feat(compliance-check): exec-summary + voll-audit + TDM-respect + cookie-KB-extended + saving-scan-funnel

P1 — Exec-Summary oben im Email-Report (4 KPIs + 2 CTAs, dunkler Gradient)
P3 — no_direct_sales-Flag fuer OEM-Konfigurator-Sites; AGB/Widerruf/AGB als
     "NICHT ANWENDBAR" (grau) statt "NICHT GEFUNDEN" (rot)
P5 — Voll-Audit Unification: alle Findings (MC + Pflichtangaben + Vendor +
     Redundanz) in /data/compliance_audits.db.unified_findings; neuer
     /api/compliance/agent/findings/<id> Endpoint + FindingsTab im Audit-UI
     mit Filter + CSV-Export
P7 — Crawl-Hardening: TDM-Reservation-Check (robots.txt / ai.txt / Header /
     Meta) vor jedem Run mit 24h-Cache; HeadlessChrome-UA (Firma noch nicht
     gegruendet — Switch via BREAKPILOT_BRANDED_UA env); per-Domain
     Rate-Limit 1 req/s + max 2 concurrent
P2 — Cookie-Knowledge-DB additiv erweitert (35 -> 74 Cookies): Adobe, Meta,
     Microsoft, LinkedIn, TikTok, HubSpot, Marketo, Salesforce, Hotjar,
     FullStory, Mouseflow, Intercom, Drift, Zendesk, Cloudflare, Stripe,
     OneTrust/Cookiebot/Usercentrics, Matomo, Pinterest, Snapchat, X/Twitter,
     YouTube, Vimeo, Klaviyo, Mailchimp, Mixpanel, Segment, Amplitude,
     Optimizely, Datadog; Wire-in in cookie_function_classifier liefert
     compliance_risk-Label (kritisch/hoch/mittel/gering) pro Vendor
A  — k-Anonymitaets-Helper (benchmark_k_anonymity) fuer P6-Vorbereitung
B  — Cross-Tenant-Domain-Assertion im /findings-Endpoint (expected_domain
     Query-Param -> 403 bei Mismatch)
C  — Saving-Scan-Funnel: /api/compliance/agent/saving-scan/start mit
     Validierung + 24h-Rate-Limit pro Domain + Lead-Persistenz in
     saving_scan_leads + Auto-Discovery via _run_compliance_check; 6 Tests
D  — Risk-Badge im Email-Vendor-Row

Rechtliche Leitplanken (Memory feedback_oem_data_legal.md): nur eigene
Knapp-Bewertungen + Source-Pointer, keine 1:1-Kopien fremder CMP-Texte.
TDM-Opt-Out-Respect nach § 44b UrhG. KEINE Schema-Aenderungen — alles in
Sidecar-SQLite.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

