Af Greg Nowak. Senest opdateret 2026-09-15.
Sælgeren finder kunden i HubSpot. Tre gange. Kontaktpersonen ligger på ét kort, de seneste aktiviteter på et andet, og det tredje indeholder oplysninger fra et regneark. Hvilket kort skal sælgeren bruge? Og hvad skal med videre, hvis kortene samles?
Kunne jeres virksomhed bruge det her? nowa.dk sætter AI-automatisering op for danske virksomheder.
AI kan finde mulige dubletter, men nogen skal stadig afgøre, om kortene beskriver samme kunde. For en dansk B2B-virksomhed med HubSpot og regneark er det en overkommelig opgave at begynde med: Lad systemet foreslå match, giv medarbejderne en liste til godkendelse, og kontrollér resultatet, før næste portion behandles.
Hvad repræsenterer et kundekort hos jer?
Det første spørgsmål handler om jeres måde at arbejde på. Er et virksomhedskort en juridisk virksomhed, en afdeling eller et leveringssted? Hvis salg har brug for separate kort til forskellige afdelinger, skal oprydningen respektere det.
CVR indeholder både aktuelle og historiske virksomhedsoplysninger, blandt andet CVR-nummer, navn og adresse. Registeret omfatter også tilknyttede produktionsenheder med egne p-numre. Det giver et grundlag for at skelne virksomheden fra dens lokale enheder, som beskrevet i Erhvervsstyrelsens gennemgang af oplysningerne i CVR.
Brug derfor et kontrolleret CVR-nummer som et stærkt holdepunkt for virksomhedens identitet, og aftal særskilt, hvordan I behandler produktionsenheder. Samme CVR-nummer bør først udløse et forslag om sammenlægning, når kortene også dækker samme niveau i jeres kundestruktur.
Se først, hvad jeres HubSpot-konto kan
Måske har I allerede det nødvendige værktøj. HubSpots vejledning, opdateret 28. august 2026, beskriver automatisk søgning efter mulige dubletter, når nye kontakter og virksomheder oprettes. Hvis der ikke oprettes nye poster, kører kontrollen dagligt. Forslagene kan gennemgås og enten afvises eller bruges til at sammenlægge poster.
Abonnementet sætter dog rammerne. Håndtering af individuelle dubletter i dubletværktøjet kræver Professional eller Enterprise. Massehåndtering og brugerdefinerede dubletregler kræver Data Hub Professional eller Enterprise. Se betingelserne i HubSpots vejledning til dubletgennemgang.
Gennemgå nogle af forslagene i jeres egen konto, før I beslutter jer for en løsning. Et særskilt Python-forløb kan være relevant, hvis regneark også indgår, kundestrukturen kræver særlige regler, eller forslag skal dokumenteres på tværs af datakilder. Opgavens omfang bør afgøre værktøjet.
Arbejd på en kopi, og behold de oprindelige værdier
Tag et afgrænset udtræk af virksomhedskortene og de relevante regneark. Gem de oprindelige værdier, kildefilen og HubSpot-posternes Record ID. Selve klargøringen foregår i en separat arbejdskopi.
Her gøres data sammenlignelige. Overflødige mellemrum fjernes, navne sammenlignes uden forskel på store og små bogstaver, og adresser opdeles i tydelige felter. Det kaldes normalisering. Behold originalværdierne ved siden af, så den, der gennemgår et forslag, kan se grundlaget for det.
Inden første godkendelse skal I også aftale, hvilke felter der må opdateres, og hvem der afgør uenigheder. Et nyere regneark har ikke nødvendigvis de bedste oplysninger i alle felter. Skriv reglerne ned for navn, adresse, kundeansvarlig og eksternt kundenummer: Hvilken værdi skal bruges, og hvem tager stilling, når kilderne er uenige?
Brug maskinlæring, når identiteten er uklar
Mangler der entydige identifikatorer, kan ligheder i flere felter hjælpe med at finde mulige match. Python-biblioteket Dedupe bruger maskinlæring til at finde lignende poster i strukturerede data. Modellen lærer af træningsdata, som mennesker har vurderet. Dedupes projektbeskrivelse nævner blandt andet oprydning i regneark og sammenkobling af kundedata og ordrehistorik uden unikke kunde-id'er.
Et arbejdsforløb kan begynde med, at en medarbejder vurderer eksempler på poster, der beskriver henholdsvis samme kunde og forskellige kunder. Tag også de vanskelige tilfælde med. Derefter kan modellen foreslå match, som afprøves på et særskilt udsnit og gennemgås af medarbejderen.
