Drafts en experiments: veilige testomgeving voor live campagnes in 2026

Elke optimalisatie in een live campagne is een gok. Je past iets aan, en je weet pas achteraf of de verandering positief of negatief uitpakt. Voor kleinere adverteerders kost zo'n gok weinig, maar zodra je campagnes serieus budget draaien, is het risico van ongefundeerde wijzigingen aanzienlijk. Dat is precies de reden waarom Google Ads de functionaliteit Drafts en Experiments heeft gebouwd: een volledig geïntegreerde testomgeving waarmee je campagnewijzigingen veilig kunt valideren voordat ze live gaan. In dit artikel leggen we uit wat Drafts en Experiments zijn, hoe je ze inzet voor maximale campagne-impact, en hoe AdBrains onze eigen AI-technologie gebruikt om dit testproces te automatiseren en te versnellen.

Wat zijn Drafts en Experiments in Google Ads?

Handmatig testen vs. Drafts & Experiments

Wat verandert er als je tests gestructureerd uitvoert?

Handmatig testen

• Directe wijzigingen in live campagne
• Geen controlegroep mogelijk
• Resultaten moeilijk toe te schrijven
• Risico op budget- en kwaliteitsverlies
• Subjectieve interpretatie van data
• Geen automatisch stopmechanisme

Drafts & ExperimentsAanbevolen

• Wijzigingen getest in isolatie
• 50/50 of gewogen traffic split
• Statistisch significante resultaten
• Live campagne blijft ongewijzigd
• Objectieve data-gedreven conclusie
• Automatisch toepassen bij succes

Een Draft is een conceptversie van een bestaande campagne. Je maakt als het ware een kopie van je live campagne, brengt daarin wijzigingen aan, en beslist vervolgens of je die wijzigingen direct wilt toepassen op de live campagne, of eerst wilt testen via een experiment. Een Draft verandert zelf niets aan de live campagne; hij is puur een bewerkingsruimte zonder consequenties.

Een Experiment is de volgende stap: je activeert de Draft als een parallel lopende campagne die een deel van het verkeer krijgt toegewezen. Dat traffic wordt verdeeld via een zogenaamde traffic split, waarbij je zelf bepaalt welk percentage van de bezoekers de experimentvariant te zien krijgt en welk percentage de originele campagne blijft ontvangen. De meest gebruikte verdeling is 50/50, maar ook 70/30 of 80/20 zijn mogelijk, afhankelijk van hoe voorzichtig je wilt zijn met het beschermen van je bestaande prestaties.

Het grote voordeel van deze aanpak is de zuiverheid van de testomgeving. Omdat de traffic split op cookie-niveau plaatsvindt, ziet elke gebruiker consistent dezelfde variant gedurende zijn gehele sessie en eventuele retargetingperiode. Hierdoor worden de resultaten niet vertekend door dezelfde gebruiker die soms de ene en soms de andere variant ziet. Dit maakt de uitkomsten statistisch betrouwbaarder dan wanneer je simpelweg een week met instelling A en daarna een week met instelling B zou draaien.

Welke elementen kun je testen via een experiment?

Meest geteste variabelen via Google Ads Experiments

Aandeel adverteerders dat dit element test via experiments (branche-benchmark 2026)

Smart Bidding-strategie

71%

Advertentieteksten (RSA)

64%

Landingspagina-URL

52%

Zoekwoordmatch-type

43%

Doelgroeptargeting

38%

Budget-verdeling

27%

Google Ads Experiments zijn inzetbaar voor een breed scala aan campagne-elementen. De meest waardevolle toepassingen in de praktijk zijn de volgende:

• Smart Bidding-strategie: Wil je van Target CPA naar Target ROAS, of van handmatig CPC naar een geautomatiseerde Smart Bidding-strategie? Test het eerst via een experiment voordat je de switch volledig doorvoert.
• Advertentieteksten (RSA): Twee sets Responsive Search Ads naast elkaar testen, met verschillende koppen of beschrijvingen, om te zien welke de hoogste CTR en conversieratio oplevert.
• Landingspagina-URL: Test of een specifieke productpagina, een categoriepagina of een speciale landingspagina beter converteert voor dezelfde zoekwoorden.
• Zoekwoordmatch-type: Vergelijk de prestaties van broad match versus phrase match of exact match voor dezelfde zoekwoorden, inclusief het effect op zoekvolume, CPC en conversiekwaliteit.
• Doelgroeptargeting: Voeg een RLSA-doelgroep toe aan de experimentvariant en meet of biedingsaanpassingen op basis van eerdere sitebezoeken de ROAS verbeteren.
• Campagnestructuur: Test een andere ad group-indeling, bijvoor beeld meer gespecialiseerde ad groups per thema versus bredere, gecombineerde ad groups.

