Når et system mangler oplysninger: lad arbejdsgangen spørge selv

Mange arbejdsgange går i stå, fordi et felt mangler

Det er sjældent den store tekniske barriere, der stopper en arbejdsgang. Det er næsten altid et enkelt felt, der står tomt.

En leadformular uden firmanavn. En kunde i CRM uden telefonnummer. Et produkt i webshoppen uden lagertal. Når automatiseringen når til det manglende felt, har den to valg: springe opgaven over eller sende den tilbage til manuel behandling. Uanset hvad taber du momentum. Den person, der skulle følge op, sidder nu og leder efter data i stedet for at handle.

Det er her arbejdstiden forsvinder.

I vores case om lead research og personlig mail til en B2B SaaS virksomhed manglede nye leads tit vigtig kontekst. Uden den tog det timer at skrive en relevant henvendelse. Med automatisering, der beriger hvert lead med de rette datafelter, gik virksomheden fra langsom manuel research til en personlig mail på omkring 2 minutter per lead. Det ændrede ikke kun hastigheden. Det ændrede også, hvor mange leads de nåede at kontakte.

Problemet er ikke, at feltet mangler i udgangspunktet. Det er, at ingen har bygget en bro til at hente det automatisk. Det kan være en integration til et CVR register, en berigelse af firmaoplysninger ud fra en emailadresse, eller en opslagstabel, der konverterer leverandørkoder til interne kategorier. Når den bro først ligger der, kører arbejdsgangen selv.

Så stopper processen ikke lige så nemt halvvejs.

CVR nummer, ordrenummer, leveringsdato, vedhæftet fil eller godkendelse

Det er netop de små konkrete felter, der skaber det største manuelle arbejde, når data skal flyttes mellem systemer.

Et CVR nummer skal stemme overens med offentlige kilder. Et ordrenummer skal følge varen fra indkøb til lager. En leveringsdato skal lande i både regnskabsprogrammet og kundens mail. Når disse oplysninger kopieres i hånden, opstår der fejl, dobbeltarbejde og forsinkelser.

En vedhæftet fil kan omdøbes, kategoriseres og arkiveres i den rigtige mappe uden at du åbner den.

I vores case om produktimport til WooCommerce kører leverandørdata direkte ind i webshoppen uden manuel indtastning. Der lander 24 produkter om dagen helt automatisk, og det er præcis den type flytning af strukturerede data, hvor felter som ordrenumre og leveringsdatoer ellers ville kræve tastearbejde mellem to systemer.

Godkendelse er i praksis et ja eller nej. Den skal ikke ligge i en indbakke og vente på en beslutning.

Med n8n automatisering bygger du workflows, der læser et felt i et system, tjekker det mod et andet og kun beder om menneskelig indblanding, når noget afviger. Det gælder, uanset om et CVR nummer skal valideres mod en offentlig database, eller en faktura skal godkendes ud fra tre konkrete betingelser.

Arbejdsgangen kan spørge den rigtige person, vente på svar og tjekke om svaret kan bruges

Ja. Arbejdsgangen kan selv finde frem til den rette kollega, sende spørgsmålet, vente på svar og vurdere om svaret er godt nok til at fortsætte.

Det betyder, at du kan bygge godkendelsespunkter ind midt i et flow.

Når et nyt lead skal kvalificeres, kan arbejdsgangen sende en kort besked til den rette sælger og sætte processen på pause, indtil svaret kommer. Får den et brugbart svar, fortsætter den med at opdatere CRM og sende en personlig mail. Hos en B2B SaaS virksomhed betyder det, at de kan gå fra research til første personlige mail på 2 minutter per lead.

Du slipper for at holde styr på, hvem der skal svare på hvad.

Det samme gælder produktimport, hvor leverandørdata skal godkendes, før de ryger ud i webshoppen. Arbejdsgangen kan spørge indkøberen, tjekke svaret og først derefter oprette de 24 produkter om dagen i WooCommerce.

