Naar de inhoud
Alle video’s

Stuur campagnes op voorraad, retouren en levenscyclus

HoofdstukAI & MarketingDuur: 7:51 minVanaf 42:07 in de opname

Ruben Runneboom, Taskforce

Uit de sessie: Marketing: Advertising in the Age of AI

Ruben Runneboom van Taskforce vertelt in de Q&A waar het bureau AI nog meer voor inzet: elke maandag data uit Google Ads analyseren, en bedrijfsdata zoals voorraad, retouren en productlevenscyclus naast campagnedata leggen. Zo stuurt Taskforce budgetten op wat voor de ondernemer telt.

Voor wie: Je campagnes wilt sturen op voorraad en retouren, en niet alleen op ROAS.

Hetzelfde moment

Waarom dit ertoe doet

Een campagne met een goede ROAS kan de ondernemer weinig opleveren als producten veel retour komen of in het magazijn blijven liggen. Ruben vindt het de taak van marketingteams en bureaus om die link met bedrijfsdata te leggen. Hij beschrijft hoe je voorraad en levenscyclus gebruikt om budget te verhogen of af te remmen, en wat je van inkopers en eigenaren moet uitvragen. Kijk dit als je campagnes wilt sturen op meer dan alleen ROAS.

Belangrijkste inzichten

  • Taskforce analyseert elke maandagochtend alle Google Ads-accounts met scripts of API's en een LLM, tegen de drempels per klant.
  • Voorraad, retourpercentage en productlevenscyclus kunnen je budget per product sturen, bovenop ROAS of POAS.
  • Voorbeeld van Ruben: 20 pallets en 3 verkopen per week betekent budget afremmen en de klant waarschuwen.
  • Bij sportschoenen zet Taskforce in augustus 80 procent van het budget in en rond oktober 100 tot 110 procent.

Maandelijkse analyse met drempels

Taskforce haalt met scripts of API's elke maandagochtend de data uit alle Google Ads-accounts, waarna een LLM de analyse doet. De drempels per klant staan in de guide rails van het account. Zo zie je welke campagnes onderpresteren en waarom. Er is ook een document met als-dan-opties voor de consultant, zodat het werk minimaal een basisniveau haalt. AI is hier vooral voor data-analyse.

Bedrijfsdata naast campagnedata

Ruben denkt dat marketingteams het verschil maken door bedrijfsdata naast campagnedata te leggen. Een lage ROAS zegt weinig over de oorzaak. Zijn voorbeeld: 20 pallets van product X in het magazijn en 3 verkocht per week, dus de voorraad is over een aantal weken op. Dan wil Taskforce een signaal of automatische update om het budget op dat product af te remmen, en de klant waarschuwen dat een bestseller bijna op is. Volgens hem moet je steeds meer indicatoren aan het model meegeven, die bepalen of er hoger of lager geadverteerd wordt.

Retouren, levenscyclus en wie het uitvraagt

Taskforce begon hier twee jaar geleden mee, bovenop de bekende Hero-verdeling van producten. Indicatoren zijn retourpercentage, productomloopsnelheid en levenscyclus. Bij sportschoenen komt er elk jaar een nieuwe variant: in augustus zet je 80 procent van het budget in, richting oktober 100 tot 110 procent, daarna bouw je af. Ruben noemt dat een scoringmodel. De kennis zit in de hoofden van inkopers; het is volgens hem ook de verantwoordelijkheid van het bureau dat uit te vragen. Lege magazijnen of liggende producten kosten geld, ook als omzet en ROAS goed zijn.

Probeer dit deze week

  1. Vraag je inkoper welke 3 producten het meest in het magazijn liggen en kijk wat je campagnes daar uitgeven.
  2. Laat per productgroep het retourpercentage naast de ROAS zetten en markeer groepen met hoge retouren.
  3. Bepaal voor 1 seizoensproduct per maand welk percentage van je budget je wilt inzetten.

Begrippen

Guide rails
De vaste kaders van een account, zoals doelen en drempels, waaraan campagnes worden getoetst.
First party data
Data die je zelf van je klanten en bedrijf verzamelt, zoals voorraad, retouren en verkoop.
Transcriptie

Uitgeschreven uit de audio van dit fragment. Stopwoorden en herhalingen zijn weggelaten. Waar [onverstaanbaar] staat, is de opname niet te verstaan.

