- 10+ år
- av datamigrering & MDM
- Atlas Copco · Epiroc · Åhléns
- Globala ERP- & MDM-program
- AI · MDM · ERP
- AI-agenter, masterdata & ERP-plattformar
Tre områden – en grund i styrd data
AI-agenter är bara så bra som datan de arbetar med. Därför hänger mina tre områden ihop: masterdata ger en gemensam sanning, migreringen flyttar den rätt – och AI gör arbetet snabbare, med människan kvar i kontrollen.
AI Engineering
AI-agenter och LLM-lösningar som gör verkligt arbete i verksamheten – under mänsklig kontroll och med full spårbarhet.
- Egenbyggda MCP-servrar som kopplar språkmodeller till ERP-, MDM- och affärsdata
- Multiagent-flöden med tydliga roller, budgetar och mänskligt godkännande
- Kommersiella modeller via API eller självhostade modeller i er egen miljö
- Utvärdering, kostnadsstyrning och styrning enligt GDPR och ISO 27001
Master Data Management
Styrd, gemensam masterdata för kunder, leverantörer, artiklar och ekonomi – som hela verksamheten kan lita på.
- MDM-strategi, datamodell och golden record
- Data governance: ägarskap, roller, processer och beslutsordning
- Datakvalitetsregler, mätning och löpande uppföljning
- AI-stödd matchning, dubblettrensning och berikning
Datamigrering
Hela migreringsresan till SAP, Dynamics 365 eller Infor M3 – från nulägesanalys till cutover och hypercare.
- Strategi, planering, waves och säker cutover med fall-back
- Käll- och målmodell, fältmapping och transformationsregler
- ETL i Python med automatiserad validering och avstämning
- AI-assisterad mappning, profilering och validering
AI Engineering i praktiken: Läs om imfund, där jag driver ett helt team av AI-agenter →
Datamigrering – en metod i åtta steg
Varje dataobjekt tas genom samma åtta steg, byggt på PDM v3 och förfinat genom åren. Det gör migreringen repeterbar, mätbar och enkel att följa upp.
- 1
Identifiera scope
Vilken data ska migreras?
- 2
Förstå datamodellerna
Käll- och målmodell.
- 3
Mappa datafält
Koppla käll mot mål.
- 4
Bygg ETL
Extrahera, transformera, ladda (Python).
- 5
Städa data
I källan, i transformen eller efter go-live.
- 6
Testmigrering
Nyckelpersoner och super users verifierar i DEV.
- 7
Bredare test
Fler i verksamheten validerar i TEST.
- 8
Cutover
Planera go-live med fall-back.
Steg 6 och 7 – testmigreringarna – ägs av verksamheten. Läs hur jag arbetar i praktiken →
AI på kundens villkor. Beroende på verksamhetens krav kan AI-lösningar baseras på antingen ledande kommersiella modeller via API eller öppna, självhostade modeller som körs i kundens egen miljö. Fokus ligger alltid på säker datahantering, hög transparens och efterlevnad av GDPR samt kundens interna säkerhetspolicyer.
Arbetssätt
Jag bygger broar mellan verksamhet och IT — med tydligt ägarskap, hög datakvalitet och hållbara processer för datastyrning.
Som konsult på BBIMP kombinerar jag djup teknisk förståelse med stark affärsinsikt – från strategi och datamodellering till validering, laddning och cutover. Metodiken är pragmatisk, transparent och beprövad.
Du arbetar direkt med mig genom hela uppdraget – ingen överlämning till juniora resurser, utan senior kompetens från första mötet till hypercare.
Om mig
Jag är Isak La Fleur Engdahl – konsulten bakom BBIMP. I över tio år har jag lett datamigreringar och master data-program inom gruvindustri, tillverkning och retail: globala Infor M3- och IBM InfoSphere-utrullningar på Atlas Copco och Epiroc, och datamigreringen hos ett av Sveriges största retailföretag. Idag bygger jag också AI-agenter i produktion – bland annat i plattformen imfund. Som civilingenjör i industriell ekonomi förenar jag teknisk djupkunskap i Python och SQL med den affärsförståelse och kommunikation som stora migreringsprogram kräver. Anlitar du BBIMP arbetar du direkt med mig – ingen överlämning till juniora resurser.
Erfarenhet av ERP & MDM
Plattformar jag har arbetat med i skarpa migrerings- och MDM-program.
ERP
- SAP S/4HANA
- Infor M3
- Dynamics 365 F&O
- Dynamics 365 Business Central
- BPCS
- MFG/PRO
MDM
- Informatica MDM
- IBM InfoSphere MDM
Data & ETL
- Python
- SQL
- Apache Spark
- Microsoft Fabric
- Databricks
- Snowflake
- dbt
- Azure Data Factory
- Apache Airflow
- DuckDB
- Polars
- pandas
- Parquet
- Streamlit
AI engineering
Verktygen jag bygger produktionsklara AI-lösningar med – från modell-API:er och agentramverk till självhostade modeller och utvärdering.
Modeller & plattformar
- Anthropic Claude API
- OpenAI API
- Azure AI Foundry
- Amazon Bedrock
- Google Vertex AI
Agenter & orkestrering
- Model Context Protocol (MCP)
- Claude Agent SDK
- OpenAI Agents SDK
- LangGraph
- Paperclip
- Hermes Agent
Självhostat & retrieval
- vLLM
- Ollama
- Hugging Face
- pgvector
Utveckling & utvärdering
- Claude Code
- OpenAI Codex
- Cursor
- Langfuse
- Promptfoo
Från bloggen
Tankar och lärdomar om AI engineering, master data management och datamigrering.
Fem minuters avstämning med mitt företag av AI-agenter – från sidlinjen på fotbollsplanen
imfunds AI-agenter arbetar nu på egen hand på en Linux-server hemma, och jag kan få en statusrapport från stabschefen via Telegram. I lördags blev det en snabb koll i mobilen under min dotters fotbollsmatch – resten av tiden tittade jag på matchen. De vann med 5–2.
Läs mer
imfund: två personer och ett helt företag av AI-agenter
Hos imfund sitter två människor i styrelsen medan 16 AI-agenter gör jobbet – var och en med chef, arbetsbeskrivning, schema och budget. Så här är det organiserat, det här får bara människorna besluta, och därför handlar det mer om styrning än om AI-modeller.
Läs mer
Migreringsplanen: vad som migreras, och när
En migreringsplan är inte ett fältmappnings-Excel — det är en daterad runbook över vilken data som flyttas in i det nya systemet, och vilken dag runt go-live. Bulkladdning kontra deltaladdning, varför master data och transaktioner fryses på olika datum, och varför det renaste sättet att migrera de svåraste objekten är att rensa dem i verkligheten först.
Läs merKontakt
Vill ni sätta AI-agenter i arbete, få ordning på er masterdata eller står ni inför en migrering? Hör av er.