Wat deed ik waardoor de ROAS halveerde? Zo koppel je wijzigingen aan resultaten in Google Ads

Stel je voor: je verlaagt je doel-ROAS van 200% naar 160% op 1 april. Een week later is je ROAS gedaald van 3,01x naar 1,40x. Bijna gehalveerd.

Wat doe je? Je gaat terug naar het dashboard. Je zoekt handmatig door de wijzigingshistorie. Je probeert te reconstrueren wat er is veranderd, wanneer het veranderde en of het aan jouw ingreep lag of aan iets buiten je campagnes.

Dit is een van de meest tijdrovende en foutgevoelige bezigheden in Google Ads-beheer. En het is een probleem dat vrijwel elke specialist kent, maar dat zelden structureel wordt opgelost.

Waarom het reconstrueren van oorzaken zo lastig is

In een actief Google Ads-account worden wijzigingen doorgevoerd. Biedstrategieën worden aangepast, budgetten veranderd, campagnes gepauzeerd, feeds bijgewerkt. Die wijzigingen worden geregistreerd in de wijzigingshistorie van Google Ads. De campagneprestaties worden gerapporteerd in de data-interface. Maar de koppeling tussen die twee is er niet.

Het gevolg: als de prestaties veranderen, moet je handmatig uitzoeken welke wijziging op welk moment is doorgevoerd, de data van voor en na die datum naast elkaar leggen en beoordelen of het verschil significant is of normale ruis. Bij een account met vele wijzigingen per maand kost dat uren per analyse. En dan is er nog het risico dat je de verkeerde conclusie trekt, simpelweg omdat je de context niet compleet hebt.

Het specifieke probleem van de doel-ROAS aanpassing

Het voorbeeld hierboven, een doel-ROAS die wordt verlaagd van 200% naar 160%, is een goed voorbeeld van een wijziging die moeilijk te beoordelen is zonder gestructureerde voor-na analyse.

Een lagere doel-ROAS betekent dat het algoritme meer ruimte krijgt om te bieden. Het systeem gaat meer veilingen winnen, ook minder efficiënte. In theorie leidt dat op korte termijn tot meer volume maar een lagere ROAS. Dat is precies wat je wil als je bewust schaalbaar wil groeien. Maar is de ROAS-daling die je een week later ziet het verwachte effect van jouw ingreep, of is er iets anders aan de hand?

Zonder een gestructureerde koppeling tussen de wijzigingsdatum en de prestatiedata kun je die vraag niet betrouwbaar beantwoorden. Je kijkt naar twee losse databronnen en probeert zelf het verband te leggen. Dat is tijdrovend, foutgevoelig en niet schaalbaar als je meerdere accounts beheert.

Hoe een geautomatiseerde voor-na analyse werkt

De oplossing is het automatisch koppelen van de wijzigingshistorie aan de campagneprestaties. Voor elke wijzigingsdatum bereken je de gemiddelde prestaties over de zeven dagen voor en zeven dagen na de ingreep. De metrics die je vergelijkt zijn ROAS, CPA, conversies en kosten. Het resultaat geeft direct inzicht in of de wijziging positief, negatief of neutraal heeft uitgewerkt.

Dat klinkt eenvoudig, maar in de praktijk zitten er meerdere uitdagingen in de data-preparatie. De wijzigingshistorie en de campagneprestaties zitten in twee aparte exports uit Google Ads. Ze moeten worden samengevoegd op basis van datum en campagne. Wijzigingen die op dezelfde dag zijn doorgevoerd moeten worden gegroepeerd. En de analyse moet per campagne worden gefilterd als de wijziging campagnespecifiek was, niet accountbreed.

Als je dat handmatig doet, ben je voor elk account opnieuw tijd kwijt aan data-preparatie. Automatiseer je het, dan verschuift de tijd van data klaarzetten naar de analyse zelf. Dat is de verschuiving die waarde toevoegt.

Wat je ziet als je het goed inricht

Een geautomatiseerde wijzigingsanalyse geeft je in één overzicht drie dingen die je anders niet makkelijk ziet.

Ten eerste zie je per wijziging direct of het effect positief, negatief of neutraal was op de KPIs. Een groene markering bij een biedstrategiewijziging betekent dat de ROAS steeg en de CPA daalde in de zeven dagen erna. Een rode markering geeft het omgekeerde.

Ten tweede zie je het patroon over alle wijzigingen heen. Als je twaalf wijzigingen in een maand bekijkt en ziet dat negen positief uitpakten en drie negatief, zegt dat iets over de kwaliteit van de optimalisatieaanpak. Als de verdeling andersom is, is dat aanleiding voor een dieper gesprek over de strategie.

