Analysera kundomdömen: AI utvärderar Google-recensioner systematiskt – Strukturerad analys av omdömen online

Varje dag pratar dina kunder om dig – på Google, i sociala medier, på recensionssajter. Hundratals, ibland tusentals åsikter, erfarenheter och förbättringsförslag. Men vad händer med denna guldgruva av feedback?

De flesta företag läser sporadiskt, svarar på negativa recensioner och hoppas på det bästa. I processen missar de konsekvent trender, återkommande problem och dolda möjligheter till optimering.

Här kommer AI-stödd analys av kundröster in i bilden. Det som tidigare tog veckor och var subjektivt, hanterar artificiell intelligens numera på några minuter – objektivt, heltäckande och med överraskande insikter.

Varför systematiskt analysera Google-recensioner? Affärscaset

Föreställ dig: En kund skriver i sin Google-recension att din service är bra, men tidsbokningen är krånglig. En annan nämner samma problem i förbifarten. En tredje formulerar det annorlunda men syftar på samma sak.

Manuellt skulle du kanske missa denna koppling. En AI identifierar mönstret direkt.

Det dolda värdet i online-recensioner

Google-recensioner är mer än bara stjärnor. De innehåller strukturerad information om:

• Produktkvalitet: Vilka funktioner får beröm eller kritik?
• Serviceupplevelser: Var hakar det upp sig i kundresan?
• Prisuppfattning: Är priset rimligt i förhållande till värde?
• Jämförelser med konkurrenter: Vad gör andra bättre?
• Emotionella triggers: Vad entusiasmerar eller frustrerar kunder på riktigt?

Tid är pengar – och manuell analys slösar båda

Thomas, vd på ett maskinteknikföretag, känner igen sig: Våra projektledare hinner inte läsa recensioner i två timmar varje fredag. Men vi kan inte heller ignorera dem.

Siffrorna talar sitt tydliga språk. Enligt en studie av BrightLocal (2024) läser 87% av konsumenterna online-recensioner om lokala företag. För B2B-beslut gäller detta fortfarande 68%.

Trots det analyserar bara en bråkdel av företagen sina recensioner systematiskt. Varför? Tidsbrist och bristande struktur.

Vad en systematisk analys ger

Medan manuell läsning är subjektiv och ofullständig, ger AI-analys objektiva insikter:

Men observera: Inte alla AI-lösningar är lämpade för företag. Viktigt är dataskydd, möjlighet till anpassning och integration i befintliga system.

AI-baserad recensionanalys: Teknik möter praktik

Artificiell intelligens har tagit ett språng de senaste två åren. När det gäller att analysera recensioner finns idag metoder som 2022 fortfarande var science fiction.

Natural Language Processing: Hur AI förstår kundröster

Natural Language Processing (NLP) – datorns förmåga att förstå och tolka mänskligt språk – är hjärtat i modern AI-baserad recensionanalys.

Moderna NLP-modeller känner inte bara igen vad en kund skriver, utan också hur det uttrycks. Ett helt okej har en annan känslomässig ton än verkligen bra – även om båda verkar neutralt till positivt.

De tre pelarna i AI-analys av recensioner

1. Sentimentanalys: Är recensionen positiv, neutral eller negativ? Moderna system jobbar med värden från –1 till +1 och fångar även blandade känslor.

2. Topic Modeling: Vad handlar recensionen egentligen om? AI kategoriserar automatiskt i ämnesområden som Service, Produkt, Pris, Leverans eller branschspecifika teman.

3. Entity Recognition: Vilka specifika aspekter nämns? Medarbetarnamn, specifika produkter, avdelningar eller processer.

Stora språkmodeller kontra specialiserade system

Här har du i princip två val:

Allmänna LLMs (som GPT-4): Flexibla och redo att användas, men utan bransch-/företagsanpassning från start.

Specialiserade analysverktyg för recensioner: Skräddarsydda för ratings, ofta med högre precision kring branschbegrepp.

Valet beror på ditt användningsfall. För första tester räcker GPT-4. För löpande, proffsig övervakning bör du utvärdera specialiserade lösningar.

Dataskydd och regelefterlevnad: Detta måste du tänka på

Markus, IT-chef, säger det exakt: Kundrecensioner innehåller personuppgifter. Vi kan inte bara skicka allt till molnet.

