De fleste PPC specialister stiller Claude det forkerte spørgsmål. De kommer til den med prompten: “Hvordan kan jeg få AI til at lave Google Ads for mig?” og jeg mener, at det er den forkerte præmis, i hvert fald for den type konti, vi administrerer.
Jo, jeg kunne sikkert bede Claude om at ændre et ROAS-mål, og det ville måske endda virke. Men værdien ligger ikke i den simple handling. Og hvis jeg forsøger at skalere det ved at bede den om at justere mål på tværs af en hel konto, får jeg pludselig et tillidsproblem. Jeg skal blindt stole på, at den eksekverer på samme måde hver eneste gang, selv når den underliggende model får en opdatering, de ikke melder ud (Opus 4.6 → Opus 4.7, nogen?). Det er en risiko, jeg ikke er villig til at tage med en annoncørs penge.
Det er ikke her, Claude har ændret den måde, jeg arbejder på. Den reelle værdi ligger i alt arbejdet omkring selve kontoen: at analysere data (jeg er helt ude af regneark), finde skjulte mønstre, skabe visualiseringer og håndtere de repetitive opgaver, der tidligere slugte timevis af min uge. Denne artikel handler om at bruge AI til at give dig superkræfter.
Et fly kan ikke nå månen, men det kan det, hvis man spænder raketmotorer på det. Sådan ser jeg på AI. Det er min raketmotor. Jeg kan gøre ting, jeg aldrig har kunnet gøre før. Her er de AI-workflows, der rent faktisk har overlevet i vores bureau.
Gå skridtet videre end artiklen
Hvorfor videoen er bedre:
- Se konkrete eksempler fra rigtige konti
- Få en dybere indsigt, som ikke kan formidles på skrift
- Lær avancerede strategier til komplekse situationer
Min grundregel: Claude informerer mig, men handler aldrig for mig
Jeg bruger ikke AI til automatisering, men til at forstærke mine egne evner. Jeg vil ikke have en AI co-pilot, der rører ved bud og budgetter. Jeg vil have en AI-analyseassistent, der behandler mere data, end jeg nogensinde selv kunne, så jeg kan træffe hurtigere strategiske beslutninger.
Ved at holde AI til analyseopgaverne får jeg dens processorkraft uden dens fejl og manglende kontekst. Jeg er stadig strategen, jeg har bare bedre værktøjer nu.
Workflow #1: Data-indlæsning og analyse (men aldrig konklusioner)
Det er her, jeg bruger Claude mest. Det har fuldstændig erstattet behovet for komplekse regneark, når det gælder om at finde korrelationer i data.
Hvad jeg bruger det til
Jeg uploader en CSV-fil og giver en ligetil prompt.
Kontekst: Dataene, jeg har uploadet, er fra en Google Ads-konto. Vores bekymring er ABC, og vores mål er XYZ.
Dataforklaring: Denne CSV-fil har kolonnerne A, B og C, med XYZ pr. række.
Anmodning: Gennemgå nu datapunkterne så simpelt som muligt og giv mig [specifikt output].
Her er to konkrete eksempler.
I et tilfælde forsøgte vi at finde data, der kunne hjælpe os med at forudsige, om vi var ved at over- eller underforbruge budgettet. Efter at have fodret Claude med tre måneders performance data segmenteret pr. dag, var resultatet klart: ikke et eneste datapunkt kunne pålideligt korreleres til at forudsige fremtidige udsving i forbruget. Den konklusion, som kunne have taget timevis i pivottabeller, tog cirka fem minutter at bekræfte.
I et andet tilfælde begyndte en annoncørs performance at trende bagud i forhold til sidste års omsætningskurve. Jeg var bekymret for, om vejret spillede ind. Jeg uploadede vores YoY performance data og bad Claude om at gennemgå vejrdata for den samme periode. Prompten var direkte:
“Analyser vejret i Europa i maj 2024 versus maj 2023. Fokuser på Danmark, Sverige, Norge, Tyskland og Schweiz. Forklar, om lavere temperaturer i år kan være en årsag til, at vi ser en lavere omsætning YoY.”
På få minutter havde jeg en konklusion. Vejret var markant koldere i år. Det var noget, vi tidligere byggede komplicerede regneark til med vejr-API’er, som vi manuelt skulle aflæse og fortolke. Det virkede, men det var en proces på 30 minutter. Nu er det et tjek på 5 minutter.
