Campaign Experiments: A/B Testen van Biedstrategieën en Instellingen in 2026

Wie in Google Ads een biedstrategie wil wisselen, een nieuwe doelgroepinstelling wil testen of wil weten of broad match beter presteert dan exact match, staat voor een lastig dilemma: veranderingen doorvoeren betekent risico nemen, maar niets veranderen betekent stagneren. Campaign Experiments bieden de oplossing. Met dit ingebouwde A/B-testmechanisme van Google Ads splits je campagneverkeer gecontroleerd en meet je met wetenschappelijke nauwkeurigheid welke variant het best presteert, zonder je lopende resultaten op het spel te zetten. In 2026 is dit instrument onmisbaar geworden voor serieuze adverteerders die datagedreven willen optimaliseren.

Wat zijn Campaign Experiments precies?

Campaign Experiments zijn een native A/B-testfunctie binnen Google Ads waarmee je een bestaande campagne (de "controle") kunt splitsen met een experimentele variant. Je bepaalt welk percentage van het budget en het verkeer naar de experimentele campagne gaat, bijvoorbeeld 50/50, en Google verdeelt dit verkeer op cookie-niveau zodat gebruikers consistent dezelfde variant zien. Beide varianten draaien tegelijkertijd, in dezelfde veiling, met dezelfde budgetomgeving. Dat maakt het een zuiver vergelijkend experiment.

De kracht van Campaign Experiments zit in de controle. Waar je bij een normale campagnewijziging nooit zeker weet of een resultaatsverbetering te danken is aan de wijziging zelf of aan externe factoren zoals seizoensinvloeden, een marketingpiek of een algoritmewijziging van Google, elimineert een experiment dit ruis-probleem. Controle en variant draaien namelijk parallel, in exact dezelfde marktomstandigheden.

Binnen een experiment kun je een brede range aan variabelen testen. Denk aan:

• Biedstrategie-switchen, zoals handmatig CPC versus Target CPA of Target ROAS
• Keyword match types, zoals broad match versus exact match of phrase match
• Advertentierotatie-instellingen en Ad Strength-optimalisaties
• Landingspagina-varianten gekoppeld aan dezelfde advertentie
• Doelgroepinstellingen, zoals het toevoegen van RLSA-audiences in observatie- versus targetingmodus
• Campagneinstellingen zoals zoekpartners aan of uit
• Budgetverdeling en campagnestructuur

Na afloop van een experiment geeft Google Ads een statistisch significantieniveau aan. Als de variant statistisch significant beter presteert, kun je met één klik de winnende variant "promoten" tot volledige campagne. Zo verklein je het risico van iedere optimalisatiestap drastisch.

Wanneer zet je Campaign Experiments in?

Campaign Experiment workflow: van hypothese tot resultaat

Doorstroom per fase bij een typische biedstrategie-test

Hypothese gedefinieerd

Startpunt: welke variabele test je?

Experiment live (split verkeer)

Verkeer correct verdeeld over controle en variant

Statistisch significant resultaat

Niet elk experiment levert direct een winnaar op

Winnaar geïmplementeerd

Positieve variant overgenomen in productiecampagne

38% bereikt implementatie van een bewezen winnaar

Niet elke optimalisatievraag is geschikt voor een experiment. Campaign Experiments zijn het meest waardevol wanneer de beslissing hoge impact heeft en de uitkomst onzeker is. De meest voorkomende toepassingen in 2026 zijn biedstrategie-transities en match type-tests.

Een biedstrategie-transitie is typisch een moment van hoog risico. Stel: een campagne draait al maanden op handmatig CPC met een stabiele CPA. De overstap naar Target CPA klinkt logisch, maar Smart Bidding heeft een leerperiode nodig en de eerste twee tot vier weken kunnen wisselvallig zijn. Met een experiment stel je de overstap voor 50% van het verkeer in, zodat je de controlegroep intact houdt. Als Target CPA na vier tot zes weken aantoonbaar beter presteert, promoot je de variant. Zo is de transitie onderbouwd in plaats van een sprong in het diepe.