När du väljer AI-lösning bör du undersöka följande:

• Databehandling: Lokal drift, europeiskt moln eller GDPR-kompatibla USA-leverantörer?
• Anonymisering: Tas namn och andra personuppgifter bort automatiskt?
• Lagringstid: Hur länge sparas data?
• Spårbarhet: Kan ni förstå hur beslut har fattats?

Den goda nyheten: Moderna AI-system kan analysera recensioner utan att spara känslig data. Det är analysresultaten som spelar roll – inte rådata.

Steg-för-steg: Utvärdera Google-recensioner med AI

Teorin i all ära – men hur går du tillväga för AI-baserad recensionanalys i praktiken? Här kommer en beprövad manual du kan börja med redan idag.

Fas 1: Datainsamling och förberedelse

Steg 1: Samla in recensioner

Först och främst behöver du dina recensionsdata. På Google Reviews har du flera alternativ:

1. Google My Business API: Officiellt gränssnitt, begränsat antal gratisanrop
2. Webscraping: Tekniskt möjligt, juridiskt tveksamt
3. Tredjepartsverktyg: Tjänster som ReviewTrackers eller Podium samlar in automatiskt
4. Manuell export: Passar små datamängder, bra startpunkt

Steg 2: Rensa data

Rådata från recensioner innehåller ofta störningar:

• Dubbletter från olika plattformar
• Spam eller falska recensioner
• Recensioner utan text (endast stjärnbetyg)
• Blandade språk

Ett enkelt Python-script kan automatiskt lösa 80% av dessa problem.

Fas 2: Konfigurera AI-analysen

Steg 3: Definiera analyskategorier

Innan AI:n startar, måste du definiera vad den ska söka efter. För ett maskinbolag kan det vara:

• Produktkvalitet (tillförlitlighet, precision, hållbarhet)
• Service (rådgivning, installation, underhåll)
• Leverans (punktlighet, logistik, förpackning)
• Kommunikation (tillgänglighet, kompetens, bemötande)
• Pris-värde (kostnad, tilläggstjänster, transparens)

Steg 4: Prompt engineering för recensioner

Nu blir det intressant. En bra prompt för recensionanalys är som en detaljerad kravspecifikation – desto mer exakt, desto bättre resultat.

Exempelprompt för GPT-4:

Analysera följande kundrecension för ett maskinbyggarföretag. Bedöm för varje kategori (produktkvalitet, service, leverans, kommunikation, pris-värde) sentiment på en skala från –2 (mycket negativt) till +2 (mycket positivt). Använd 0 om kategorin inte nämns. Extrahera dessutom de tre viktigaste ämnena och sammanfatta den känslomässiga helhetsintrycket i en mening.

Fas 3: Automatisering och övervakning

Steg 5: Sätt upp batchbearbetning

För större datamängder behöver analysen automatiseras. De flesta företag kör veckovisa eller månatliga sammanställningar.

En typisk arbetsgång ser ut så här:

1. Samla in nya recensioner sedan senaste körning
2. Utför datarensning
3. AI-analys av nya recensioner
4. Spara resultat i dashboard eller databas
5. Automatisk notis vid kritiska ärenden

Steg 6: Dashboards och rapporter

Råa analysdata hjälper ingen. Du behöver kondenserade, åtgärdsrelevanta insikter.

Anna från HR förklarar: Vi vill inte veta att recension #4711 var positiv. Vi vill veta: Vilka ämnen är i fokus för våra kunder den här veckan? Var har vi förbättrats? Vad oroar oss?

Sentimentanalys och mönsterigenkänning: Vad AI hittar i recensioner

Vad skiljer maskinell analys av recensioner från mänsklig? Förmågan att upptäcka mönster som människor lätt missar.

Sentimentanalys: Mer än bara positiva eller negativa omdömen

Medan människor ofta kategoriserar recensioner som bra eller dåliga, arbetar AI med mer nyanserade sentimentbetyg.

Modern sentimentanalys ser:

• Blandade känslor: Utmärkt kvalitet, men tyvärr för dyrt
• Sarkasm: Ja visst, tre veckors leveranstid är verkligen toppen
• Underförstådd kritik: Okej för priset (pekar på kvalitetsbrister)
• Känslomässig intensitet: Skillnad på nöjd och extremt nöjd

Mönsterigenkänning: Upptäcka dolda trender

Här blir det spännande. AI hittar mönster som utvecklas över veckor eller månader:

Exempel 1: Säsongsvariationer

Ett analysverktyg upptäckte att negativa recensioner för luftkonditionering toppar i juli – inte på grund av produkterna, utan överbelastade servicetelefoner. Nu planerar företaget extra personal i tid.