Voor elke te testen variabele geldt hetzelfde principe: de live campagne loopt ongestoord door, terwijl de experimentversie naast haar draait op een gedeeld of afgesplitst budget. Zodra het experiment statistisch significante data heeft verzameld, kun je eenvoudig beslissen: de winnende variant toepassen op de live campagne, of het experiment stoppen en de huidige instellingen behouden.

Wanneer en voor wie zijn experiments het meest waardevol?

Experiments zijn bijzonder krachtig in situaties waarin de inzet hoog is en de onzekerheid groot. Denk aan campagnes met een significant dagbudget, waarbij een verkeerde beslissing direct voelbaar is in de cost per lead of de ROAS. Maar ook bij het introduceren van nieuwe Google Ads-functionaliteiten, zoals een overgang naar een Performance Max-campagne naast een bestaande Search-campagne, biedt een experiment de zekerheid die je nodig hebt om verantwoord te schalen.

Voor e-commerce adverteerders zoals ToetsJeKennis.nl is het testen van Smart Bidding-strategieën via experiments een waardevolle aanpak. Stel dat de campagne momenteel op Target CPA draait met een stabiele conversieprijs, maar de vraag is of Target ROAS niet beter aansluit bij de productmix met verschillende marges. Via een experiment kan die vraag worden beantwoord zonder dat de huidige stabiele prestaties in gevaar worden gebracht. Voor HACCP-cursus.com, dat online voedselveiligheidscursussen aanbiedt, kan een experiment uitwijzen of een meer specifieke landingspagina per cursustype de conversieratio significant verbetert ten opzichte van de generieke cursuspagina.

Bij leadgeneratie-campagnes, zoals die van Clima-Active.nl voor airco- en warmtepomp-installaties, zijn experiments waardevol om de juiste bidding-strategie te vinden voor het genereren van kwalitatieve offerteaanvragen. De CPL is hier vaak hoger en de marges per installatie aanzienlijk, waardoor zelfs een kleine verbetering in de conversion rate een grote impact heeft op de winstgevendheid. Een experiment waarbij de variant werkt met een lagere Target CPA in combinatie met uitgebreidere negatieve keywords, kan precies de data leveren die nodig is om zo'n strategische beslissing te onderbouwen.

Hoe stel je een experiment correct in?

Het correct inrichten van een experiment vraagt om een gestructureerde aanpak. Onderstaande stappen helpen je een betrouwbaar experiment op te zetten:

1. Definieer één testvar iabele: Test nooit meerdere elementen tegelijk in één experiment. Als je zowel de biedstrategie als de advertentieteksten verandert, weet je achteraf niet welke verandering het resultaat heeft bepaald.
2. Kies een representatieve looptijd: Een experiment heeft minimaal twee tot vier weken nodig om voldoende data te verzamelen, afhankelijk van het conversievolume van de campagne. Kortere tests leveren statistisch onbetrouwbare resultaten.
3. Stel een relevante primaire metric in: Bepaal van tevoren aan welke KPI je de winnaar afmeet: CPA, ROAS, CTR of conversieratio. Wissel dit criterium niet tussentijds van gedachten.
4. Gebruik een eerlijke traffic split: Een 50/50-split is het meest eerlijk en levert de snelste statistische significantie. Als je het risico voor de live campagne wilt beperken, kies dan voor 70% origineel en 30% experimentvariant, maar houd er rekening mee dat de test dan langer duurt.
5. Zorg voor nauwkeurige conversion tracking: Experiments zijn alleen betrouwbaar als je conversion tracking op orde is. Gebruik Enhanced Conversions en overweeg server-side tracking om zo volledig mogelijk alle conversies te meten.
6. Documenteer je hypothese vooraf: Noteer waarom je verwacht dat de variant beter presteert. Dit dwingt je tot nadenken en helpt je achteraf te leren van de uitkomst, ongeacht het resultaat.

De AdBrains AI-aanpak: experiments automatisch beheren en interpreteren

Experiment-doorstroom: van Draft naar productie

Typische doorstroom in een Google Ads experiment-cyclus (percent-mode)

Draft aangemaakt

Startpunt: kopie van live campagne

Experiment geactiveerd

Na interne review en goedkeuring

Statistisch significant

Voldoende data voor betrouwbare conclusie

Toegepast in productie

Winnende variant gepromoveerd naar live

34% van alle drafts leidt tot een structurele campagneverbetering

Bij AdBrains beheren we Google Ads campagnes niet handmatig, maar via onze eigen AI-technologie die dagelijks tientallen optimalisatiebeslissingen neemt en uitvoert. Experiments zijn daarin geen uitzondering. Onze AI integreert het testen via Drafts en Experiments als een structureel onderdeel van de campagne-levenscyclus, en dat levert aantoonbaar betere en snellere resultaten op dan ad-hoc testen door een menselijke campagnemanager.

