E-commerce Sales Analyst

En e-commerce sales analyst arbejder med tallene bag webshoppen. Ikke med at drive den, men med at forklare den.

Forskellen fra en almindelig rapporteringsrolle er spørgsmålet. En rapport siger, at omsætningen faldt otte procent i sidste uge. En analyse siger hvorfor, og hvad man bør gøre.

Det lyder enkelt. I praksis er svaret sjældent ét tal. Det kan være en kampagne, der kannibaliserede fuldprissalget, en leveringstid der blev længere, eller en konkurrent der satte prisen ned på fem nøgleprodukter.

Typiske opgaver

• Analysere salg og dækningsgrad pr. produkt, kategori, kanal og marked
• Måle kampagneeffekt: hvad solgte vi ekstra, og hvad ville vi have solgt alligevel
• Beregne kundens værdi over tid, genkøbsrate og hvor stor en andel af omsætningen der kommer fra tilbagevendende kunder
• Analysere returprocenten pr. produkt og finde årsagen: forkerte mål, dårlige billeder, kvalitet
• Bygge og vedligeholde dashboards, som ledelsen kigger på hver mandag
• Lave prisanalyser og følge konkurrenters priser på nøgleprodukter
• Beregne kanalbidrag: hvad koster en kunde fra Google Shopping mod en fra nyhedsbrevet
• Understøtte indkøb med prognoser og salgsdata før en indkøbsbeslutning
• Analysere sortimentet: hvilke varenumre bærer omsætningen, og hvilke fylder bare lager
• Regne på lagerbinding, udsolgtvarer og hvad de koster i tabt salg
• Levere tal til budget og til den månedlige forretningsgennemgang

En almindelig arbejdsdag

Meget af tiden går i data. En stor del af den — ofte mere end selve analysen — går med at få tal fra flere systemer til at stemme overens.

Et klassisk eksempel: webshoppen siger én omsætning, ERP-systemet en anden, og Google Analytics en tredje. Alle tre har ret ud fra hver deres definition. Din opgave er at finde ud af hvilken, der skal bruges hvornår.

En typisk formiddag: du opdaterer ugens rapport og opdager en anomali. En produktkategori er faldet kraftigt. Du graver, og det viser sig at være et produktfeed, der har været nede i tre dage.

Midt på dagen kommer en ad hoc-forespørgsel. Indkøb skal beslutte, hvor mange de skal købe hjem af en vare, og vil have tal på sidste sæson.

Om eftermiddagen er der tid til det dybere arbejde: en kampagneanalyse, en sortimentsgennemgang eller opbygning af et nyt dashboard.

Op mod Black Friday, jul og budgetsæson fylder prognoser og efteranalyser næsten alt.

Det svære i jobbet

Datakvaliteten er den største forhindring. Produktdata, kategorier og lagertal indeholder ofte årtiers rod, og du kan ikke analysere dig ud af dårlige grunddata.

Du skal også kunne sige nej. Analytikere drukner i ad hoc-forespørgsler, der hver tager tyve minutter. Uden prioritering når du aldrig det arbejde, der faktisk flytter noget.

Dertil kommer formidlingen. Du skal kunne forklare en analyse til en indkøbschef på tre minutter uden at nævne en eneste formel. Kan du ikke det, bliver dine tal ikke brugt.

Og der er en fælde: at bekræfte det, chefen håbede. Presset for at finde tal, der understøtter en beslutning, der reelt allerede er truffet, er der. Værdien af rollen ligger i at kunne modsige.

Hvem har rollen

Stillingen kræver et vist datavolumen. Under en vis størrelse laver e-commerce manageren selv analyserne i Excel.

De typiske arbejdsgivere i Danmark er detail- og modevirksomheder som Salling Group, Coop, Matas, Elgiganten, Power, Jysk, Sportmaster, Normal og Bestseller, samt de større rene onlinespillere.

Rollen findes også i B2B-handel hos grossister og producenter, hvor analysen handler mere om kundelønsomhed, kundespecifikke priser og genbestillingsmønstre end om kampagner.

En variant findes hos producenter, der sælger på markedspladser som Amazon og Zalando. Der er analysen fokuseret på markedspladsens egne data og på konkurrenternes priser.

Bureauer har også analytikere, der arbejder på tværs af flere kunders shops.

Der findes ingen uddannelse i e-handelsanalyse. Rollen kræver tal, forretningsforståelse og formidling, og de tre kommer sjældent fra samme sted.

De typiske uddannelsesveje

• Cand.merc. i økonomistyring, finansiering eller business intelligence, 5 år
• Cand.oecon. eller cand.polit., 5 år, hvis analysedelen skal være tung
• Cand.merc.it. eller cand.it. i data science, 5 år
• HA i erhvervsøkonomi eller HA(mat.), 3 år, ofte med en kandidat ovenpå
• Professionsbachelor i international handel og markedsføring eller i økonomi og informationsteknologi, 3,5 år
• Erhvervsakademiuddannelsen i handelsøkonom eller markedsføringsøkonom, 2 år, som en vej ind på det operationelle niveau

Adgangskravene til de erhvervsøkonomiske bacheloruddannelser er en gymnasial eksamen med typisk matematik B, og matematik A til de mest kvantitative linjer. De aktuelle krav for den enkelte uddannelse fremgår af Uddannelsesguiden fra Uddannelses- og Forskningsministeriet.