Exempel 2: Livscykelindikatorer för produkter

Hos en maskinkonstruktör visade det sig, att recensioner efter 18 månaders användning allt oftare nämnde underhåll. Företaget lanserade ett proaktivt underhållsprogram.

Multidimensionell analys: Utanför bra och dåligt

Moderna AI-system analyserar recensioner på flera dimensioner samtidigt:

Anomaliupptäckt: När något står fel till

En av de mest värdefulla funktionerna hos avancerad AI är att hitta anomalier:

Plötsligt sentimentsfall: Om snittbetyget försämras markant på en vecka brukar det signalera ett konkret problem.

Toppade teman: Om plötsligt många recensioner nämner samma problem, som tidigare inte förekommit.

Falsk-recensionsdetektion: Onaturlig frekvens av likartade fraser eller misstänkt tajming.

Men tänk på: Inte varje anomali betyder problem. Det kan också handla om plötsligt beröm för en förbättrad tjänst.

Predictive analytics: Vad väntar runt hörnet?

Den högsta formen av recensionanalys är prediktion. Moderna AI-system kan utifrån aktuella recensionsmönster förutse:

• Risk för kundtapp
• Uppsäljningspotential
• Optimala tidpunkter för prisjustering
• Tidigt varningssystem för kvalitetsproblem

Ett mjukvaruföretag upptäckte till exempel att kunder som skrev komplicerat eller förvirrande i sina recensioner sade upp tjänsten 60% oftare inom sex månader. Idag får dessa kunder automatiskt extra support.

Praktiska exempel: Hur företag använder insikter från recensioner

Nu räcker det med teori. Se hur tre olika företag framgångsrikt använder AI-baserad recensionanalys.

Case Study 1: Maskinindustri – serviceoptimering tack vare recensionanalys

Utmaningen för Thomas och hans team var tydlig: Med 140 anställda och ett stort antal samtidiga projekt tappade de snabbt överblicken av kundnöjdheten.

Utgångsläget:

• Sporadisk genomgång av Google-recensioner
• Ingen strukturerad insamling av kundfeedback
• Reaktiv hantering av klagomål
• Oklar koppling mellan feedback och affärsresultat

Implementeringen:

Företaget införde AI-analys av alla online-recensioner varje vecka. AI:n kategoriserade kommentarerna i sex områden: Rådgivning, installation, underhåll, kvalitet, punktlighet och kommunikation.

Genombrottet:

Efter tre månader visade analysen ett tydligt mönster: 60% av klagomålen gällde kommunikation kring tidsbokning – inte maskinernas tekniska kvalitet.

Detta förvånade. Ledningen hade trott att tekniska problem var största utmaningen.

Lösningen:

Istället för att investera i fler kvalitetskontroller, förbättrade man tidsbokning och kundkommunikation. Ett enkelt CRM-system med automatiska uppdateringar minskade klagomålen med 40%.

Resultatet:

• Snittbetyget på Google ökade från 4,1 till 4,6 stjärnor
• Projekttiden minskade tack vare bättre planering
• Kundnöjdheten blev mätbar och styrbar
• ROI för åtgärden: 400% första året

Case Study 2: SaaS-leverantör – datadriven produktutveckling

Anna, HR-chef på ett SaaS-bolag, stod inför en annan utmaning: Hur kan 80 anställda i produkt-, försäljnings- och supportteam dra nytta av kundfeedback?

Utgångsläget:

• Recensioner spridda över G2, Capterra, Google och App Stores
• Olika team tolkade feedback olika
• Produktutveckling arbetade ofta med funktioner som kunder inte önskade
• Support kände till återkommande problem, men inte deras omfattning

Implementeringen:

Företaget samlade recensioner från alla plattformar i ett centralt system. AI:n analyserade dagligen nya omdömen och kategoriserade dem efter produktområde (UI/UX, prestanda, funktioner, integration, support).