Bij ToetsJeKennis.nl, een online platform voor examens en cursussen met een gemiddelde orderwaarde van €50, is de overgang van handmatige CPC naar Target ROAS een klassieke experimentvraag. De marge per verkoop is relatief smal, waardoor een onstuimige leerperiode direct voelbaar is in de winstgevendheid. Een gecontroleerd experiment beschermt de baseline terwijl de nieuwe strategie wordt getest.

Voor leadgen-campagnes, zoals bij Clima-Active.nl dat offerteaanvragen genereert voor airco en warmtepomp installaties, is de overstap van Target CPA naar een lagere tCPA-target een veelgebruikt experiment. Met een experiment test je of het algoritme in staat is dezelfde kwaliteitsleads te leveren bij een scherper target, voordat je de hele campagne aanpast.

Hoe stel je een Campaign Experiment correct in?

Een goed experiment begint bij een scherpe hypothese. Zonder hypothese weet je niet wat je meet en kun je de uitkomst niet correct interpreteren. Een goede hypothese heeft de vorm: "Als ik [variabele X] verander naar [waarde Y], verwacht ik dat [KPI Z] verbetert, omdat [reden]."

Vervolgens doorloop je de volgende stappen in Google Ads:

1. Ga in Google Ads naar het campagneoverzicht en selecteer de campagne die je wilt testen.
2. Klik op "Experimenten" in het linkermenu en maak een nieuw experiment aan op basis van de geselecteerde campagne.
3. Bepaal de verkeerssplit, doorgaans 50/50 voor optimale statistische power, maar bij grote budgetten kan 80/20 voldoende zijn.
4. Stel de gewenste wijziging in op de experimentvariant. Houd de controlevariant volledig ongewijzigd.
5. Bepaal de looptijd van het experiment. Plan minimaal vier weken in om voldoende data te verzamelen; bij lagere volumes zes tot acht weken.
6. Definieer vooraf je primaire succesmetriek (conversies, CPA, ROAS, CPL) en zorg dat conversion tracking correct is ingericht.
7. Monitor wekelijks maar grijp niet prematuur in. Vroeg stoppen vergroot de kans op een fout-positief resultaat.

Een veelgemaakte fout is het te vroeg stoppen van een experiment zodra de variant "in de lead lijkt te gaan". Statistische significantie vereist voldoende observaties. Google Ads geeft een significantieindicator, maar die is betrouwbaarder naarmate de looptijd langer is en het datavolume hoger.

Gemiddelde verbetering na implementatie winnende experiment-variant

Benchmarks over e-commerce en leadgen campagnes in 2026

Conversieratio (CVR)

28%

Cost per conversion (CPA)

22%

ROAS

31%

Click-through rate (CTR)

18%

Quality Score

14%

Een tweede veelgemaakte fout is het tegelijkertijd testen van meerdere variabelen. Als je in de experimentvariant zowel de biedstrategie als de match types wijzigt, weet je na afloop niet welke variabele verantwoordelijk was voor het resultaat. Eén variabele per experiment is de gouden regel voor valide A/B-testing in Google Ads.

Biedstrategie-experimenten: de meest impactvolle test

Van alle experiment-typen leveren biedstrategie-tests gemiddeld de hoogste impact op campagneresultaten. De keuze voor de juiste biedstrategie bepaalt immers hoe Google Ads omgaat met iedere individuele veiling, en dat heeft direct effect op CPA, ROAS en conversieratio.

