Een complete Google Ads-strategie in één chat: hoe AI ons hielp

Afgelopen week dacht ik terug aan hoe het schrijven van een Google Ads-strategie er ook alweer uitzag, pre-AI. Een kick-off waarin notuleren het luisteren in de weg zat. Een briefing van tientallen pagina’s die je probeerde volledig te lezen, maar stiekem scande, waardoor cruciale details verloren gingen. Een hele ochtend blokken voor een zoekwoordenonderzoek. Keyword voor keyword. Zoekvolumes en CPC’s opzoeken. Daarna het rekenwerk: budgetten, volumes en prognoses. En als het plan eindelijk stond, begon het formuleren van de mail naar de klant, waarbij je over elk woord eerst 5 minuten nadacht.

AI-tools veranderen dit proces. Ze maken het werk niet alleen sneller, maar dwingen ook tot een scherpere, meer strategische aanpak. Dit is geen theoretisch verhaal. Dit is een concrete beschrijving van hoe we recent een campagnestrategie hebben ontwikkeld, met een overzicht van de technieken die we hebben toegepast.

Voor we beginnen: het kiezen van de juiste AI-omgeving

Voordat we de case induiken, is er een belangrijke voorwaarde: een professionele en veilige AI-omgeving. Voor dit proces is gebruik gemaakt van een centraal platform (in ons geval UnboundAI) waar verschillende Large Language Models (LLM’s) aan te koppelen zijn. Het belangrijke voordeel van een dergelijke omgeving is dat de data van zowel ons als onze klanten niet wordt gebruikt als trainingsmateriaal voor de modellen. Daarnaast biedt het de mogelijkheid om eigen plugins, API’s en MCP’s (zoals DataForSEO, later meer daarover) te integreren. Dit creëert een veilige en optimale AI-werkplek waar alle tools voor een use-case als deze samenkomen.

Wil je ook zo’n eigen AI-chatomgeving voor jouw organisatie? Daar helpen we je graag mee, je leest er hier meer over. Ben je daarnaast even kwijt wat zaken als LLM’s en MCP’s ook alweer zijn? Check de uitgebreide AI-ABC van mijn collega Amber voor een uitleg!

Stap 1: Context, profielen en projecten

Een AI start zonder context als je die niet meegeeft. Zonder de juiste context is de output generiek en daardoor minder bruikbaar. De eerste stap was daarom niet het opstellen van een grote prompt, maar het stapelen van nuttige context waar AI mee aan de slag kan:

• Profiel opzet: Ik heb de AI geïnstrueerd over mijn rol: SEA-specialist, werkzaam voor klant X, met informatie over deze klant. Bonustip: geef hier ook aan hoe de AI op je moet reageren. Online zijn hier goede prompts voor te vinden.
• Harde restricties: Duidelijke kaders werden meegegeven. “Focus uitsluitend op deze doelgroep” is een van de vele voorbeelden. Dit voorkomt irrelevante suggesties.
• Documenten: Vervolgens heb ik een serie documenten geüpload die de AI als kennisbasis moest gebruiken:
  • Brand books voor algemene informatie
  • Een marktanalyse met trends en data over de customer journey.

Het resultaat is een AI die niet alleen beter weet wat hij moet doen, maar ook voor wie en binnen welke grenzen.

Stap 2: Briefing analyse en strategisch sparren

Nu de basis was gelegd, was het tijd voor de specifieke opdracht. Ik uploadde de volledige campagne-briefing en de bijbehorende e-mail. De vraag was niet “maak een strategie”, maar “begrijp je wat we hier moeten doen?”. De AI moest de doelstellingen, het budget en de voorraadlijst samenvatten om te bewijzen dat de input was verwerkt.

Daarna begon het sparren. De AI werd een kritische sparringpartner. Een voorbeeld: de briefing suggereerde een budgetverdeling van 25% voor SEA. Ik daagde de AI uit: “Is 25% voor het enige directe performance-kanaal logisch als de doelstelling zowel branding als performance is?” Dit dwingt de AI om de interne logica van de briefing te toetsen.

Ook corrigeerden we de AI. Toen het een verkeerd zoekwoord voorstelde, was de feedback direct: “Dit product staat niet in de aangeleverde voorraadlijst. Verwijder dit en focus op de producten die we wel kunnen leveren.”

