Causaliteit in Google Ads: hoe weet je wat echt effect heeft?

Correlatie is geen causaliteit. Dat weet vrijwel iedereen. Maar in de praktijk van Google Ads-beheer handelen we er zelden naar. Een ROAS die stijgt na een wijziging in de biedstrategie wordt al snel toegeschreven aan die wijziging. Een conversiedaling na een campagnewijziging wordt gezien als bewijs dat de wijziging niet werkte. Maar klopt dat ook?

In het causaliteitsblad van onze PPC Intelligence Agent berekenen we drie statistische methoden die je verder brengen dan simpele voor-na vergelijkingen. In dit artikel leggen we uit wat die methoden zijn, wat ze kunnen verklaren en wat niet, en waarom dit relevant is voor Google Ads-optimalisaties.

Het probleem met voor-na vergelijkingen

Stel je past de doel-ROAS aan van 4 naar 5. De week daarna stijgt je ROAS naar 5,3. Conclusie: de aanpassing werkte. Maar klopt dat?

Misschien was het een seizoenseffect. Misschien heeft een concurrent tijdelijk zijn budget verlaagd. Misschien was het toeval, een normale fluctuatie die je nu achteraf een verklaring geeft. Het probleem heet confounding: er zijn altijd meerdere dingen tegelijk aan het veranderen in een Google Ads-account. Zonder een methode om die effecten uit elkaar te halen, stuur je op onderbuikgevoel.

Dat is niet per se fout. Ervaren specialisten bouwen over tijd een intuïtie op die redelijk betrouwbaar is. Maar het is ook niet herhaalbaar, niet overdraagbaar en niet controleerbaar. Statistische methoden maken het proces explicieter.

Lagged cross-correlaties: loopt de ene metric voor op de andere?

De eerste methode in het causaliteits-tabblad berekent zogenaamde lagged cross-correlaties. Dat klinkt ingewikkelder dan het is.

De kernvraag is: als metric X vandaag stijgt, stijgt metric Y dan ook, maar een paar dagen later? Als impressieshare vandaag omhoog gaat, wanneer zie je dat dan terug in conversies? Direct? Na twee dagen? Na een week?

Bij producten met een korte aankoopbeslissing, zoals dagelijkse consumentenproducten, zie je het effect van meer zichtbaarheid snel. Bij producten met een langere overweging, zoals meubels of zakelijke diensten, zit er een vertraging in. Die vertraging is relevant voor hoe de campagnes beoordeelt worden en geoptimaliseerd worden.

Als je niet weet dat er een vertraging van drie dagen zit tussen je zichtbaarheid en je conversies, beoordeel je campagnewijzigingen te vroeg. Je ziet geen resultaat, concludeert dat de wijziging niet werkt en draait hem terug. Terwijl het effect er wel was, alleen later. Via GA4 kun je natuurlijk al zien wat de conversie lag is, maar niet op andere metrics.

De grafiek in het causaliteitsblad laat per paar metrics zien bij welke lag de correlatie het sterkst is. Blauw betekent een duidelijk verband, geel een zwak verband, grijs geen verband. Is de sterkste staaf bij lag 2, dan beweegt metric Y twee dagen na metric X.

Impressieshare als verklarende factor

De tweede analyse kijkt specifiek naar de relatie tussen impressieshare en ROAS of conversies. Dit is een regressieanalyse: in hoeverre verklaart de hoogte van de impressieshare de hoogte van de ROAS, per campagne?

Dit geeft een antwoord op een vraag die veel adverteerders bezighoudt: loont het om meer zichtbaarheid te kopen? Als ik de doel-ROAS verlaag om meer vertoningen te pakken, verdien ik dat dan terug in meer afzet? Op een gegeven moment is er een degressieve lijn omdat Google de zoekopdrachten hoger in de funnel moet gaan sourcen. Bottom-funnel zoekopdrachten die klaar zijn om te converteren zijn altijd beperkt. 