Het begint met ons multi-agent verificatiesysteem. Elke optimalisatiebeslissing, inclusief de vraag of een experiment moet worden gestart, wordt beoordeeld door vier onafhankelijke AI-agents voordat er iets wordt uitgevoerd. Dit voorkomt dat experimenten worden opgezet op basis van onvoldoende data of een verkeerde hypothese. De agents controleren of het conversievolume hoog genoeg is voor een statistisch betrouwbaar experiment, of de testduur realistisch is, en of de testvar iabele inderdaad geïsoleerd is van andere campagnewijzigingen.

Onze automatische tCPA/tROAS-optimalisatie maakt actief gebruik van experiments om biedstrategie-switches veilig te valideren. Wanneer onze AI detecteert dat een campagne klaar is om te schalen van Target CPA naar Target ROAS, wordt niet direct de productiecampagne aangepast. In plaats daarvan wordt automatisch een Draft aangemaakt, een experiment geactiveerd met een vooraf bepaalde traffic split, en worden de resultaten dagelijks gemonitord. Zodra de statistische significantie is bereikt én de experimentvariant de gestelde prestatienormen haalt, past onze AI de winning variant automatisch toe op de live campagne. Zo worden grote strategische switches niet op gevoel maar op data uitgevoerd.

Voor de Keyword Incubator geldt een vergelijkbare logica. Nieuwe zoekwoorden worden eerst veilig getest in een aparte incubatorcampagne voordat ze worden gepromoveerd naar de productiecampagne. Dit is in essentie een keyword-level experiment: presteren de nieuwe zoekwoorden voldoende qua CPA of ROAS, dan worden ze automatisch overgeheveld. Presteert een zoekwoord niet, dan wordt het gepauseerd of als negatief keyword toegevoegd. Dit verkleint het risico van nieuwe zoekwoordintroducties aanzienlijk.

Ook voor RSA-verbetering werkt onze AI met een geautomatiseerd testproces. De AI analyseert continu de Ad Strength-scores van alle actieve Responsive Search Ads. Advertenties met een POOR-status worden automatisch herschreven en de nieuwe variant wordt, indien de campagnestructuur het toelaat, als experiment ingezet naast de bestaande advertentie. De variant die de hoogste CTR en conversieratio combineert, wint en vervangt de onderpresterende advertentie.

Voor klanten als E-4motion.com, de webshop voor nieuwe elektrische vouwfietsen, en LeroyBrouwer.nl betekent dit dat campagne-experimenten niet afhankelijk zijn van de beschikbaarheid en expertise van een menselijke campagnemanager. De AI draait continu, identificeert testmogelijkheden, voert ze gestructureerd uit, interpreteert de resultaten en past ze toe of verwerpt ze. Dit leidt tot een snellere iteratiecyclus en dus tot snellere campagneverbetering, zonder de risicos van ongefundeerde live-wijzigingen.

Veelgemaakte fouten bij het gebruik van Experiments

Ondanks de kracht van deze tool zien we in de praktijk regelmatig dezelfde fouten die de waarde van experiments ondermijnen. De meest voorkomende zijn:

• Te korte looptijd: Een experiment van vijf dagen levert zelden statistisch significante resultaten, zeker bij campagnes met een bescheiden conversievolume. Geduld is hier een vereiste.
• Meerdere variabelen tegelijk testen: Als je zowel de biedstrategie als de landingspagina wijzigt in de experimentvariant, is het onmogelijk om te bepalen welk element het verschil heeft gemaakt.
• Geen vooraf gedefinieerde succescriteria: Zonder vooraf bepaalde KPI's en drempelwaarden is de neiging groot om het experiment te stoppen zodra je de gewenste richting ziet, ook al is die niet statistisch onderbouwd.
• Experiments vergeten te monitoren: Een experiment dat maanden door blijft lopen na het behalen van significantie verspilt budget en vertraagt de implementatie van verbeteringen.
• Vergeten te documenteren: Zonder vastlegging van hypothese, resultaten en conclusies leer je als team niets van de test, en bestaat het risico dat dezelfde test opnieuw wordt uitgevoerd.

Overzicht: wat kun je testen met Drafts en Experiments?

De tabel hierboven geeft een realistisch overzicht van de meest voorkomende experiment-toepassingen in Google Ads Search- en Shopping-campagnes. De looptijden zijn richtlijnen; campagnes met een hoog conversievolume bereiken statistische significantie sneller, terwijl campagnes met weinig conversies langer de tijd nodig hebben.