Det der reelt kvalificerer

• Excel på højt niveau. Opslagsformler, pivottabeller og Power Query er hverdag, og de bruges stadig hver dag i store virksomheder
• SQL. Det er det vigtigste enkeltværktøj, og det er svært at få rollen uden
• Et visualiseringsværktøj, oftest Power BI. Kan du bygge et dashboard, som folk faktisk bruger, er du efterspurgt
• Forståelse for detailøkonomi: dækningsgrad, lagerbinding, omsætningshastighed, returomkostninger

Det sidste punkt er det, der adskiller en e-handelsanalytiker fra en generel dataanalytiker. Kan du kun teknikken, laver du korrekte analyser af de forkerte spørgsmål.

Kurser og certificeringer

• Google Analytics-certificering gennem Google Skillshop, gratis og selvstudium
• Microsoft-certificeringer i Power BI, for eksempel PL-300
• SQL-kurser, som findes gratis og som selvstudium mange steder
• Kurser i Python eller R, hvis man vil arbejde med prognoser og segmentering
• Grundkursus i regnskabsforståelse, hvis man kommer fra den tekniske side

Alternative veje ind

• Fra e-commerce coordinator-rollen. Man kender data indefra og ved præcis, hvorfor tallene er rodede
• Fra controlling eller økonomi. Man kan dækningsgrad og regnskab og skal lære onlinedata og kundeadfærd
• Fra business intelligence bredt. Man kan teknikken og skal lære detailforretningen
• Fra indkøb eller kategoriarbejde. Man kender sortimentet og leverandørerne
• Fra digital marketing. Man kan kanaldata, men skal opbygge den økonomiske forståelse

Karriereveje videre

Den typiske rute er senior analyst, derefter head of e-commerce analytics, business intelligence-chef eller commercial controller. En anden vej er e-commerce manager eller kategorichef, hvis man vil have beslutningsansvaret frem for analysen. En tredje er data science eller pricing, som er et selvstændigt og efterspurgt felt i detail.

Realistisk tidshorisont

Du kan levere brugbare analyser efter tre til seks måneder, hvis SQL og Excel er på plads. Der går to til fire år, før du kender forretningen godt nok til selv at vide, hvilke spørgsmål der er værd at stille.

Hvis du skal hyre

Giv en praktisk opgave med rigtige, rodede data. Bed kandidaten finde tre indsigter og fremlægge dem på fem minutter. Det tester både teknik og formidling.

Spørg til en analyse, hvor konklusionen var ubelejlig for ledelsen, og hvad der skete. Spørg også, hvordan hun har håndteret, at to systemer viste forskellige tal. Og test SQL i praksis frem for at tro på cv'et.

Data og forespørgsler

SQL er det vigtigste værktøj. Data hentes typisk fra et datawarehouse i Snowflake, BigQuery, Azure Synapse eller SQL Server, hvor salgsdata fra webshop, ERP og butikker er samlet.

Er der intet datawarehouse — og det er der ofte ikke i mellemstore danske virksomheder — trækkes data direkte fra systemerne og samles i Excel eller Power Query. Det er tungere, men det er virkeligheden mange steder.

Excel

Stadig det mest brugte værktøj, også i store virksomheder. Opslagsformler, pivottabeller og Power Query bruges dagligt. Mange forretningsbeslutninger træffes på et regneark, ikke på et dashboard.

Visualisering

Power BI er det mest udbredte i Danmark, efterfulgt af Tableau og Looker Studio. Dashboards bygges til bestemte modtagere: et til ledelsen med få tal, et til kategorichefer med produktniveau.

Et dashboard, ingen åbner, er spildt arbejde. En stor del af jobbet er at finde ud af, hvad folk faktisk kigger på.

Kilder til data

• Webshoppen: Shopify, Adobe Commerce, WooCommerce, Dynamicweb eller Salesforce Commerce Cloud
• ERP: Microsoft Dynamics 365 Business Central, SAP eller Navision, hvor dækningsgrad og lager reelt bor
• Google Analytics eller GA4 med Google Tag Manager til adfærd på siden
• Google Ads, Meta Ads Manager og Google Merchant Center til kanaldata
• Klaviyo eller andre nyhedsbrevssystemer til e-mailresultater
• Prisovervågning fra PriceRunner eller værktøjer som Prisjagt og Competera

En central udfordring: de forskellige kilder tæller ikke ens. Attribution i Google Ads og faktisk omsætning i ERP stemmer aldrig helt. Det skal forklares hver gang.

Statistik og prognoser

Python eller R bruges til efterspørgselsprognoser, kundesegmentering og kohorteanalyse. Det er ikke et krav i alle stillinger, men det adskiller de dygtige. Enklere prognoser laves ofte i Excel.

Data og fortrolighed

Købshistorik og kundeprofiler er personoplysninger efter EU's databeskyttelsesforordning, GDPR. Datatilsynet lægger vægt på dataminimering og på, at analyser så vidt muligt sker på aggregeret eller pseudonymiseret data. Sporing på siden kræver samtykke efter cookiebekendtgørelsen, som Erhvervsstyrelsen administrerer — hvilket i praksis betyder, at en del af adfærdsdataene mangler, og det skal analysen tage højde for.