636.792 rækker → 207.997 sendbare kontakter. På én dag.

Vores egen performance-marketing-gruppe sad med 453 rå CSV-eksporter fra en SMS-platform: 636.792 rækker med kontakter og kampagnehistorik, spredt ud over filer i vekslende formater. Før der kan sendes noget som helst, skal tre spørgsmål besvares. Hvilke kontakter er reelt sendbare? Hvem har allerede klikket og skal frasorteres? Og hvad siger den historiske data om, hvad der faktisk virker?

Den klassiske måde er en uge i regneark: manuel sammenklipning, opslag mod klikkerlister, og fejl, der først dukker op, når en udsendelse er gået galt. Vi ville have svaret samme dag, og vi ville have det verificeret, før vi stolede på det.

Opgaven blev kørt som en orkestreret AI-pipeline efter vores standardmetode: én orkestrator lægger planen og deler arbejdet ud; en flåde af parallelle workers udfører hver sin del samtidig; og et sæt uafhængige QA-gates kontrollerer resultatet, før noget accepteres. Sådan fanner vores builds typisk ud: 20–45 parallelle AI-workers under én orkestrator.

Konkret blev arbejdet delt i tre spor:

• Parsing: 453 CSV-filer læst og normaliseret med logning pr. fil. Nul fejl — hver fil enten parset rent eller markeret, intet stille datatab.
• Dedup og suppression: rækkerne renset for dubletter og holdt op mod 73.623 kendte klikkere, som blev frasorteret. Tilbage stod 207.997 sendbare kontakter ud af de 636.792 rå rækker.
• Analyse: 278 historiske kampagner med i alt 1.654.905 modtagere kørt igennem for leverings- og klikrate og samlet i et dashboard uden persondata og uden ét eneste eksternt kald.

Hvert spor havde sin egen kontrol. Fire uafhængige gates skulle sige god: at alle filer var parset, at dubletterne var væk, at klikkerne var fjernet, og at slutantallet stemte. 4/4 bestået, og først da blev leverancen accepteret.