Jullie als agency hebben het net gehad over alle mogelijkheden waar AI bij kan dragen in dat hele ad spectrum. Nu is het optimaliseren van je feed natuurlijk een onderdeel, in dit geval laag nummer 2 of 3 was het net bij ons. Wat voor zaken zetten jullie AI nog vaker in vandaag de dag? Wat zijn dan de eerste drie dingen die bij jou top of mind zijn als je AI inzet? Ja, uiteraard. Of je het nou AI of automatisering moet noemen. Het ligt hier een beetje bij ons in het midden. Maar eigenlijk wat wij voornamelijk doen is, waar wij heel erg in geloven is, AI kan best wel snel met de data kan niet annusileren. En dus uiteindelijk wat wij proberen te doen, is wij proberen door middel van scripts de data uit de Google Ads accounts te trekken. Of met APIs. Waarbij een LLM dan vervolgens de analyse kan doen. En wat wij bijvoorbeeld doen is dat wij binnen ons, wij hebben voor elke klant waarvoor wij werken, hebben wij een intern Slack kanaal met onze consultants, die daarvoor verantwoordelijk zijn. Eigenlijk wat wij doen is, wij trekken gewoon elke maandagochtend, trekken we alle data uit accounts, waarbij we de thresholds die we voor die klant nodig hebben, die staan bijvoorbeeld in de guide rails van het account. En dat we precies kunnen zien, oké, deze campagnes presteren onder, en wat voor redenen presteren dan onder. En dat we dan uiteindelijk hebben ook een heel document gebouwd. Oké, wat als X gebeurt, dan heb je als consultant de optie om Z of I te doen, bij wijze van. Zo uiteindelijk proberen we op die manier de output van onze consultants altijd een minimaal basisniveau neer te kunnen zetten. Dus dat er eigenlijk altijd de basisoptimalisaties gedaan kunnen worden volgens ons systeem. En op basis daarvan kan je natuurlijk weer verder uitwijken. Maar we gebruiken dus AI in dit geval voornamelijk voor data-analyse. Dus om echt de gaten te ontdekken en te zien waar zien we bepaalde zaken. Wij proberen AI in te zetten om te voorspellen. Dus dat we ook kunnen zien, daar denk ik dat marketingbureaus en marketingteams eigenlijk het verschil moeten gaan maken in de toekomst. Dus dat je eigenlijk je bedrijfsdata naast je campagne-data gaat leggen. Dus je kan heel makkelijk wel zeggen of zien, deze campagne heeft te lage ROAS. Maar waar komt het dan door? En wat betekent dit? Ligt hier een bedrijfseigenaar wakker van? Ik denk dat het heel belangrijk uiteindelijk wordt om te kijken. In het magazijn zie ik nog 20 pallets staan van product X. Waar komt dat door? Waarom verkoopt dat niet? Moeten we daar iets met de campagnes mee gaan doen? En wij proberen uiteindelijk data vanuit de klant te trekken, om te zien, oké, we weten dat je nog 20 producten van x voorraad hebt. Nou, je verkoopt er drie in de week, dus we weten ook dat je binnen een x aantal weken uitverkocht bent. Op het moment dat je bijna uitverkocht bent, dan willen we eigenlijk een signaal krijgen, of een automatische update in onze campagnes, dat we het budget op dat product afremmen. Want uiteindelijk zul je zien dat hij dan toch wel uitverkoopt. En dan wil je daar eigenlijk ook niet je budget op kwijt raken. en dat we dan ook een seintje richting onze klant kunnen geven van hey, denk erom, je product die raakt bijna uit voorraad, het is een van je bestsellers, misschien moet je die even weer gaan bijbestellen. En ik denk dat ze je daar eigenlijk veel meer in moet gaan zien, niet echt campagne specifiek, maar meer die link moeten leggen met bedrijfsdoelen en back-end systemen vanuit de organisatie zelf. Dus dat is eigenlijk hoe wij proberen. Steeds meer indicatoren wil je eigenlijk meegeven aan het model, die dan een beslissing maakt om wel niet adverteren hoger, lager. Ja, dus uiteindelijk, ik denk, daar zijn we twee jaar geleden mee begonnen, want iedereen kent in dit geval, denk ik, de Product Hero verdeling wel, dus met de Hero, Summies en dat soort zaken. En uiteindelijk, wat wij destijds probeerden was, kunnen daar nog slimmere bedrijfsfactoren aanhangen om die campagnes mee aan te sturen? Denk