Kirsten var virksomhedens eneste analytiker. Hun var dygtig, grundig og ekstremt dedikeret til sit arbejde. Og hun brugte tre dage om måneden på at kopiere tal fra seks forskellige platforme ind i et Excel-ark.
Ritualet begyndte altid den første tirsdag i måneden. Åbn Meta Business Suite, naviger til rapporteringssektionen, vælg de rigtige datoer, eksportér til CSV, åbn CSV'en, fjern de irrelevante kolonner, kopier de relevante tal ind i master-arket. Gentag for Google Ads. Gentag for Google Analytics. Gentag for LinkedIn Ads. Gentag for Mailchimp. Gentag for virksomhedens interne CRM.
Tre dage. Hver måned. Tolv gange om året. Det er 36 arbejdsdage om året — næsten to måneder — brugt på manuel dataindsamling. Og rapporten, der kom ud i den anden ende, var forældet i det øjeblik, den blev delt: data fra den første tirsdag matchede ikke nødvendigvis den virkelighed, ledelsen stod i, når de læste rapporten tre dage senere.
Problemet var ikke Kirsten. Problemet var systemerne. Ingen af de seks platforme talte naturligt sammen. Data eksisterede i siloer. Og den eneste bro mellem dem var et menneske med et Excel-ark og tre dages tålmodighed.
Vi startede projektet med en grundig behovsanalyse. Hvad skal rapporten faktisk vise? Hvem bruger den? Hvilke beslutninger skal den understøtte? Det er spørgsmål, der virker åbenlyse, men som sjældent stilles eksplicit. Svaret var overraskende klart: rapporten blev brugt af tre personer — Kirsten, marketingchefen og CEO'en — og de tre brugte den til vidt forskellige ting.
Kirsten brugte den til at diagnosticere performance-problemer på tværs af kanaler. Marketingchefen brugte den til at retfærdiggøre budgetallokering i kvartalsmøder. CEO'en brugte den til at forstå overordnet trafik- og konverteringstendenser. Tre brugere, tre behov — men én rapport, der forsøgte at dække alle tre. Resultatet var et dokument på 47 kolonner og 12 faner, der var optimalt for ingen.
Løsningsdesignet tog udgangspunkt i dette: vi ville ikke bare automatisere den eksisterende rapport. Vi ville bygge den rigtige rapport og automatisere den. Det er en vigtig distinktion. Automatisering af noget dysfunktionelt skaber bare dysfunktion hurtigere.
Arkitekturen vi designede var bygget på Google Cloud Platform. Google Cloud Functions kører planlagt hver nat klokken 2 og henter data via API'erne fra alle seks platforme — Meta Marketing API, Google Ads API, Google Analytics Data API, LinkedIn Marketing API, Mailchimp API og virksomhedens CRM via en REST endpoint. Dataene transformeres, normaliseres og skrives til BigQuery.
Looker Studio forbindes direkte til BigQuery og præsenterer tre dedikerede dashboards: ét til Kirsten (med granulær kampagnedata og anomali-detektion), ét til marketingchefen (med kanal-ROI og budget-performance) og ét til CEO'en (med topline-metrics og tendenser over tid). Alle tre opdateres automatisk i realtid. Ingen rapport skal bygges manuelt.
Implementeringen tog fire uger og stødte på ét uventet problem: LinkedIn Marketing API'en returnerede data i et format, der ikke matchede den øvrige datastruktur. Vi brugte to ekstra dage på at skrive en custom transformer, der normaliserede LinkedIn-dataene til det fælles skema. Det er den slags friktion, der altid opstår i dataprojekter, og som man ikke kan forudsige præcist — men som man kan bygge tid til i planlægningen.
Den første måned, Kirsten ikke skulle bruge tre dage på at bygge rapporten, brugte hun dem i stedet på noget, hun aldrig havde haft tid til: hun byggede en model, der forudsagde hvilke kampagnetyper, der ville performe bedst i den kommende måned, baseret på historiske data. Det var den analyse, alle havde vidst ville være værdifuld — men ingen havde haft tid til at lave.
Marketingchefen beskrev overgangen som "at tænde for lyset." Ikke fordi der ikke var data før — men fordi data nu var tilgængeligt når det var relevant, ikke tre dage forsinket og 47 kolonner bredt. Beslutninger, der tidligere tog en uge at forberede, tages nu på et møde.
Den egentlige gevinst er ikke de fire minutter. Det er hvad de tre dage bruges til nu — og hvad det giver en organisation, når dens analytiker rent faktisk analyserer i stedet for at kopiere data. Det er den slags ROI, der er svær at sætte tal på, men let at mærke.