backend-compliance/compliance/services/benchmark_k_anonymity.py

@@ -0,0 +1,149 @@
+"""
+k-Anonymitaets-Helper fuer Branchen-Benchmarks (P6-Vorbereitung).
+
+Vor jeder Veroeffentlichung von Benchmark-Aussagen pruefen, ob die
+zugrundeliegende Stichprobe gross genug ist, dass keine Re-Identifikation
+einzelner Hersteller moeglich wird.
+
+Default k=5: jede publizierbare Aussage muss auf mindestens 5 verschiedenen
+Datensubjekten (z.B. OEM-Sites) beruhen. Bei OEM-Markt mit ~30 Spielern
+ist k=5 das Minimum, um "ein deutscher Premium-Hersteller mit X Modellen"
+auszuschliessen.
+
+Memory: feedback_oem_data_legal.md + project_legal_contracts_2026_07.md.
+
+Verwendung:
+  from compliance.services.benchmark_k_anonymity import (
+      enforce_k_anonymity, quantize_value, KAnonymityError,
+  )
+
+  rows = [...]                          # pro Hersteller 1 Row
+  safe_groups = enforce_k_anonymity(rows, group_keys=["segment", "country"])
+  # safe_groups: nur Gruppen mit count >= 5 zurueck
+"""
+
+from __future__ import annotations
+
+from collections.abc import Iterable
+from typing import Any
+
+DEFAULT_K = 5
+
+
+class KAnonymityError(RuntimeError):
+    """Stichprobe ist zu klein fuer eine publizierbare Aussage."""
+
+
+def assert_min_sample(n: int, k: int = DEFAULT_K, context: str = "") -> None:
+    """Wirft KAnonymityError wenn n < k."""
+    if n < k:
+        raise KAnonymityError(
+            f"Stichprobe zu klein fuer Publikation: n={n} < k={k}"
+            + (f" — Kontext: {context}" if context else "")
+        )
+
+
+def quantize_value(value: float | int, step: int = 5) -> int:
+    """Quantisiere Zahlenwerte auf step-Vielfache (Generalisierung).
+
+    quantize_value(67, 5) -> 65
+    quantize_value(83, 10) -> 80
+
+    Verhindert exakte Identifizierung ueber numerische Signale.
+    """
+    if step <= 0:
+        return int(value)
+    return int(value // step) * step
+
+
+def quantize_range(value: float | int, step: int = 10) -> str:
+    """Gib ein Range-Bucket zurueck als String: '60-70%', '80-90%'."""
+    base = quantize_value(value, step)
+    return f"{base}-{base + step}%"
+
+
+def group_and_count(
+    rows: Iterable[dict],
+    keys: list[str],
+) -> dict[tuple, int]:
+    """Gruppiere Rows nach allen `keys` und zaehle pro Bucket."""
+    counts: dict[tuple, int] = {}
+    for r in rows:
+        bucket = tuple(r.get(k, "") for k in keys)
+        counts[bucket] = counts.get(bucket, 0) + 1
+    return counts
+
+
+def enforce_k_anonymity(
+    rows: list[dict],
+    group_keys: list[str],
+    k: int = DEFAULT_K,
+) -> list[dict]:
+    """Filtere Rows so, dass jede ueberlebende Gruppe >= k Mitglieder hat.
+
+    Returns: Rows die in ausreichend grossen Gruppen sind.
+    Rows in zu kleinen Gruppen werden suppressed (entfernt).
+    """
+    counts = group_and_count(rows, group_keys)
+    safe_buckets = {bucket for bucket, n in counts.items() if n >= k}
+    return [
+        r for r in rows
+        if tuple(r.get(key, "") for key in group_keys) in safe_buckets
+    ]
+
+
+def summarize_benchmark(
+    rows: list[dict],
+    group_keys: list[str],
+    measure_key: str,
+    k: int = DEFAULT_K,
+    quantize_step: int = 5,
+) -> list[dict]:
+    """Erzeuge publizierbare Benchmark-Aggregat-Zeilen.
+
+    Pro Gruppe: count, mean (quantisiert), only-if count >= k.
+    Liefert sortiert nach count desc.
+
+    Beispiel:
+      rows = [{"segment": "premium", "consent_score": 84}, ...]
+      summarize_benchmark(rows, ["segment"], "consent_score")
+      -> [{"segment": "premium", "n": 8, "mean_quantized": 80}, ...]
+    """
+    buckets: dict[tuple, list[float]] = {}
+    for r in rows:
+        bucket = tuple(r.get(k, "") for k in group_keys)
+        val = r.get(measure_key)
+        if val is not None:
+            buckets.setdefault(bucket, []).append(float(val))
+
+    out: list[dict] = []
+    for bucket, values in buckets.items():
+        n = len(values)
+        if n < k:
+            continue
+        mean = sum(values) / n
+        entry: dict[str, Any] = {key: bucket[i] for i, key in enumerate(group_keys)}
+        entry["n"] = n
+        entry["mean_quantized"] = quantize_value(mean, quantize_step)
+        entry["mean_range"] = quantize_range(mean, quantize_step * 2)
+        out.append(entry)
+    out.sort(key=lambda e: e["n"], reverse=True)
+    return out
+
+
+def safe_to_publish(
+    statement: str,
+    sample_size: int,
+    k: int = DEFAULT_K,
+) -> tuple[bool, str]:
+    """Validator fuer Marketing/Press-Statements.
+
+    Returns (ok, message). Wenn ok=False, NICHT publishen.
+    """
+    if sample_size < k:
+        return False, (
+            f'Aussage NICHT publizierbar: "{statement[:60]}…" '
+            f'(n={sample_size} < k={k}). Risiko: Re-Identifikation '
+            f'einzelner Hersteller moeglich.'
+        )
+    return True, f"OK (n={sample_size}, k={k})"