De meest relevante biedstrategie-experimenten in 2026 zijn:

• Handmatig CPC versus Target CPA: meet of Smart Bidding bij voldoende conversiehistorie een lagere cost per lead oplevert
• Target CPA versus Target ROAS: test welke sturing beter aansluit bij de margedoelstellingen van de klant
• Target ROAS versus Maximize Conversion Value: vergelijk een vaste ROAS-target met een ongebonden waarde-optimalisatie
• Broad match versus exact match onder Smart Bidding: test of het bereikvoordeel van broad match opweegt tegen de precisie van exact match
• Lagere tCPA-target versus huidige target: test of het algoritme meer volume kan realiseren bij een iets hogere target, of scherper kan snijden bij een lager target

Bij E-4motion.com, de webshop voor nieuwe elektrische vouwfietsen, is het experiment met broad match onder Target ROAS een uitstekend voorbeeld. Elektrische fietsen kennen een brede zoekvraag: consumenten zoeken op modelnaam, op gebruik (woon-werk, stad) of op specificaties (opvouwbaar, lichtgewicht). Broad match onder Smart Bidding kan dit brede zoeklandschap beter afdekken, maar het risico op irrelevante vertoningen is reëel. Een experiment geeft uitsluitsel: genereert de broad match-variant meer omzet bij een acceptabele ROAS, of gaat de specificiteit van exact match aan de haal?

Overzicht: experiment-typen en wanneer ze te gebruiken

Deze tabel dient als referentie bij het plannen van je experimentkalender. Prioriteer experimenten op basis van verwachte impact en de mate van onzekerheid: de combinaties met het hoogste risico en de grootste potentiële verbetering verdienen de eerste prioriteit.

Hoe AdBrains Campaign Experiments automatiseert met AI

Handmatig testen vs. AI-gestuurde Campaign Experiments

Wat verandert er als AdBrains de experimenten beheert?

Handmatig beheer

• Experiment opzetten kost 2-4 uur per campagne
• Geen automatische detectie van statistisch significant resultaat
• Winnaar handmatig toepassen na weken wachten
• Risico op verkeerd lezen van data door kleine samples
• Één experiment tegelijk per campagne
• Geen koppeling met tCPA/tROAS-doelen per klant

AdBrains AIAanbevolen

• Experiment-setup in minuten via geautomatiseerde workflow
• Dagelijkse significantiecheck per experiment
• Automatische promotie van winnende variant
• Multi-agent verificatie voorkomt foutieve conclusies
• Parallelle experimenten over meerdere campagnes
• Experiment-doelen direct gekoppeld aan klant-specifieke targets

Campaign Experiments zijn krachtig, maar handmatig beheer ervan is tijdrovend, foutgevoelig en leidt regelmatig tot verkeerde conclusies. Te vroeg stoppen, onvoldoende datavolume, meerdere variabelen tegelijk wijzigen of de winnende variant vergeten te promoten: het zijn bekende valkuilen die de waarde van experimenten ondermijnen. AdBrains heeft zijn AI-platform specifiek ontworpen om deze valkuilen structureel te elimineren.

De AI van AdBrains beheert de volledige experimentlevenscyclus, van hypothesevorming tot implementatie. Op basis van de campagnedata van een klant detecteert onze AI automatisch welke biedstrategie-transities of match type-wijzigingen de grootste groeipotentie hebben. Dit doet het systeem door patronen te herkennen in conversiedata, Quality Score-ontwikkeling, search term mining en tCPA/tROAS-performancetrends per klant. De hypothese is dus niet willekeurig, maar datagedreven.

Vervolgens bewaken vier onafhankelijke AI-agents elke experimentsessie continu. Deze multi-agent verificatiestructuur controleert dagelijks of de verkeerssplit correct functioneert, of conversion tracking geen afwijkingen vertoont, of externe marktfactoren het resultaat vertekenen en of het significantieniveau betrouwbaar is. Pas als alle vier agents groen licht geven, wordt een beslissing genomen, zodat fout-positieve conclusies structureel worden voorkomen.

