Virksomheden troede, at deres stærkeste konverteringskanal var paid social. Tallene sagde det. Dashboardet bekræftede det. Budgettet fulgte med — og voksede kvartal for kvartal, fordi ROAS-tallene fra Meta så overbevisende ud. CMO'en præsenterede dem stolt for bestyrelsen.
Men tallene var forkerte. Ikke lidt forkerte. Fundamentalt forkerte. En fejlkonfigureret GA4-opsætning — kombineret med en pixel, der fyrede dobbelt under specifikke betingelser — dobbelttællede konverteringer fra én specifik kampagne-type og skabte en illusion af performance, der ikke eksisterede i virkeligheden.
Jeg opdagede det ved et tilfælde. Vi var i gang med et andet projekt — en generel gennemgang af deres analytik-opsætning — da jeg sammenlignede konverteringsdata fra GA4 med de faktiske ordrer fra deres Shopify-backend. Discrepansen var ikke marginal. For den pågældende kampagnetype registrerede GA4 2,7 konverteringer per faktisk ordre. En kanal, der så ud til at have ROAS på 4,2, havde i virkeligheden ROAS på under 1,6.
Det næste spørgsmål var: Hvor langt tilbage strakker dette sig? Vi gennemgik historiske data. Fejlen var til stede i 14 måneder. I 14 måneder havde virksomheden optimeret mod et signal, der ikke betød det, de troede det betød. Budget var allokeret, kampagner var skaleret, strategiske beslutninger var taget — alt på baggrund af data, der var systematisk forkert.
Den sværeste samtale i hele projektet var ikke den tekniske fix. Det var samtalen med CMO'en om, hvad vi havde fundet. Han havde præsenteret disse tal for bestyrelsen fire gange. Han havde forsvaret budgetøgninger med dem. Hans troværdighed som leder var bundet op på disse tal.
Vi valgte en tilgang, der prioriterede konstruktivitet over konfrontation. Vi præsenterede ikke fund som "I har lavet fejl." Vi præsenterede dem som "Her er en mulighed for at træffe markant bedre beslutninger fremover." Det er ikke spin — det er det sande perspektiv. En fejl, man opdager, er en mulighed for at lære. En fejl, man ikke opdager, er et permanent handicap.
Den tekniske løsning tog to intensive uger. Vi gik systematisk igennem hele tracking-arkitekturen: GA4, Google Tag Manager, Meta Pixel, server-side setup via Google Cloud, og til sidst en dedikeret data pipeline der trak ordredata direkte fra Shopify's backend og matchede det mod kampagne-data i BigQuery.
Server-side tracking var nøglen til den langsigtede løsning. Browser-baseret tracking er sårbart — ad-blockers, ITP i Safari, tredjepartscookie-begrænsninger — alt dette eroderer datakvaliteten over tid. En server-side implementation via Google Cloud Tag Manager sender data direkte fra virksomhedens server, ikke fra brugerens browser. Det giver markant bedre datakvalitet og er langt mere robust over for fremtidige browser-restriktioner.
Vi implementerede også et dedikeret reconciliation-system: et automatiseret dagligt tjek, der sammenligner konverteringsdata fra analytics med faktiske ordrer fra backend. Hvis discrepansen overstiger 5%, genereres en automatisk alarm. Virksomheden opdager nu tracking-fejl inden for 24 timer i stedet for 14 måneder.
Mens vi arbejdede med den tekniske side, lavede vi parallelt en dybdegående analyse af, hvad de historiske tal faktisk betød, når de var korrigerede. Hvilke kanaler performede egentlig? Hvilke var overvurderede? Svaret var både overraskende og handlingsorienteret: organisk søgning og e-mail var markant undervurderede. Paid social var stadig positiv — men på langt lavere skala end hidtil antaget.
Budgettet blev reallokeret baseret på de korrigerede tal. Paid social-budgettet blev reduceret med 35%. E-mail og SEO fik massiv investering. Resultatet tre kvartaler senere: total marketing ROI steget med 28%, med et lavere samlet budget. Det er mulighederne, man opdager, når data er troværdig.
Ledelsesmæssigt skabte projektet en vigtig kulturændring: datakvalitet gik fra at være et teknisk anliggende til at være et ledelsesspørgsmål. CMO'en begyndte at stille andre typer spørgsmål på møder — ikke "hvad siger tallene?", men "er vi sikre på, hvad tallene måler?" Det er en subtil men afgørende forskel.
Den vigtigste lære fra dette projekt er ikke teknisk. Den er menneskelig. Alle organisationer har en tendens til at stole på data, der bekræfter det, de gerne vil tro. Bekræftelsesbias er reel, og den er farlig, når den kombineres med upålidelig tracking. Den bedste forsikring er ikke bedre algoritmer — det er en kultur, der konstant stiller spørgsmålstegn ved, hvad tallene faktisk måler.