Je Google Ads-rapportages automatiseren & tijd besparen met een MCP-server, N8N & Notion

Beheer jij meerdere Google Ads-accounts en voer je terugkerende rapportages uit? Dan weet je hoeveel tijd dat kost, elke maand opnieuw. In dit artikel deel ik hoe ik dat proces heb geautomatiseerd met een MCP server, N8N en Notion. Ik heb geen kant-en-klare oplossing verkocht, maar een werkende workflow gebouwd die mij uren scheelt. Misschien inspireert het jou om iets soortgelijks te verkennen.

Technische kennis helpt bij de inrichting, maar dat is niet waar dit artikel over gaat. Ik wil laten zien wat er mogelijk is. Wat je ermee doet, bepaal je zelf.

Als freelance Google Ads specialist beheer ik zo’n 37 klantaccounts. Elke maand terugkerende rapportages, campagnechecks en analyses. Dat kost tijd, veel tijd. Tijd die ik liever steek in het daadwerkelijk verbeteren van campagnes.

Daarom koppelde ik Google Ads rechtstreeks aan AI via een MCP server. Het resultaat: snellere rapportages, diepere analyses en een concreet startpunt voor de vervolgstappen per klant.

Wat is een MCP server?

MCP staat voor Model Context Protocol, een open standaard ontwikkeld door Anthropic. Het koppelt externe databronnen rechtstreeks aan een AI-model zoals Claude.

Frankwatching schreef eerder een uitgebreid artikel over wat MCP is en waarom het relevant is voor marketeers: lees dat hier. In dit artikel focus ik op hoe ik het concreet inzet voor Google Ads rapportages.

Simpel gezegd: de server haalt actuele data op uit Google Ads en stelt die direct beschikbaar aan de AI. Geen exports, geen copy-paste, geen handmatig invoeren. Claude analyseert alles direct op basis van de meest recente accountdata.

Wat haal ik eruit?

Via de koppeling haal ik de datapunten op die elke maand terugkomen in mijn analyses:

• Campagneprestaties: clicks, kosten, conversies en ROAS.
• Zoektermen die budget kosten zonder resultaat.
• Advertentiegroepen en advertenties per campagne.
• Budgetverdeling en afwijkingen ten opzichte van vorige periode.

Dat zijn precies de bouwstenen van een goede maandrapportage.

Van analyse naar maandupdate, taken en email via N8N en Notion

Voorheen opende ik per klant meerdere schermen, exporteerde ik data naar sheets en schreef ik analyses handmatig. Dat kostte me per klant ongeveer 30 minuten per update, van data verzamelen tot verzenden.

Nu start ik een N8N flow. N8N is een open-source automatiseringstool waarmee je workflows bouwt tussen verschillende systemen. In die flow zit Claude als stap ingebouwd: N8N haalt via de MCP server de Google Ads data op, stuurt die door naar Claude en Claude genereert direct een gestructureerde analyse. Dat alles gebeurt automatisch.

De flow heb ik zelf ingericht en gevoed met klantspecifieke input, zoals doelstellingen en afspraken per account. Eenmaal ingesteld hoef ik niets handmatig in te voeren of te kopiëren.

Vervolgens haalt N8N het werklog op uit Notion, mijn digitale werkplek waar ik gedurende de maand bijhoud wat er per klant gedaan is. Notion is een flexibel projectbeheersysteem dat ik gebruik als centrale plek voor klantinformatie, taken en werklog.

N8N combineert dat werklog met de analyse van Claude en de klantspecifieke context, zoals afgesproken ROAS-drempels of campagneprioriteiten. Het resultaat is een opgemaakte HTML email met drie onderdelen:

• De data van de afgelopen maand: wat heeft er gepresteerd en waar ging budget verloren?
• Het werklog: een overzicht van wat er die periode per klant gedaan is.
• Een eerste aanzet voor de vervolgstappen: wat staat er de volgende maand op de agenda?

Wat ik daarna doe: de output van Claude nalopen, kleine puntjes toevoegen waar nodig en verzenden. Dat kost me nog maar een paar minuten. Waar ik eerder 30 minuten kwijt was aan dataverwerking alleen, besteed ik die tijd nu aan inhoudelijke beoordeling en bijsturing.

Tegelijk zet N8N de drie meest opvallende aanbevelingen uit de analyse als taken klaar in Notion voor de volgende optimalisatieronde. Denk aan een zoekterm die al maanden budget kost zonder conversies, een campagne die structureel boven de ROAS-drempel zit, of advertentieteksten die toe zijn aan vernieuwing.

Die taken worden niet blindelings doorgevoerd. Elke aanbeveling gaat eerst langs een menselijke check: zijn de conclusies logisch en past dit bij de situatie van de klant? Pas als het antwoord ja is, wordt de taak opgepakt. AI signaleert, ik beslis.

Is dit veilig?

Een terechte vraag. Twee dingen zijn hier belangrijk om te weten.

Ten eerste gaat het uitsluitend om campagnedata: clicks, kosten, conversies en ROAS. Geen persoonsgegevens, geen klantdata. De koppeling heeft alleen leesrechten op het Google Ads account. Er wordt niets gewijzigd, niets verwijderd.

Ten tweede valt API-gebruik onder een strikt privacybeleid van Anthropic. Data die via de API binnenkomt wordt binnen 30 dagen automatisch verwijderd van de backend en wordt nooit gebruikt voor het trainen van AI-modellen. Dat staat zwart op wit in de officiële Anthropic documentatie.

De discussie rondom modeltraining die je wellicht hebt meegekregen geldt uitsluitend voor consumenten op Free, Pro en Max accounts. API-gebruik valt daar volledig buiten.

Wat werkt nog niet perfect?

Eerlijkheid verdient een plek. Dit is geen plug-and-play oplossing. De drempel om dit in te richten is hoog als je geen technische achtergrond hebt. Daarnaast zijn niet alle data direct beschikbaar die je gewend bent uit de Google Ads interface. Sommige rapporten vereisen extra configuratie.

En AI maakt fouten. De analyses zijn een startpunt, geen eindoordeel. Je hebt nog steeds iemand nodig die de output kritisch beoordeelt en de juiste beslissingen neemt.

Is dit iets voor jou?

Als je meerdere Google Ads accounts beheert en terugkerende rapportages uitvoert, is een MCP server het overwegen waard. De investering betaalt zich terug in tijdsbesparing en betere analyses.

Heb je minder dan vijf accounts of voer je alleen basale rapportages uit, dan weegt de setup waarschijnlijk niet op tegen de winst. Maar wie weet wat dit bij jou losmaakte. Dat is precies waarvoor dit artikel bedoeld is.