Hur påverkas arbetet med webbanalys av AI?

Webbanalytikern har länge varit den som samlar in data, felsöker spårningskod och paketerar rapporter. Det är sysslor som kräver teknisk kompetens och tålamod, men inte nödvändigtvis den strategiska blick som organisationen egentligen behöver.

Analysens spelplan är i förändring. AI-teknik kan ta över en hel del av det repetitiva arbetet, och det öppnar för en roll som handlar mer om att förstå och förklara — och mindre om att kopiera siffror mellan system.

Men det betyder inte att precis allt blir enklare. Det betyder att kraven förskjuts.

Analytikern har fastnat i rapportfällan

Många som jobbar med webbanalys känner igen sig i att vara en sorts intern supportfunktion. Frågorna haglar in: 

"Varför ser siffrorna ut som de gör?", "Kan vi få en rapport på hur det gått sedan lanseringen?", "Vad betyder den här kolumnen?" 

Det är rimliga frågor, men de riskerar att äta upp all tid som borde gå till själva analysen.

Tomas Persson på Digitalist Cloud kallar det för "rapportfällan" — att analytikern fastnar i att producera rapporter istället för att använda sin kompetens till att dra slutsatser och föreslå förbättringar. Marcus Österberg, som coachar organisationer i deras webbanalysarbete, fyller i: analytikerns egentliga jobb har aldrig handlat om att paketera siffror, utan om att ta en strategisk roll och stötta organisationen att faktiskt få nytta av sin data.

Det är inte en ny insikt, men den har fått förnyad relevans nu när AI-verktyg gör det möjligt att automatisera mycket av det som tidigare tog timmar.

Vad AI faktiskt kan hjälpa till med

AI-teknik, och stora språkmodeller (LLM) i synnerhet, kan avlasta på flera konkreta sätt:

• Mönsterigenkänning. Maskiner är bättre än människor på att identifiera avvikelser, peka ut trender och se samband i stora datamängder. Det som tar en analytiker en hel förmiddag att gräva fram kan en AI flagga på sekunder.
• Utkast och sammanfattningar. Istället för att börja med ett tomt dokument kan AI producera ett första utkast — en rapport, en analys, en instrumentpanel — som analytikern sedan förfinar och sätter i rätt sammanhang.
• Felsökning och validering. Även den som inte är utvecklare kan få hjälp att förstå varför spårningskoden inte fungerar, eller validera att en konfiguration stämmer.
• Kod och automation. Analytiker kan skapa egna verktyg och skript för att lösa vardagsproblem, utan att behöva vara fullfjädrade programmerare.

Det handlar inte om att ersätta analytikern, utan om att flytta fokus från robot-göra till det som kräver mänskligt omdöme.

Analysen demokratiseras — och det är bra, men stökigt

En intressant effekt av att AI-teknik blir tillgänglig för fler är att analysen demokratiseras. Fler personer i organisationen kan ställa frågor direkt mot datakällor och få begripliga svar, utan att gå omvägen via analytikern. Tekniken som möjliggör detta kallas ofta MCP (Model Context Protocol) och innebär i praktiken att man kan prata med sitt analysverktyg som med en människa, istället för att leta i menyer och tabeller.

Det är positivt — fler som kan hjälpa sig själva innebär snabbare beslut och färre flaskhalsar. Men det kan bli stökigt innan alla hittat sina roller. Om alla plötsligt kan producera en analys, vem avgör vilken som är rätt? Tolkningsföreträdet som analytikern en gång hade är inte längre självklart.

Marcus Österberg uttrycker det så här: om analytikern någonsin hade monopol på att rama in analysen eller få acceptans för datadrivna beslut, så är det nu ett minne blott. Och det ställer nya krav — inte minst på datakvalitet.

Datakvalitet är viktigare än någonsin

Dålig datakvalitet har alltid varit ett problem, men konsekvenserna förstärks när fler personer och fler system använder samma data. Om spårningen är inkonsekvent, om JavaScript-fel blockerar Matomo, om cookiehanteringen skymmer delar av trafiken — då blir alla analyser opålitliga, oavsett om det är en människa eller en AI som gör dem.

