Varför tidsregistrering inte kommer att rädda din byrås marginaler

Galen Low: Om någon lyssnar och deras organisation inte har en datakultur, hur lång tid tar det att komma ikapp?

Marcel Petitpas: Det första steget är att tydliggöra ert ramverk. Du kan inte fatta beslut om vilka verktyg ni ska använda, hur ni ska använda dem, vad ni ska följa upp och vad ni inte ska följa upp, om du inte vet vilka mätvärden ni ska ägna uppmärksamhet åt.

Du behöver veta exakt hur dessa mätvärden ska beräknas, hur du ska definiera varje objekt inom varje mätvärde och vad mätvärdet säger om verksamheten när det ökar eller minskar.

Galen Low: Om du driver en byrå, hur avgör du inom det här ramverket vilka taktiker som faktiskt kommer att bidra mest till den operativa effektiviteten?

Marcel Petitpas: Vi ser på det som byråns vinstsvänghjul, och svänghjulet har fyra steg. Nummer ett är era antaganden. Nummer två är era faktiska utfall, och tillsammans bildar de en kvantitativ återkopplingsslinga. Den visar var det finns ett gap och vilket mätvärde i verksamheten vi behöver påverka.

Galen Low: Om du arbetar operativt, måste du vara mycket datakunnig, datainriktad, datadriven, mer teknisk eller mer av en ingenjör – eller är även det en missuppfattning?

Marcel Petitpas: Det kommer att finnas en punkt inom en inte alltför avlägsen framtid då du kommer att kunna bygga och hantera en liten datapipeline utan att behöva vara hyperteknisk eller ett riktigt datafreak. Men det som fortfarande kommer att gälla är—

Galen Low: Välkommen till podden Digital Project Manager – programmet som hjälper leveransansvariga att arbeta smartare, leverera snabbare och leda bättre i AI-eran. Jag heter Galen, och varje vecka går vi igenom strategier från verkligheten, nya verktyg, beprövade ramverk och ibland en krigshistoria från projektets frontlinjer. Oavsett om du styr stora omvandlingsprojekt, hanterar AI-arbetsflöden eller bara försöker hålla kaoset under kontroll har du kommit rätt. Nu kör vi.

I dag pratar vi om relationen mellan lönsamhet, verksamhetsstyrning och data. Mer specifikt: när är rätt tid att säkerställa att din data är tillräckligt ren för att förstå lönsamheten, och hur kommer du ikapp om du redan känner dig efter när det gäller AI-förstärkt, datadriven verksamhetsstyrning?

Med mig i dag har jag Marcel Petitpas, grundare och vd för Parakeeto, och dessutom min personliga favorit när det gäller lönsam, datadriven byråverksamhet – och att förklara linjär regression för mig som om jag vore fem år. Marcel och hans team fungerar som länken mellan en deltids-CFO och en deltids-COO som arbetar tillsammans för att få byrån att växa förutsägbart genom hållbar och lönsam verksamhet.

Marcel har dessutom synts överallt på sistone. Han talade på Agency Growth Event Summit, All-In Agency Summit, Mirren AI 2025, Consulting Success Live 2025 och vid flera framträdanden tillsammans med Agency Management Institute. Han är också programledare för Agency Profit Podcast, som varje vecka publicerar samtal med byråledare och branschexperter.

Marcel, tack för att du kommer tillbaka till programmet i dag.

Marcel Petitpas: Galen, det var hisnande att se dig göra den introduktionen. Du var så fokuserad. Det var otroligt. Vi pratade bakom kulisserna och sedan gick du bara in i zonen. Tack för att du bjöd in mig. Det är ett nöje att vara här, och tack för den fantastiska föreställningen nyss.

Galen Low: Tack för komplimangerna. Jag är faktiskt AI hela tiden. Marcel byggde mig. Marcel, du har varit med i programmet tidigare. Du har deltagit i evenemang med oss. Jag älskar att ha dig här eftersom jag tycker att du har ett verkligt unikt och pragmatiskt perspektiv på vart byråer och företag i allmänhet är på väg när det gäller datakompetens, datadriven verksamhetsstyrning och hur det kopplas till värde. Du går faktiskt rakt på sak.

Marcel Petitpas: Jag uppskattar att du säger det. Det är något jag märkligt nog ägnar en oproportionerligt stor del av min tid åt att tänka på och prata om, och jag har tur som får göra det. Jag har själv arbetat praktiskt med att införa detta på byråer i sju år, och jag tror att det är där jag, särskilt i projektledningssammanhang, har vissa perspektiv som går emot konventionell visdom när det gäller bästa praxis.

För jag har sett var de förgyllda handbojorna finns – besluten vi fattar som verkar rimliga men som i praktiken aldrig fungerar eftersom de är för svåra.

