Hvorfor tidsregistrering ikke redder dit bureaus avancer

Galen Low: Hvis nogen lytter med, og deres organisation ikke har en datakultur, hvor lang tid vil det så tage at indhente det forsømte?

Marcel Petitpas: Det første skridt er at få klarhed over jeres ramme. I kan ikke træffe beslutninger om, hvilke værktøjer I skal bruge, hvordan I skal bruge dem, hvad I skal registrere, og hvad I ikke skal registrere, medmindre I ved, hvilke målepunkter I vil være opmærksomme på.

I skal vide præcis, hvordan disse målepunkter bliver beregnet. Hvordan I vil definere hvert objekt inden for hvert målepunkt, og hvad målepunktet fortæller jer om virksomheden, når det stiger eller falder.

Galen Low: Hvis man driver et bureau, hvordan beslutter man så inden for denne ramme, hvilke taktikker der faktisk vil have den største effekt på den operationelle effektivitet?

Marcel Petitpas: Vi tænker på det som bureauets profit-svinghjul, og svinghjulet har fire trin. Nummer ét er jeres antagelser. Nummer to er jeres faktiske resultater, og de to ting tilsammen udgør jeres kvantitative feedback-loop. Det fortæller jer, hvor der er et gab, og det fortæller jer, hvilket målepunkt i virksomheden I har brug for at flytte.

Galen Low: Hvis man arbejder med drift, skal man så være meget fortrolig med data, meget dataorienteret, datadrevet, mere teknisk eller mere som en ingeniør, eller er det også en fejlopfattelse?

Marcel Petitpas: Der kommer et tidspunkt i den ikke så fjerne fremtid, hvor man vil kunne opbygge og administrere en lille datapipeline uden at være hyperteknisk eller en superdata-nørd. Men det, der stadig vil være sandt, er—

Galen Low: Velkommen til Digital Project Manager-podcasten — programmet, der hjælper ledere med leverancer med at arbejde smartere, levere hurtigere og lede bedre i AI-alderen. Jeg hedder Galen, og hver uge dykker vi ned i strategier fra den virkelige verden, nye værktøjer, gennemprøvede rammer og den lejlighedsvise krigshistorie fra projektets frontlinje. Uanset om du styrer massive transformationsprojekter, håndterer AI-arbejdsgange eller bare prøver at holde kaosset under kontrol, er du kommet til det rette sted. Lad os komme i gang.

I dag taler vi om forholdet mellem rentabilitet, drift og data. Mere specifikt: Hvornår er det rigtige tidspunkt at sikre, at jeres data er rene nok til at forstå rentabiliteten, og hvordan kan I indhente det forsømte, hvis I allerede føler jer bagud i forhold til hele idéen om AI-forbedret, datadrevet drift?

Med mig i dag har jeg Marcel Petitpas, grundlægger og administrerende direktør for Parakeeto, og også min foretrukne person, når det handler om rentable, datadrevne bureauoperationer og om at forklare lineær regression for mig, som om jeg var fem år. Marcel og hans team fungerer som bindeleddet mellem en deltids-CFO og en deltids-COO, der arbejder sammen om at få bureauet til at vokse forudsigeligt gennem bæredygtig og rentabel drift.

Marcel har også været overalt på det seneste. Han talte ved Agency Growth Event Summit, All-In Agency Summit, Mirren AI 2025, Consulting Success Live 2025 og ved forskellige arrangementer med Agency Management Institute. Han er også vært på Agency Profit Podcast, som hver uge udgiver samtaler med bureauledere og brancheeksperter.

Marcel, tak fordi du kommer tilbage i programmet i dag.

Marcel Petitpas: Galen, det var betagende at se dig lave den introduktion. Du var så fokuseret. Det var fantastisk. Vi sad og talte sammen bag kulisserne, og så gik du bare ind i zonen. Tak fordi du inviterede mig. Det er en fornøjelse at være her, og tak for den vidunderlige optræden lige før.

Galen Low: Tak for komplimenterne. Jeg er faktisk AI hele tiden. Marcel byggede mig. Marcel, du har været med i programmet før. Du har deltaget i arrangementer sammen med os. Jeg elsker at have dig med, fordi jeg synes, du har et virkelig unikt og pragmatisk perspektiv på, hvor bureauer og virksomheder generelt bevæger sig hen med hensyn til dataforståelse, datadrevet drift og forbindelsen til værdi. Du kommer faktisk ned på jorden og taler om forretningen.

Marcel Petitpas: Jeg sætter pris på, at du siger det. Det er noget, jeg på mærkelig vis bruger uforholdsmæssigt meget af min tid på at tænke over og tale om, og jeg er meget heldig, at jeg får lov til det. Jeg har selv arbejdet med at implementere disse ting i bureauer i syv år, og jeg tror, det er dér, jeg — især i projektledelseskonteksten — har nogle perspektiver, der går imod den konventionelle visdom om, hvad bedste praksis er.

Fordi jeg har set, hvor de gyldne håndjern sidder: de beslutninger, vi træffer, som virker fornuftige, men som i praksis aldrig fungerer, fordi de er for svære.

Galen Low: Det elsker jeg. Ja. Vi bliver ved med at bruge den samme spillebog, selv om den er lidt ødelagt, bare fordi den ligger der. Gyldne håndjern, virkelig. Jeg tænkte, at vi kunne begynde med at få ét stort, brændende spørgsmål af vejen — noget kontroversielt, som alle gerne vil kende svaret på — og derefter zoome ud og tale om tre ting.

For det første ville jeg tale om datahygiejne, og hvad man skal gøre, hvis det føles, som om bureauet allerede har misset toget. Derefter vil jeg gerne tale om, hvordan rene data og AI helt konkret kan påvirke rentabiliteten målbart, og hvordan man kan vurdere og prioritere operationelle effektiviseringer ud fra deres effekt.

Til sidst tænkte jeg, at vi kunne undersøge, hvor kaninhullet fører bureauerne hen. På nogle måder har bureaubranchen ændret sig fuldstændigt. Og jeg vil gerne tale om de kompetencer og strukturer, bureauer skal se på for at trives i dataens og AI's tidsalder. Det er store emner. Men hvordan lyder det for dig?

Det lyder som en rigtig sjov stund. Lad os dykke ned i det. Fint. Lad os komme i gang. Her er mit store, lodne spørgsmål. Jeg vil sige, at gode, rene data — det har jeg lært af dig — med rette kan betragtes som nøglen til at opnå rentabel, datadrevet bureau-drift. Men hvis nogen lytter med, og deres organisation ikke har en datakultur eller er i nærheden af at have organiseret data på en meningsfuld måde, hvor lang tid vil det så tage at indhente det forsømte?

Og er der en måde at fremskynde processen på uden at være hensynsløs?

