Förstå signalen
En prediktion är ingen verifierad identitet
Analysen ger ett troligt resultat utifrån mönster i tillgängliga data; den visar inte vilket kön en person identifierar sig med. Samma förnamn förekommer i olika regioner och hos människor med olika identiteter, och resultatet kan vara okänt eller fel. En tillförlitlig landskontext kan hjälpa, men gör inte prediktionen till ett faktum om personen. Behåll okända resultat i stället för att tvinga fram dem.
Ansvarsfull personalisering
Fyra principer för användbara upplevelser
Personalisera med sammanhang
Utgå från angivna preferenser och observerat beteende; använd prediktionen bara när den tillför ett lämpligt och mätbart värde.
Undvik stereotyper
Härled inte produkter, intressen eller kommunikationsstil från en förutsagd kategori.
Mät stegvis
Jämför det berikade flödet med en neutral upplevelse; förutsätt ingen automatisk förbättring.
Lämna en reservväg
Acceptera okända värden och erbjud möjligheter att rätta uppgifter samt vägar som inte är beroende av prediktionen.
Implementeringsprocess
Utvärdera flödet i sex steg
- 01
Definiera ett berättigat syfte
Dokumentera frågan som ska besvaras, målgruppen och affärsmåttet innan du lägger till ett fält.
- 02
Begränsa indata
Skicka bara det fält som stöds och vid behov en tillförlitlig landskontext för det valda flödet.
- 03
Bevara osäkerheten
Spara konfidens, okända resultat och andra användbara signaler i stället för att tvinga varje post till en kategori.
- 04
Erbjud ett neutralt alternativ
Behåll en användbar upplevelse när ett värde saknas, är osäkert eller visar sig vara fel.
- 05
Genomför ett kontrollerat test
Jämför en avgränsad variant med en neutral kontrollgrupp och bestäm mått och period i förväg.
- 06
Bedöm effekter och lagring
Granska effekt och möjliga skador, gör rättelser och radera härledda data när de inte längre behövs.
Mätning
Följ mer än konverteringen
Följ utöver affärsmåttet även täckning, okända resultat, låg konfidens, rättelser och signaler om avregistrering. Dokumentera period och urval så att resultatet inte framstår som ett allmängiltigt påstående.
- Effekt
- Huvudmått som fastställts i förväg
- Täckning
- Bearbetade och okända poster
- Kvalitet
- Fördelning av konfidens och rättelser
- Påverkan
- Klagomål, avregistreringar och skadliga resultat
Välj implementering
Börja med ett litet urval som går att granska
Integritet och lagring
Begränsa data och åtkomst till det nödvändiga
Skicka bara det värde som den valda metoden behöver, begränsa åtkomsten till API-nycklar och resultat och bestäm hur länge du sparar härledda data i ditt eget system och hur de kan rättas när det har betydelse. Enligt den publicerade integritetspolicyn lagras namn, användarnamn, e-postadresser och annan indata från lyckade förfrågningar inte som återanvändbara förfrågningsposter. Förfrågningar som inte gäller e-postadresser och för vilka inget könsresultat hittas kan lagras i upp till 12 månader för att förbättra GenderAPI; förfrågningar med e-postadresser ingår inte i denna datamängd.
Uppladdade Excel- och CSV-filer schemaläggs för borttagning från aktiva system inom fem dagar, och borttagna uppgifter kan finnas kvar i löpande överskrivna, åtkomstbegränsade säkerhetskopior i upp till ytterligare 15 dagar. För server-, autentiserings- och säkerhetsloggar gäller egna lagringsperioder som beskrivs i policyn. Rätten till tillgång, invändning och radering förklaras i informationen om dataskydd enligt GDPR.
Vanliga frågor
Frågor om namnbaserade data i marknadsföring
Vad är namnbaserad könsdata?
Probabilistiska signaler som härleds från mönster kopplade till ett förnamn, ibland med landskontext. De är varken en verifierad identitet för personen eller det kön som personen identifierar sig med.
Förbättrar prediktionen automatiskt marknadsföringen?
Nej. Det beror på målgrupp, budskap, kanal, datakvalitet och experiment. Använd en neutral kontrollgrupp och mät hela flödet.
Bör jag rekommendera produkter enbart utifrån det förutsagda könet?
Nej. Det kan befästa stereotyper och skapa olämpliga upplevelser. Utgå från uttryckligen angivna preferenser och observerade intressen.
Varför ska konfidens och okända resultat bevaras?
De visar täckning och osäkerhet, gör det möjligt att tillämpa egna regler vid låg konfidens och förhindrar missvisande rapporter. Gör inte om okända resultat till en påtvingad kategori.
Vilken integrationsmetod bör jag välja?
REST API för applikationer och datapipelines, kalkylarksverktyg för datamängder som behöver granskas och kodfri automatisering för flöden enligt mönstret utlösare och åtgärd.
I vilka fall bör signalen inte användas?
Den bör inte ligga till grund för individuella beslut om anställning, kredit, hälsa, priser, åtkomst eller andra beslut med stor påverkan.
Vilka data från dessa förfrågningar sparar GenderAPI?
Enligt den publicerade integritetspolicyn lagras indata från lyckade förfrågningar inte som återanvändbara poster. Förfrågningar som inte gäller e-postadresser och för vilka inget resultat hittas kan lagras i upp till 12 månader för att förbättra GenderAPI, och uppladdade Excel- och CSV-filer tas bort från aktiva system inom fem dagar och kan finnas kvar i åtkomstbegränsade säkerhetskopior i upp till ytterligare 15 dagar.