Galen Low: Jag älskar det. Ja. Vi fortsätter använda en spelbok som är lite trasig bara för att den finns där. Förgyllda handbojor, verkligen. Jag tänkte att vi kunde börja med att reda ut en stor brännande fråga, något kontroversiellt som alla vill veta svaret på, och sedan zooma ut och prata om tre saker.

För det första vill jag prata om datahygien och vad man ska göra om det känns som att byrån redan har missat tåget. Sedan vill jag prata om exakt hur ren data och AI kan påverka lönsamheten mätbart, samt hur man poängsätter och prioriterar operativa effektiviseringar utifrån deras påverkan.

Och slutligen tänkte jag att vi kunde utforska vart kaninhålet leder för byråer. På vissa sätt har byråbranschen förändrats helt. Jag skulle gärna prata om vilka färdigheter och strukturer byråer behöver se över för att lyckas i data- och AI-eran. Det är stora ämnen, men vad säger du?

Det låter som en riktigt rolig stund. Låt oss gå in i det. Okej, här kommer min stora, lurviga fråga. Jag skulle säga att bra, ren data – det här har jag lärt mig av dig – utan tvekan är nyckeln till att kunna skapa lönsam, datadriven byråverksamhet. Men om någon lyssnar och deras organisation inte har en datakultur eller ens är i närheten av att ha data organiserad på ett meningsfullt sätt, hur lång tid tar det att komma ikapp?

Och finns det något sätt att påskynda processen utan att vara vårdslös?

Marcel Petitpas: Svaret är ja. Det som gör mig så ledsen hos många av de kunder vi börjar arbeta med efter att de i flera år försökt minska det här gapet är att den stora majoriteten försöker lösa problemet bakifrån.

Det gäller särskilt många av dem som lyssnar på det här programmet. Och jag tycker inte att det är deras fel. Jag tror ärligt talat att mjukvaruindustrin har fått dem att tro det. Det börjar med mjukvaran, projektledningen, tidsregistreringen och bokföringsdatan, men det är de sista stegen i processen och de minst viktiga. Det kommer kanske att chockera vissa att höra mig säga det, men du behöver inte tidsregistreringsdata för att få 80 procent av insynen i din prestation.

Det första steget är att tydliggöra ramverket. Det är lite abstrakt, men i praktiken betyder det att du inte kan använda någon av dina data eller fatta beslut om vilka verktyg du ska använda, hur du ska använda dem, vad du ska följa upp och vad du inte ska följa upp, om du inte vet vilka mätvärden du ska fokusera på.

Du behöver veta exakt hur mätvärdena ska beräknas, exakt hur du ska definiera varje objekt inom varje mätvärde och vad mätvärdet säger om verksamheten när det ökar eller minskar. Ett praktiskt exempel är att det är lätt att sitta runt styrelsebordet och säga att vi ska mäta nyttjandegrad.

Det är något helt annat att säga: Vad betyder det exakt för oss? Vad är en debiterbar timme och vad är kapacitet? Hur definierar vi dessa saker? Vad ingår och vad ingår inte? Vad räknas och vad räknas inte? Vilken logik omvandlar faktiskt data till den bild av nyttjandegraden som vi ser?

Förstår vi helt vad som får den att öka och minska, vad det säger om verksamheten, hur det påverkar våra beslut och varför vi bryr oss från början? Vad förändras i våra beslut om vi har detta tal framför oss och ser att det går upp eller ner?

Det är alltså det första steget. Den goda nyheten är att det inte kräver någon programvara, inga data och ingen väntan på att samla in data. Det är beslut som ni kan fatta. De är inte enkla, men vi har försökt göra dem enklare genom att publicera vårt ramverk för hur vi tycker att man bör mäta dessa mätvärden och vilka mätvärden man bör följa upp.

Så det är steg ett. Det finns också ett andra steg som inte heller kräver ny information och som jag tycker är viktigt att ta upp. Men jag ska ge dig en chans att säga något, eftersom jag skulle kunna fortsätta i 60 minuter till.

Galen Low: Och det skulle jag gärna låta dig göra.

Men en sak jag gillar är att jag kanske medvetet leder dig lite, eftersom många som lyssnar förmodligen tänker: Herregud, vi måste komma ikapp. Vi måste köpa programvara och börja tidsregistrera direkt. Då får vi en baslinje med data, men vi är fortfarande månader från att ha användbara data som kan driva lönsamhet.

Det är den ofrivilliga reaktionen på att känna sig efter som byrå. Så jag älskar att lösningen inte är programvara. Jag undrar om du kan ge mig ett exempel, särskilt kring nyttjandegrad. Jag tror att nyttjandegrad är ett perfekt exempel på de där förgyllda handbojorna.

För det verkar så logiskt. Jag har anställt de här personerna. Min affärsmodell bygger på att sälja tjänster per debiterbar timme. Antingen ägnar de större delen av sin tid åt att tjäna pengar eller så gör de inte det. Om de inte gör det rasar mina marginaler. Jag kanske förlorar pengar. Jag utnyttjar inte den kompetens jag har tagit in.

