Kan AI automatisch samenvatten waarom een campagne beter of slechter presteert?

Wat kan AI wel en niet verklaren aan campagneprestaties?

AI kan het verschil tussen twee perioden van een campagne betrouwbaar beschrijven en vaak ontleden in onderdelen, maar kan zonder test niet bewijzen waardoor het verschil ontstond.

Een taalmodel levert altijd een vloeiend verhaal, ook als de cijfers geen oorzaak bewijzen. Seizoen, een gewijzigde meting, een budgetverschuiving of gewoon toeval worden dan een waarom. Houd daarom drie niveaus uit elkaar:

Niveau	Vraag	Wat AI hier betrouwbaar doet	Wat je extra nodig hebt
Beschrijven	Wat veranderde er?	Perioden vergelijken, trends en uitschieters benoemen	Complete data en vaste definities
Ontleden	In welk onderdeel zit het verschil?	Rekenen: kwam het door minder vertoningen, een lagere klikratio of een lagere conversieratio?	Rekenwerk in code, niet uit het hoofd
Verklaren	Waardoor gebeurde dat?	Hypotheses voorstellen en ordenen	Context van mensen, en voor bewijs een test met controlegroep

Het verschil zie je in een praktijktest van e-dialog met Claude en de Meta Ads MCP. De cijfers klopten, op één definitie na: het model nam klikken in plaats van linkklikken. Maar bij een tijdelijke actie zei de AI dat advertenties waren uitgezet wegens advertentiemoeheid, terwijl de campagne gewoon op de geplande datum was afgelopen. De conclusie van de testers: “the raw data is more reliable than the explanations behind it”. Hun advies: geef doelen, looptijden, acties en briefings mee.

In de Corr2Cause-benchmark moesten zeventien taalmodellen uit correlaties afleiden wat oorzaak en gevolg is; ze scoorden “almost close to random”. Dat waren modellen uit 2023; samenhang is nog steeds geen oorzaak.

Illustratie: de een wijst naar de lijn met de cijfers, de ander weegt het ene stuk dat eruit ontbreekt: de mens die de context toevoegt.

In welke volgorde zoek je uit waarom een campagne veranderde?

Een campagneverandering verklaar je het betrouwbaarst door eerst uit te sluiten dat de data of de meting veranderde, dan te toetsen of het verschil groter is dan toeval, en pas daarna naar oorzaken te zoeken. AI kan elke stap voorbereiden.

1. Is de data compleet? Vergelijk alleen afgesloten perioden. Google noemt conversievertraging zelf als reden voor een schijnbare daling.
2. Is de meting gelijk gebleven? Controleer tags, formulieren, toestemming, attributie-instellingen en de koppeling met je CRM.
3. Is het verschil groter dan toeval? Zo niet: noteer dat en stop.
4. Ontleed het verschil. Laat de AI rekenen in welke stap van vertoning naar lead het verschil zit.
5. Leg het wijzigingenlogboek ernaast. Biedingen, budgetten, nieuwe advertenties, prijzen, acties, storingen, een feestdag.
6. Formuleer hypotheses met een label. Vastgesteld, waarschijnlijk of onbekend, met het bewijs en het tegenbewijs.
7. Toets wat ertoe doet. Bij een grote beslissing een test met controlegroep: die bewijst een oorzaak. Een gerichte wijziging met vast meetmoment maakt een verklaring alleen aannemelijker.
8. Een mens beslist. Wie de bedrijfscontext kent, keurt de conclusie en de volgende stap.

Stap 1 en 2 staan uitgewerkt bij afwijkingen in marketingprestaties signaleren.

Is het verschil groot genoeg om een verklaring te zoeken?

Een verschil verdient pas een verklaring als het groter is dan de schommeling die je ook zonder enige verandering zou zien. Bij de aantallen van een kleine of middelgrote B2B-campagne is toeval vaak de eerlijkste uitleg.

Een ruwe vuistregel voor tellingen zoals leads, aanvragen of verkopen: de toevallige schommeling is ongeveer de wortel van het aantal. Een verschil tussen twee even lange perioden is pas opvallend als het groter is dan twee keer de wortel van beide aantallen samen.

Rekenvoorbeeld: vorige maand 25 leads, deze maand 15. Het verschil is 10, de grens twee keer de wortel van 40, ruim 12: binnen wat toeval kan veroorzaken. Bij 250 tegen 150 is het verschil 100 en de grens ongeveer 40: dan is er wel iets gebeurd. Dat vervangt geen statistische toets, maar houdt je weg van verklaringen voor ruis.