Hvor jeg ikke stoler på det
Der er én dealbreaker. Du skal eksplicit fortælle Claude, at den ikke skal konkludere noget på dataene. Overladt til sig selv har den en tendens til at trække konklusioner ud af den blå luft for at være “hjælpsom”.
For eksempel vil du se faldende forbrug og stigende ROAS, og Claude vil sige: “I sigter tydeligvis efter at være mere effektive, og jeres hårde arbejde betaler sig.” Forkert. Virkeligheden er, at vi kæmper for at finde volumen.
Eller du vil se færre aktive produkter i Google Shopping og faldende forbrug, og Claude vil sige: “Godt arbejde med at fokusere på de bedst performende produkter!” Forkert. Vi vil have mere volumen, og vores performance lider.
Du forstår pointen. Det er bare fyld. Jeg instruerer den specifikt i ikke at drage konklusioner eller udlede, hvilke handlinger eller strategier der har ført til de data, vi ser.
Workflow #2: Mit on-demand data-dashboard
Datavisualisering er blevet min foretrukne måde at bruge Claude på. Al færdigbygget dashboard-software løber ind i et af to problemer:
- Den er for simpel til at være nyttig til dybdegående analyser.
- Den er unødigt kompliceret, fordi den forsøger at dække alle tænkelige scenarier.
Min løsning har været at bruge Claude som mit data-dashboard til enkeltstående analyser. Vi har oprettet en simpel ‘skill’ med lidt grundlæggende kontekst: hold visualiseringer simple, vis 1-2 metrics ad gangen, og skriv ingen tekst. Nu kan vi bare uploade data og bede om en visualisering af dem.
Casestudie: Afdækning af skjulte skift i forbrug
Jeg kiggede på en 8-ugers periode for en annoncør, hvor vi ikke kunne forbedre vores blended ROAS, på trods af at vi sænkede forbruget og prøvede forskellige ting. Jeg uploadede alle relevante datapunkter og bad Claude om at visualisere dem.
Da jeg scrollede gennem graferne, stak én ting ud: procentdelen af Meta-forbruget i Polen var meget højere end i andre lande. Det viste sig, at annoncøren havde glemt at kommunikere, at de som et forsøg skubbede hårdere på Meta i dette land. Samtidig med at vi reducerede forbruget på Google, var deres Meta-budgetter tilfældigvis blevet forhøjet. Det var et simpelt kommunikationshul, som en visualisering gjorde tydeligt med det samme.
Casestudie: Hurtige YoY kontoanalyser
Til en anden opgave indlæste jeg performance data for de første fire måneder af året for alle vores konti, sammen med tallene fra sidste år. Derefter bad jeg om simple overblik: en aggregeret visning pr. kampagnetype og en aggregeret visning pr. konto pr. kampagnetype, sorteret efter YoY-forskellen i forbrug.
Visualiseringerne lod mig med det samme fremhæve to ting for teamet:
- Search overgik Shopping med hensyn til forbedring og var vokset fra under 10 % til over 20 % af det samlede forbrug.
- Jeg identificerede hurtigt fem specifikke konti, der havde et markant underforbrug YoY.
At forstå data gennem visualiseringer er undervurderet. Den springer det kedelige regnearbejde over og hjælper dig med at fortælle en historie med data, både for dig selv og for dine annoncører.
Den reelle værdi er forstærkning, ikke automatisering
Hvis du leder efter en AI, der kan gøre dit arbejde for dig, bliver du skuffet. Løftet om fuld automatisering i et så komplekst domæne som Google Ads er stadig langt væk.
Men hvis du anskuer den som et værktøj til at forstærke din egen ekspertise, fungerer det. Claude håndterer det slidsomme arbejde med databehandling og visualisering, og jeg håndterer strategien. Det er raketmotoren i praksis.
[TL;DR]
- Brug AI til at give dig superkræfter til arbejdet omkring selve kontoen, ikke til at gøre dit arbejde for dig.
- Brug Claude til data-indlæsning og -analyse for hurtigt at finde korrelationer, men instruer den eksplicit i ikke at drage nogen konklusioner på egen hånd.
- Claude er et fremragende on-demand visualiseringsværktøj. Brug det til at skabe enkeltstående dashboards, der hjælper dig med at se mønstre og fortælle historier med data, som du ville overse i et regneark.
- Min grundregel er, at AI kan informere mine beslutninger, men den får aldrig lov til at handle på dem. Strategen (dig) skal altid have kontrollen.
