Wat AI blootlegt in Google Ads, maar niet zelf oplost

Tien, twintig jaar geleden beheerde je Google Ads nog volledig handmatig. Elk bod, elke zoekterm, elke aanpassing: menselijk werk. Tegenwoordig met Smart Bidding, Performance Max etc regelen algoritmes een groot deel van dat technische campagnewerk zelf. Wat doet de in-huis of externe specialist dan nog?

Die vraag horen we regelmatig van ondernemers en managers. Een goede vraag waar ook de markt zich over buigt. Maar de vraag vertrekt vanuit een verkeerde aanname, namelijk dat campagnewerk het enige is wat een specialist doet.

Er is in de tussentijd een hoop veranderd. Een enorme bak met data en informatie is beschikbaar gemaakt via de Google Ads interface en API. Het blootleggen van patronen, verbanden en inzichten is tijd- en arbeidsintensief.

Bovendien moet een SEA-specialist statistische competenties hebben om de analyses te doen die verder gaan dan het observeren wat er gebeurt. Daarnaast zal een SEA-specialist intern of met de klant hier actie op moeten ondernemen, het goed uit kunnen leggen van de impact om daadwerkelijke waarde te creëren.

Hieronder enkele praktische voorbeelden waar de rekenkracht van AI en de menselijke creativiteit en synthese bij elkaar komen.

Wat een SEA-specialist niet ziet in een groot account

Neem een ecommerce Google Ads-account met een paar honderd tot -duizend producten, verdeeld over meerdere Performance Max campagnes en wellicht nog reguliere Shopping campagnes ter ondersteuning. Elke dag worden er veilingen gewonnen en verloren, klikken gegenereerd, budgetten verdeeld. Na een maand heb je tienduizenden datapunten.

Daarin zitten patronen die voor de hand liggen en patronen die verborgen zijn. De voor de hand liggende patronen ziet elke specialist: een campagne die structureel goed presteert, een product dat opvallend veel klikken geeft maar weinig verkoopt. Maar wat niemand zonder hulpmiddelen ziet, zijn de patronen die zich langzaam over weken opbouwen, verspreid over meerdere campagnes tegelijk, op productniveau.

Een voorbeeld uit onze praktijk. In een account bleken 1.024 producten samen €14.590 aan advertentiebudget te hebben verbruikt met <3 aankopen en een te lage ROAS vergeleken met doelstelling . Ze waren verspreid over meerdere campagnes, bovendien kwamen bepaalde producten ook in zowel Performance Max als Shopping voor.

In de standaard Google Ads-rapportage is het deels zichtbaar via Rapporteditor. De specialist moet dan handmatig de informatie filteren, per campagne, en per product per campagne de verschillen in prestatie afzetten. Dan kan de specialist bepaalde besluiten nemen.

Het alternatief: handmatig uitpluizen had uren gekost. Geautomatiseerde statistische analyse middels een goed geïnstrueerde AI-tool deed het in seconden en leverde een lijst op die direct bruikbaar was.

Dat is de rekenkracht in dit werk. Niet beslissingen nemen, maar zichtbaar maken wat anders verborgen blijft. De beslissing is vervolgens aan de specialist.

Wanneer kantelt een account?

Naast productniveau speelt er iets op accountniveau dat minstens zo relevant is. Prestaties veranderen in de loop van de tijd. Het rendement daalt of stijgt, het aantal verkopen trekt aan of vlakt af, de kosten per klik bewegen mee met de concurrentie. De vraag is altijd: is dit een normale schommeling of een structurele verandering?

Dat onderscheid handmatig maken, is tijdrovend. Je moet dagelijkse data bijhouden, gemiddelden berekenen en beoordelen of een afwijking lang genoeg aanhoudt om als signaal te beschouwen en niet als ruis. Voor een account met meerdere campagnes en de meest belangrijke metrics zijn het honderd of meer tijdreeksen om bij te houden. In de praktijk doet vrijwel niemand dat systematisch.

Geautomatiseerde statistische analyse berekent voor elke tijdreeks wanneer een metric structureel van richting verandert. Het detecteert het moment waarop iets kantelde, niet pas als het al weken gaande is. Dat moment is precies het startpunt voor de specialist: wat is er vlak voor die kanteling veranderd in de campagnes, de markt of het bedrijf?

Soms is het antwoord een campagnewijziging die net iets te ver ging. Soms een concurrent die agressiever is gaan bieden. En soms, vaker dan je denkt, ligt de oorzaak buiten Google Ads helemaal. Een prijsverhoging op de website, een verandering in het productaanbod, een technisch probleem in de checkout. Die oorzaken zijn niet zichtbaar in de campagnedata zelf. Maar het kantelpunt is dat wel, en dat geeft richting aan waar je moet gaan kijken.

Aanpassingen en gevolgen: de tijdlijn die er toe doet

Elke Google Ads-specialist maakt regelmatig aanpassingen. Biedstrategieën worden gewijzigd, budgetten aangepast, campagnes gepauzeerd of opgestart. Die aanpassingen worden geregistreerd. Maar de koppeling tussen die aanpassingen en de bijbehorende prestatiesverandering bestaat niet van zichzelf.

Dat leidt tot een klassiek probleem. Een aanpassing wordt doorgevoerd op dag één. Op dag acht blijkt het rendement gedaald. Was de aanpassing de oorzaak? Of was het rendement al aan het dalen vóór de aanpassing, en was de aanpassing juist een reactie op die daling?