Google zegt het in zijn probleemoplossing voor campagnes kort: “It’s normal for your campaign performance to vary.”

Haal je de grens niet, vergelijk dan langere perioden, kijk naar een eerdere stap met meer volume (klikken of formulierstarts), of noteer dat het verschil binnen de ruis valt en kijk volgende maand opnieuw.

Welke meetwijzigingen lijken op slechtere prestaties?

Wat in een rapport op slechtere prestaties lijkt, kan een veranderde meting zijn: een ander attributievenster, toestemmingsdata die wegvalt, een tag die stopt of een koppeling die hapert. Sluit die eerst uit: geen AI ziet aan de cijfers zelf dat de meetlat korter werd.

Meetwijziging	Wat je ziet	Hoe je het controleert
Attributievenster verkort	Minder toegeschreven conversies bij gelijke verkoop	Vergelijk met CRM-aanvragen of verkopen in dezelfde perioden
Toestemming en modellering	Plotseling meer of minder gebruikers in GA4	Kijk of gemodelleerde data aan of uit staat en sinds wanneer
Conversievertraging	Laatste dagen lijken slecht	Vergelijk pas als ook de recente dagen zijn bijgewerkt
Tag, formulier of CRM-koppeling kapot	Conversies vallen weg, klikken niet	Doe een proefaanvraag en volg hem tot in het CRM

Meta meldde dat vanaf 12 januari 2026 de 7-daagse en 28-daagse view-attributie via de Ads Insights API “will no longer be returned”. Een dashboard of AI-koppeling die via die API juist die twee vensters opvroeg, toont sindsdien minder toegeschreven conversies, ook als er geen klant minder kwam. Vensters als “7-day click” en “1-day view” blijven beschikbaar.

Bij Google Analytics schat gedragsmodellering voor consent mode het gedrag van bezoekers die geen toestemming gaven. Dat werkt pas vanaf minstens 1.000 events per dag van bezoekers zonder toestemming (7 dagen lang) en 1.000 dagelijkse gebruikers met toestemming (op 7 van de vorige 28 dagen). Schuift je property over die grens, dan verandert je bezoekersaantal zonder dat je marketing veranderde.

Daarom hoort het CRM in elke verklaring: daar staan aanvragen, geschiktheid en omzet zoals jouw bedrijf ze telt. Zie leads uit meerdere bronnen in één CRM en waarom conversies in GA4, Google Ads, Meta en het CRM van elkaar verschillen.

Hoe ontleed je een verschil in leads of kosten per lead?

Ontleden betekent een uitkomst opsplitsen in de stappen die hem vormen, zodat je ziet in welke stap het verschil zit. Dit rekenwerk is het deel waarin AI veel tijd bespaart, mits het in code gebeurt.

De basis voor een advertentiecampagne:

• Leads = vertoningen × klikratio × conversieratio van klik naar lead
• Kosten per lead = kosten per klik ÷ conversieratio van klik naar lead
• Kosten per klik hangt af van je biedingen en van de concurrentie in de veiling

Rekenvoorbeeld: de vertoningen blijven gelijk, de klikratio zakt van 2,0 naar 1,6 procent en de conversieratio blijft gelijk. Dan dalen de leads met een vijfde, en dat verschil zit vóór de klik (advertentie, doelgroep of veiling), niet op de landingspagina. Zakt juist de conversieratio terwijl klikken gelijk blijven, dan kijk je eerst naar formulier, pagina en meting.

Google Ads doet dit deels zelf. Bij conversiedalingen laat de functie “Explanations” zien of de verandering kwam doordat de tag minder vaak afging, of door vertoningen, klikken, conversieratio of klikratio. Dat is ontleden; waarom de klikratio zakte, zegt het niet.

Ontleed daarna per campagne, advertentie, apparaat of doelgroep, maar let op: tien segmenten met elk een handvol leads geven altijd wel een uitschieter.

Wat doen Google Ads, GA4, Power BI en een taalmodel echt?

Google Ads, GA4 en Power BI beschrijven en ontleden binnen hun eigen data, maar zien je CRM, prijzen en actiekalender niet; een taalmodel weet alleen wat je het geeft. Alleen een test met controlegroep bewijst een oorzaak.

