Google Ads-methoden: elke maand onderzoek, per klant de methode die past

Elke week werk ik aan marketing measurement voor mijn klanten: experimenten, regressies en correlaties op hun eigen data in BigQuery. Elke maand onderzoek ik nieuwe methoden en kies ik per klant wat past: een shop waar klanten terugkomen, een shop met eenmalige kopers of leadgen.

Plan een kennismakingWaar lekt je budget? Gratis check

Leesplan · geo-test niet-merk

voorbeeld · vastgelegd vóór de start

test mag door
Vraag
Wat levert 30% meer budget op niet-merk echt op?
Testvorm
Meer budget in 6 van de 12 provincies, de rest is controle
Afreken-KPI
Nieuwe klanten uit de shop, niet uit Google
Duur
4 hele weken, daarna 2 weken uitloop
Besluit vooraf
Factor boven 0,6: opschalen. Eronder: terug naar het oude budget

Kleinste effect dat de test kan aantonen

80% power

MDE 7,5%

verwacht 11%

Jermaya Leijen

Ik leg het plan vast vóór de start. Zo kan ik de uitkomst achteraf niet mooi praten.

Je klant bepaalt de methode:
terugkerend, eenmalig of lead

Komt een klant elk jaar terug, dan mag de eerste bestelling geld kosten. Koopt hij één keer, dan moet die bestelling zelf winst maken. Bij leadgen weet je de waarde pas weken later. Drie situaties, drie manieren van meten.

Shop waar klanten terugkomen

Een klant is 1,9 keer zijn eerste bestelling waard

1,0x1,4x1,8x2,2xmaand 0maand 121,9x na een jaar
omzet per klant, gedeeld door de eerste bestelling
  • Cohort-LTV per maand van eerste aankoop
  • BG/NBD en Gamma-Gamma per klant[1]
  • Voorspelde klantwaarde als conversiewaarde

Ik stuur op: kosten per nieuwe klant tegen de marge over 12 maanden

Shop met eenmalige kopers

De eerste bestelling is bijna alles wat je krijgt

1,0x1,4x1,8x2,2xmaand 0maand 121,08x na een jaar
zelfde as, andere klant
  • Contributiemarge en POAS per product
  • Responscurve: regressie van budget tegen opbrengst
  • Productexperiment in gelote paren

Ik stuur op: winst per bestelling na advertentiekosten

Leadgen

De waarde van een lead valt pas na weken

0%10%20%dag 0dag 12090% van de dealsbinnen 74 dagen
aandeel leads met een deal, Kaplan-Meier
  • CRM-stadia terug als offline conversie
  • Leadscore met logistische regressie
  • Lezen pas na de p90-doorlooptijd

Ik stuur op: kosten per gekwalificeerde lead en per deal

Vakblad

Marketing Science

INFORMS · jaargang 24, nummer 2 · 2005

Wetenschappelijk tijdschrift voor marketing, met peer review

[1]

“Counting Your Customers” the Easy Way: An Alternative to the Pareto/NBD Model

Peter S. Fader, Bruce G. S. Hardie en Ka Lok Lee. Marketing Science 24(2), pagina 275 tot 284.

doi.org/10.1287/mksc.1040.0098

Wat het model doet

Uit drie getallen per klant, hoe vaak, hoe recent en hoe lang al klant, schat het BG/NBD-model de kans dat iemand nog actief is en hoeveel hij nog gaat kopen. Afhaken gebeurt stil, zonder opzegging.

Hoe ik het gebruik

Bij shops waar klanten terugkomen, met PyMC-Marketing. Ik fit op een afkapdatum en toets op wat klanten daarna echt deden. De uitkomst leg ik naast de cohortcurve.

Voorbeeldcurves met nagebootste cijfers. Bij jou rekent dezelfde aanpak op je eigen orders of CRM.

Experiment, regressie, correlatie:
vier methoden uit mijn werk

Per methode de vraag in gewone taal, een rekenvoorbeeld en wat ik vooraf vastleg. Daaronder de bestanden zoals ze in mijn analysebibliotheek staan.

Experiment

Geo-experiment: wat een campagne echt extra oplevert, gemeten in de kassa

Google meldt 100 bestellingen uit een campagne. Hoeveel waren er ook zonder die campagne gekomen?

testprovinciessynthetische controleextra door de campagnevoorbeeld · nagebootst
80100120140start testextra bestellingen in de test+60, interval +38 tot +81dag 1dag 28

veeg opzij voor de hele grafiek

Rekenvoorbeeld

Google meldt 100 bestellingen in de testprovincies.

