环境。

## 384 页值得花时间吗？

读者评价两极。Goodreads 上这本书得分 4.27，仅有 15 个评分，样本很小。有人大加赞赏，认为 IT 负责人应把它列为必读；有人抱怨太啰嗦，读了很久才读完；还有人说它太浅。

这两种抱怨恰好指向一种合理的读法：当作操作手册查阅，而不是从头读到尾。到客户现场第一周读第 2 部分，第一次上线前读第 6 章，准备交付时读第 7、8 章和同意管理一节。第 11 章留到你同时负责多个项目时再读。

这本书最适合在真实个人数据上做部署的 FDE，以及想转做 FDE、却从未和法务坐在一张桌上的软件工程师。看职位描述时，留意 data governance、PII 或 consent 这类字眼。

简历上不要写含糊的“熟悉隐私”。要写你给多少张表做了风险标注，为哪个客户构建了删除或导出流程，评审周期缩短了多少。

Neil Hunt 希望自己早几年读到这本书。FDE 有一个他当年没有的优势：可以从第一天就在场，赶在敏感数据流入系统之前。

**本周动手试试:**

- 拿一张你正在处理的客户数据表，给每一列标注高、中、低风险，发给客户的数据负责人确认。
- 为一个即将上线的功能写一页隐私评审模板：什么数据、为什么需要、谁有访问权限、保留多久。
- 建一份目录，记录哪些表的哪一列存有 user_id，再据此尝试为某个 user_id 写一个导出函数，记下你漏掉的表。

## 信源

- [Data Privacy (Manning Publications)](https://www.manning.com/books/data-privacy)

- [Data Privacy: A runbook for engineers (Bookshare)](https://bookshare.org/browse/book/5255907)

- [Data Privacy: A runbook for engineers (Goodreads)](https://www.goodreads.com/book/show/60137602)

- [Data Privacy by Nishant Bhajaria (Simon & Schuster)](https://www.simonandschuster.net/books/Data-Privacy/Nishant-Bhajaria/9781617298998)

- [With Data Privacy learn to implement technical privacy solutions and tools at scale](https://www.kdnuggets.com/2022/04/manning-data-privacy-learn-implement-technical-privacy-solutions-tools-scale.html)