Die volgorde maakt een wereld van verschil. Als je een aanpassing terugdraait waarvan je denkt dat die het probleem veroorzaakte, terwijl het probleem er eigenlijk al voor zat, los je niets op. Je zoekt op de verkeerde plek.

AI tooling koppelt elke aanpassingsdatum aan de gemiddelde prestaties van zeven dagen voor en na de ingreep. In één overzicht zie je per aanpassing of het effect positief, negatief of neutraal was en of de verandering begon vóór of ná de datum.

Die tijdlijn handmatig reconstrueren voor een druk account is bijna ondoenlijk. Geautomatiseerd is het direct beschikbaar. De specialist houdt daarna veel meer tijd over voor wat er daadwerkelijk op basis van die tijdlijn gedaan moet worden.

Het budget dat voorbij het rendabele punt gaat

Een gesprek dat we regelmatig voeren met ondernemers gaat over budget. “Als de campagnes goed draaien, kunnen we de geldkraan toch gewoon openzetten?” Het is een begrijpelijke redenering. Maar hij klopt niet volledig.

De winstgevende vraag naar jouw producten in een markt is altijd begrensd door zowel vraag als huidige staat van je bedrijf. Elke volgende verkoop kost gemiddeld iets meer dan de vorige. Op een gegeven moment kost een extra euro advertentiebudget meer dan het oplevert.

De bekende wet van verminderde meeropbrengsten, ook toepasbaar op Google Ads. Op een gegeven moment is echte bottom-funnel vraag op, en zal Google meer mid- en top-funnel zoekopdrachten matchen, die niet even snel converteren. Hierdoor stijgt CPA.

Dat punt is in theorie bekend maar in de praktijk zelden concreet berekend. Voor een campagne met ruim een jaar aan data berekenden we het. Bij een dagbudget van €1.389 leverde de campagne €5.499 omzet met een rendement van 3,96x. Bij €2.471 per dag steeg de omzet naar €7.416, maar het rendement daalde naar precies de doelstelling van 3,0x.

Dat is de grens voor deze campagne. Daarboven gaat elke extra euro ten koste van de doelstelling.

Die berekening maakt geautomatiseerde analyse. Maar de vervolgvraag is het werk van de specialist: kun je die grens opschuiven? En zo ja, hoe?

Het antwoord zit zelden alleen in de campagnes. Een betere prijspositie, een hogere marge, een sterkere propositie of een betere conversieratio op de website verschuiven de grens zelf. Campagneoptimalisaties halen meer uit de bestaande grens. Aanpassingen aan het businessmodel verleggen hem.

Dat onderscheid benoemen, ook als dat een ongemakkelijk antwoord is, is precies wat een goede specialist toevoegt.

Advertising als vergrootglas voor het businessmodel

Wat al deze analyses bij elkaar laten zien gaat verder dan Google Ads. Advertising is een vergrootglas. Het vergroot wat er al is.

Een sterke propositie wordt geamplificeerd. Een zwakke propositie zal ook via advertising moeilijk te verkopen zijn.

Als de campagnes tegenvallen, is dat niet per definitie de ‘schuld’ van de campagnes en hoe deze zijn ingericht. Als alle kanalen tegelijk dezelfde neerwaartse tendens laten zien, is er iets fundamentelers aan de hand.

Het probleem zit dan bijvoorbeeld in de prijs, het product, de propositie of de website. Geen enkele campagne optimalisatie lost dat marketing mix probleem op.

Een specialist die alleen naar zijn eigen kanaal kijkt, ziet zichzelf altijd als onderdeel van de oplossing. Een specialist met genoeg breedte en ervaring weet wanneer hij buiten zijn eigen domein moet kijken.

Dat vraagt om meer dan platformkennis. Het vraagt om kennis van e-commerce, van prijsstrategie, van hoe bedrijven groeien en waar ze vastlopen.

Geautomatiseerde statistische analyse levert de data en de berekeningen, zo snel en volledig als een mens dat nooit kan. De specialist heeft daardoor tijd genoeg om die informatie te verwerken, aan te vullen met context, synthese om zo tot inzichten te komen.

Actie als missende stap

Dan is er nog de belangrijkste laatste stap, de actie op inzicht ondernemen. Zonder actie is een inzicht een leuk weetje. Is het duidelijk te maken binnen de organisatie of aan de klant? Heb je het operating model goed voor ogen om te weten of het een haalbare actie is? Dit is makkelijker voor een intern SEA-specialist dan een externe, omdat deze de organisatie veel beter kent. Doe er je voordeel mee.

En ja, ook dit is een stap die AI niet kan nemen!

Niet alles is even goed door AI te verwerken

De komst van AI en haar mogelijkheden zorgen allerminst voor een bedreiging van het SEA-vak, maar zet het in op de juiste taken.

Ik zie vaak AI-tools, scripts of prompts voorbij komen die keyword onderzoek doen, titels en beschrijvingen aanpassen en voorstellen doen om bepaalde zoekwoorden of campagnes te pauzeren. Dit alles vergt in de regel best wat context. AI doet dergelijke dingen in silo, zelfs als je het goed traint.

En laten we wel wezen, wat mij betreft zijn dat niet de werkzaamheden die zeer veel tijd kosten versus wat ze in potentie kunnen opbrengen.

AI en de SEA-specialist gaan hand in hand. Win-win situatie. Juist uitgevoerd is het een krachtige synergie.