Bij campagnes voor Clima-Active.nl bewaakt de AI bijvoorbeeld wekelijks de CPL-ontwikkeling in zowel de controle- als de experimentvariant. Zodra statistisch significant verschil wordt gedetecteerd dat aansluit bij de vooraf gedefinieerde tCPA-target van de klant, activeert het systeem een aanbeveling voor promotie. Een menselijke strateeg beoordeelt en bevestigt, waarna de winnende variant automatisch wordt doorgezet. Het resultaat is een experimentproces dat sneller, betrouwbaarder en volledig transparant is.

Bovendien draait AdBrains parallelle experimenten over meerdere campagnes tegelijkertijd, iets wat handmatig vrijwel onhaalbaar is. Terwijl bij ToetsJeKennis.nl een Target ROAS-experiment loopt, kan bij E-4motion.com tegelijkertijd een broad match-test draaien. Alle uitkomsten worden gecentraliseerd gelogd en gebruikt om toekomstige hypotheses te informeren. Zo wordt iedere afgeronde test onderdeel van een groeiend kennismodel per klant, in plaats van een losstaand éénmalig experiment.

De koppeling met de automatische tCPA/tROAS-optimalisatiemodule zorgt er bovendien voor dat, zodra een winnende biedstrategie is geïmplementeerd, de bijbehorende targets direct worden afgestemd op de actuele margedoelen van de klant. Zo wordt experimenteren niet alleen een testinstrument, maar een directe motor voor structurele prestatiegroei.

Veelgemaakte fouten bij Campaign Experiments en hoe je ze vermijdt

Ondanks de kracht van Campaign Experiments zien we in de praktijk een aantal terugkerende fouten die de validiteit van de testresultaten ondermijnen. Het is belangrijk deze te kennen voordat je begint.

• Te vroeg stoppen: Zodra een variant licht beter lijkt te presteren, is de verleiding groot om te stoppen. Maar vroeg stoppen vergroot de kans op een vals positief resultaat. Wacht altijd op statistisch significante uitkomst en een minimale looptijd van vier weken.
• Meerdere variabelen testen: Pas één variabele per experiment aan. Twee wijzigingen tegelijk maakt het onmogelijk te bepalen wat het verschil veroorzaakte.
• Verkeerde primaire metriek: Kies de metriek die aansluit bij je campagnedoel. Bij leadgen is dat CPL of conversieratio, bij e-commerce ROAS of CPA, niet CTR.
• Seizoenseffecten negeren: Plan geen experimenten rondom grote seizoenspieken zoals Black Friday of feestdagen. De resultaten zijn dan niet representatief voor de normale campagneperiode.
• Conversion tracking niet controleren: Zorg dat conversion tracking in beide varianten identiek en correct werkt. Zelfs een kleine afwijking vertekent de uitkomst volledig.

Door deze fouten structureel te vermijden, worden Campaign Experiments een betrouwbaar instrument voor continue verbetering. Juist de combinatie van discipline in testopzet en AI-gestuurde monitoring maakt het verschil tussen een experiment dat inzicht oplevert en een experiment dat meer vragen opwerpt dan het beantwoordt.

Campaign Experiments als onderdeel van een bredere optimalisatiestrategie

Campaign Experiments zijn geen op zichzelf staand instrument. Ze zijn het meest effectief als onderdeel van een bredere optimalisatiecyclus. Na het afronden van een biedstrategie-experiment is de volgende stap het verfijnen van de biedtargets, wat vervolgens aanleiding kan geven voor een nieuw experiment. Zo ontstaat een continue verbeterlus die campagnes stap voor stap sterker maakt.

Voor adverteerders die zowel e-commerce als leadgen-campagnes beheren, biedt een geplande experimentkalender structuur. Kwartaal één focust op biedstrategie-experimenten, kwartaal twee op match type-tests, kwartaal drie op landingspagina-experimenten en kwartaal vier op doelgroepinstellingen. Deze rotatie zorgt voor continue leereffecten zonder dat experimenten elkaar beïnvloeden.