Insikterna:

Efter sex veckor utkristalliserades tydliga prioriteringar:

1. Integration: 45% av alla funktionsönskemål gällde förbättrad API
2. Onboarding: Nya kunder nämnde i 70% av negativa recensioner svårigheter vid start
3. Mobilapp: Kritiserades mindre än trott – andra områden var viktigare

Åtgärderna:

Produktteamet fokuserade på API-dokumentation och onboarding, istället för planerad översyn av mobilappen. Supportteamet tog fram proaktiva guider för vanliga problem.

Resultatet:

• Time-to-value för nya kunder halverades
• Kundavhopp minskade med 25%
• Positiva recensioner nämnde oftare lätt att använda
• Utvecklingskostnader sjönk tack vare tydligare prioritering

Case Study 3: Tjänstekoncern – multi-site management

Markus, IT-chef för en tjänstebolagsgrupp med 220 anställda på 15 orter, ställdes inför en skalningsutmaning: Hur behålla överblicken över lokal kundnöjdhet i denna storlek?

Utgångsläget:

• Varje ort hade egen Google My Business-profil
• Huvudkontoret saknade överblick av lokala problem
• Framgångsrika arbetssätt delades inte mellan enheter
• Dåliga recensioner i en region gick obemärkt förbi

Implementeringen:

Ett centralt dashboard samlade recensioner från alla orter. AI:n analyserade såväl lokala som övergripande trender. Ett varningssystem larmade vid avvikande utveckling.

Insikterna:

Systemet avslöjade spännande mönster:

• Bästa praxis: München hade 20% bättre betyg – analys visade att SMS-bekräftelse av tider var avgörande
• Brister: Hamburg hade p-problem – 40% av negativa recensioner nämnde parkering
• Säsongsvariationer: Vissa tjänster bedömdes hårdare vintertid – exempelvis problem med uppvärmning på kontor

Åtgärderna:

SMS-bekräftelse infördes för hela gruppen. Hamburg organiserade fler parkeringsplatser. Säsongsrelaterade frågor hanterades proaktivt.

Resultatet:

• Snittbetyget för alla orter steg med 0,3 stjärnor
• Bästa praxis standardiserades mellan orter
• Tidig upptäckt och snabb lösning av lokala problem
• Bättre resursfördelning mellan enheter

Vad alla tre case har gemensamt

Dessa tre företag har olika branscher, storlek och utmaningar. Men deras framgång bygger på gemensamma principer:

1. Fokus på åtgärdsrelevans: Inte varje insikt leder till åtgärd, men varje åtgärd ska baseras på insikter
2. Integreras i befintliga processer: Analys fungerar bara om det är en del av vardagsrutinerna
3. Snabb iteration: Hellre börja smått och justera än att planera den perfekta lösningen i månader
4. Avdelningsöverskridande användning: Bästa resultat uppstår när fler team använder insikterna

Viktigast att komma ihåg: Teknik löser inga problem av sig själv. Den synliggör bara var hävstången finns.

ROI och resultatmätning: Siffror som övertygar

Låt oss vara ärliga: Snygga dashboards imponerar ledningen i begränsad omfattning. Det är mätbara affärsresultat som räknas.

Hur visar du att AI-baserad recensionanalys lönar sig?

Direkta ROI-faktorer: Snabbt avkastning

Tidsbesparing vid manuell analys

Den tydligaste vinsten är mer tid. Här är realistiska siffror:

Med en timkostnad på 75€ för kvalificerad personal ger detta besparingar på 1 035€ per månad – eller 12 420€ årligen.

Mindre reaktionstid

Tidigt upptäcka problem sparar dyra eskaleringar. Ett medelstort företag räknar så här:

• Självkostnad per kundklagomål: 450€ (hantering, goodwill, chefstid)
• Förebyggda klagomål tack vare övervakning: 2–3 per månad
• Besparing: 1 000–1 500€ per månad

Indirekta ROI-faktorer: Långsiktig effekt

Ökad kundnöjdhet och dess effekter

• 1 stjärnas förbättring kan öka omsättningen
• Mindre kundtapp kan höja lönsamheten
• Bättre betyg ger fler organiska förfrågningar

Produktutveckling och kostnadsminskning

Datadrivna beslut minskar onödiga utvecklingsprojekt. Ett SaaS-företag rapporterar:

• Före analys: 40% av funktionerna användes sällan
• Efter analys: Bara 15% onödiga funktioner
• Inbesparad utvecklingskostnad: 150 000€ per år

Kostnadsfaktorer: Vad kan du räkna med?