Hulpmiddel	Wat het doet	Wat het nodig heeft	Wat het niet zegt
Google Ads “Explanations”	Mogelijke redenen voor significante veranderingen: biedingen, budget, conversie-instellingen, vertraging, targeting, veiling, wijzigingsgeschiedenis, dag van de week, leerperiode	Ondersteund campagnetype en biedstrategie, twee even lange aansluitende perioden binnen 90 dagen, zonder vandaag	Wat buiten Google Ads gebeurde, en of de reden echt de oorzaak is
GA4 anomaliedetectie	Markeert een waarde buiten het verwachte interval van een statistisch tijdreeksmodel	Historie: 90 dagen voor dagdetectie, 32 weken voor weekdetectie	Waarom de waarde afwijkt
Power BI Key influencers	Zoekt met regressie welke factoren samenhangen met een uitkomst	Minstens 100 waarnemingen in de te verklaren groep, 10 in de vergelijking	Oorzaak; een factor kan verdwijnen als je een andere factor toevoegt
Conversion Lift of een andere test met controlegroep	Meet het extra effect van advertenties tegenover een groep die ze niet zag	Veel conversies en tijd; niet voor elk account beschikbaar	Waarom het effect zo groot is
Marketing mix modelling, zoals Meridian	Schat de bijdrage per kanaal over langere tijd	Jaren aan wekelijkse data en statistische kennis	Uitleg per week of per campagne
Taalmodel (ChatGPT, Claude) op een export	Vergelijkt perioden, ontleedt en ordent hypotheses	Vaste definities, rekenwerk in code, je logboek en context van het team	Of zijn verklaring klopt; een fout verhaal klinkt even vloeiend als een goed

Kan ChatGPT of Claude mijn campagnedata zelf analyseren?

Ja, een taalmodel kan een export of een gekoppeld advertentieaccount lezen, perioden vergelijken en hypotheses opschrijven. Betrouwbaar zijn de cijfers en de ontleding; onbetrouwbaar is de verklaring zonder context.

Zo richt je het in; de zwakke plek bleek in de praktijktest hierboven de verklaring zonder briefing:

1. Lees, schrijf niet. Geef de koppeling alleen leesrechten op advertentieaccounts en CRM.
2. Definieer elk cijfer. Lead, gekwalificeerde lead en klant zijn drie verschillende tellingen; schrijf op welke bron telt.
3. Laat het model rekenen met code of een vaste query, en de uitkomst tegen het platform controleren.
4. Stuur geen personen mee als totalen per campagne en per week volstaan.
5. Dwing labels af in de uitvoer, met deze opdracht als startpunt:

Vergelijk periode A en periode B voor de bijgevoegde campagnes.
Controleer eerst of beide perioden afgesloten en even lang zijn.
Reken alle verschillen uit met code en toon de berekening.
Toets per verschil of het groter is dan twee keer de wortel van beide aantallen samen.
Ontleed elk opvallend verschil in vertoningen, klikratio en conversieratio.
Leg het bijgevoegde wijzigingenlogboek naast de data.
Geef per mogelijke verklaring: label (vastgesteld, waarschijnlijk of onbekend),
het bewijs, het tegenbewijs en welke controle of test het zou bevestigen.
Een oorzaak is alleen vastgesteld na een test met controlegroep; een verklaring
uit het logboek heet hoogstens waarschijnlijk, een meetbreuk die het logboek aantoont vastgesteld.
Schrijf wat je niet weet onder een eigen kop.

Het wekelijkse ritme waarin deze notitie landt, staat bij wekelijkse marketingrapportage automatiseren.

Welke context moet je de AI geven?

De context die een AI-verklaring betrouwbaar maakt, staat zelden in het advertentieaccount: een actie, een prijswijziging, een volle agenda bij sales, een storing in het formulier. Leg die vast in een wijzigingenlogboek en geef het bij elke analyse mee.

Neem deze kolommen over; de ingevulde rij is alleen een illustratie:

Datum	Wat veranderde	Waar	Wie	Verwacht effect	Bron
Voorbeeld: 3 maart	Contactformulier ingekort van zes naar drie velden	Website, alle campagnes	Marketing	Meer aanvragen, mogelijk minder geschikte	Notitie bij de wijziging

Google Ads bewaart zijn eigen wijzigingsgeschiedenis en “Explanations” neemt die mee; wat buiten het account gebeurt, onthoudt alleen het team. Een logboek dat sales en marketing samen vullen, verbetert de verklaring meer dan een slimmer model.

Hoe ziet een eerlijke AI-verklaring eruit?

Een eerlijke AI-verklaring scheidt wat gemeten is van wat vermoed wordt, en zegt bij elke zin hoe zeker hij is. Onbekend blijft onbekend; een samenvatting die nooit “weet ik niet” zegt, is niet slim maar onvolledig.