Marcel Petitpas: Svaret er ja. Det, jeg synes er så trist ved mange af de kunder, vi ender med at arbejde med, efter at de har brugt årevis på at lukke dette gab, er, at langt de fleste forsøger at styre hunden ved halen, når de angriber problemet.

Og det gælder især, tror jeg, mange af dem, der lytter til programmet her. Og jeg synes ikke, det er deres skyld. Jeg tror ærligt talt, at softwareindustrikomplekset på en eller anden måde har betinget dem til at tro det. Det begynder med softwaren og med projektstyringen, tidsregistreringsdataene og regnskabsdataene, men det er alle sammen de sidste trin i processen og de mindst vigtige. Det kommer nok til at chokere folk, at jeg siger det, men man behøver ikke tidsregistreringsdata for at få 80 procent af indblikket i sin performance.

Det første skridt er nummer ét at få klarhed over sin ramme. Det er lidt abstrakt, men hvis vi skal omsætte det til praktiske termer: Man kan ikke rigtigt bruge nogen af sine data eller træffe beslutninger om, hvilke værktøjer man skal bruge, hvordan man skal bruge dem, hvad man skal registrere, og hvad man ikke skal registrere, medmindre man ved, hvilke målepunkter man vil være opmærksom på.

Man skal vide præcis, hvordan disse målepunkter beregnes. Og man skal vide præcis, hvordan man vil definere hvert objekt inden for hvert målepunkt, og hvad målepunktet fortæller om virksomheden, når det stiger eller falder. Et praktisk eksempel er, at det er fint at sidde rundt om bestyrelsesbordet og sige: Vi måler udnyttelsesgrad.

Det er noget helt andet at sige: Hvad betyder det helt præcist for os? Hvad er en fakturerbar time, og hvad er kapacitet? Hvordan definerer vi de ting? Hvad er inkluderet, og hvad er ikke inkluderet? Hvad tæller? Hvad tæller ikke? Hvilken logisk formel bruger vi faktisk til at omdanne data til dette billede af udnyttelsesgraden?

Og forstår vi fuldt ud, hvad der får den til at stige og falde, hvad det fortæller os om virksomheden, hvordan det påvirker vores beslutninger, og hvorfor vi overhovedet interesserer os for det? Hvad vil ændre sig i vores beslutninger, hvis vi har dette tal foran os og ser, at det stiger eller falder?

Det er altså det første skridt. Den gode nyhed er, at det ikke kræver software, data eller ventetid, mens man samler data. Det er bare beslutninger, man kan træffe. De er ikke nemme at træffe, men vi har forsøgt at gøre det lettere ved at offentliggøre vores ramme for, hvordan vi mener, man bør måle disse målepunkter, og hvilke målepunkter man bør måle.

Så det vil jeg kalde trin ét. Der er også et andet trin, som heller ikke kræver nye oplysninger, og som jeg synes er vigtigt at tale om. Men jeg vil lige give dig mulighed for at komme til orde, for jeg kunne blive ved de næste 60 minutter, og det ved du.

Galen Low: Og det ville jeg være helt tilfreds med.

Men én ting, jeg også elsker, er, at jeg måske bevidst leder vidnet lidt, fordi jeg tror, mange af dem, der lytter, tænker: Åh nej, vi skal indhente det forsømte. Vi skal købe software, og vi skal begynde at registrere tid med det samme. Så får vi et grundlag af data, men vi er stadig måneder og måneder fra at være i nærheden af at have brugbare data, som vi kan bruge til at skabe rentabilitet.

Det er sådan en ufrivillig reaktion på at føle sig bagud som bureau. Så jeg elsker, at svaret ikke er software. Jeg spekulerer på, om du kunne give mig et eksempel, især med hensyn til udnyttelsesgrad. For udnyttelsesgrad er nok et perfekt eksempel på de gyldne håndjern, ikke?

Fordi det giver så god mening. Jeg har ansat disse mennesker. Min forretningsmodel er at sælge tjenester pr. fakturerbar time. De bruger enten det meste af deres tid på at tjene penge, eller også gør de ikke. Og hvis de ikke gør, kollapser mine avancer. Jeg mister måske penge. Jeg udnytter ikke det talent, jeg har ansat.

Det virker så naturligt at sige: Ja, det er et godt mål. Men det, du fik mig til at tænke over, var, hvad der får det til at stige og falde. Det er en utrolig kompleks ligning for folk, der tænker: Marcel, kom nu. Hvad skulle jeg ellers måle? Udnyttelsesgrad må det da være. Hvilke myter afkræfter eller støder du på, som faktisk er fejlopfattelser? Og fører det stadig til, at man måler udnyttelsesgrad, men gør det bedre, fordi man har stillet de rigtige spørgsmål? Eller skal man helt opgive det?

Marcel Petitpas: Nej. Vores ramme inkluderer udnyttelsesgrad som et målepunkt, men den måde, vi beregner den på, er sandsynligvis ikke den samme, som de fleste andre ville bruge. Jeg kan godt tale om det. Jeg kan tale om, hvordan vi definerer udnyttelsesgrad, men det er svært at gøre isoleret, for før man forstår, hvordan vi måler den gennemsnitlige fakturerbare sats, hvordan vi måler avancer på projekter, hvordan det adskiller sig fra måden, vi måler avancer på bureauniveau, og hvordan vi tænker på omkostning pr. time, kan man ikke forstå, hvorfor vi traf de beslutninger, vi traf om udnyttelsesgrad.

Sandheden er, at vi ser på det som en hel ramme: forholdet mellem målepunkterne og virksomheden samt forholdet mellem målepunkterne indbyrdes. Vi har tænkt det hele igennem, testet det med hundredvis af bureauer gennem syv år og arbejdet os gennem alle særtilfældene. Jeg kunne gennemgå min definition af udnyttelsesgrad, som er leveringstimer.

Det vil sige al tid, der bruges på kunder, uanset om den var, i anførselstegn, fakturerbar eller ej. Det er vi ligeglade med. Disse leveringstimer divideres med kapaciteten, som er al den tid, man har købt fra alle i den måling, man foretager. For hele bureauet er det alle, også personer, der slet ikke arbejder med kunder.

Og det er 2.080 timer om året. Nogle vil høre det og sige: Det ville ikke fungere for os. Måske er det rigtigt, fordi I har truffet en masse andre beslutninger om de øvrige målepunkter, og så giver det ikke mening. Men jeg talte faktisk med en person her til morgen, som fortalte, at ledelsen hver uge siger, at teamet er fuldt udnyttet, selv om det ikke er rigtigt, fordi halvdelen af den tid, der betragtes som, i anførselstegn, fakturerbar, er intern tid. Den skaber ikke omsætning for dem.

