Sådan vælger du et køns-API
Hver udbyder i denne kategori vil sige, at den er nøjagtig, og ingen af dem målte det på din liste. Her er, hvad der reelt adskiller dem — og under hvert punkt vores eget svar, så du kan holde os til de samme spørgsmål.
Det korte svar
- Sammenlign på hvad ét resultat giver dig i hånden — en etiket alene kan man ikke sætte grænse på, en sandsynlighed plus et antal samples kan. Det afgør, om du automatiserer en del af filen eller laver det hele i hånden.
- Se bort fra nøjagtighedsprocenter i overskrifter, også vores — vi offentliggør ingen, fordi vi ikke har målt den i et offentliggjort benchmark. Mål den selv på et par hundrede af dine egne rækker i stedet.
- En større navnedatabase er ikke automatisk bedre: et navn tæller det samme, uanset om tre poster står bag det eller halvtreds tusind.
- Tjek derefter de fire ting, man glemmer — lokalisering på land, svarets stabilitet over år, hvad der kommer tilbage for et ukendt navn, og hvor data behandles.
Begynd med, hvad ét resultat giver dig
Det er kriteriet, der afgør, hvor meget arbejde der bliver tilbage — og du kan se det i en udbyders eksempelsvar, før du skriver under på noget.
En kønsetiket i sig selv er en dom uden mellemregninger. Du kan enten bruge den overalt eller kontrollere den overalt; der er ingen mellemvej. En sandsynlighed giver dig en grænse. En sandsynlighed med antallet af poster bagved fortæller, om den grænse betyder noget for rækken foran dig — for et svar, der ser sikkert ud og hviler på tre poster, og et der hviler på tusinder, ser identiske ud, indtil nogen viser dig antallet.
Vores svar: hvert resultat bærer en sandsynlighed og et antal samples, og CSV-/Excel-outputtet skriver dem ind i din fil som kolonner — den samme grænse virker altså, uanset om du kalder API'et eller åbner et regneark.
Seks dimensioner det er værd at tjekke
Seks steder, hvor udbydere i denne kategori typisk adskiller sig, med hvad vi gør ved siden af hvert. Venstre kolonne siger, hvad du skal se efter — vi har ikke undersøgt nogen anden, så intet af det er en påstand om en bestemt udbyder. Tag den med til alle på din liste, os selv inklusive.
Om de to sidste punkter: credits købt som engangspakke udløber ikke, og en månedsplan fornyes hver måned og kan opsiges når som helst (at skifte pakke betyder at opsige og vælge en anden). Begge står i deres helhed på prissiden, uden tilbud.
Hvorfor et dækningstal ikke afgør det
Vi har 9,124,598 navne fra 192 lande, og vi sætter de tal på forsiden som alle andre gør. De er værd præcis så meget: de siger, hvor ofte du får et svar overhovedet, og intet om, hvorvidt et bestemt svar er værd at bruge. Vælg ikke ud fra dem — hverken vores eller andres.
Testen, der faktisk afgør det, koster en eftermiddag: tag et par hundrede rækker fra dine egne data, hvor du allerede kender det rigtige svar, tag dem med, du forventer bliver svære, og kør dem gennem hver udbyder på din liste. De navne, alle rammer rigtigt, fortæller dig ingenting.
Tjeklisten
Ni spørgsmål, i den rækkefølge de normalt betyder noget. Vores svar står i højre kolonne — stil de samme til alle andre, du ser på, og bed om svarene på skrift i stedet for fra et funktionsskema.