Gebruik dit invulrecord per verklaring:

Veld	Inhoud
Vraag	Welke beslissing hangt aan deze verklaring, en wie neemt die?
Meetwaarde en definitie	Bijvoorbeeld gekwalificeerde leads volgens het CRM
Perioden	Periode A en B, even lang, afgesloten, compleet tot welke dag
Meetcheck	Geen wijziging in tags, attributie, toestemming of koppelingen? Of welke wel
Verschil en ruis	Het verschil, de ruisgrens, en of het erboven valt
Ontleding	In welke stap zit het verschil
Logboek	Wijzigingen in of vlak voor de periode
Hypotheses	Per hypothese: vastgesteld, waarschijnlijk of onbekend
Tegenbewijs	Wat past niet bij de favoriete verklaring?
Toets	Welke controle of test zou het beslissen, en is die de moeite waard?
Besluit	Doorgaan, wijzigen of wachten, met eigenaar en datum
Herbeoordeling	Wanneer kijk je opnieuw, en waarnaar

Dit record past in de beslisnotitie uit marketingdata begrijpelijk maken zonder data-analist.

Hoe bewijs je dat een campagne iets veroorzaakt?

Een oorzaak bewijs je met een vergelijking tegen een controlegroep die de advertentie niet ziet (een holdout), bijvoorbeeld in een lifttest of een geotest. Voor de meeste bedrijven van vijf tot vijftig mensen is zo’n test alleen haalbaar bij grote beslissingen en genoeg volume.

Google Ads Conversion Lift meet “the incremental number of conversions” die direct door je advertentie komen. De drempels zijn hoog: het is niet voor alle accounts beschikbaar, je hebt minstens 1.000 waargenomen conversies nodig, en een studie mag 7 dagen duren maar Google raadt meestal meer dan 14 dagen aan, langer bij een lange aankoopcyclus.

Marketing mix modelling is nog zwaarder. Google adviseert voor Meridian als vuistregel minstens twee jaar wekelijkse data voor modellen op regioniveau en drie jaar voor nationale modellen.

Wat wel past bij een kleiner bedrijf, en wat elke aanpak bewijst:

Aanpak	Wanneer	Wat het oplevert
Gerichte wijziging met vooraf vastgelegd meetmoment	Eén verandering tegelijk, de rest blijft gelijk	Een aannemelijke verklaring, geen bewijs: seizoen en toeval blijven mogelijk
Campagne tijdelijk uit in een deel van het land	Je verkoopt in regio’s die je kunt scheiden	Bewijs met een controlegroep, maar regio’s verschillen ook zonder campagne
Platformlifttest	Veel conversies en een grote beslissing	Bewijs met een controlegroep, binnen de drempels van het platform

Hoe je zo’n proef opzet en afsluit, staat bij experimenten opzetten en meten.

Wanneer laat je AI het waarom beter niet samenvatten?

Laat AI geen verklaring schrijven als de tracking, toestemming of CRM-koppeling in de vergeleken periode veranderde, als de aantallen binnen de ruis vallen, of als niemand de context kan aanleveren. Dan is “oorzaak onbekend” eerlijker. Ook niet als:

• De vraag is eigenlijk of een kanaal de investering waard is; dat vraagt een test, geen samenvatting.
• De AI zou op basis van de verklaring zelf biedingen of budgetten aanpassen.

Een goede verklaring kan ook zijn dat een campagne meer leads geeft die niet bij je passen. Dan is minder volume met betere gesprekken winst voor beide kanten, en dat zie je alleen als het CRM meetelt.

Zo pak ik dit aan

Ik ben Piet Baudoin van Poldermarketing: één freelance marketeer voor marketing, AI en automatisering, zonder dat je voor ieder onderdeel een aparte specialist nodig hebt. Ik werk remote, in het Nederlands en het Engels. Naast positionering en vindbaarheid in Google en AI-antwoorden bouw en draai ik met zorg AI-automatiseringen: leadopvolging, verrijking en kwalificatie, CRM-inrichting, rapportage, contentdistributie en koppelingen tussen tools.

Voor campagneprestaties bouw ik de keten hierboven in jouw accounts: vaste definities, rekenwerk in code, een logboek met jouw team en een notitie met labels die jij keurt. Google Ads en Meta Ads zijn voor mij relatief nieuw; mijn sterke kant zit in AI, automatisering en de koppelingen eromheen. Lees hoe ik werk op mijn werkwijze, of begin met een kosteloze groeiscan.