Ten derde zie je of een daling of stijging begon vóór of ná een specifieke wijziging. Dat is cruciaal. Als de ROAS al daalde voordat je de doel-ROAS aanpaste, lag de oorzaak ergens anders. Als de daling pas erna begon, is er reden om de wijziging als mogelijke oorzaak te beschouwen.

Wat het niet is: geen causaliteit maar sturing

Het is belangrijk om dit goed te kaderen. Een voor-na analyse bewijst geen causaliteit. Een ROAS-daling in de zeven dagen na een wijziging kan door die wijziging zijn veroorzaakt, maar ook door een seizoen effect, een concurrentieverandering of een technisch probleem op de website dat toevallig in dezelfde periode optrad.

Wat de analyse wél doet is het giswerk drastisch verminderen. In plaats van te beginnen met een blanco pagina en handmatig te zoeken naar mogelijke oorzaken, begin je met een gestructureerd overzicht van wat er is veranderd en wat het bijbehorende prestatie-effect was. Dat geeft sturing en richting aan waar je als specialist naar moet kijken.

Als uit de analyse blijkt dat de daling niet samenhangt met interne wijzigingen, verschuift de zoekrichting. Dan kijk je naar externe factoren: concurrentieveranderingen in de veilinginzichten, seizoen patronen in historische data, of problemen buiten de campagnes zoals een gewijzigde conversieratio op de website. Een goede specialist weet wanneer het probleem buiten Google Ads ligt. De data helpt je om die conclusie sneller en met meer zekerheid te trekken.

Hoe je de wijzigingshistorie exporteert

De wijzigingshistorie exporteer je in Google Ads via Hulpmiddelen en instellingen > Wijzigingshistorie. Je kunt filteren op periode, campagne en type wijziging. Exporteer als CSV. De data bevat per wijziging de datum, het campagneniveau waarop de wijziging is doorgevoerd, het type wijziging en de oude en nieuwe waarden.

Combineer dit met een campagne-export over dezelfde periode met dagelijkse data. De koppeling maak je op datum en campagnenaam. Als de wijziging accountbreed was, gebruik je de accounttotalen. Als de wijziging campagne-specifiek was, filter je de prestatiedata op de betrokken campagne.

Die koppeling is het arbeidsintensieve deel. Automatiseer je dat eenmalig goed, dan kun je de analyse bij elk account in minuten uitvoeren in plaats van uren.

Wanneer is dit het meest waardevol?

Deze analyse is het meest waardevol in drie situaties. Ten eerste bij onverwachte prestatieveranderingen waarbij de oorzaak niet direct duidelijk is. Ten tweede bij de evaluatie van een specifieke wijziging die je bewust hebt doorgevoerd en waarvan je wil weten of het effect heeft gehad. Ten derde bij de overdracht van een account, om te begrijpen wat er de afgelopen periode is gedaan en wat de effecten waren.

In alle drie de gevallen is het doel hetzelfde: minder tijd kwijt zijn aan reconstrueren en meer tijd overhouden voor de analyse en de beslissing die daaruit volgt.

Veelgestelde vragen over wijzigingsanalyse in Google Ads

Hoe ver terug gaat de wijzigingshistorie in Google Ads?

Google Ads bewaart de wijzigingshistorie twee jaar terug. Voor een zinvolle analyse heb je minimaal drie maanden aan wijzigingen en bijbehorende prestatiesdata nodig om patronen te herkennen.

Wat als er meerdere wijzigingen op dezelfde dag zijn?

De analyse groepeert wijzigingen per datum. Als er op één dag vijf wijzigingen zijn en de prestaties veranderen daarna, is het niet mogelijk om te zeggen welke specifieke wijziging het effect heeft veroorzaakt. De analyse geeft in dat geval het gecombineerde effect van alle wijzigingen op die datum. Voor een diepere analyse van individuele wijzigingen moet je periodes kiezen met slechts één significante wijziging.

Wat is een zinvol venster voor de voor-na vergelijking?

Zeven dagen voor en zeven dagen na is een gangbaar startpunt. Voor accounts met sterke weekdagpatronen kan het zinvol zijn om veertien dagen te gebruiken om die variatie uit te middelen. Voor biedstrategieën die een leerperiode hebben, is het verstandig om ook een venster van veertien tot eenentwintig dagen na de wijziging te bekijken, omdat het effect van een biedstrategiewijziging pas na de leerperiode volledig zichtbaar wordt.

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