Meten en leren van optimalisaties

Waarom dit belangrijk is

Na een uitgevoerde actie kan Advisionr een meetvenster gebruiken om voor- en na-data te vergelijken. Die uitkomsten voeden de resultaat- en leerlaag.

In Advisionr staat deze functie niet op zichzelf. De waarde ontstaat doordat actuele Google Ads-data, accountinstellingen, eerdere wijzigingen en meetresultaten samen worden beoordeeld. Daardoor kan dezelfde functie in twee accounts een andere uitkomst geven. Dat is normaal: een goede optimalisatie volgt de situatie van het account en niet een vast trucje.

Voor optimaal resultaat is het belangrijk dat je eerst controleert of de gekoppelde data actueel is en of de belangrijkste conversies correct worden gemeten. Gebruik daarna de uitleg en onderbouwing van Advisionr om te begrijpen waarom een aanbeveling ontstaat. Een wijziging is pas waardevol als je achteraf ook kunt bepalen of hij werkelijk beter heeft gepresteerd.

Waarom voor/na-meting noodzakelijk is

Zonder gecontroleerde meetperiode kun je niet bepalen of een actie geholpen heeft. Als meerdere wijzigingen elkaar opvolgen, wordt het resultaat een mix van bieding, budget, seizoen, concurrentie en tracking. Advisionr gebruikt daarom execution lineage en measurement windows om een actie aan een resultaatperiode te koppelen.

Een measurement lock kan een nieuwe tegenovergestelde wijziging tijdelijk blokkeren. Dat kan soms traag voelen, maar beschermt tegen pingponggedrag zoals vandaag ROAS omhoog, morgen omlaag en overmorgen weer omhoog.

Verified execution is de basis

Learning hoort te starten bij acties waarvan de providerwijziging daadwerkelijk is geverifieerd. Een proposal dat alleen zichtbaar was of technisch werd gesloten is geen uitgevoerd experiment. Daarom maakt de history/statusscheiding uit voor de kwaliteit van latere AutoPilot-learning.

Wat je zelf moet doen

Laat de meetperiode zo veel mogelijk met rust. Controleer wel externe veranderingen zoals grote promoties, voorraadproblemen of trackingwijzigingen, want die kunnen de interpretatie beïnvloeden. Wanneer de window compleet is, kan Advisionr de uitkomst gebruiken voor learning en volgende beslissingen.

Stap voor stap

Gebruik deze volgorde. Zo voorkom je dat je conclusies trekt uit onvolledige data of meerdere wijzigingen tegelijk door elkaar laat lopen.

1. Voer een actie uit of laat AutoPilot dit doen.
2. Laat het ingestelde meetvenster verlopen.
3. Bekijk het resultaat bij Verbeteringen/Geschiedenis.
4. Gebruik gemeten resultaten om toekomstige beslissingen beter te begrijpen.

Zo haal je er het meeste uit

Advisionr werkt het beste wanneer data, doelen en verantwoordelijkheden duidelijk zijn. Gebruik deze werkwijze om de kwaliteit van analyses en beslissingen te verhogen.

• Vermijd handmatige reversal tijdens actieve measurement.
• Gebruik verified executions als bron voor leerbewijs.
• Beoordeel resultaat met dezelfde businessmetric waarop de actie was bedoeld te verbeteren.
• Documenteer grote externe gebeurtenissen die performance beïnvloeden.

Veelgemaakte fouten

• Na twee dagen concluderen dat een biedwijziging mislukt is.
• Een incomplete measurement window behandelen als definitief resultaat.
• Een automatisch gesloten, niet-uitgevoerde proposal als learning sample tellen.

Veelgestelde vragen

Verder lezen