Det känns naturligt att säga att det är ett bra mätvärde, men du fick mig att tänka på vad som får det att gå upp och ner. Det är en komplex ekvation för dem som säger: Marcel, kom igen. Vad skulle jag annars följa upp? Nyttjandegrad måste vara rätt. Vilka myter avfärdar du eller stöter du på som faktiskt är felaktiga? Leder det fortfarande till att man följer upp nyttjandegrad, men bättre genom att ställa rätt frågor? Eller ska man överge den?

Marcel Petitpas: Nej. Vårt ramverk innehåller nyttjandegrad som ett mätvärde, men sättet vi beräknar det på är förmodligen inte samma som de flesta andra skulle använda. Jag kan prata om hur vi definierar nyttjandegrad, men det är svårt att göra isolerat. Innan du förstår hur vi mäter genomsnittligt debiterbart timpris, hur vi mäter projektmarginaler, hur det skiljer sig från marginalerna på byrånivå och hur vi ser på kostnad per timme, kan du inte förstå varför vi fattade besluten kring nyttjandegrad.

Sanningen är att vi ser detta som ett helt ramverk: relationen mellan mätvärdena och verksamheten samt mellan mätvärdena sinsemellan. Vi har tänkt igenom allt och testat det med hundratals byråer under sju år och arbetat igenom alla specialfall. Jag kan gå igenom min definition av nyttjandegrad, som är leveranstimmar.

Det innebär all tid som ägnas åt kunder, oavsett om den var ”debiterbar” eller inte. Det bryr vi oss inte om. Leveranstimmarna divideras med kapaciteten, alltså all tid du har köpt från någon under den mätperiod du analyserar. För hela byrån innebär det alla, även personer som inte arbetar med kunder alls.

Det är 2 080 timmar per år. Vissa kommer att höra det och säga att det inte skulle fungera för oss. Och det kanske är sant, eftersom ni har fattat en massa andra beslut kring de övriga mätvärdena och då blir det fel. Men jag pratade faktiskt med någon i morse som berättade att ledningen varje vecka säger att teamet är fullt utnyttjat, trots att det inte stämmer eftersom hälften av tiden som betraktas som ”debiterbar” är intern tid. Den ger inga intäkter.

Därför får de ett falskt positivt resultat. Ett annat team har högst nyttjandegrad i augusti, vilket också är falskt eftersom de tar mycket ledigt i hur de räknar kapacitet. Vi borde ta bort tid som inte är tillgänglig.

Allt detta signalerar för mig att samtalet om hur vi definierar nyttjandegrad inte föregicks av ett samtal om varför. Vilka beslut fattar vi och vilka frågor försöker vi besvara? Om det samtalet hade kommit först skulle de omedelbart se att vi inte kan ta bort kapacitet om frågan är vilken ekonomisk påverkan nyttjandegrad har och hur den påverkar lönsamheten.

Den stora fällan är att tro att man kan avgöra byråns eller företagets prestation utifrån ett enda mätvärde. Många försöker göra nyttjandegrad till det enda mätvärdet eller projektlönsamhet till det enda mätvärdet.

Du kan inte dra slutsatser om hela byråns lönsamhet utifrån lönsamheten i ett enda projekt. Att koppla ihop dessa saker är enligt min mening ett fåfängt arbete och ett enormt slöseri med tid och resurser, och det besvarar ingen fråga särskilt bra.

Galen Low: Jag gillar Douglas Adams-aspekten av det. Man frågar efter meningen med livet och får svaret 21, men det beror på att man inte riktigt förstod frågan från början. Det är nyttjandegrad för mig utifrån din förklaring. Okej, del ett: ramverket, förstå vad du mäter och varför. Del två.

Marcel Petitpas: Del två är er modell och prognos. Det här förbises också ofta. Föreställ dig att vi har definierat hur vi ska mäta nyttjandegrad. Nästa sak som brukar hända är att projektledningsgruppen blir entusiastisk, lanserar projektverktyget och pressar alla att följa rutinerna. Tre månader senare har vi äntligen bra data. Nyttjandegraden förra månaden var 54 procent. Alla står runt och väntar på att någon ska reagera, och sedan säger de: Är det bra eller dåligt?

Ni har återigen gått till det sista steget i processen, men kan inte skapa värde av mätningen eftersom ni aldrig har fastställt förväntningen. Den goda nyheten är att förväntningen i sig kan vara mycket insiktsfull och visa var ett problem finns utan att ni känner till de faktiska utfallet.

När ni sedan får de faktiska utfallen blir de betydligt mer värdefulla, eftersom insikt är en funktion av förväntningar som jämförs med verkligheten. Steg två är alltså att bygga en modell av företaget. Den är mycket enkel. Vi börjar med det vi kallar en löneöversikt: en lista över alla i teamet, deras löner, hur många timmar de arbetar och vart ni förväntar er att tiden ska gå.

