Tilbage hos Veginova for at bygge den data, BI og rapportering, virksomheden styrer efter. Bygger videre på den rapporteringsstak, jeg ejede i 2025, nu ind i økonomi- og produktionslaget.

• Byggede den finansielle kilde til sandheden i Power BI og PostgreSQL ved at modellere fakturalinjer ind i en semantisk model afstemt linje for linje mod det officielle regnskab, så indtjening pr. produkt og pr. kunde blev synlig for første gang.
• Byggede produktionsplanlægningsmotoren i SQL, der sætter hvad der skal produceres, hvor meget og hvornår, på en etårig frøhorisont. Den reproducerer planlæggerens egne tal præcist og tester et scenarie, før frø bindes.
• Satte forecasting ind i planlægningsmodellen med Python og SQL-views, så næste sæsons produktionsbehov opdateres ved hvert salg i stedet for at forældes i et regneark.
• Designede migreringsvejen til Microsoft Fabric for rapporteringsstakken (Dataflows Gen2-ingestion, warehouse-modeller, notebook-forecasting, Direct Lake-semantiske modeller) med de nuværende afstemningstotaler som acceptancetest.

Stack: Power BI, SQL, PostgreSQL, Python, Supabase, Claude Code

Ejede dataarbejdet bag et dansk SMV-regnskabs- og fintechfirma: ICP, scoring, softwaredetektion og fuld kanalanalyse, fra rå kilde til scores, der fodrede salget.

• Byggede en ML-klassifikator i scikit-learn på Playwright-skrabede features, der identificerede et emnes regnskabssoftware på det danske SMV-marked med holdout-AUC 0,75 (permutationstest p < 0,0001), og fandt emner med høj fit hos konkurrerende platforme.
• Brød close rate, konvertering, mødetid og pipeline-hastighed ned på fem kanaler (Meta, Google, LinkedIn-outbound, kold kanvas, inbound) i SQL og Python og pegede på de kanaler, der skabte kunder, og dem, der brændte budget.
• Byggede ICP- og prædiktive lead-scoring-modeller på CRM- og CVR-data, der skar lavkvalitetsleads fra salget og skærpede outbound-prioriteringen.
• Genbyggede salgskommissionsmodellen med forecasting-vægte mod abonnement og MRR og fjernede incitamentet til at give rabat for at lukke.
• Satte scorerne i drift i en ende-til-ende LinkedIn-pipeline (scraping, berigelse, scoring, sekvensering) med ~50% kold accept.

Stack: SQL, Python, Power BI, Pipedrive, Clay, Playwright, Apify, HeyReach, Claude Code

Forfremmet til BI-ejerskab: datainfrastrukturen, Power BI-dashboards og analyser på tværs af salg, drift og produktion.

• Hævede KPI-nøjagtigheden med 40%+ ved at standardisere metrikdefinitioner i den semantiske model på tværs af salg, drift og produktion og rette kildedataene under dashboardene.
• Skar rapporteringstiden ned med 10+ timer om ugen ved at erstatte ugentlige manuelle genopbygninger med gentagelige SQL- og Power BI-pipelines.
• Ejede den ene fælles kilde til sandheden: Power BI-dashboards, SQL-datamodeller og automatiske rapporteringspipelines på tværs af forretningen.
• Løste datafejl på tværs af ERP, CRM og driftsværktøjer ved at finde, hvor dataflowene brød, og bygge dem op igen med pålidelig kildelogik.

Stack: SQL, Power BI, DAX, Python, Excel, Supabase, Claude Code

Startede i marketing og lead-sourcing, rykkede over i RevOps. Byggede det operationelle datalag mellem salg, marketing og produktion, der voksede til Data Analyst-rollen.

• Byggede automatiske data- og berigelsespipelines i Clay og n8n til prospecting, der erstattede manuelt regnearksarbejde.
• Forbandt ERP, CRM og driftsværktøjer til pålidelige tværgående dataflows og byggede den rapportering, ledelsen brugte til ugentlige beslutninger.

Stack: SQL, Power BI, Clay, n8n, Supabase, Apify, Excel

Servicevirksomhed, der byggede AI-drevet leadgenerering, berigelse og CRM-automatisering for B2B-virksomheder. Den fik ingen kunder, og jeg lukkede den. Det var her, jeg lærte, hvilken automatisering der er værd at bygge.

• Byggede lead-berigelse og scoring-workflows, der samlede indsamling, berigelse og kvalificering i én pipeline og hævede kvalificeringsnøjagtigheden med 30–40%.
• Integrerede HubSpot og GoHighLevel med eksterne datakilder og outreach-værktøjer, så emner flød fra indsamling til salgsklar.

Stack: SQL, Python, Clay, n8n, Apify, HubSpot, GoHighLevel, HeyReach

• Gennemgik og annoterede 1.000+ dansksprogede AI-samtaler og førte modellernes fejlmønstre tilbage i træningsdata. Samme forståelse af, hvor LLM'er knækker, driver de AI-scoring-workflows, jeg bygger i dag.

• Håndterede produkt- og marketingdata i ERP og CRM på tværs af europæiske markeder og byggede Excel-dashboards til kampagnerapportering.