Experiments versus Performance Max: een belangrijk verschil

Een veelgestelde vraag is of de Drafts en Experiments-functionaliteit ook werkt voor Performance Max-campagnes. Het antwoord is deels. Google heeft voor Performance Max een eigen experiment-type ingevoerd, waarbij je een nieuwe PMax-campagne kunt testen naast een bestaande Search-campagne om te meten welke benadering de beste incrementele resultaten oplevert. Dit is technisch gezien een apart experiment-type met andere regels dan de klassieke Search-campagne experiments.

Voor de meest geavanceerde tests, zoals de overgang van een volledig handmatig beheerde Search-campagne naar een volledig geautomatiseerde Performance Max-campagne, is het gebruik van het juiste experiment-type cruciaal. Een verkeerd ingesteld experiment levert geen vergelijkbare data en dus onbetrouwbare conclusies. Dit is een van de gebieden waar de expertise en automatisering van AdBrains het verschil maakt: onze AI selecteert automatisch het juiste experiment-type op basis van het campagnetype en de testdoelstelling.

Veelgestelde vragen over Drafts en Experiments

Wat is het verschil tussen een Draft en een Experiment in Google Ads?

Een Draft is een conceptversie van een bestaande campagne, bedoeld als bewerkingsruimte zonder gevolgen voor de live campagne. Je kunt een Draft op elk moment aanmaken, bewerken en verwijderen zonder dat dit invloed heeft op je lopende campagnes. Een Experiment is de activering van een Draft als een parallel lopende campagneversie, waarbij een deel van het live verkeer wordt omgeleid naar de experimentvariant. De experimentversie draait daadwerkelijk live, maar alleen voor het ingestelde percentage van het verkeer. Beide tools samen vormen de gestructureerde testinfrastructuur van Google Ads.

Hoeveel budget gebruik ik voor een experiment?

Bij een 50/50-split deelt het experiment het budget van de originele campagne. Google verdeelt het totale beschikbare budget over beide varianten op basis van de ingestelde traffic split. Dit betekent dat je geen extra budget hoeft te reserveren voor een experiment, maar wel dat elke variant gemiddeld de helft van het normale budget krijgt. Bij campagnes met een beperkt budget kan dit de looptijd verlengen die nodig is om statistische significantie te bereiken. Overweeg daarom een tijdelijke budgetverhoging tijdens het experiment, of kies voor een kortere maar meer gefocuste test met een duidelijk meetbare primaire KPI.

Kan ik de winnende variant automatisch toepassen?

Ja. Na het afronden van een experiment biedt Google Ads de optie om de winnende variant direct toe te passen op de originele campagne. Dit werkt echter alleen voor elementen die volledig zijn overgenomen in de experimentvariant. Bij complexe wijzigingen, zoals een volledige herstructurering van de ad groups, is handmatige implementatie soms alsnog nodig. AdBrains AI monitort de experimentresultaten continu en initieert het toepassen van de winnende variant zodra de statistische significantie is bereikt, waarbij altijd een extra verificatieronde plaatsvindt via ons multi-agent systeem voordat de wijziging definitief wordt doorgevoerd.

Werkt Experiments ook voor shopping- en Performance Max-campagnes?

Google Ads biedt experiment-functionaliteit voor meerdere campagnetypes, maar de mogelijkheden verschillen. Voor klassieke Search-campagnes zijn de mogelijkheden het meest uitgebreid: je kunt bijna elk element testen via een Draft-gebaseerd experiment. Voor Shopping-campagnes zijn de testmogelijkheden beperkter, maar biedstrategie-tests zijn wel mogelijk. Voor Performance Max heeft Google een eigen experiment-type geïntroduceerd waarbij je een PMax-campagne kunt testen naast een bestaande campagne om de incrementele waarde te meten. Het is belangrijk om het juiste experiment-type te kiezen per campagnetype, anders zijn de resultaten niet vergelijkbaar en dus niet bruikbaar als basis voor beslissingen.

Hoe lang moet een experiment minimaal lopen om betrouwbare resultaten te geven?

Een betrouwbaar experiment heeft minimaal twee weken nodig, en voor campagnes met een lager conversievolume is vier tot zes weken realistischer. De vuistregel in de branche is dat je minstens dertig conversies per variant nodig hebt om statistische significantie te kunnen bereiken. Google Ads geeft in de experimentinterface zelf een indicatie van de statistische betrouwbaarheid, uitgedrukt als een percentage. Pas wanneer dit percentage boven de 95% uitkomt, mag je de resultaten als statistisch significant beschouwen en een gefundeerde conclusie trekken. Stop een experiment nooit eerder op basis van een tussentijdse trend, want dit leidt tot vals-positieve conclusies.