De test meet er 60 boven de synthetische controle.

Factor 0,60: elke bestelling die Google meldt, telt voor 0,6 in het budget

Vooraf vastgelegd

  • Provincies 200 keer geloot, de verdeling met de beste match gekozen
  • Kleinste aantoonbare effect uit placebotests, met 80% kans
  • Hele weken, minstens twee, plus uitloop voor late conversies
  • Eén afreken-KPI uit de shop of het CRM

incrementaliteit-geo-tests/

03_geo_selectie_en_matching.sql

04_power_en_mde.sql

06_analyse.sql

python/augmented_synthetic_control.py

Regressie

Responscurve: wat de volgende klant kost, en niet de gemiddelde

Je betaalt gemiddeld €40 per nieuwe klant. Wat kost de klant die je erbij koopt als het budget omhoog gaat?

volgende klant (marginaal)gemiddeldvoorbeeld · nagebootst
€0€40€80€120jouw grens €90 per klantvolgende klant €67gemiddeld €40nu: €6.000 per weekhier stop je met opschalen€9,4k per week€0€12k per week

veeg opzij voor de hele grafiek

Rekenvoorbeeld

Log-log regressie per land: de helling b is 0,6.

Gemiddeld kost een klant €40.

De volgende klant kost 40 / 0,6 = €67.

20% meer budget geeft 11,6% meer klanten, niet 20%

Vooraf vastgelegd

  • Minstens 40 bruikbare weken per land, met spreiding in budget
  • Voorzichtige helling: b min 1,96 standaardfout
  • Stappen tussen 20% omlaag en 30% omhoog
  • Veertien dagen boven de grens is een stap terug

responscurve-en-opschalen/

ln(uitkomst) = a + b · ln(spend) + maand + actie

03_curve_loglog.sql

05_scenarios_en_stapadvies.sql

07_terugvalregel_en_stapmeting.sql

Correlatie

Wijziging achteraf: wat een biedwissel echt deed, los van seizoen en markt

Na de biedwissel steeg de omzet 12%. Kwam dat door de wissel, of was het in die weken overal drukker?

gemetenzonder wissel, voorspeldintervalvoorbeeld · nagebootst
30507090biedwisselleerperiodeBelgië tegen NL, voorperioder = 0,87grens 0,6effect van de wissel+9%, interval +3% tot +15%dag −56dag 0dag 56

veeg opzij voor de hele grafiek

Rekenvoorbeeld

Na de biedwissel steeg de omzet 12%.

In België, zonder wissel, steeg hij in dezelfde weken 3%.

Het model haalt die marktbeweging eruit.

Effect van de wissel: +9%, interval +3% tot +15%

Vooraf vastgelegd

  • Een controlereeks telt pas mee bij correlatie 0,6 of hoger in de voorperiode
  • 120 dagen ervoor, 14 dagen leerperiode eruit, 42 dagen erna
  • Placebotoets met een nepstart in de voorperiode
  • Leesplan vooraf, met de vroegste dag waarop ik mag lezen

wijzigingseffect-achteraf/

01_wijzigingslog_classificeren.sql

02_leesplan_en_reeksen.sql

03_eerste_lezing_arima_xreg.sql

python/wijzigingseffect.py (CausalImpact, CausalPy)

Voorspellen

Zachte conversies: welke tussenstap een echte koper voorspelt, per campagnetype

Je hebt te weinig aankopen om Google goed te laten bieden. Mag je dan sturen op winkelwagens of formulieren?

ZoekenDemand Genlijn = 95%-intervalvoorbeeld · nagebootst
0%20%40%60%Checkout gestartbruikbaarIn winkelwagenper campagnetypeFormulier begonnenbruikbaarTelefoonklik12% van de kopersdekt te weinig

veeg opzij voor de hele grafiek

Rekenvoorbeeld

2.000 sessies met een winkelwagen, 300 kochten binnen 30 dagen.

Kans 0,15, interval 0,135 tot 0,166. Bestelwaarde €60.

Een winkelwagen is €9 waard, maar niet in elk campagnetype

Vooraf vastgelegd

  • Kans met Wilson-interval, kleine groepen gekrompen naar het totaal
  • Het signaal dekt minstens 20% van alle kopers
  • Stabiel per maand, per campagnetype en per land
  • Eerst als secundaire actie, daarna pas in het bieden

soft-conversies-als-voorspeller/

03_model_proxy_rates.sql

04_model_proxy_stability.sql

05_model_soft_signal_train.sql (LOGISTIC_REG)

06_model_soft_holdout_calibration.sql

Vijf niveaus van data:
welke methode bij jou nu al kan

Een mediamixmodel zonder koppeling met je shop rekent op ruis. Een merkanalyse kan al in de eerste week. Bij de gratis check zie ik op welk niveau je account staat en wat de volgende stap is.