Den gennemgang skal vise, hvilke forslag der er klare nok til godkendelseslisten, og hvilke der kræver mere undersøgelse. Et lighedstal er svært at tage stilling til alene. Vis også, hvilke felter der stemmer overens, og hvilke oplysninger der taler imod at samle kortene.
Arbejdsregler til den første oprydning
Brug tabellen som udgangspunkt for jeres egne regler. Den skal passe til jeres definition af et kundekort, før I bruger den på rigtige data.
| Det finder I | Næste skridt | Det skal afklares før godkendelse |
|---|---|---|
| Samme kontrollerede CVR-nummer og samme organisatoriske niveau | Sæt forslaget på godkendelseslisten som et stærkt match | Har kortene samme formål, og hvilke feltværdier skal bevares? |
| Samme CVR-nummer, men forskellige p-numre | Undersøg, om enhederne skal beholde hvert sit kort | Hvilken rolle har afdelingerne i salg og drift? |
| Lignende navn og adresse, men intet CVR-nummer | Lad modellen foreslå et match | Kan medarbejderen bekræfte, at det er samme virksomhed? |
| Lignende navn, men forskellige CVR-numre | Vent med sammenlægning | Er der en registreringsfejl, eller er det forskellige virksomheder? |
| Uenighed om kundeansvarlig eller eksternt kundenummer | Send sagen til den ansvarlige for kundedata | Hvem ejer kunden, og hvordan hænger kortene sammen med andre systemer? |
Afgør, hvad der skal bevares, før kortene samles
En sammenlægning i HubSpot samler aktiviteter og relationer fra begge poster. Den primære posts feltværdier får generelt forrang, men der er undtagelser, og værdier kan vælges under gennemgangen. Sammenlægningen kan ikke fortrydes. Det gør valget af primær post og feltværdier til en beslutning, der skal være på plads inden godkendelsen. Se HubSpots vejledning om sammenlægning.
Godkendelseslisten bør vise posternes id'er, begrundelsen for matchet, den foreslåede primære post, de valgte feltværdier og navnet på den medarbejder, der godkender. Er der tre mulige dubletter, skal alle tre vurderes samlet. Ellers træffes den første beslutning uden at tage højde for oplysningerne på det sidste kort.
Gem også en oversigt over de aktiviteter og relationer, I forventer at finde efter sammenlægningen. Udtrækket er dokumentation. Planlæg ikke ud fra, at en import kan genskabe den tidligere tilstand.
HubSpots vejledning beskriver desuden, at den sammenlagte post får et nyt Record ID, og at sammenlægningen har konsekvenser for workflows og Salesforce-synkronisering. Dokumentér henvisningerne til de tidligere id'er, og medtag de systemer, der bruger kundekortene, i kontrollen.
Tag en lille portion, og se efter, om alt er med
Begynd med en mindre gruppe godkendte forslag. Lad medarbejderne kontrollere, at de kan finde de forventede kontaktpersoner, aftaler og aktiviteter på de samlede kort. Tjek de valgte feltværdier og oplysningerne i de tilknyttede systemer.
Aftal på forhånd, hvornår I stopper. Mangler en relation, eller får et felt en uventet værdi, bør næste portion vente, til I har forstået årsagen. Hold godkendte, afviste og uafklarede forslag adskilt, så I kan bruge gennemgangen til at justere reglerne.
Undersøg til sidst, hvor dubletterne kom fra. Fundene kan pege på en import eller arbejdsgang, der skal ændres. Giv også en navngiven person ansvaret for den løbende gennemgang.
Få en afgrænset opgave på bordet
Gennem nowa.dk, Gregs AI-automatiseringsservice for danske virksomheder, kan Greg hjælpe med eksport, normalisering og forslag til match på tværs af HubSpot og regneark. Et forløb kan afgrænses til en godkendelsesliste, dokumenterede beslutningsregler og en plan for kontrolleret sammenlægning.
Et godt sted at begynde er én kundetype, de relevante datakilder og en medarbejder, der kan afgøre tvivlstilfældene. Det giver jer noget konkret at tage stilling til: Hvilke forslag kan godkendes, hvor kræves der mere undersøgelse, og hvordan skal kundehistorikken kontrolleres undervejs? På det grundlag kan I vurdere, hvor meget af arbejdet der kan automatiseres.
Relateret på GrN.dk
- Fra salgsmøde til CRM: Automatisér opfølgningen uden datarod
- Alt-tekster med AI: Sådan får webshoppen styr på billedbunken
- Har jeres AI-chatbot husket at sige, at den er en bot?
Brug for hjælp til den slags opgaver?
Tal med Greg om oprydning i jeres kundedata Kontakt Greg her.