Transparens är viktigt – även om kostnaderna:

Programvara och verktyg

• API-kostnad för insamling: 50–200€ per månad
• AI-analys (GPT-4 eller specialverktyg): 100–500€ per månad
• Dashboard/rapportverktyg: 100–300€ per månad

Implementering och start

• Initiering: 5–15 persondagar
• Utbildning och processjustering: 3–8 persondagar
• Löpande underhåll: 1–2 timmar/månad

Totalkostnad för typiskt medelstort företag:

• Engångs: 8 000–15 000€
• Löpande: 300–1 000€ per månad

ROI-beräkning: Ett realistiskt exempel

Ta Thomas företag med 140 anställda:

Kostnad år 1:

• Implementering: 12 000€
• Löpande kostnad: 6 000€ (500€ × 12 mån)
• Totalt: 18 000€

Värden år 1:

• Tidsbesparing: 12 400€
• Undvikta klagomål: 14 000€
• Förbättrade omdömen → fler förfrågningar: 25 000€
• Totalt: 51 400€

ROI första året: 186%

Viktigt: Var försiktig med alltför optimistiska antaganden. Räkna konservativt och räkna med 6–12 månader innan effekterna märks fullt ut.

KPI:er för kontinuerlig uppföljning

När det är på plats, bör du följa dessa nyckeltal:

Kom ihåg: ROI är mer än bara en siffra till årsrapporten. Det är din vägvisare mot rätt resultat.

Implementering i företaget: Från strategi till genomförande

Du är övertygad om värdet med AI-baserad recensionanalys? Bra. Nu handlar det om praktiskt genomförande – och här misslyckas många projekt inte på tekniken, utan på organisationen.

Change Management: Få medarbetarna med på tåget

Anna vet problemet ur HR-perspektiv: Nya verktyg köper man in snabbt. Men används de inte av teamen, är allt bortkastat.

För AI-projekt är acceptans extra kritisk. Många anställda är oroliga:

• Kommer AI ta mitt jobb? – Förklara tidigt att AI är ett stöd, inte en ersättare
• Är det bara ännu ett IT-gimmick? – Visa konkret affärsnytta
• Jag förstår inte hur det funkar – Träna praktiskt, ej teoretiskt

Framgångsfaktorer för acceptans:

1. Identifiera early adopters: Börja med teknikintresserade medarbetare
2. Visa snabba resultat: Demonstrera de första vinsterna tidigt
3. Ta feedback på allvar: Integrera förbättringsförslag
4. Erbjud träning: Men fokus på vardagsnytta, inte akademisk teori

Organisatorisk förankring: Vem ansvarar för vad?

Den största fällan för analysprojekt: Ingen är riktigt ansvarig.

Alternativ 1: Centraliserat team (för större företag)

• Marknadsavdelningen ansvarar för övervakning och rapporter
• Produktledning använder insikterna för roadmapen
• Kundservice agerar vid identifierade problem
• IT ansvarar för teknisk plattform

Alternativ 2: Decentraliserad användning (små företag)

• Varje avdelning använder systemet efter eget behov
• Veckovisa review-möten med alla intressenter
• En champion samordnar gemensamma åtgärder

Teknisk integration: Koppla systemen

Markus sammanfattar: Vi vill inte ha ytterligare ett isolerat system. Det måste smälta in i vår befintliga IT-miljö.

Vanliga integrationer:

API-First-strategi rekommenderas:

Välj verktyg med API. Det ger flexibilitet och undviker inlåsning.

Dataskydd och compliance: Rättssäkert genomförande

I Sverige och hela EU är dataskydd viktigt vid AI-projekt. Tänk på:

GDPR-kompatibilitet:

• Säkerställ laglig grund (oftast berättigat intresse)
• Implementera anonymisering eller pseudonymisering
• Definiera och respektera raderingsfrister
• Säkerställ att rättigheter för registrerade respekteras

Recensionsspecifika aspekter:

• Offentliga recensioner får analyseras
• Privata meddelanden kräver uttryckligt samtycke
• Namn och andra identifierare bör tas bort
• Vid överföring utanför EU: kontrollera adekvansbeslut