Arbejdsgangen læser ikke bare svaret. Den tjekker, om alle nødvendige felter er udfyldt, om beløbet stemmer overens med taksten, og om vedhæftningen faktisk er med. Er svaret ufuldstændigt, sender den en konkret opfølgning med det samme og sætter processen på pause igen, indtil svaret kan bruges. Så skal en projektleder ikke først opdage fejlen senere i flowet.

Svarer modtageren ikke inden for den tidsramme, som flowet har sat, sender arbejdsgangen automatisk en påmindelse eller flytter opgaven til en kollega. Tidsfrister og ansvar ligger i logikken, så opgaver ikke går i stå, fordi nogen har overset en besked. Hvert spørgsmål og svar bliver logget i rækkefølge, så der altid er et spor af, hvem der har bekræftet hvad og hvornår.

Du kan også bygge loops ind hvor arbejdsgangen spørger flere personer samtidig og først går videre når alle svar er modtaget og godkendt. Når spørgsmålene lander direkte i de kommunikationskanaler som medarbejderne allerede bruger, bliver godkendelsen en naturlig del af arbejdsrytmen. Med den rette n8n automatisering kan arbejdsgangen både formulere spørgsmålet, afkode svaret og vurdere om det er nok til at fortsætte.

Opstår der afvigelser, som arbejdsgangen ikke genkender, sender den opgaven videre til et menneske med den nødvendige kontekst vedhæftet. Modtageren får ikke bare en alarm, men et konkret grundlag at tage stilling til. Bagefter vender arbejdsgangen tilbage til flowet og færdiggør det, der mangler.

Det er ikke magi. Det er en arbejdsgang der ved hvornår den skal spørge, og hvornår den selv kan gå videre.

Ofte stillede spørgsmål

Hvornår bør vi lade arbejdsgangen selv hente manglende oplysninger?

Automatiseringen bør sende spørgsmålet videre til en kilde i stedet for at stoppe, hver gang der mangler data. Arbejdsgangen spørger enten et eksternt system eller en medarbejder og fortsætter, når svaret er modtaget. Det reducerer manuelle afbrydelser og holder processen i gang.

Hvilke data kan vi med fordel automatisere indsamlingen af?

Strukturerede oplysninger som CVR numre, adresser, ordrestørrelser og leveringsdatoer er nemmest at automatisere. Regler og betingelser kan hentes fra interne systemer. Ustrukturerede data som fri tekst eller skannede dokumenter kræver typisk mere behandling og validering, før de kan indgå i en automatiseret arbejdsgang.

Hvordan sikrer vi kvaliteten, når systemet selv finder oplysninger?

Kvaliteten sikres ved at bygge valideringsregler ind i arbejdsgangen. Hvis det hentede svar ikke stemmer med de forventede formater eller værdier, sendes opgaven til manuel gennemgang. På den måde fanger systemet afvigelser, før de påvirker de næste trin og skaber fejl længere fremme i flowet.

Hvad kræver det at bygge en arbejdsgang med indbygget dataindsamling?

Det kræver en kort analyse af, hvilke kilder der allerede findes, og hvordan de kan tilgås via API adgang eller filoverførsel. Herefter bygges logikken, der finder det manglende felt, spørger kilden og indsætter svaret. De fleste platforme tilbyder visuelle byggere, der ikke kræver kodning.

Hvordan vedligeholder vi automatiseringen, når kilder ændrer sig?

Vedligeholdelse handler om at overvåge, at kilderne stadig svarer korrekt, og at formaterne ikke er ændret. Sæt alarmer op, hvis en forespørgsel fejler gentagne gange. Gennemgå jævnligt, om nye felter eller regler er opstået, så arbejdsgangen kan justeres i god tid.

Hvad gør vi, når der ikke findes en automatisk kilde til de manglende oplysninger?

Opgaven sendes til en medarbejder med den nødvendige kontekst. Når svaret er registreret, gemmes det struktureret, så systemet kan genbruge oplysningen næste gang samme situation opstår. På den måde bliver den manuelle håndtering en del af en bedre arbejdsgang fremover.