Interne links naar werkwijze en onze aanpak laten zien hoe AdBrains deze experimentkalender integreert in de volledige campagnestructuur per klant. Wie meer wil weten over de prijzen en het tarief van AI-gedreven campagnebeheer, inclusief geautomatiseerde experimenten, vindt alle informatie in het overzicht van onze investering-pakketten.

Veelgestelde vragen over Campaign Experiments

Hoeveel budget heb ik nodig om een Campaign Experiment betrouwbaar uit te voeren?

Er is geen vaste budgetdrempel, maar de vuistregel is dat je experiment voldoende conversies moet genereren om statistisch significante uitkomsten te meten. Als vuistregel: streef naar minimaal 100 conversies per variant over de looptijd van het experiment. Bij een campagne die 50 conversies per maand genereert en een 50/50 split, betekent dat elke variant 25 conversies per maand haalt. Je hebt dan vier maanden nodig voor betrouwbare data. Bij hogere volumes gaat dit sneller. Campagnes met minder dan 20 conversies per maand zijn in de meeste gevallen minder geschikt voor een biedstrategie-experiment; focus daar eerst op het verhogen van het conversiebelume.

Kan ik een Campaign Experiment vroegtijdig stoppen als de variant duidelijk slechter presteert?

Ja, als de variant aantoonbaar significant slechter presteert en je campagneprestaties materiele schade oploopt, is vroegtijdig stoppen een verdedigbare keuze. Maar wees voorzichtig: de eerste één tot twee weken van een Smart Bidding-experiment zijn altijd volatiel door de leerperiode van het algoritme. Wat er in week één als "slechter" uitziet, kan in week drie al zijn omgedraaid. Stel een minimale observatietermijn van twee weken in voordat je een definitieve beslissing neemt over voortijdig beëindigen.

Wat is het verschil tussen een Campaign Experiment en een gewone campagnewijziging?

Een gewone campagnewijziging pas je direct toe op de volledige campagne. Je hebt dan geen controlegroep: je weet achteraf niet of de verandering in resultaat te danken was aan de wijziging of aan externe factoren. Een Campaign Experiment splitst het verkeer zodat controle en variant tegelijkertijd en onder identieke omstandigheden draaien. Dat maakt het resultaat causaal interpreteerbaar in plaats van correlatief. Bij hoge-impact-beslissingen, zoals een biedstrategie-switch, is een experiment vrijwel altijd superieur aan een directe wijziging.

Werken Campaign Experiments ook voor Performance Max campagnes?

Google Ads ondersteunt een specifieke experimentvorm voor Performance Max campagnes, namelijk de vergelijking van een PMax-campagne versus een standaard Shopping-campagne of Search-campagne. Zo kun je meten of de toevoeging van Performance Max meerwaarde levert ten opzichte van je bestaande campagnestructuur. Klassieke A/B-experimenten binnen een PMax-campagne, zoals het testen van afzonderlijke asset groups, zijn op dit moment beperkt beschikbaar. De meest voorkomende en betrouwbare PMax-experimenten zijn dan ook campagnevergelijkingen op kanaaltype-niveau.

Hoe interpreteert AdBrains de uitkomst van een experiment als het resultaat niet statistisch significant is?

Een niet-significant resultaat is ook informatief: het betekent dat de twee varianten elkaar statistisch niet ontlopen. In dat geval is de standaardaanbeveling om bij de bestaande instelling te blijven, tenzij andere overwegingen (zoals operationele vereenvoudiging of toekomstbestendigheid) de voorkeur geven aan de nieuwe variant. AdBrains logt alle niet-significante uitkomsten en gebruikt deze data om toekomstige hypotheses bij te sturen. Zo leert het systeem wat wel en niet werkt per klant, per branche en per campagnetype, wat de kwaliteit van toekomstige experimenten continu verbetert.