Om ni hade obegränsat med arbete, hur mycket betald ledighet har de? Sedan tittar ni på era omkostnader. Vad har ni spenderat på jurister, revisorer, bokföringstjänster, abonnemang, kontor och allt annat? Därefter tittar vi på prissättningen. Vad tar ni faktiskt betalt och vad förväntar ni er att tjäna för varje timme som läggs på kundarbete inom allt ni säljer?

Om ni kombinerar dessa tre informationsmängder bör ni kunna räkna ut följande: om allt går som planerat, hur mycket pengar kan verksamheten tjäna med det nuvarande teamet? Hur mycket tid kommer att ägnas åt kundarbete? Vilken blir nyttjandegraden? Hur mycket spenderar vi på omkostnader? Vilken blir bruttomarginalen och nettovinsten?

Det är det bästa möjliga utfallet. Det skapar grunden för den första frågan: Är detta bra? Är det vad vi förväntar oss? Det är viktigt eftersom vi ibland möter företag som säger att de aldrig lyckas bli lönsamma, oavsett hur hårt de försöker.

Sedan gör vi övningen och säger: Det beror på att ni planerar att vara olönsamma.

Galen Low: Intressant.

Marcel Petitpas: Och de svarar: Just det. Oavsett hur perfekt vi genomför planen kommer vi ändå att misslyckas. Det hade faktiskt inte alls med genomförandet att göra. Vi hade bara fel plan.

Steg två är alltså att bygga en modell av företaget. Förstå vad den ställer in er på, hur stort felutrymme ni har och hur målen ser ut. Om ni dessutom lägger till en sista uppsättning data – en övergripande förståelse av projekten, hur mycket ni får betalt, när de börjar och slutar och hur många timmar ni förväntar er – kan ni börja blicka framåt.

Då kan ni fråga: Planerar vi att tjäna så mycket intäkter som möjligt? Planerar vi att hålla teamet rimligt sysselsatt? Ni kan lösa ungefär 70–80 procent av lönsamhetsproblemen utan att någonsin registrera tid eller projektdata, vilket är den dyraste och svåraste delen, genom att först tydliggöra ramverket och sedan tydliggöra företagets antaganden.

Det är de första stegen vi tar med varje kund, eftersom ni inte kan fatta beslut om något längre ned i processen innan ni har lagt grunden och bestämt hur strukturen ska se ut. Den goda nyheten är att allt detta är gratis.

Det kräver bara tid och information som ni redan har i huvudet, men som ni förmodligen inte har tagit er tid att strukturera. Ni behöver ingen programvara. Ni behöver inte vänta sex månader på att data ska samlas in. Ni behöver inte ändra den bokföringsprocess som redan är tillgänglig. Därför tar det faktiskt inte lång tid att komma ikapp – mycket av detta finns tillgängligt redan nu.

Galen Low: Det är intressant eftersom det är gratis, men inte enkelt. Vissa frågor bygger på kunskap som ni kanske har, men det svåra är att faktiskt besvara dem. Man måste verkligen se verksamheten i vitögat.

Jag trodde nästan att du skulle säga: Tänk på hur mycket pengar ni maximalt kan tjäna och säg sedan att det är orealistiskt. Men du sa i stället att planen kanske helt enkelt inte är lönsam och att sättet ni driver verksamheten på kanske inte är lönsamt.

Marcel Petitpas: Det stämmer till hundra procent. Vi har sett företag där varje projekt var mycket lönsamt, men där företaget ändå inte var lönsamt, eftersom projektlönsamhet bara är en av tre faktorer som avgör lönsamheten.

Jag kan sälja den här vattenflaskan till dig för en miljon dollar och göra det en gång vart tionde år. Men om jag sedan spenderar 800 000 dollar per år på drift och marknadsföring för att övertyga en person vart tionde år att köpa en vattenflaska för en miljon dollar spelar det ingen roll att marginalen på flaskan var 99,999 procent.

Det är den nyansen. Ni måste zooma ut, bygga en heltäckande modell av hela företaget och uppmärksamma alla faktorer som påverkar siffran.

Galen Low: Samtidigt är Stanley-muggarna deras affärsmodell, eller hur? Sälja samlarvattenflaskor med marginal.

Marcel Petitpas: Ja. Och de är oförstörbara.

Galen Low: Det här är egentligen en bra utgångspunkt, eftersom jag ville zooma ut lite. Du beskrev Parakeeto som om en deltids-CFO och en deltids-COO hade fått ett barn tillsammans. Bortsett från alla intressekonflikter och kultliknande konsertskämt – hur kan ekonomi- och verksamhetsansvariga kopplas samman bättre för att börja använda data till att analysera och följa upp lönsamheten i en byrå?