In sommige accounts is er een duidelijk positief verband: meer zichtbaarheid leidt tot meer conversies en een stabiele ROAS. In andere accounts is het verband zwak of afwezig: meer zichtbaarheid kopen leidt vooral tot duurdere klikken zonder proportioneel meer resultaat. Dit heeft dan te maken met mid- of top-funnel zoekopdrachten die nog niet gereed zijn om te converteren en dus voor lagere ROAS/hogere CPA zorgen. 

De tool berekent de R-kwadraat, de helling van de regressielijn en de statistische significantie. Een R-kwadraat van 0,3 of hoger geeft aan dat het verband sterk genoeg is om op te vertrouwen bij biedkeuzes. Een p-waarde onder de 0,05 betekent dat het verband statistisch significant is, niet het gevolg van toeval.

Synthetische controlegroep: wat zou er zijn gebeurd zonder de wijziging?

De meest geavanceerde methode in het causaliteitsblad is de synthetische controlegroep. Dit is een techniek die oorspronkelijk werd ontwikkeld voor beleidsonderzoek, maar inmiddels steeds vaker wordt toegepast in marketinganalyse.

De gedachte van de synthetische controlegroep: je wil weten wat er was gebeurd als je de wijziging niet had doorgevoerd. Dat kun je niet direct meten, want je hebt de wijziging wel doorgevoerd. Maar je kunt het schatten door een synthetische versie van de campagne te bouwen op basis van campagnes die de wijziging niet hebben ondergaan.

Als de werkelijke prestaties na de wijziging significant afwijken van wat de synthetische controlegroep voorspelde, is er reden om aan te nemen dat de wijziging een causaal effect had. Wijken de prestaties niet significant af, dan was het effect niet aantoonbaar groter dan normaal.

Dit is geen bewijs van causaliteit in strikte zin. Maar het is een stuk sterker dan een voor-na vergelijking, juist omdat het rekening houdt met wat er in de rest van het account of de markt aan het veranderen was.

Wat je er wel en niet mee kunt

Statistische analyse lost niet alle vragen op. Een significant resultaat betekent niet automatisch dat de wijziging de oorzaak was. Er kunnen altijd factoren zijn die je niet hebt gemeten. En bij accounts met weinig data zijn de uitkomsten minder betrouwbaar, simpelweg omdat er te weinig datapunten zijn om betrouwbare verbanden te berekenen.

Wat de causaliteitsanalyse wel biedt is een betere basis voor beslissingen. In plaats van te zeggen “de ROAS steeg na de wijziging, dus het werkte” kun je zeggen “de stijging is significant en wijkt af van wat we op basis van de rest van het account zouden verwachten, wat aannemelijk maakt dat de wijziging een effect had”. Dat is een andere kwaliteit van redenering.

Voor adverteerders die serieus willen begrijpen wat in hun account werkt en wat niet, is dit een manier om dat te doen. Niet op basis van gevoel, maar op basis van data die statistisch getoetst is.

Veelgestelde vragen over causaliteitsanalyse in Google Ads

Hoeveel data heb ik nodig voor een betrouwbare causaliteitsanalyse?

Voor lagged cross-correlaties heb je minimaal dertig datapunten nodig, bij voorkeur dagelijkse data over twee of meer maanden. Voor de regressieanalyse heb je minimaal vier campagnes nodig met elk vijf of meer datapunten. Bij minder data zijn de uitkomsten indicatief maar niet statistisch betrouwbaar.

Wat is het verschil tussen correlatie en causaliteit?

Correlatie betekent dat twee metrics tegelijk bewegen. Causaliteit betekent dat de ene metric de andere veroorzaakt. Twee dingen kunnen sterk gecorreleerd zijn zonder dat er een causaal verband is. Causaliteitsanalyse probeert te onderscheiden welke verbanden plausibel causaal zijn en welke toevallig of verklaarbaar door een derde factor.

Kan ik dit zelf doen zonder de tool?

De berekeningen zijn uitvoerbaar in Excel of Google Sheets, maar vergen kennis van regressieanalyse en tijdreeksstatistiek. De tool automatiseert dit en maakt de uitkomsten visueel toegankelijk, zodat je de interpretatie centraal kunt stellen in plaats van de berekening.

Wil je zien hoe causaliteitsanalyse eruitziet in jouw account? Plan een vrijblijvend gesprek met Gianluigi of Mark.