Steg-för-steg-implementeringsplan

Fas 1: Förberedelse (2–4 veckor)

1. Identifiera intressenter och definiera mål
2. Nulägesanalys: Vilka recensioner har ni redan?
3. Verktygsutvärdering och budgetbeslut
4. Dataskyddsanalys

Fas 2: Pilot (4–6 veckor)

1. Set up insamling för en avdelning
2. Konfigurera AI-analys och testa
3. Bygg dashboard med viktigaste KPI
4. Träna litet team och samla feedback

Fas 3: Utrullning (6–8 veckor)

1. Skala systemet till alla relevanta områden
2. Definiera processer: Vem reagerar på vad när?
3. Genomför utbildning för personalen
4. Inför integrationer i befintliga system

Fas 4: Optimering (löpande)

1. Månadskoll på KPI:er
2. Samla feedback om systemanvändningen
3. Identifiera nya use cases
4. Löpande förbättring av analyskvalitet

Vanliga fallgropar – och hur du undviker dem

Fallgrop 1: Perfektionism

Många projekt fastnar på att bygga det perfekta systemet. Starta hellre enkelt, och förbättra med tiden.

Fallgrop 2: Teknikfokus i stället för affärsfokus

Den häftigaste AI:n hjälper inte om den inte löser affärsproblem. Definiera användningsfallen först.

Fallgrop 3: Bristande datakvalitet

Garbage in, garbage out. Prioritera datarensning.

Fallgrop 4: Avsaknad av processer

Insikter utan åtgärd är värdelösa. Bestäm tydliga rutiner: Vad sker vid negativa trender? Vem ansvarar?

Kom ihåg: Syftet är inte att implementera ett system – syftet är nytta för affären. Mät framgång inte på antalet analyserade recensioner, utan på förbättringarna ni uppnår.

Vanliga frågor

Hur exakt är AI på att analysera svenska recensioner?

Moderna AI-system som GPT-4 når 85–92% noggrannhet vid sentimentanalys på svenska. Specialiserade verktyg för recensioner kan vara ännu bättre. Kontinuerlig kalibrering med manuella stickprov är viktigt.

Vilka kostnader uppstår för AI-baserad recensionanalys?

För ett medelstort företag kan du räkna med 300–1 000€ i månaden för verktyg och API, plus engångskostnader för implementation på 8 000–15 000€. ROI ligger oftast på 150–300% första året.

Hur lång tid tar det att implementera ett analysverktyg för recensioner?

Ett pilotsystem är klart på 4–6 veckor. Full utrullning med utbildning och processintegration tar 3–4 månader. Ofta märks snabba vinster redan efter några veckor.

Kan AI även upptäcka fejkade recensioner?

Ja, modern AI kan identifiera misstänkta mönster: ovanlig förekomst av snarlika fraser, misstänkta tidsmönster eller språkanomalier. Upptäcktsgraden ligger på cirka 80–90%.

Vilka dataskyddsaspekter gäller vid recensionanalys?

Offentliga recensioner får analyseras, men namn och andra identifierande uppgifter bör anonymiseras. Viktigt är GDPR-anpassad lagring, definierade raderingsrutiner och transparens i processen.

Fungerar analysen även för mindre företag?

Absolut. Mindre företag får ofta extra stor nytta, då deras feedbackprocess ofta är mindre formaliserad. Redan från 20–30 recensioner per månad är systematisk analys lönsam.

Hur skiljer sig AI-analys från manuell utvärdering av recensioner?

AI är mer objektiv, snabbare och kan se mönster över längre tid. Människor är bättre på att tolka sammanhang och undantag. Kombinationen ger oftast bäst resultat.

Går det att analysera flera recensionsplattformar samtidigt?

Ja, de flesta moderna system samlar recensioner från Google, Facebook, branschportaler och andra källor centralt. Det ger en komplett bild av kundernas åsikter.

Hur snabbt reagerar systemet på nya negativa recensioner?

I realtid eller inom några timmar, beroende på inställning. Varningssystem kan meddela direkt vid kritiska kommentarer, så att ni kan svara inom timmar.

Vilka branscher har mest nytta av AI-baserad recensionanalys?

Främst branscher med många kundkontakter: detaljhandel, restaurang, tjänster, SaaS och B2B-tjänster. Men även nischbranscher kan hitta oväntade insikter.