Så de får et falsk positivt resultat. Eller et andet team er mest udnyttet i august. Det er også et falsk positivt resultat, fordi de holder en masse fri i den måde, de tænker på kapacitet. Vi burde jo trække tid fra, som ikke er tilgængelig.

Og for mig er alt dette et tegn på, at samtalen om, hvordan vi definerer udnyttelsesgrad, ikke fandt sted efter en samtale om hvorfor. Hvilke beslutninger træffer vi, og hvilke spørgsmål forsøger vi at besvare? Hvis den samtale var kommet først, ville de straks kunne se, at vi ikke kan trække kapacitet fra, hvis vi forsøger at finde ud af, hvad den økonomiske effekt af udnyttelsesgrad er, og hvordan den påvirker rentabiliteten.

For det ville være problematisk. Nå, men jeg kommer vist på et sidespor. Jeg tror, den store fælde er at tro, at man kan udlede bureauets eller virksomhedens performance ud fra ét enkelt målepunkt. Og den fælde, folk falder i, er, at de forsøger at gøre udnyttelsesgrad til det ene målepunkt, eller at de forsøger at gøre rentabilitet på projektniveau til det ene målepunkt.

Og jeg synes, det sidste er lige så problematisk, hvis ikke mere. Man kan ikke udlede rentabiliteten for hele bureauet ud fra rentabiliteten på ét projekt. At forsøge at koble de to ting sammen er efter min mening en tåbelig opgave og et massivt spild af tid og ressourcer, og det besvarer ikke noget spørgsmål særligt godt.

Galen Low: Det, jeg godt kan lide ved det, er Douglas Adams-aspektet. Man spørger: Hvad er meningen med livet? Og svaret er 21, men det er, fordi man ikke rigtig forstod spørgsmålet til at begynde med. Sådan ser jeg på udnyttelsesgrad efter den forklaring. Okay, del ét: rammen, og forståelsen af, hvad man måler, og hvorfor. Del to.

Marcel Petitpas: Del to vil jeg sige er jeres model og prognose. Det er endnu en ting, som jeg synes bliver overset. Lad os forestille os, at vi har defineret, hvordan vi måler udnyttelsesgrad. Det næste, der typisk sker, er, at projektlederteamet bliver begejstret.

De lancerer projektstyringsværktøjet og presser alle til at overholde reglerne. Tre måneder går, og endelig siger de: Okay, nu har vi gode data. Vores udnyttelsesgrad sidste måned var 54 procent. Og så står alle omkring hinanden og venter på, at nogen reagerer, hvorefter de siger: Er det godt eller skidt?

Igen er man gået til det sidste trin i processen, men man kan ikke skabe værdi ud af målingen, fordi man aldrig fastsatte sin forventning. Den gode nyhed er, at det kan være utrolig oplysende at fastsætte sin forventning, og det kan fortælle en, hvor problemet ligger, uden at man kender de faktiske resultater.

Når man når frem til de faktiske resultater, er de betydeligt mere værdifulde, fordi indsigt er en funktion af forventninger sammenholdt med virkeligheden. Så trin to er at opbygge en model af virksomheden. Modellen er meget enkel. Vi begynder med det, vi kalder en lønstruktur, som er en liste over alle på teamet, hvor meget de får i løn, hvor mange timer de arbejder, og hvor man forventer, at deres tid går hen.

Hvis man havde ubegrænset arbejde, hvor meget betalt ferie har de så? Derefter ser man på sine faste omkostninger. Hvad har man brugt på advokater, revisorer, QuickBooks, abonnementer og alt det andet — kontoret og så videre? Derefter ser man på prissætningen. Hvad opkræver man reelt, og hvad forventer man at tjene for hver time, der bruges på kundeopgaver på tværs af alt det, man sælger?

Hvis man kombinerer disse tre informationssæt, bør man kunne nå frem til følgende: Hvis alt gik, som vi havde planlagt, hvor mange penge kan virksomheden så tjene med det nuværende team? Hvor meget tid vil blive brugt på kundeopgaver? Hvad bliver vores udnyttelsesgrad?

Hvor meget vil vi bruge på faste omkostninger? Hvad bliver vores bruttoavance, og hvad bliver vores nettoresultat? Hvad er det bedst mulige resultat? Det skaber grundlaget for at spørge: Er det her godt? Er det det, vi forventer? Det er et vigtigt spørgsmål, for nogle gange møder vi en virksomhed, der siger: Uanset hvor hårdt vi prøver, kan vi ikke blive rentable.

Og så laver vi øvelsen og siger: Det skyldes, at I planlægger at være urentable.

Galen Low: Interessant.

Marcel Petitpas: Og de siger: Nå ja. Uanset hvor perfekt vi gennemfører planen, vil vi stadig mislykkes. Og det havde faktisk slet ikke noget med vores gennemførelse at gøre. Vi havde bare den forkerte plan.

Så trin to er at opbygge en model af virksomheden. Forstå, hvad den lægger op til, hvor meget plads til fejl man har, og hvordan målene ser ud. Hvis man tilføjer ét sidste datasæt, nemlig en overordnet forståelse af projekterne — hvor meget man får betalt, hvornår de starter og slutter, og hvor mange timer man forventer — kan man begynde at se ud i fremtiden og spørge: Planlægger vi at tjene så meget omsætning, som vi kan?

Planlægger vi at holde teamet rimeligt beskæftiget? Man kan løse omkring 70-80 procent af rentabilitetsproblemerne uden nogensinde at registrere tid eller projektdata, som er den dyreste og vanskeligste del. Det gør man ved for det første at skabe klarhed over sin ramme og for det andet at skabe klarhed over de antagelser, man i dag gør sig om virksomheden.

Og ved at strukturere dem på en måde, der skaber værdi. Det er de første skridt, vi tager med hver kunde, fordi man ikke rigtigt kan træffe beslutninger om alt det efterfølgende, før man har lagt fundamentet og besluttet, hvordan strukturen skal se ud. Den gode nyhed er, at alt dette er gratis.

Det kræver kun tid. Og det kræver kun oplysninger, man allerede har i hovedet. Man har bare sandsynligvis ikke taget sig tid til at lægge dem frem. Man behøver ikke software. Man behøver ikke vente seks måneder på, at data samler sig. Man behøver ikke ændre sin regnskabsproces. Det er tilgængeligt for en allerede nu. Den gode nyhed er derfor, at det faktisk ikke tager lang tid at indhente det forsømte, fordi meget af det allerede er tilgængeligt.

Galen Low: Det er interessant, for det er gratis, men det er ikke nemt. Nogle af spørgsmålene bygger på viden, man måske allerede har. Men det svære er faktisk at besvare spørgsmålene, fordi man virkelig er nødt til at se sin drift i øjnene. Jeg troede faktisk, du ville sige: Tænk over, hvor mange penge du potentielt kan tjene, og fortæl så dig selv, at du er urealistisk, fordi det er utopien. Men du sagde faktisk, at planen måske bare ikke er rentabel, sådan som du driver virksomheden. Virksomheden er måske ikke rentabel.