| Spørg | Hvorfor det betyder noget | Vores svar |
|---|---|---|
| Hvad indeholder ét resultat? | Afgør, om du kan automatisere de sikre rækker og kun gennemgå resten | Køn, en sandsynlighed og antallet af poster bag den |
| Kan samme navn svare forskelligt pr. land? | Andrea er maskulint i Italien og feminint i Tyskland; ét globalt svar er forkert i et af landene | Ja — via landekode, browserens locale eller IP-adresse |
| Svarer samme kald det samme næste år? | En revision spørger, hvordan en post blev klassificeret, og et svar der flytter sig kan ikke forklares | Ja — det er regnestykker på gemte poster, ikke et genereret gæt |
| Hvad kommer tilbage for et navn, den ikke kender? | Et tomt felt kan filtreres; et sandsynligt gæt kan ikke opdages | Et udtrykkeligt “ikke fundet” og et antal samples, der siger hvorfor — aldrig et opdigtet svar |
| Findes der en vej uden en udvikler? | Den, der har listen, er sjældent den, der kan kalde et API | CSV- og Excel-upload med den oprindelige projektmappe bevaret |
| Hvor behandles data, og findes der en databehandleraftale? | En liste med kundenavne er personoplysninger, og indkøb spørger om det, før I går i luften | Tysk selskab, servere i Tyskland, behandling i EU, databehandleraftale på forespørgsel |
| Udløber ubrugt kapacitet? | En engangsoprydning bør ikke kræve et abonnement, der overlever den | Forudbetalte credits, og de udløber ikke |
| Kan jeg teste det uden at tale med nogen? | Hvis en vurdering kræver et salgsmøde, kan du ikke sammenligne en kandidatliste på en eftermiddag | 100 gratis forespørgsler om måneden, intet kort, ingen samtale |
| Hvad er den offentliggjorte nøjagtighed? | Én procent beskriver det navnesæt, den blev målt på, og det er ikke dit | Vi offentliggør ingen — se nedenfor |
Det nøjagtighedstal, vi ikke giver dig
På dette marked vil man nævne procenter for dig. Vi har ingen målt at nævne: der findes intet offentliggjort benchmark fra os på et mærket navnesæt, så hvert tal vi trykte, ville være et markedsføringstal i hvid kittel. Det siger vi hellere end at pynte et op.
Det er også mindre nyttigt, end det lyder. Nøjagtigheden i et navn-køns-opslag afhænger næsten helt af, hvilke navne du spørger om — en liste med almindelige tyske fornavne og en liste med translittererede efternavne fra et dusin skriftsystemer giver ikke samme tal hos nogen udbyder, der findes. Én procent fortæller dig altså om det sæt, den blev målt på, og din liste er ikke det sæt.
Når du får nævnt et, er spørgsmålet, der gør det meningsfuldt: målt på hvilke navne, hvor mange, mærket af hvem, og med “ukendt” talt som hvad? Findes de svar ikke, er procenten pynt.
Sådan gennemfører du vurderingen på en eftermiddag
Denne side siger igen og igen, at du skal måle på dine egne data, så her er metoden. Den tager en eftermiddag, den virker på samme måde hos hver udbyder på din liste, og trin fem er det, der afgør projektet.
- 1. Træk 200–300 rækker ud, hvis svar du allerede kender. Fra dine rigtige data, ikke fra en liste med berømte navne. Tag bevidst de ubehagelige med: sjældne navne, ikke-vestlige navne, poster med efternavnet først, navne på ét ord, navne med bindestreg og navne efter giftermål.
- 2. Ryd dem ikke op først. De overskydende mellemrum, titlerne, “Dr.” og VERSALERNE er en del af det, du tester. En udbyder, der kun virker på ryddede input, har ikke løst dit problem.
- 3. Behold hele svaret, ikke kun etiketten. Sandsynligheden og antallet af samples får du brug for i trin fem — og returnerer en udbyder dem ikke, er netop det testens resultat.
- 4. Tæl tre udfald hver for sig — rigtigt, forkert og intet svar. Her går de fleste vurderinger galt: at slå “forkert” og “ukendt” sammen til ét tal skjuler netop den forskel, der betyder noget. Et ukendt, du kan filtrere, koster dig en neutral hilsen. Et selvsikkert forkert svar koster dig kunden.
- 5. Læg nu en grænse på og tæl igen. Accepter kun rækkerne over din grænse — sig en sandsynlighed på 0,9 med mindst 50 samples bagved — og mål to ting: hvor stor en del af filen det dækker, og fejlprocenten inden for den. Det par er det rigtige svar, for det fortæller, hvor meget arbejde der forsvinder, og hvor meget risiko der følger med.
- 6. Tjek driftsforholdene, mens du er ved det. Hvor lang tid 300 rækker tager. Hvordan et fejlsvar ser ud, når du sender skrald. Om samme kald to gange giver samme svar. Om prøven krævede et telefonopkald.
Trin fem er grunden til, at svarets form betyder mere end noget overskriftstal: uden en sandsynlighed og et antal samples er der ingen grænse at lægge på, og det ærlige svar på “hvor meget af denne fil kan jeg automatisere?” bliver da “alt eller intet”. 100 gratis forespørgsler om måneden dækker en test på 300 rækker tre gange.