bijvoorbeeld aan retourpercentage, vinden we gewoon heel belangrijk in sommige branches. Wij vinden productomloop snelle leid, vinden we belangrijk. Product life cycle, bijvoorbeeld hoe nieuw is een product. Als je bijvoorbeeld sportschoenen verkoopt, dan weet je van, nou elke sportschoen komt elke jaar een nieuwe variant vanuit. En we weten dat in maand drie van die nieuwe cyclus bijvoorbeeld, dat die op z'n top zit. Nou dan weet je ook dat het eind van dat jaar, dat de trek daarin minder wordt. Ja, moet je dan juist campagnes weer harder of zachter gaan zetten. Eigenlijk met dat soort indicatoren vind ik dat je daarmee eigenlijk je shoppingcapacities moet gaan aanstuwen. Of dan shopping of searches maakt het niet uit. Maar dat je eigenlijk met die first party data je capacities hebt op gaan verrijken. En dat je niet alleen plat kijkt van wat er nou qua ROAS of qua POAS nou gebeurt in jouw platform. Ja, dat zijn eigenlijk de nuances die dan wellicht bij inkopers of degene die echt de trends weten binnen zo'n organisatie. Die data zou je uit de hoofden willen hebben. Maar dan ook echt in het. Ik noem het even in het algoritme. Maar jij trekt hem dan zelf door. Dat hij in dat advertentiemodel zou moeten. Zodat je daar nog meer access op kan nemen. Ik zeg dat. Dat kan je natuurlijk enerzins automatiseren. In het geval van die sportschoenen. Is het makkelijk als je weet dat er elk jaar een nieuwe variant vanuit komt. Dus dan weet je oké. In augustus komt er een nieuwe lijn uit. Dus dan willen wij 80% van het budget in augustus erop zetten. We weten dat het richting oktober. dat de track heel hoog is. Dus dan zitten we 100 of 110 procent. En vanuit daar bouwen we het budget af. Of juist op als we willen liquideren. En daar kan je een soort van scoringmodel op gaan maken. Waardoor je uiteindelijk daar je shoppingstructuur op kan gaan bouwen. Dit soort kennis om dat vast te leggen in zo'n proces. Hoe gebeurt dat? Is dat dan de adverteerder, degene die dan jou inhuurt, die dan zegt van, wij zien een bepaalde trend in de organisatie en dat is dit? Of vraag jij dat dan uit? Want hoe zorg je ervoor dat die data ook meegenomen wordt? Want ik hoor niet vaak dat dit meegenomen wordt. Kan beide kanten op gaan. Al vind ik dat wel de verantwoordelijkheid ook voor ons als marketingbureau zijn. Dus dat we niet alleen kijken naar platte verkoop wat er gebeurt. Gelukkig zie je nu heel veel marketingbureaus in ieder geval de schrift maken richting poas, dus het is meer dat er ook rekening gehouden worden met de marges. Alleen ja, je wil gewoon weten wat er ook achter die schermen gebeurt. Je wil gewoon weten van oké, hoeveel pallets van een bepaald product heb je nog staan? Hoe vaak komt een bepaald product retour? En als je dat niet meeneemt en als je dat niet uitvraagt, ja dan kan je wel leuke campagnes optimaliseren. Maar als ze onderaan een streep, ja als die product in het magazijn beginnen te verstoffen, ja dat kost geld. Dus ja, ik vind wel dat de noodzaak van het marketing team of van van de marketing agency die ingehuurd wordt. Waar zitten de grootste gevaren? Dat kan je heel makkelijk natuurlijk ook wel weer doen met AI, waar je die gevaren in kan herkennen. Zoals wij dat bijvoorbeeld ook in onze agency doen, met onze financiële processen. Maar ik vind dat dat gewoon wel de verantwoordelijkheid is. De inkoper of de bedrijfseigenaren, die denken er misschien niet over na, maar ik denk dat als marketingafdeling zijn, dat je daar wel gewoon echt die link in moet gaan zoeken. En dat dat wel echt de vraag moet zijn die je stelt. Omdat je anders alleen maar eigenlijk op je eigen eilandje blijft opereren. En dan kan je gewoon aan een van de maat zeggen, ja, mooi omzet gedraaid, mooie ROAS, mooie POAS. Maar ja, als er uiteindelijk, wat ik eerder zei, als er veel retour komen of andere producten blijven liggen, dan heb je onder andere streep, heeft de bedrijfseigenaar er ook niks aan. Of minder aan.

Spreker: Ruben Runneboom, Taskforce

Meer over AI & Marketing