# Utvärdera namnbaserad könsdata i marknadsföring > Behandla prediktionen som en osäker signal, erbjud ett neutralt alternativ och pröva i kontrollerade tester om den tillför ett lämpligt värde. Canonical HTML: https://www.genderapi.io/sv/blog/forbattra-din-marknadsforingsstrategi-med-konsbaserad-data-baserad-pa-namn Last reviewed: 2026-09-28 ## Publiceringsuppgifter Först publicerad: 2024-06-10T12:00:00.000Z Senast granskad: 2026-09-28T00:00:00.000Z ## Hur bör marknadsförare använda dessa data? Använd dem bara för ett fastställt och lämpligt syfte, bevara osäkerheten, erbjud ett neutralt alternativ, undvik stereotyper och jämför flödet med en kontrollgrupp innan du skalar upp det. ## 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. Håll konfidens och okända resultat synliga. ## 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. Undvik användning med stor påverkan Basera inte beslut om behörighet, åtkomst, anställning, kredit, hälsa, priser eller andra beslut med betydande påverkan på människor på det härledda könet. ## Utvärdera flödet i sex steg ### Definiera ett berättigat syfte Dokumentera frågan som ska besvaras, målgruppen och affärsmåttet innan du lägger till ett fält. ### Begränsa indata Skicka bara det fält som stöds och vid behov en tillförlitlig landskontext för det valda flödet. ### Bevara osäkerheten Spara konfidens, okända resultat och andra användbara signaler i stället för att tvinga varje post till en kategori. ### Erbjud ett neutralt alternativ Behåll en användbar upplevelse när ett värde saknas, är osäkert eller visar sig vara fel. ### Genomför ett kontrollerat test Jämför en avgränsad variant med en neutral kontrollgrupp och bestäm mått och period i förväg. ### Bedöm effekter och lagring Granska effekt och möjliga skador, gör rättelser och radera härledda data när de inte längre behövs. Redovisa effekten tillsammans med täckning och osäkerhet. ## 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 ## Börja med ett litet urval som går att granska - [REST API Lägg till ett kontrollerat steg för databerikning i en applikation eller datapipeline. Dokumentation →](https://www.genderapi.io/sv/api-documentation) - [Google Sheets Koppla fält och granska ett urval i ett befintligt kalkylark. Guide till tillägget →](https://www.genderapi.io/sv/blog/hur-man-bestammer-kon-i-google-sheets-med-gender-api-add-on) - [Kodfri automatisering Koppla en utlösare till ett mål och håll testposterna synliga. Guide till Zapier →](https://www.genderapi.io/sv/blog/zapier-gender-api-integration) ## 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](https://www.genderapi.io/sv/privacy-policy) 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](https://www.genderapi.io/sv/gdpr-compliance). Behörigheter, körningsloggar och lagringsinställningar i varje anslutet CRM, kalkylark eller automatiseringstjänst är oberoende av GenderAPI:s inställningar. Utgå inte från att ett tilläggs API-version och resultatfält motsvarar V2. Tolka data.confidence i V2 tillsammans med confidence_kind och source; ett AI-värde är inte likvärdigt med en andel i datamängden. Redovisa resultat med data.result_status: unknown, JSON-null-värden och driftfel separat. Se [svarsfält i V2](https://www.genderapi.io/sv/docs/v2/responses), [metod för noggrannhet](https://www.genderapi.io/sv/accuracy-methodology) och [datans ursprung](https://www.genderapi.io/sv/data-provenance). ## 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.