Hvis du også overvejer en sprogmodel
Stadig oftere står valget ikke mellem to API'er, men mellem et API og en prompt. Den sammenligning hænger på andre ting — pris pr. million rækker, om samme input giver samme output to gange, og hvad du kan vise en revisor — så den har sin egen side.
Sådan ser integrationen faktisk ud
Værd at se på under vurderingen frem for efter, for her bliver en eftermiddag til fjorten dage. Én credit pr. forespørgsel, 100 navne pr. batch-kald, og intet loft over antallet af kald.
- Officielle klienter til PHP, Python, Node, Java, Go, Ruby, Rust, Perl og .NET.
- Fuld v2-reference med en OpenAPI-beskrivelse, plus problem-svar efter RFC 7807, så fejl er maskinlæsbare.
- Et indbygget Excel-tilføjelsesprogram og en Shopify-app, færdige integrationer til Google Sheets, HubSpot, Salesforce, Zapier og flere, og en hostet MCP-server til AI-værktøjer — hele listen.
- Kønsbestemmelse i bulk til en engangsfil, og nationalitet ud fra et navn, hvis oprindelse er en del af det, du har brug for.
Priserne starter ved €0.35 pr. 1.000 forespørgsler og står i deres helhed på prissiden — du behøver ikke et tilbud for at se dem.
Ofte stillede spørgsmål
Hvad skal man sammenligne køns-API'er på?
På hvad et enkelt resultat giver dig i hånden, ikke på et nøjagtighedstal i overskriften. En udbyder, der kun returnerer en etiket, tvinger dig til at stole på hver række eller gennemgå hver række; en, der returnerer en sandsynlighed og antallet af poster bag den, lader dig automatisere de sikre rækker og kun se på resten. Derefter: om samme navn kan blive løst forskelligt pr. land, om svaret er stabilt over tid, hvad der sker ved et ukendt navn, og hvor data behandles.
Hvordan tester man en ordentligt?
På din egen liste, ikke på en stikprøve af berømte navne. Tag et par hundrede rækker, hvis svar du allerede kender — også de ubehagelige — og kør dem igennem. 100 gratis forespørgsler om måneden rækker til det, og enhver udbyder, der er værd at vurdere, lader dig gøre det samme uden en telefonsamtale.
Er en større navnedatabase bedre?
Ikke i sig selv. Et navn tæller med i totalen, uanset om databasen har tre poster om det eller halvtreds tusind, så totalen kan ikke fortælle dig, hvilke af dine rækker du kan bygge på. Beviset pr. resultat kan. Størrelsen afgør, hvor ofte du får et svar overhovedet; antallet af samples afgør, om du bør bruge det.
Hvilken nøjagtighed offentliggør I?
Bevidst intet målt tal. Vi har ikke kørt et offentliggjort benchmark på et mærket navnesæt, så at nævne en procent ville være markedsføring og ikke bevis. Hvad vi i stedet giver dig, er beviset pr. svar — en sandsynlighed og et antal samples på hvert resultat — så du kan måle nøjagtigheden på dine egne data; det er det eneste tal, der beskriver din situation. Nævner en udbyder ét nøjagtighedstal, så spørg, hvilke navne det blev målt på.
Betyder det noget, hvor data behandles?
Det gør det, hvis din liste er kundenavne, for det er personoplysninger. Vi er et tysk selskab, alle servere står i Tyskland, behandlingen sker inden for EU, og en databehandleraftale kan bestilles i din konto. Hvem du end vurderer: bed om det på skrift før pilotprojektet og ikke efter.
Hvilke spørgsmål glemmer man at stille?
Tre. Hvad der sker med et navn, databasen ikke kender — et tomt felt, du kan filtrere, er mere værd end et sandsynligt gæt, du ikke opdager. Om samme kald giver samme svar næste år, hvilket betyder noget i det øjeblik en revision spørger, hvordan en post blev klassificeret. Og om ubrugt kapacitet udløber.
LAV TESTEN PÅ DIN EGEN LISTE
100 gratis forespørgsler om måneden, uden kort og uden samtale. Tag de rækker med, hvis svar du allerede kender — også de ubehagelige — og se, hvad der kommer tilbage ved hver enkelt.
API-dokumentation · Upload en CSV- eller Excel-fil · Stil os et konkret spørgsmål
