Ruitong Tang

Problemet

Företaget hade långa artiklar, rapporter och YouTube-videor, men nästan inget gjort för TikTok, där många blivande studenter faktiskt finns.

Vad jag gjorde

Jag byggde ett upprepningsbart arbetsflöde: välj källa, välj video eller karusell efter innehållets struktur, skriv manus och klipplista, producera i CapCut och Canva, och ge varje inlägg en uppmaning som landar på rätt sida.

Resultatet

66 videor och karuseller på sex månader, var och en med en fungerande länk till en specifik sida.

Problemet

Varje stipendieomgång har många steg och många inblandade, och ett felaktigt mejl eller ett för tidigt inlägg hamnar på en verklig students namn.

Vad jag gjorde

Jag drev hela kedjan: urval, besked, intervjuer tillsammans med min chef, en poängsatt rekommendation till handledaren, och sedan publicering i fast ordning: skriftligt godkännande först, sedan övriga finalister, sedan sociala medier, sedan artikeln.

Resultatet

8 kampanjer (6 från början till slut) med partner som IAESTE och Girls on Campus, 20+ finalister från 15+ länder intervjuade, 12 artiklar publicerade, och inget besked någonsin i fel ordning.

Problemet

Att läsa varje ansökan för hand tog ungefär två veckor per stipendium, och det var lätt att missa saker i långa, likartade uppsatser.

Vad jag gjorde

Jag skrev ett tvåstegsverktyg i Python med AI-stödd utveckling. Steg ett kontrollerar behörighet och skriver en motivering på varje rad. Steg två poängsätter hur konkret varje uppsats är. Oklara fall går till en person, och handledaren fattar varje slutgiltigt beslut. Ingen AI avgör något om en sökande.

Resultatet

Återanvänt i 5 stipendier. Två veckors läsning blev en körning på sekunder, med mänsklig granskning efteråt. Min chef sa offentligt att det sparade teamet timmar varje vecka.

Problemet

Intervjuerna användes bara för att utse en vinnare, och varumärket visste fortfarande inte varför studenter väljer ett land eller ett universitet, eller vad som nästan får dem att avstå.

Vad jag gjorde

Jag byggde om intervjun kring tre frågor (varför det här landet, varför det här universitetet, vad som nästan stoppade dig) och skrev ett skript som sammanfattar ansökningsdata till enbart antal, inne i företagets eget Microsoft 365-system, så att inga individuppgifter någonsin lämnar det.

Resultatet

En intervju ger nu tre saker: vinnarens berättelse, socialt innehåll och en publiksammanställning i slutet av varje omgång. Individuppgifter stannar kvar; bara totaler kommer ut.

Problemet

Varumärken som följer en kontrovers räknar oftast omnämnanden. Men på en plattform som rankar efter gilla-markeringar bär ett fåtal kommentarer det mesta av det någon faktiskt läser, så att räkna allt lika beskriver ett samtal som ingen har haft. Jag ville veta hur en gemensam uppfattning bildas i den luckan, och valde ett fall som korsade tre marknader samtidigt.

Vad jag gjorde

Jag samlade 5 289 kommentarer under 219 Weibo-inlägg och drog urval efter synlighet i stället för volym: varje kommentar med över 500 gilla-markeringar (246 stycken, som bar 86,9 % av alla gillanden), plus 200 slumpmässiga från den tysta svansen. Jag kodade 446 kommentarer, närläste 29 och skrev ner alla 28 gränsfallsbeslut så att någon annan kan granska arbetet. Jag rensade inte materialet i förväg, eftersom en filtrering till de relevanta kommentarerna hade gjort sällsyntheten till något jag själv skapat.

Resultatet

Godkänd vid offentlig disputation vid Stockholms universitet i augusti 2026. De två ordförråden rörde sig åt motsatt håll: nationsord fanns i 260 kommentarer, klassord i bara 98, men klassramade kommentarer fick ungefär tre gånger så många gillanden per kommentar (699 mot 231). Att räkna hade kallat striden nationalistisk. Att vikta efter vad folk såg visade att den avgjordes av klass, och avgjordes genom att saken döptes om snarare än genom argument.