Her er et scenarie, jeg ser i stort set alle B2B-konti, jeg reviewer: kampagnen med flest leads bliver skaleret, fordi den "performer bedst." Tre måneder senere viser CRM-data, at 90% af de leads aldrig blev til noget — mens en anden kampagne med færre, dyrere leads leverede 80% af den faktiske omsætning. Annonceplatformen vidste det ikke. Den optimerede på det eneste signal, den fik: formularudfyldninger.
Det er kernen i offline conversion import: Google Ads og Meta ved kun det, du fortæller dem. Hvis det eneste signal, de modtager, er "formular udfyldt," vil deres bud-algoritmer — som er ekstremt gode til at finde flere af præcis det signal — jagte flere formularudfyldninger, uanset kvaliteten af dem, der kommer ind.
Mekanikken: Fra formularudfyldning til lukket ordre
Offline conversion import (OCI) er processen, hvor I sender data tilbage til annonceplatformen om, hvad der reelt skete med et lead, efter det forlod jeres website — kvalificeret eller ej, hvor langt det kom i pipelinen, og til sidst om det blev til en lukket, betalende kunde. Platformen kobler den information tilbage til den oprindelige kampagne, annoncegruppe og ofte det specifikke søgeord eller den specifikke annonce, der genererede leadet.
Resultatet er, at bud-algoritmen ikke længere optimerer for "flest mulige leads." Den optimerer for "flest mulige leads, der ligner dem, der historisk er blevet til lukkede ordrer." Det er en fundamentalt anden optimeringsopgave, og den kræver, at platformen får adgang til data, den ellers aldrig ville se.
Sådan bygger du feedback-loopet i praksis
Trin 1 — Match-nøgle. Hvert lead skal have en unik identifikator, der følger det fra formularudfyldning til CRM til lukket ordre — typisk GCLID (Google Click ID) eller en tilsvarende klik-ID, gemt som et skjult felt i formularen og synkroniseret til CRM'et ved indsendelse.
Trin 2 — Pipeline-stadier som konverteringshændelser. I stedet for kun at sende én konverteringshændelse ("lead"), defineres flere stadier som separate konverteringer med tilhørende værdi: MQL, SQL (salgskvalificeret), Opportunity, og Closed Won. Hvert stadie sendes tilbage til platformen, efterhånden som leadet bevæger sig gennem pipelinen — typisk via en dagligt eller ugentligt kørende integration mellem CRM og annonceplatform.
Trin 3 — Værdibaseret bidding. Når platformen har nok data om, hvilke leads der reelt konverterer til omsætning, kan I skifte fra "maksimer antal konverteringer" til "maksimer konverteringsværdi" som bud-strategi. Det er her den reelle gevinst opstår: algoritmen begynder aktivt at nedprioritere de søgeord, annoncer og målgrupper, der historisk har genereret leads, der aldrig konverterede til omsætning — selv hvis de leads var billige at generere.
Hvad de fleste gør forkert
Den mest almindelige fejl er at importere data for sjældent eller for sent. Hvis Closed Won-data først sendes tilbage tre måneder efter det oprindelige klik, har bud-algoritmen for længst optimeret videre baseret på ufuldstændig information, og den historiske læring går tabt. Jo tættere I kan komme på realtids- eller ugentlig synkronisering, jo hurtigere lærer platformen de rigtige mønstre.
Den anden almindelige fejl er at importere alle pipeline-stadier med samme vægt. En "Opportunity" og et "Closed Won" bør ikke tælle ens — værdisæt bør afspejle den faktiske sandsynlighed og størrelse af hvert stadie, så algoritmen forstår forskellen mellem "interesseret" og "betalende."
Effekten i praksis
Hos en klient med en gennemsnitlig salgscyklus på fire måneder reducerede implementeringen af fuld OCI med værdibaseret bidding cost-per-closed-deal med 34% over to kvartaler — ikke fordi der kom flere leads ind, men fordi budgettet automatisk blev omfordelt væk fra de kampagner, der historisk producerede leads, der aldrig lukkede.
Det kræver ét ikke-forhandlingsbart element for at virke: rene, konsistente CRM-data. Hvis jeres salgsteam ikke opdaterer deal-stadier konsekvent, eller hvis CRM'et er fyldt med dubletter og forældede felter, vil OCI blot fodre annonceplatformen med støj — og støj skalerer lige så effektivt som signal. Ret datakvaliteten først. Byg derefter feedback-loopet.