Eller mer konkret: hur fattar de besluten tillsammans och besvarar de svåra frågorna tillsammans? Och är de de viktigaste aktörerna, eller vilka andra behöver delta i samtalen om ramverket och modellen?

Marcel Petitpas: Det går faktiskt tillbaka till de två första sakerna jag nämnde: samtalet om ramverket och samtalet om företagets modell.

Det är kopplat till verksamhetens tre viktigaste delar: den ekonomiska delen, den operativa delen och i viss mån nyförsäljningen. Genom att sätta sig ner och ha ett samtal kring detta tvingas alla att samlas och nå en överenskommelse.

På sätt och vis ger det också ett stöd för samtalet, eftersom det bara är en matematisk formel. Det är inte en åsikt. Det är matematiken och faktorerna. När de ökar eller minskar är detta vad som förändras. Ingen kan egentligen säga emot det.

Det skapar grunden för att sedan fråga: Om detta är förväntningen, hur mäter vi oss mot den? Alla måste bidra. Om vi vill kunna prognostisera behöver vi veta vad som kommer från försäljningen. Om vi ska prognostisera kapacitet behöver vi förstå hur mycket tid som förväntas gå åt.

Om vi ska prognostisera ekonomin måste vi förstå vad vi ska ta betalt, vilka kostnader vi kommer att ha och hur mycket av pengarna som är våra. Om vi ska planera för lönsamhet måste vi veta hur marginalen ser ut.

På samma sätt måste ekonomiavdelningen förstå hur teamet ser ut och hur rekryteringsplanen ser ut om den ska sätta budgetar. Allt hänger ihop. Man börjar titta över hela organisationen och fråga: Om vi vill mäta detta, vilka data behöver vi?

Svaret är nästan alltid någon kombination av operativa data, eftersom operativa data föregår ekonomiska resultat, och ekonomiska data, eftersom de i princip är en mycket exakt summering av vad som har hänt tidigare.

För mig är ramverket, prognosen och modellen grunden som återkopplingsslingorna byggs på. Det är i återkopplingsslingorna som mycket av samarbetet mellan avdelningarna sker.

Utan ett ramverk och en förståelse för hur man bygger en modell håller alla ofta sig på sin egen kant. Då uppstår ett litet gap som aldrig fylls, vilket gör ledningen tokig. Man får helt frånkopplade språk: hur vi säljer arbete, hur vi lägger upp det i bokföringen och fakturerar det, och hur det hamnar i ClickUp.

Allt är helt olika språk. Inte konstigt att vi inte kan mäta något – datan överensstämmer helt enkelt inte.

Galen Low: Jag gillar att modellen och ramverket är det som för människor samman. Jag har upplevt det där lilla gapet där alla går in i styrelserummet och är överens om den strategiska planeringen. Vi har data, en plan och ett mål, men pusselbitarna passar inte ihop och språket är olika.

Vid nästa kvartalsgenomgång säger alla: Det där är inte mitt fel. Det är ekonomins fel. Det är HR:s fel. Jag gillar idén att din roll egentligen är att bidra med känslan för modellen och ramverket och sedan samla alla avdelningar så att man kan se verksamheten holistiskt och använda data som redan förmodligen finns.

Marcel Petitpas: I större organisationer där det finns en COO, CFO och CEO får vi dem alla att vara samordnade och låter dem sedan lägga sin tid där den ger störst hävstång – inte i kalkylark för att försöka förstå vad som pågår, utan på att göra något åt saken med vetskap om att alla vet vad de ska fokusera på.

I mindre organisationer som inte har råd med en CFO eller COO gör vi samma sak, men för den mest seniora personen i varje avdelning. Det är ofta den externa bokföringsbyrån på ekonomisidan och den seniora projektledaren på verksamhetssidan. Och vd:n har vanligtvis inte startat företaget för att hantera sådant här; de är ämnesexperter.

Det handlar om att ta över den röriga mitten så att alla andra kan förstå vad de ska göra och sedan göra det.

Galen Low: Det är intressant eftersom jag har arbetat på flera mindre byråer där det verkligen är så. Vd:n är grundaren. De tycker om digital teknik, att bygga webbplatser och appar, och plötsligt är de vd utan att någonsin ha varit vd tidigare.

De är inte utbildade för rollen. De går med i nätverk med andra vd:ar för att lära sig, men det finns naturligtvis luckor kring vad som kan och bör göras och kring verksamhetsstyrningen. Jag har sett det flera gånger: Du kan nog driva verksamheten, så nu är du COO. Vi löser det.

Jag gillar idén att det är okej eftersom alla befinner sig på en läranderesa, men vi behöver en plan för att bygga upp förståelsen, fylla luckorna och driva samtalen så att vi lär av varandra och fattar bra beslut tillsammans.

Marcel Petitpas: Något viktigt att notera är att den mest seniora projektledaren som mer eller mindre beordras att bli verksamhetsansvarig ofta får höra: Lös det här med lönsamheten. Det är en orealistisk förväntan och bäddar för misslyckande.