Og én ting, jeg finder virkelig befriende fra mit perspektiv som projektleder i et bureau, er, at vi er vant til at føle, at hele bureauets vægt hviler på vores skuldre. Det er, som om vi er den økonomiske motor. Vi betaler alle de mennesker, der arbejder med underskud. Vi skal have en tilstrækkelig avance, så vi er fakturerbare — typisk 80 procent udnyttelse eller mere — og samtidig have nok avance til at sikre, at det administrative personale, salgsteamet og alle andre også får deres løn.

Hvorimod jeg tror, den anden ting, du sagde, var, at det ikke kun kan handle om rentabilitet på projektniveau. Der er denne COGS-model, og man er nødt til at medregne alle og det arbejde, man planlægger skal være fakturerbart eller tilgængeligt, samt de penge, man kan tjene.

Marcel Petitpas: Det er hundrede procent rigtigt, og vi har set det før. Vi har set virksomheder, hvor hvert eneste projekt var ekstremt rentabelt, men hvor virksomheden ikke var rentabel, fordi projektrentabilitet kun er én af tre faktorer, der afgør rentabiliteten. Det kan ikke reduceres til det. Sådan er det bare.

Jeg kunne sælge dig denne vandflaske for en million dollars og gøre det én gang hvert tiende år. Men hvis jeg derefter bruger 800.000 dollars om året på drift og markedsføring for at overbevise én person hvert tiende år om at købe en vandflaske til en million dollars, er det ligegyldigt, at min avance på den var 99,999 procent.

Det er nuancen. Man er nødt til at zoome ud og opbygge en omfattende model af hele virksomheden og være opmærksom på alle de håndtag, der påvirker tallet.

Galen Low: Imens er Stanley-kopperne deres forretningsmodel, ikke? Ja. Sælg nogle samlervandflasker med avance.

Marcel Petitpas: Ja. Og de er uforgængelige.

Galen Low: Det er faktisk et godt udgangspunkt, for jeg ville gerne zoome lidt ud til noget, du sagde. Du beskrev det, du laver hos Parakeeto, som om en deltids-CFO og en deltids-COO fik et barn sammen. Hvis vi ser bort fra alle interessekonflikterne og alle kultagtige koncertjokes, hvordan kan ledere inden for økonomi og drift arbejde tættere sammen om at bruge data til at analysere og overvåge rentabiliteten i et bureau — eller mere præcist træffe disse beslutninger sammen og besvare disse svære spørgsmål sammen? Og er det de vigtigste personer, eller hvem skal ellers være involveret i nogle af disse samtaler for at fastlægge rammerne og modellen?

Og for at afkræfte eventuelle fejlopfattelser, de har arbejdet ud fra, både økonomisk og driftsmæssigt.

Marcel Petitpas: Jeg synes faktisk, det går tilbage til de to første ting, jeg talte om i mit sidste svar: samtalen om rammen og samtalen om virksomhedens model.

Det hænger uløseligt sammen med de tre vigtigste dele af virksomheden: den økonomiske del, driftsdelen og til en vis grad nye forretninger. Når man sætter sig ned og har en samtale centreret omkring det, tvinger det på en måde alle til at mødes og nå frem til en fælles aftale.

På nogle måder giver det også samtalen et fundament, fordi det bare er en matematisk formel. Det er ikke en holdning. Det er ingens holdning. Det er bare matematikken og håndtagene. Når de stiger eller falder, er det dette, der ændrer sig. Det kan ingen rigtigt tilbagevise. Det skaber efter min mening grundlaget for, at alle derefter kan sige: Hvis det er forventningen, hvordan måler vi så op imod den?

Alle skal bidrage til det. Og det tvinger en til at se på tværs af afdelingerne. Hvis vi vil kunne lave prognoser, skal vi vide, hvad der kommer fra salget. Hvordan gør vi det? Hvilke oplysninger har vi brug for? Hvis vi skal lave prognoser for vores kapacitet, er vi nødt til at forstå, hvor meget tid der forventes brugt.

Hvis vi skal lave en økonomisk prognose, skal vi forstå, hvad vi vil opkræve, hvordan vores omkostninger ser ud, hvor meget der er vores penge, og hvor meget der ikke er. Og hvis vi skal planlægge rentabilitet, skal vi vide, hvordan avancen ser ud.

På samme måde skal vi, hvis vi vil fastsætte budgetter på økonomisiden, forstå, hvordan teamet ser ud, og hvordan vores ansættelsesplan ser ud. Alle disse ting hænger altså sammen, og man begynder at se på tværs af organisationen og spørge: Hvis vi vil måle dette, hvilke data har vi så brug for?

Svaret er næsten altid en kombination af driftsdata, fordi driftsdata kommer før den økonomiske performance, og økonomiske data, fordi økonomiske data i bund og grund er en meget præcis opsummering af det, der er sket tidligere. For mig er rammen, prognosen og modellen derfor fundamentet, som feedback-loops bygges på, og feedback-loopene er dér, hvor en stor del af samarbejdet på tværs ender med at foregå.

Men hvis man ikke har en ramme og ikke forstår, hvordan man opbygger en model, oplever man ofte, at alle bare bliver i deres egen bane. Der opstår et lille gab, som aldrig bliver udfyldt, og det driver ledelsen til vanvid. Man ender med helt adskilte ting: måden, vi tænker på at sælge arbejde på, måden, vi opretter det i QuickBooks og fakturerer det på, og måden, det ender i ClickUp på.

Det er helt forskellige sprog. Ikke så underligt, at vi ikke kan måle noget. Dataene passer simpelthen ikke sammen.

Galen Low: Det kan jeg godt lide. Det er modellen og rammen, der bringer folk sammen. Jeg har oplevet det lille gab, hvor alle går ind i bestyrelseslokalet og tilsyneladende bliver enige om den strategiske plan. Vi siger: Okay, det er det, vi gør.

Vi har dataene, her er planen, her er målet, men brikkerne passer ikke sammen, og sproget er forskelligt. Og ved næste kvartalsvise forretningsgennemgang siger alle: Ja, men det er ikke min skyld. Det er økonomiafdelingens skyld. Det er HR's skyld. Jeg kan godt lide idéen om, at rollen — selv om jeg også tænkte, at en deltids-CFO og en deltids-COO får et barn, og at det er Parakeeto — ikke nødvendigvis ledes gennem drift og økonomi, men i virkeligheden handler om at bringe sansen for modellen med sig, opbygge en model og en ramme og derefter samle alle fra de forskellige afdelinger, så man kan se holistisk på virksomheden og bruge data, der sandsynligvis allerede findes.