Stap 3 & 4: Data verzameling en verrijking

Een strategie heeft data nodig. Hier hebben we AI ingezet voor een bulk zoekwoordenonderzoek via een koppeling met de DataForSEO’s MCP.

Wat is de DataForSEO MCP? Zie het als een directe datalijn voor de AI naar actuele marktgegevens. In plaats van dat ik handmatig honderden zoekwoorden in de Google Keyword Planner moet invoeren, gaf ik de AI één opdracht: “Analyseer deze vier zoekwoordcategorieën: merk+model+kopen, merk+model, merk+kopen, en nog een apart cluster keywords. Geef me per cluster de zoekvolumes en CPC-ranges.” De AI voert dit via de API in één keer uit en presenteert de resultaten.

Categorie 1: Merk + model + zakelijke qualifier

Categorie 2: Merk + model (zonder zakelijke qualifier)

Categorie 3: Merk + zakelijke qualifier

Deze externe data is echter maar één kant van het verhaal. Ik heb deze data verrijkt met onze eigen, account-specifieke performance data.

AI: “Een Click-Through Rate (CTR) van 20% is erg optimistisch.”

Ik: “Dat klopt voor generieke zoekwoorden, maar voor deze specifieke termen is dit een realistische CTR op basis van onze historische data.”

Door de marktdata te combineren met onze historische data ontstaat een veel betrouwbaarder model.

Stap 5 en 6: Scenario’s doorrekenen en structureren

Met een verrijkte dataset konden we scenario’s modelleren. “Wat is het benodigde budget om het volledige zoekvolume te kunnen bedienen, uitgaande van de gemiddelde CPC?” en “Wat als we met het hoge einde van de CPC-range rekenen?”. De AI berekende de potentiële clicks, kosten en de mogelijke budgetverdeling.

Het resultaat van deze berekeningen werd door de AI direct in heldere, copy-paste-klare tabellen gegoten, gesplitst per categorie. Dit bespaart weer tijd aan handmatig werken in spreadsheets.

Stap 7: Zoekintentie analyseren

Data is nutteloos zonder begrip van de intentie erachter. Ik gaf de AI de URL’s van drie relevante landingspagina’s en een lijst met zeven zoekwoorden. De opdracht: “Analyseer de zoekintentie achter elk keyword en bepaal welke van deze drie pagina’s de beste match is. Onderbouw waarom.”

De AI analyseerde de SERP’s en de content van elke pagina. Het resultaat was een concreet advies over welke zoekwoorden het beste pasten bij welke landingspagina’s. Een dubbelcheck bevestigde de analyse van de AI. De web-search functie is hiervoor een belangrijk hulpmiddel.

Stap 8 & 9: Strategie ontwikkelen en verfijnen

Op basis van alle verzamelde inzichten stelde ik een campagnestructuur voor. De AI werd vervolgens ingezet om deze verder uit te werken en te onderbouwen met de data.

Het resultaat was een tweeledige-campagne aanpak:

1. Product/Conversie Campagne: Gericht op zoekwoorden met een hoge commerciële intentie.
2. Thema/Engagement Campagne: Gericht op informatievere, urgentie-gedreven zoekwoorden.

Dankzij de input van de AI en de DataForSEO-tool wisten we exact hoeveel zoekvolume er op onze interessante zoekwoorden zat. En we wisten hoeveel budget er potentieel in beide campagnes geïnvesteerd zou kunnen worden. De budgetverdeling was hiermee direct onderbouwd met data. Na enkele iteraties en verfijningen stond er een complete, datagedreven strategie.

Conclusie

Het ontwikkelen van een vergelijkbare strategie zou normaal gesproken meerdere dagen in beslag nemen. De tijd die we bespaarden op het pielen met allerlei tools, konden we investeren in strategische keuzes en het uitdagen van aannames.

De winst zit niet alleen in de snelheid, maar ook vooral in de diepgang. De enige AI-toepassing die na dit hele proces nog resteerde? Het omzetten van de gehele chatgeschiedenis naar een leesbare blog waar mijn mede-specialisten wellicht wat aan hebben. 😉