Det är inte ett sidouppdrag. Det är ett mycket svårt problem att lösa om man aldrig har gjort det tidigare och saknar ramverk. Det kräver teknisk kompetens inom data, kanske inte dataengineering men åtminstone dataanalys och datavetenskap.

Det kräver också mycket hög ekonomisk kompetens. Det är orealistiskt att förvänta sig att någon som har gått projektledningsvägen ska kunna göra allt detta.

Dessutom blir projektledningsbakgrunden ibland en nackdel, eftersom projektledare ofta har belönats för att vara mycket precisa och detaljorienterade. Det är exakt det som kan hindra dem från att göra bra rapportering på ledningsnivå, där man paradoxalt nog ofta lyckas bättre när man släpper mycket av den precision som vi blandar ihop med noggrannhet.

Ett bra exempel är att sättet att göra en kapacitetsprognos för designavdelningen på fyra månader inte är att tilldela 700 uppgifter till enskilda personer i projektverktyget. Det är som att använda ätpinnar för att stapla sandkorn och bygga ett sandslott. Det fungerar inte.

Men om man kommer från projektledning är det förmodligen den första lösningen man tänker på: att stapla alla små block i projektverktyget, eftersom det är det enda man har känt till.

Galen Low: Även om vi har berört detta i andra avsnitt har mitt perspektiv förändrats helt, särskilt i AI-eran. Jag känner många som har hamnat i en verksamhetsroll och tänker: Jag kan göra allt Marcel säger, men nu måste jag anställa en dataforskare.

Jag har sett det hända: Vi anställer någon och säger att du ansvarar för data, eftersom jag själv saknar förståelse för data. Men den personen förstår inte den större bilden – vilka data som faktiskt ska samlas in och hur de ska paketeras. Då leder de blinda de blinda.

Är det orealistiskt att förvänta sig att någon ska lösa lönsamhetsekvationen utan att ha utbildats för det eller gjort det tidigare? Och kopplat till datakompetens, siffror, noggrannhet men inte nödvändigtvis precision: måste en verksamhetsansvarig numera vara mycket datakunnig, datainriktad och teknisk, mer som en ingenjör? Eller är även det en missuppfattning?

Marcel Petitpas: Jag tror att vi befinner oss i en svår korsning. Datahantering kommer att bli en självklarhet för små företag, men det finns för närvarande ett tomrum. Hela Parakeetos idé är att ta datahantering, som länge har funnits på företagsnivå, förutse att den kommer att spridas till mindre företag och paketera den på ett tydligt sätt för en specifik grupp till en rimlig kostnad.

Vi är i princip ett litet datahanteringsteam som har paketerats på ett finare sätt. Problemet är att en byrå med en miljon dollar i omsättning inte kan skaffa ett Databricks-konto och betala abonnemanget eller de tekniska personer som måste bygga lösningen.

Det finns egentligen inget Databricks för småföretag ännu. Men verktygen kommer och blir allt kraftfullare. Därför tror jag att man inom en inte alltför avlägsen framtid kommer att kunna bygga och hantera en liten datapipeline utan att vara hyperteknisk eller ett superdatafreak.

Det som fortfarande kommer att krävas är en förståelse för ramverket och hur det tillämpas på den egna verksamheten. Det finns ingen väg runt att börja med slutet i åtanke. Alla verktyg, all data och alla kalkylark är meningslösa om du inte vet vad du mäter, varför du mäter det och exakt hur det ska definieras.

Galen Low: För de verksamhetsansvariga som lyssnar och tänker att du just beskrev mig och att jag inte vet hur jag ska arbeta bakifrån från slutet: var börjar de? Hur fyller de gapet? Eller ska de lämna sin karriär?

Marcel Petitpas: Nej. Det finns en fråga om vad som händer med projektledare när AI blir en självklarhet. Jag tror faktiskt att projekt- och kundansvar är bland de mest skyddade disciplinerna i dessa företag och, när man tar bort mycket av genomförandet, innehåller några av de mest värdefulla uppgifterna.

För att svara direkt: börja med Agency Profit Toolkit. Ramverket finns där och är gratis. Det är enkelt, men inte lätt. Därför anlitar människor oss för att hjälpa dem installera det i verksamheten.

Om du vill veta vilka mätvärdena är, hur de beräknas och hur objekten definieras har jag gjort allt detta tillgängligt gratis. Där skulle jag börja.

Galen Low: Jag älskar det. Jag byter ämne lite, eftersom du nyligen gjorde en intervju med mitt team på Digital Project Manager. Jag länkar till den i programanteckningarna.

Vi pratade om mycket där, bland annat om lönsamhetsekvationen i AI-sammanhang. Många tänker: Min verksamhet bygger på dollar per timme och debiterbara timmar. Vi mäter nyttjandegrad. AI är här och lovar operativa effektiviseringar som ska öka vinsten tio eller hundra gånger.