Marcel Petitpas: I større organisationer, hvor der er en COO, en CFO og en CEO, får vi dem alle til at være på linje, hvorefter vi lader dem bruge tiden dér, hvor de har størst løftestangseffekt. Det er ikke i regnearkene, hvor de forsøger at finde ud af, hvad pokker der foregår. Det er at gøre noget ved det med en forståelse af, at alle ved, hvad de skal fokusere på.

I mindre organisationer, hvor de ikke har størrelsen til at have en CFO eller COO, gør vi det samme, men for den mest senior person i hver af disse afdelinger. Det er som regel det eksterne regnskabsfirma på økonomisiden og den senior projektleder eller projektleder, der netop har fået en driftstitel, fordi man tænker: Vi er nået til et sted, hvor vi føler, at vi har brug for det, og du er her, og du virker dygtig.

Så har du lyst til at lære at arbejde med drift? Og så er der CEO'en, som generelt ikke startede virksomheden for at beskæftige sig med noget af dette. De er fageksperter. Det handler derfor om at tage den rodede mellemzone på sig, så alle andre kan få klarhed over, hvad de skal gøre, og derefter gøre det.

Galen Low: Det er virkelig interessant, for jeg har arbejdet i flere mindre bureauer, hvor det helt sikkert er sådan. CEO'en er grundlæggeren. De kunne bare virkelig godt lide digital teknologi. De kunne lide at bygge ting — hjemmesider, apps og den slags. De kunne lide design, og pludselig er de CEO, selv om de aldrig har været CEO før.

De er ikke uddannet som CEO. De melder sig ind i en klub med andre CEO'er for at lære af dem. Men der vil naturligvis være huller — det gælder alle, men især i den situation — med hensyn til, hvad der kan og bør gøres, og den del, der handler om drift. Jeg har helt sikkert set det flere gange: Du kan nok godt lede driften. Du er COO nu. Vi finder ud af det.

Jeg kan godt lide idéen om, at det er okay, fordi alle er på en eller anden form for læringsrejse, men vi har brug for en plan til at opbygge den forståelse, udfylde hullerne og drive samtalerne, så vi lærer af hinanden og træffer gode beslutninger for virksomheden sammen.

Marcel Petitpas: Der er noget her, som er værd at bemærke. Det, jeg har set alt for mange gange, er, at den mest senior projektleder nærmest bliver udpeget til at blive driftsleder. Eller måske er det faktisk det, de ønsker. De får rollen, og så siger CEO'en pludselig: Ja, find ud af det her med rentabiliteten. Det er en urealistisk forventning, og de bliver sat op til at mislykkes.

Det er ikke en sideopgave. Det er et meget vanskeligt problem at løse, hvis man aldrig har løst det før. Hvis man ikke har en ramme, er det virkelig svært, og det kræver teknisk ekspertise inden for data. Måske ikke dataengineering, men i det mindste dataanalyse og datavidenskab.

Det kræver et meget højt niveau af økonomisk forståelse, og det er ganske enkelt urealistisk at forvente, at en person, der er kommet op gennem projektledelse, kan gøre det. En anden ting, jeg mener er sand, er, at en baggrund i projektledelse faktisk bliver en ulempe her, fordi de fleste projektledere er blevet belønnet for at være meget præcise og detaljerede.

Og det er netop det, der ofte holder dem tilbage fra at levere god rapportering på ledelsesniveau. Paradoksalt nok lykkes det generelt, når vi giver afkald på meget af den præcision, som vi forveksler med nøjagtighed. Et godt eksempel er, at den rigtige måde at lave en kapacitetsprognose på fire måneder for designafdelingen ikke er at tildele 700 opgaver til enkeltpersoner i projektstyringsværktøjet.

Det er ikke en god vej. Det svarer til at bruge spisepinde til at stable sandkorn oven på hinanden for at bygge et sandslot. Det kommer ikke til at fungere. Men hvis man kommer fra en projektledelsesbaggrund, er det sandsynligvis det første sted, tankerne går hen: Lad mig stable alle disse små blokke sammen i vores projektstyringsværktøj, fordi det er alt, man nogensinde har kendt.

Galen Low: Selvom vi har berørt emnet før i andre episoder, er mit perspektiv helt anderledes nu, hvor der er gået lidt tid — især i AI-alderen. Jeg er glad for, at du tog det hen, hvor du gjorde, for det er præcis dér, jeg gerne ville hen.

Jeg kender mange, der måske er gledet ind i en driftsrolle. De siger: Okay, jeg kan gøre alle de ting, Marcel siger, men nu er jeg nødt til at ansætte en data scientist. Jeg har set det ske: Okay, vi ansætter en. Du har ansvaret for data nu, fordi jeg ikke har nogen forståelse for data. Jeg ved ikke, hvor jeg skal hente dem. Det er et hul for mig.

Men den person, der arbejder med data, er ikke nødvendigvis den, der forstår det større billede: hvilke data man faktisk skal indsamle, og hvordan de skal pakkes. Så ender det grundlæggende med, at den blinde leder den blinde. Er det sådan, at man kan blive sat op til at mislykkes med at løse rentabilitetsligningen, medmindre man er blevet oplært i det eller har gjort det før?

Det er naturligt at tænke: Hvis det var nemt, ville alle drive en rentabel virksomhed. Men når man kobler det til dataforståelse, tallene og nøjagtigheden, men ikke nødvendigvis præcisionen: Hvis man sidder i den rolle, er det så et minimumskrav nu, at man skal være meget fortrolig med data, meget dataorienteret og datadrevet — mere teknisk eller mere som en ingeniør — eller er det måske også en fejlopfattelse?

Marcel Petitpas: Jeg synes, vi står i et meget vanskeligt krydsfelt lige nu, og jeg skal forklare hvorfor. Jeg tror, at data-drift bliver et minimumskrav for små virksomheder, men der er i øjeblikket et tomrum på det område. Det er i øvrigt Parakeetos lille beskidte hemmelighed: Hele vores tese er, at vi tager data-drift, som længe har eksisteret på virksomhedsniveau, forudsiger, at det vil bevæge sig ned i markedet, og forsøger at pakke det på en meget holdningsbaseret måde til en helt bestemt gruppe mennesker, så det bliver tilgængeligt til en pris, der kan bæres.

Det er grundlæggende hele vores forretningsmodel. Vi er som et lille data-driftsteam, der bare har pakket det ind på en smartere måde. Problemet er, at man ikke bare kan oprette en Databricks-konto som bureau med en omsætning på en million dollars og betale abonnementet samt de tekniske medarbejdere, der skal bygge det.