Det här är fortfarande ett hantverk. Webbplatser förändras ständigt, och spårning som fungerade förra veckan kan vara trasig idag. Att sätta upp och underhålla spårning kräver specifik kompetens, och det är ett område där AI kan hjälpa men inte ta över. En AI-agent kan till exempel upptäcka att en CSS-klass som ett spårningsevent beror på har bytt namn efter en uppdatering, och föreslå en åtgärd. Men någon människa behöver fortfarande säkerställa att helheten hänger ihop.

Bortom Matomos gränser

Matomo är ett utmärkt verktyg för att samla in webbanalysdata utan att skicka dem till olämpliga tredjeparter. Men Matomo har sina begränsningar. Att göra utforskande analys, av sorten "vad händer om jag kombinerar de här dimensionerna?", är tungrott. Anpassade rapporter och segment tar tid att bygga, och verktygets inbyggda AI-funktioner är bundna till de färdiga rapportstrukturer som redan finns.

Det var bland annat det som fick Tomas och teamet på Digitalist Cloud att utveckla RebelMetrics — ett sätt att exportera data från Matomo i ett format som är rikare och mer flexibelt. Istället för att ställa frågor mot färdiga rapporter kan man arbeta med data som är berikade med alla dimensioner, vilket ger helt andra möjligheter för analys. Kombinerat med ett promptbibliotek som hjälper användare att ställa bättre frågor kan det göra stor skillnad, inte bara för erfarna analytiker utan för alla som behöver förstå hur en kampanj eller webbplats fungerar.

Verktyg som pratar med varandra

Ett praktiskt exempel på hur AI-teknik förändrar vardagen är möjligheten att kombinera verktyg via MCP. Marcus nämner Screaming Frog som ett kraftfullt verktyg för teknisk SEO-analys, men med ett användargränssnitt som kräver specialistkunskap. Med en MCP-koppling kan vem som helst ställa frågor mot verktyget i vanlig text och få svar som sätter Matomos konverteringsdata i relation till tekniska SEO-faktorer.

Det öppnar för frågor som tidigare krävde djup expertis: "Varför fungerar min konverteringstratt dåligt?" kan ge svar som pekar på tekniska brister, ovanligt invecklad text, eller visuell instabilitet på nyckelsteg i tratten. Utan att man behöver vara expert i vare sig Screaming Frog eller Matomo.

Ansvarsfull användning av AI

Den kanske viktigaste frågan i allt det här är inte vad AI kan göra, utan vad vi bör göra. Att använda AI-teknik tillsammans med analysdata väcker juridiska och etiska frågor som inte går att vifta bort.

GDPR gäller fortfarande. Om man vill använda insamlad analysdata i ett nytt sammanhang, till exempel mata en språkmodell med den, kan det krävas nytt samtycke. Att anlita ett nytt underbiträde kräver avtal. Och om det underbiträdet tränar sin modell på din data blir de i praktiken personuppgiftsansvariga, med allt vad det innebär.

Utöver GDPR finns EU:s AI-förordning som ställer krav på transparens och ansvarsfull användning av automatiserade beslut. Det handlar också om de fördomar som kan följa med AI-modeller man inte fullt ut kan granska.

En rimlig hållning är att köra AI-processer i infrastruktur man kontrollerar, hos leverantörer som inte tränar på ens data, och att vara transparent med hur analysen går till. Det är inte paranoia — det är att bete sig professionellt.

Sammanfattningsvis

Webbanalytikerns roll försvinner inte. Men den förändras. Det repetitiva arbetet med datainsamling, rapportpaketering och felsökning kan till stor del automatiseras. Det som blir kvar, och som blir viktigare, är att förvalta datakvaliteten, kontextualisera insikter och hjälpa organisationen att faktiskt agera på det man lär sig genom webbanalysen.

AI gör det möjligt att jobba smartare, men det gör inte behovet av kompetens och omdöme mindre. Snarare tvärtom. När alla kan producera en analys med ett par klick blir det avgörande att någon förstår om analysen håller, om datakvaliteten är tillräcklig, och om slutsatserna är rimliga.

Det nya hantverket handlar inte om att klicka i menyer och kopiera siffror. Det handlar om att ställa rätt frågor, veta vad man kan lita på, och se till att analysen faktiskt leder till bättre beslut.

 Ladda ner presentationen från webbinariet (PDF, 1,8Mb)