  1. 0

    Alleen Google Ads

    Wat er staat

    Google Ads, misschien GA4 zonder export.

    Wat dan kan

    Zoektermen, structuur en meting nalopen in de interface.

  2. 1

    Data in BigQuery

    Wat er staat

    Ads-transfer, Search Console en een dagelijks wijzigingslog.

    Wat dan kan

    Merk tegen niet-merk, zoektermthema's, poweranalyse vóór een test.

  3. 2

    Shop of CRM gekoppeld

    Wat er staat

    Orders met klant en marge, of leads met stadia en gclid.

    Wat dan kan

    POAS, nieuwe klanten, offline conversies, wijziging achteraf.

  4. 3

    Eigen waarde naar Google

    Wat er staat

    Marge of leadwaarde als conversiewaarde, een jaar historie.

    Wat dan kan

    Forecast, responscurve, cohort-LTV.

  5. 4

    Eigen modellen en tests

    Wat er staat

    Twee jaar weekdata, geo-indeling, tests in een register.

    Wat dan kan

    Geo-tests, mediamixmodel, voorspelde klantwaarde.

Drempels uit de modules

Een responscurve vanaf ongeveer 40 bruikbare weken per land. Bieden op voorspelde klantwaarde vanaf 15 conversies per maand. Een geo-test pas als het kleinste aantoonbare effect onder een realistisch effect ligt.

Elke week meten, elke maand onderzoek:
wat ik deze herfst las en wat er veranderde

Elke week, bij elke klant

Measurement is geen eenmalig project. Deze vier rondes draai ik wekelijks op de modellen van mijn klanten.

elke week

Doelherijking

Per budgetbeperkte tCPA- of tROAS-campagne drie voorstellen: vasthouden, scenario of Max.

elke week

Stapmeting

De gemeten uitkomst van een budgetstap naast de band van de responscurve. Wijkt het af, dan wint de meting.

elke week

Voorspeld tegen werkelijk

Zachte conversies naast echte, zodat ik drift zie voordat Google erop gaat bieden.

elke week

Weekrapport

In klanttaal: wat er veranderde, waardoor, en wat ik deze week aanpas.

Jermaya Leijen

Jermaya Leijen

Google Ads specialist sinds 2013

Meten en modelleren verandert snel. Google past biedstrategieën aan, pakketten worden niet meer onderhouden, er komen nieuwe modellen bij. Daarom zet ik elke maand tijd vast voor onderzoek.

Wat ik vind, toets ik op historische data naast wat ik al deed. Voorspelt het niet beter, dan valt het af. Wat blijft, wordt een vaste werkwijze met SQL, Python en een checklist.

  1. Uitzoeken
  2. Toetsen
  3. Vastleggen
  4. Inzetten

  1. 17 aug 2026

    Google past doelcampagnes aan

    Budgetbeperkte campagnes met tCPA of tROAS sturen voortaan naar het ingestelde doel, ook als ze dat eerst ruim versloegen.

    Elke week een doelherijking per campagne, met drie voorstellen: vasthouden, scenario of Max.

  2. 24 okt 2026

    Tien onderzoeken naar modellen

    Causale modellen, attributie, klantwaarde, leadgen, mediamix, bieden, product en prijs, zoektermen en AI, experimenten, tooling.

    Zes nieuwe werkwijzen, van een experimentregister tot wijziging achteraf.

  3. 24 okt 2026

    Pakketten nagelopen

    afgewezen

    Per pakket versie, laatste release en onderhoud.

    GeoLift en tfp-causalimpact afgewezen: geen release sinds 2023. Klantwaarde rekent nu met PyMC-Marketing, lifetimes is gearchiveerd.

  4. 25 okt 2026

    Andere kanalen dan Google

    Microsoft, Meta, TikTok, LinkedIn, Amazon, bol, e-mail en affiliate voor mediamix en budgetverdeling.

    Per kanaal welke data er nodig is en hoe het in het model komt.

  5. nov 2026

    Volgende ronde

    loopt

    Staat gepland.

Wat mensen vaak
vragen.

  • Dat reken ik vooraf uit. Een poweranalyse laat zien of een test iets kan aantonen. Is het volume klein, dan kies ik een lichtere methode of toets ik op een stap eerder in de funnel.