Der findes ikke rigtigt en Databricks for små virksomheder. Men værktøjerne kommer, og de bliver mere kapable. Jeg tror derfor, at der på et tidspunkt i den ikke så fjerne fremtid vil være mulighed for at opbygge og administrere en lille datapipeline uden at være hyperteknisk eller en superdata-nørd.

Det, der stadig vil være sandt, er dog, at man skal forstå rammen og vide, hvordan man anvender den på sin virksomhed. Der er ingen vej uden om at begynde med slutmålet for øje. Alle værktøjerne, alle dataene og alle regnearkene — selv hvis man er data scientist eller data engineer — er en blindgyde og et stort spild af tid, hvis man ikke ved, hvad man måler, hvorfor man måler det, og præcis hvordan man definerer det.

Galen Low: Til de driftsfolk, der lytter lige nu og tænker: Åh gud, Marcel beskrev lige mig, og jeg ved ikke, hvordan jeg skal arbejde baglæns fra slutmålet. Jeg har fokuseret på at vente på, at min Databricks bliver inden for rækkevidde. Hvor skal jeg begynde? Hvor kan jeg udfylde det hul? Eller skal jeg bare forlade min karriere nu?

Marcel Petitpas: Nej. Det er faktisk interessant. Der er spørgsmålet om, hvad der sker med projektledere, når AI bliver en realitet. Jeg tror faktisk, at projekt- og account management er nogle af de mest beskyttede discipliner i disse virksomheder, og når man fjerner meget af udførelsen, er det faktisk noget af det arbejde, der skaber mest værdi i disse virksomheder.

Jeg kunne tale mere om det som en sidebemærkning, men for at svare direkte på dit spørgsmål: Hvor skal de begynde? En skamløs reklame: Begynd med Agency Profit Toolkit. Rammen er derinde, og den er gratis. Den er enkel, men ikke nem, som du siger. Det er grunden til, at folk hyrer os til at føre dem gennem processen med at installere den i deres virksomhed.

Men hvis du vil vide, hvilke målepunkter der er, hvordan de beregnes, og hvad definitionerne af objekterne er, har jeg gjort det hele gratis tilgængeligt. Det er dér, jeg ville begynde.

Galen Low: Fantastisk. Jeg skifter gear nu, for du har også for nylig lavet et interview med mit team på Digital Project Manager.

Jeg linker til det i shownoterne. Det var godt. Vi kom omkring meget, og noget af det, vi talte om, som jeg synes er relevant her, er, at mange lige nu ser på rentabilitetsligningen i AI-kontekst og tænker: Min virksomhed er bygget på dollars for timer, fakturerbare timer.

Vi måler udnyttelsesgrad. AI er her nu og lover operationelle effektiviseringer, der skal øge vores profit. Den vil ti-doble vores profit, hundreddoble vores profit, men der er så mange ting, man kan gøre. Det er enten død ved tusind små snit eller at vælge én mulighed og håbe på det bedste. Jeg bruger som eksempel, at du nævnte AI til indsamling af kontekst — altså at samle alle dele fra forskellige værktøjer, så man ikke bruger tid på det.

Men jeg vil springe til hovedspørgsmålet: Hvis man driver et bureau, og alle er overvældede over antallet af muligheder og anvendelsesområder for AI, hvordan beslutter man så inden for denne ramme og model, hvilke taktikker der faktisk vil give den største effekt på den operationelle effektivitet? Og er det overhovedet en vej til rentabilitet efter din mening?

Marcel Petitpas: Det er det helt sikkert. Jeg har set AI påvirke alle fire håndtag, der kan flytte rentabiliteten i et bureau. Jeg tror faktisk, du vil kunne lide svaret, og det vil de projektledere, der lytter, også kunne, fordi det er meget praktisk.

Vi tænker på det som bureauets profit-svinghjul. Svinghjulet har fire trin. Nummer ét er jeres antagelser. Nummer to er jeres faktiske resultater. De to ting tilsammen er jeres kvantitative feedback-loop. Hvad troede I ville ske, hvad var planen, og hvad skete der faktisk? Det fortæller jer, hvor der er et gab mellem det, I forventede, og det, der faktisk skete.

Det fortæller jer, hvilket målepunkt i virksomheden I har brug for at flytte. Når I ved, hvilket målepunkt I skal flytte, er spørgsmålet: I har rapporter og møder med teamet om, at dette er det målepunkt, vi skal flytte. Derefter finder I som team frem til, hvad I kan gøre for at flytte det.

Vi kan tale om taktikkerne til at flytte målepunkterne. Når I har drøftet idéerne, bør det blive tydeligt, hvad der er de hurtige gevinster, eller hvad der har et godt forhold mellem omkostninger og udbytte. Det er ikke nye ting. Jeg behøver ikke forklare det til projektledere. Når I har besluttet, hvad det er, går I ud og gennemfører det, hvorefter I gentager svinghjulet. I bliver ved, indtil målepunktet ændrer sig, og derefter skifter I fokus. I en perfekt verden bør det være en muskel, der arbejder permanent i virksomheden.

På et overordnet niveau er det sådan, vi tænker på det. Men vi kan tale om de konkrete målepunkter og om, hvordan man flytter dem, hvis du vil.

Galen Low: Ja. Jeg tænkte på, om vi kunne bruge indsamling af kontekst som eksempel fra start til slut. Lad os sige, at der er et gab mellem den rentabilitet, vi forventede, og den, der faktisk blev realiseret.

Og måske vælge ét af de fire områder. Jeg tænker: Teamet bruger så meget tid på at finde ting på tværs af værktøjer, at det hober sig op, og derfor får vi ikke tingene færdige inden for estimaterne. Jeg har projektlederhatten på lige nu, så det, vi skal gøre, er at bruge mindre tid på at samle aktiver fra alle mulige steder. Så bliver vi mere rentable.

Men før vi overhovedet begynder at se på profit igen i det svinghjul, tænker jeg instinktivt: Hvordan måler vi, hvor meget tid vi sparede ved ikke at skulle samle alle disse aktiver fra forskellige værktøjer, fordi AI overtager? Og så husker jeg det, du sagde tidligere om, at projektledere går op i præcise data, men at det ikke altid betyder noget, og at det ikke altid gør dem nøjagtige.

Så tænker jeg: Faldt jeg lige i fælden, hvor jeg siger, at vi sparer tid, måler hvor meget tid vi sparer ved at bruge AI, og bruger det som en ledende indikator for, om det faktisk vil hjælpe os med at blive mere rentable?

Marcel Petitpas: Nej, du tænker faktisk på det på den rigtige måde. Det hænger sammen med modellen.