Men det finns så många saker man kan göra. Det blir antingen döden genom tusen små snitt eller så väljer man en sak och hoppas på det bästa. Som exempel nämnde du AI för insamling av sammanhang – att samla delar från olika verktyg så att man inte behöver lägga tid på det.

Om man driver en byrå och alla är överväldigade av antalet alternativ och användningsområden för AI, hur avgör man inom ramverket och modellen vilka taktiker som faktiskt ger störst effekt på den operativa effektiviteten? Och är det ens en väg till lönsamhet enligt dig?

Marcel Petitpas: Absolut. Jag har sett AI påverka alla fyra faktorer som kan förändra lönsamheten i en byrå. Jag tror faktiskt att projektledarna som lyssnar kommer att gilla svaret, eftersom det är mycket praktiskt.

Vi ser på det som byråns vinstsvänghjul. Det har fyra steg. Nummer ett är antagandena. Nummer två är de faktiska utfallen. Tillsammans bildar de den kvantitativa återkopplingsslingan: Vad trodde vi skulle hända, vad var planen och vad hände faktiskt? Det visar gapet mellan förväntan och verklighet.

Då vet vi vilket mätvärde i verksamheten vi behöver påverka. Det finns egentligen bara fyra alternativ. När vi vet vilket mätvärde vi behöver flytta har vi möten med teamet och frågar: Detta är mätvärdet vi behöver påverka – vad kan vi göra för att flytta det?

När idéerna är framme bör det bli tydligt vilka snabba vinster som har bäst kostnads–nyttoförhållande. När ni har valt vad ni ska göra genomför ni det, upprepar svänghjulet och fortsätter tills mätvärdet förändras. Sedan skiftar ni fokus. I en perfekt värld blir detta en ständig muskel i verksamheten.

Galen Low: Jag undrar om vi kan använda insamling av sammanhang som exempel från början till slut. Låt oss säga att det finns ett gap mellan den lönsamhet vi förväntade oss och det faktiska utfallet.

Mitt projektledarperspektiv säger direkt att teamet lägger mycket tid på att hitta saker i olika verktyg och att det är därför vi inte blir klara inom uppskattningarna. Vi behöver lägga mindre tid på att samla in material från olika verktyg och därmed bli mer lönsamma.

Men innan vi tittar på vinsten i svänghjulet tänker jag att vi måste mäta hur mycket tid vi sparar genom att slippa samla in materialet. Sedan minns jag vad du sa om att projektledare gärna vill ha precisa data, vilket inte alltid gör dem korrekta.

Marcel Petitpas: Nej, du tänker faktiskt rätt. Det går tillbaka till modellen. Modellen är i praktiken en mycket stor matematisk ekvation.

När en byrå ska bli mer lönsam finns det två övergripande saker att göra: minska omkostnaderna eller öka leveransmarginalen, som andra kanske kallar bruttomarginal.

Nästan ingen byrå har ett omkostnadsproblem. Jag har tittat på över 300 byråer och bara en handfull hade faktiskt ett omkostnadsproblem. Det är nästan aldrig frågan. Det kan verka så eftersom resultat- och balansräkningen inte är strukturerad korrekt och allt kallas omkostnader.

När man tittar på den på rätt sätt finns det en tydlig skillnad mellan att spendera för mycket på omkostnader, vilket nästan aldrig händer, och det verkliga problemet: att vi inte tjänar intäkter tillräckligt effektivt. Därför är leverans- eller bruttomarginalen för svag.

Det finns tre sätt att förbättra den. För det första kan ni förbättra det genomsnittliga debiterbara timpriset. Det är en funktion av hur mycket pengar ni tjänade och hur många timmar det tog att tjäna dem. Dividerar ni dessa får ni veta ungefär hur mycket pengar ni tjänade per arbetad timme.

Hur ökar man det? Antingen tar man mer betalt utan att ändra tidsåtgången, eller så behåller man priset och hittar ett sätt att slutföra arbetet på kortare tid.

Den andra delen är nyttjandegrad: hur stor andel av den tid ni köper från teamet används faktiskt för att tjäna pengar enligt den genomsnittliga debiterbara nivån?

Den tredje delen är genomsnittlig kostnad per timme: hur dyr är en timme i genomsnitt för att få arbetet gjort?

Om ni använder AI för all denna insamling av sammanhang kan den påverka alla tre mätvärden. Om det tar 20 procent mindre tid ökar det genomsnittliga debiterbara timpriset med 20 procent. Nyttjandegraden kan också öka eftersom teamet får mer gjort och hålls sysselsatt när det blir mindre växling mellan sammanhang.

Dessutom kanske det inte längre krävs en senior person för allt arbete, eftersom mindre bedömning behövs och all information finns samlad på ett ställe. En junior person kan utföra arbetet medan AI gör det tunga förarbetet.