Modellen er i praksis bare en meget stor matematisk ligning. Lad mig træde et skridt tilbage, og så vender vi tilbage til spørgsmålet. Når man ser på, hvordan et bureau bliver mere rentabelt, er der to overordnede ting, man kan gøre. Man kan enten reducere sine faste omkostninger eller øge det, vi kalder leveranceavance, og som andre måske ville kalde bruttoavance.

Næsten intet bureau har et problem med faste omkostninger. Jeg kan sige det efter at have set på over 300 af dem. Der er en håndfuld, der faktisk havde et problem med faste omkostninger. Det er næsten aldrig problemet. Du tror måske ikke på det, fordi dit resultatopgørelsesformat ikke er struktureret rigtigt, og alt bliver kaldt faste omkostninger. Men når man ser på resultatopgørelsen på den måde, jeg mener er korrekt, er der en klar forskel mellem at bruge for meget på faste omkostninger — hvilket næsten aldrig sker — og det reelle problem, nemlig at man ikke tjener sin omsætning effektivt nok.

Derfor er leveranceavancen eller bruttoavancen ikke stærk nok. Der er tre måder at forbedre den på. Nummer ét: Man kan forbedre sin gennemsnitlige fakturerbare sats. Den gennemsnitlige fakturerbare sats er en funktion af, hvor mange penge vi tjente, og hvor mange timer det tog os at tjene dem.

Man dividerer de to ting, og så får man at vide, hvor mange penge vi omtrent tjente for hver times indsats. Hvordan øger man den? Man kan enten opkræve flere penge uden at ændre den tid, det tog, eller man kan beholde prisen og finde ud af, hvordan man får arbejdet udført på kortere tid.

Det er en måde, man kan måle effekten på. Den anden del er udnyttelsesgrad. Hvor stor en procentdel af den tid, vi køber fra teamet, bliver faktisk brugt til at tjene den gennemsnitlige sats? Den tredje del er den gennemsnitlige omkostning pr. time. Hvor dyr er en times arbejde i gennemsnit for at få tingene gjort?

Et perfekt eksempel er, hvis man anvender AI på al denne kontekstindsamling. Man kan faktisk opleve, at det påvirker alle tre målepunkter. Okay, det tager 20 procent mindre tid at få denne ting gjort. Derfor stiger vores gennemsnitlige fakturerbare sats med 20 procent. Vores udnyttelsesgrad er også steget lidt, fordi det af en eller anden grund gør os i stand til at få mere fra hånden og holde teamet mere beskæftiget, fordi der ikke foregår så meget kontekstskift.

Den tredje ting, det kan gøre, er, at der nu kræves mindre dømmekraft, fordi vi får al konteksten samlet ét sted, og fordi vi kan træne AI til at analysere dataene og levere et resultat. Vi har ikke længere brug for en seniorperson til at gøre alt dette. En juniorperson kan gøre det, fordi det tunge arbejde allerede er udført.

Formlen for rentabilitet er derfor, at den gennemsnitlige fakturerbare sats ganget med udnyttelsesgraden er lig med de penge, man tjener, mens den gennemsnitlige omkostning pr. time ganget med de udførte leveringstimer er omkostningen. Man kan måle den absolutte stigning i omsætningen, det absolutte fald i omkostninger og den relative forbedring i rentabiliteten ved at lave den simple matematik.

Så du tænker faktisk på det på den perfekte måde. Det er også derfor, det er så vigtigt at have en model, for man kan ikke lave den matematik, medmindre man ved, hvad ens model er, og hvordan man tænker om den.

Galen Low: Det giver mening nu. Når det handler om at placere sine indsatser, kan et bureau så bruge den samme model, når man ved, at man har udvalgt ti muligheder, hvor man kan investere i AI-drevne operationelle effektiviseringer, men ikke kan gøre alle ti?

Er det den samme tilgang, hvor man siger: Hvad forventer vi vil ske? Vi forventer 20 procent større effektivitet, fordi vi ikke skal indsamle aktiver fra alle disse forskellige værktøjer. Det svarer til dette, mens den anden mulighed kun forventes at give en effektivitetsgevinst på 15-18 procent.

Men du sagde også, at vi ofte er ret dårlige til at estimere. Der er også virkelighedsdelen. Kan modellen bruges til at beslutte, hvor man skal investere?

Marcel Petitpas: Ja, det mener jeg, den kan. Men det er ikke så enkelt som at se på ti muligheder, se på deres påvirkning af forskellige målepunkter og vælge den, der har den højeste absolutte ROI.

Grunden er, at der er en rækkefølge inden for de tre håndtag: gennemsnitlig omkostning pr. time, gennemsnitlig fakturerbar sats og udnyttelsesgrad. Hvis man har muligheder på alle tre områder, er der helt klart et rigtigt svar på, hvilket man skal tage fat på først, som nummer to og som nummer tre for faktisk at skabe resultater.

Man bør altid begynde med udnyttelsesgrad, derefter gå til den gennemsnitlige fakturerbare sats og til sidst den gennemsnitlige omkostning pr. time. Grunden kan forklares med en analogi. Hvis jeg har et rør, hvor vand løber ind i et reservoir, og problemet er, at vi skal have mere vand gennem røret ind i reservoiret, så hjælper det ikke at gøre røret større og dermed mere effektivt, hvis kun halvdelen af rørets kapacitet bliver brugt. Jeg får ingen fordel af det.

Jeg ser hele tiden virksomheder falde i denne fælde: Vi skal hæve vores priser, og vi skal blive mere effektive og skære ned. Men udnyttelsesgraden er meget lav, så man får faktisk ikke noget ud af det. Den effektive sats og rentabiliteten på projekterne ændrer sig måske, men tallet på resultatopgørelsen ændrer sig slet ikke.

Det hænger sammen med det, vi talte om tidligere. Det er ligegyldigt, hvor rentable projekterne er i denne sammenhæng, hvis man ikke realiserer fordelen, fordi udnyttelsesgraden ikke er høj nok. Det skaber ganske vist teoretisk en mere rentabel model, men hvis målet ud fra rækkefølgen er at føre ROI ned på bundlinjen, er det ikke den rigtige rækkefølge.

Det er derfor, vi gør det, vi gør, på den måde, vi gør det. Det første skridt er at finde ud af, hvilket målepunkt der skal prioriteres. Derefter taler vi om det konkrete målepunkt: Hvad kan vi gøre for at få det på det rigtige niveau? Når udnyttelsesgraden er dér, hvor vi ønsker den, går alt, hvad vi gør for at forbedre den gennemsnitlige fakturerbare sats, direkte til bundlinjen.

Vi realiserer effektiviteten, og praktisk set har vi også en langt bedre kontekst for alle de ting, vi normalt skal gøre for at forbedre den gennemsnitlige fakturerbare sats. Hvis vi skal have en prissamtale med en kunde, er det meget lettere, når vi ikke er bekymrede for at miste kunden, fordi vi har fuld kapacitet, en ny kunde på vej ind og alligevel skal ansætte folk. Så kan vi sige: Du kan godt gå, vi erstatter dig bare.

Hvis vi skal reducere omfanget af deres engagement, er vi også i en langt bedre praktisk position til rent faktisk at gennemføre de ting, der sandsynligvis kommer op i en samtale om den gennemsnitlige fakturerbare sats.

Den kontekst betyder noget ud over den objektive samtale om, hvad den potentielle ROI er.

Galen Low: Jeg elsker, at der er en logisk rækkefølge i rør-analogien. En virkelig god pointe. Jeg vil bare gerne runde af ved at se fremad, for vi har talt om mange ting i dag: at føle sig bagud, at indhente det forsømte, hvor man skal begynde, software kontra rammer kontra en dybere forståelse af virksomheden.

Vi talte om AI og operationel effektivitet. Du arbejder meget med bureauer, og jeg ville stille et bredt spørgsmål. Fra mit perspektiv føles det, som om næsten alle bureauer lige nu er i gang med en transformation eller er under pres for at transformere sig. Nogle satser massivt på AI som en del af deres tjenestetilbud.

Andre er kun lige begyndt at indarbejde datadrevne beslutninger i processen. Men hvis vi spoler fem år frem, hvordan ser et rentabelt bureau så ud om fem år?

Marcel Petitpas: Det er interessant, for det er svært at sige, hvordan det ser ud på et taktisk niveau. Hvilke tjenester sælger de? Det ville være som for 20 år siden at spørge, om man kunne have forudsagt, at der ville opstå en hel branche omkring Facebook-annoncer. Facebook eksisterede ikke engang. Vi ville aldrig have set det komme.

Men her er, hvad jeg ved med sikkerhed: Forretningsmodellen, hvor man tjener på at formidle arbejdskraft, forsvinder ikke lige foreløbig. Det er en af de ældste brancher i menneskets civilisation. Den har eksisteret for evigt. Efter min mening er det det mest effektive middel i økonomien til at udfylde de huller, der opstår, når tingene ændrer sig i økonomien.

Ekspertise er den meget flydende ting, der er så effektiv til at løse problemer på markedet. Så jeg tror ikke, ekspertise forsvinder. Det, jeg tror sker og vil fortsætte med at ske, er, at presset på avancerne vil stige i mange af de vertikale områder inden for professionelle tjenester.

Det har været i gang, men jeg tror, alle er akut opmærksomme på det nu, fordi vi har oplevet omkring 20 års modenhed på dette marked inden for de seneste seks år. Det begyndte med en pandemi, hvor lønsatserne for lokale talenter steg 30-40 procent på tværs af alle kompetencekategorier.

Samtidig så vi en fuldstændig globalisering af konkurrencen fra den ene dag til den anden. Alle omkostningerne til lokale medarbejdere steg, hvilket skabte pres på avancen fra omkostningssiden, mens prispres opstod, fordi der nu var et bureau i Østeuropa, der udførte arbejde, som lignede dit, til en tredjedel af prisen og stadig var rentabelt.

Så tænker man: Hvad pokker gør vi? Pludselig er det bureau, der plejede at interessere sig for, om man var i New York, ikke længere så optaget af det, fordi alle alligevel arbejder hjemmefra. Det var et kvantespring i branchens modning med hensyn til, at avancerne faldt. Og nu er AI kommet ind i samtalen, og vi kan alle nogenlunde se, hvor det er på vej hen.

Jeg tror derfor, at avancerne i branchen over tid vil falde, og det er bare en funktion af alle brancher, der modnes. Derfor stiger det sofistikeringsniveau, der kræves for at drive denne type virksomhed.

Jeg tror, der vil ske et par ting. Som mindre virksomhed bliver man nødt til at have styr på det og have større økonomisk forståelse, hvis man vil overleve, fordi markedet ikke bliver lige så tilgivende. Der vil ikke være lige så mange gratis penge i omløb, medmindre man befinder sig i en af disse meget nye, banebrydende brancher med lavt udbud og høj værdi.

Den anden ting, jeg tror bliver sand, er, at vi kommer til at se en opsplitning af forsyningskæden. Det ser man i de fleste brancher med meget lave avancer. Jeg tænker for eksempel på dagligvarehandel og flyselskaber. Man kan ikke være CEO for et flyselskab, medmindre man virkelig kender sine tal.

Man har kun tre procents avance at arbejde med. Når man ser på oplevelsen af at rejse med fly, har jeg ganske vist købt billetten hos Air Canada, men de lavede ikke maden, de rengjorde ikke flyet, de driver ikke lufthavnen, og de står ikke for vedligeholdelsen. Alt det er outsourcet, og alle aktører i forsyningskæden er ekstremt specialiserede i deres drift.

Det er den eneste måde, de kan presse en avance ud på. Jeg tror derfor, at bureauer i stigende grad vil bevæge sig i samme retning. De bliver nødt til at være ekstremt disciplinerede med hensyn til økonomi og drift. Jeg tror, mange af dem, der lytter, bare gerne vil skabe pæne ting, og de får kuldegysninger af at høre dette.

Men jeg synes, det er virkeligheden for, hvor branchen bevæger sig hen.

Galen Low: Jeg kan godt lide det perspektiv, at det sker i andre brancher. Det er ikke unikt, og det skete ikke kun på grund af AI. Det begyndte for seks år siden i bureaubranchen, fordi—

Marcel Petitpas: Det har stået på i hundrede år, men nu går det bare meget hurtigere.

Galen Low: Ja. Den avance.

Marcel, det har været fantastisk. Inden jeg lader dig gå, hvor kan folk lære mere om dig?

Marcel Petitpas: Gå til parakeeto.com. Der er masser af gratis ressourcer, blandt andet parakeeto.com/toolkit, hvor du kan dykke ned i målepunkterne og lære, hvordan du implementerer dem. Det hele er tilgængeligt uden omkostninger.

Og hvis du kan lide podcasts, så lyt til Agency Profit Podcast. Hvis du vil tale direkte med mig, er LinkedIn det bedste sted. Opret forbindelse og send mig en besked. Jeg vil meget gerne høre fra dig.

Galen Low: Fantastisk. Jeg lægger alle disse links i shownoterne. Tak igen. Det sætter jeg virkelig pris på.

Marcel Petitpas: Tak, Galen. Det var en fornøjelse.

Galen Low: Det var dagens episode af Digital Project Manager-podcasten. Hvis du nød samtalen, så husk at abonnere dér, hvor du lytter. Hvis du vil have endnu mere taktisk indsigt, flere casestudier og spillebøger, så gå ind på thedigitalprojectmanager.com.

Indtil næste gang — tak fordi du lyttede.