Formeln för lönsamhet är alltså: genomsnittligt debiterbart timpris multiplicerat med nyttjandegrad visar hur mycket pengar ni tjänar. Genomsnittlig kostnad per timme multiplicerad med arbetade leveranstimmar visar kostnaden. Ni kan mäta den absoluta intäktsökningen, den absoluta kostnadsminskningen och den relativa lönsamhetsförbättringen genom enkel matematik.

Galen Low: Det är tydligt nu. Kan modellen användas för att välja mellan satsningar när en byrå har tio alternativ men inte kan investera i alla? Kan man jämföra förväntad effektivitet, exempelvis 20 procent mot 15–18 procent, och sedan väga det mot verkligheten?

Marcel Petitpas: Ja, men det är inte så enkelt som att välja alternativet med högst avkastning. Mellan de tre faktorerna – genomsnittlig kostnad per timme, genomsnittligt debiterbart timpris och nyttjandegrad – finns en ordningsföljd.

Man bör alltid börja med nyttjandegrad, därefter genomsnittligt debiterbart timpris och sist genomsnittlig kostnad per timme.

Tänk dig ett rör där vatten rinner in i en behållare. Om bara halva rörets kapacitet används spelar det ingen roll om du gör röret större och mer effektivt. Du får ingen nytta av det.

Jag ser företag fastna i detta hela tiden. De vill höja priset, bli effektivare och minska kostnaderna, men nyttjandegraden är låg. Då förändras inte siffran på resultaträkningen, även om projektens effektiva timpris och lönsamhet förbättras.

Därför börjar vi med frågan: Vilket mätvärde måste prioriteras? Sedan diskuterar vi vad vi kan göra för att få just det mätvärdet på rätt nivå. När nyttjandegraden är där den ska vara går allt vi gör för att förbättra det genomsnittliga debiterbara timpriset direkt till resultatet.

Det blir också praktiskt lättare att genomföra en prisdiskussion med en kund när ni inte är rädda för att förlora kunden eftersom ni är fullbelagda och har nya kunder på väg in.

Galen Low: Jag älskar att det finns en logisk ordningsföljd i röranalogin. Avslutningsvis: vad ser en lönsam byrå ut som om fem år?

Marcel Petitpas: Det är svårt att säga på taktisk nivå vilka tjänster de säljer. För tjugo år sedan hade vi inte kunnat förutse en hel industri kring Facebook-annonser. Men jag vet att affärsmodellen att dra nytta av skillnader i arbetskraftskostnader inte försvinner snart.

Expertis försvinner inte heller. Däremot kommer marginaltrycket att öka inom många delar av professionella tjänster. Det har pågått länge, men alla är mer medvetna om det efter den snabba utvecklingen de senaste åren.

Pandemin gjorde att kostnaden för lokal talang ökade kraftigt samtidigt som konkurrensen globaliserades över en natt. Nu har AI också kommit in i bilden.

När en bransch mognar sjunker marginalerna och kraven på sofistikerad verksamhetsstyrning ökar. Mindre företag måste ha bättre ekonomisk förståelse för att överleva.

Vi kommer också att se en mer fragmenterad leveranskedja. Titta på livsmedelsbutiker eller flygbolag. Ingen kan vara vd för ett flygbolag utan att verkligen förstå siffrorna när marginalen är tre procent. Många delar av verksamheten är outsourcade och varje aktör är specialiserad.

Byråer kommer sannolikt att röra sig i samma riktning. De måste vara mycket disciplinerade när det gäller ekonomi och verksamhetsstyrning. Det är verkligheten för branschen framöver.

Galen Low: Jag gillar perspektivet att detta sker i andra branscher också. Det är inte unikt och började inte enbart på grund av AI.

Marcel Petitpas: Det har pågått i hundra år, men nu går det mycket snabbare.

Galen Low: Marcel, det här har varit fantastiskt. Innan jag släpper iväg dig, var kan man lära sig mer om dig?

Marcel Petitpas: Gå till parakeeto.com. Där finns mängder av kostnadsfria resurser, bland annat parakeeto.com/toolkit, där du kan läsa om mätvärdena och hur du inför dem.

Om du gillar poddar kan du lyssna på Agency Profit Podcast. Om du vill prata direkt med mig är LinkedIn den bästa platsen. Ta kontakt och skicka ett meddelande. Jag vill gärna höra från dig.

Galen Low: Fantastiskt. Jag lägger alla länkar i programanteckningarna. Tack igen.

Marcel Petitpas: Tack, Galen. Det var ett nöje.

Galen Low: Det var allt för dagens avsnitt av Digital Project Manager-podden. Om du uppskattade samtalet, prenumerera där du lyssnar. Om du vill ha ännu fler praktiska insikter, fallstudier och arbetsmetoder kan du gå till thedigitalprojectmanager.com.

Tills nästa gång – tack för att du lyssnade.