Van attributie naar bewijs: hoe marketingmeting verandert in een privacy-first wereld

Tien jaar geleden was kanaalallocatie grotendeels een datavraagstuk. Met cookies, UTM-parameters en click-ID’s konden multi-touch attributiemodellen redelijk nauwkeurig bepalen welke kanalen bijdroegen aan conversies. Die basis staat inmiddels onder druk. Door strengere privacyregels, lagere consent rates en technische beperkingen in browsers wordt een steeds kleiner deel van het gebruikersgedrag meetbaar.

Door een hoger privacy bewustzijn bij consumenten dalen consent ratio’s. Hierdoor wordt er minder doorgemeten. Daarnaast beperken privacy first browsers (Apple Safari, Mozilla Firefox, Brave) en Ad Blockers technisch de doormeting door te filteren op wat er wordt gedeeld met externe tracking.

• Adblockers -> externe tracking scripts en Google tag manager worden gewoonweg niet meer ingeladen
• GDPR / AVG -> dalende consent ratio’s door consumenten die al meer bewust met hun privacy omgaan
• Privacy focused browsers -> advertentie click ID’s worden verwijderd en de levensduur en het plaatsen van cookies wordt ingeperkt.

Als je minder goed kunt meten welke campagnes bijdragen aan je resultaat, hoe bepaal je dan nog waar je marketingbudget naar toe moet en wat het resultaat is van je inzet?  De impact van verkeerde keuzes werkt door in het resultaat.

Waar op dit moment de gewoonte is om volledig te sturen op exacte tracking data (deterministisch), wordt het al meer wegvallen hiervan de reden om de beweging te maken naar gemodelleerde inzichten (probalistisch).

De grenzen van multi-touch attributie

Nog steeds vertrouwen veel marketeers op data-driven attribution (DDA) binnen tools zoals Google Analytics 4. Maar deze modellen zijn afhankelijk van attributiedata in combinatie met gebruikersherkenning; precies het type data dat steeds minder beschikbaar is.

Wanneer gebruikers (bewust of onbewust door hun browser) geen toestemming geven voor tracking verdwijnen belangrijke touchpoints uit de customer journey. Het gevolg is dat attributiemodellen worden gebaseerd op een steeds kleiner en minder representatief deel van het totale verkeer.

Wat betekent dit concreet voor marketeers?

In de praktijk verschuiven budgetten daardoor vaak naar kanalen die het best meetbaar zijn, in plaats van naar kanalen die het meest bijdragen aan groei. Dit in combinatie met kanalen die altijd al moeilijk meetbaar waren, zoals video, display en upper-funnel campagnes, zorgt ervoor dat budgetten verschuiven naar kanalen die het best meetbaar zijn, zoals search of social. Met als gevolg dat er wordt geoptimaliseerd op meetbaarheid in plaats van effectiviteit. Voor kanaal beoordeling en inzet bepaling is het daarom aan te raden data driven attributie en/of Multi Touch Attribution (MTA) uit te gaan breiden voor een completer beeld.

The modern measurement framework

Anno 2026 kan je niet meer alleen op attributie leunen maar zal je verder moeten kijken. Google heeft recent het modern measurement framework geïntroduceerd. Als aanvulling op attributie zijn daarin Marketing Mix Modelling en Incrementality testing opgenomen. Deze al langer bestaande technieken vergroten het inzicht van de marketingbudget en kanaal verdeling op de impact daarvan.

Incrementality testing

Een methode die aan populariteit wint is incrementality testing. Hier is eigenlijk is maar 1 vraag relevant, had de conversie ook plaatsgevonden zonder de campagne of dit kanaal? Of concreter:

• Heeft een kanaal daadwerkelijk extra omzet gegenereerd (bovenop de baseline)?
• Of heeft het alleen een conversie opgevangen die toch al zou plaatsvinden (baseline)?

Hierbij wordt een doelgroep opgesplitst in twee groepen op basis van geografische locatie:

• Een geografische testgroep die advertenties ziet
• Een geografische controlegroep die geen advertenties ziet

Door de resultaten van beide geografische groepen te vergelijken kan je het daadwerkelijke effect van een kanaal of campagne bepalen. Het verschil in conversies tussen beide groepen vormt de zogenaamde incremental lift.

Het grote voordeel: deze methode meet causaliteit in plaats van alleen correlatie. Incrementality testing is niet nieuw, echter door de beperkingen in traditionele attributie wordt deze aanpak nu ook steeds vaker door adverteerders zelf toegepast. Binnen het Google eco systeem kan je incrementality-testen nu vanuit de interface op te zetten. Valideren kan door het zelf op te zetten via de open-source repositories zoals GeoExperiments. Het voordeel: deze methode werkt zonder afhankelijk te zijn van cookies of login-data. Nadeel: Een deel van je doelgroep ziet geen ads.

Marketing Mix Modeling (MMM)

Waar attributiemodellen werken met individuele gebruikersdata, analyseert MMM het effect van marketingkanalen op een hoger niveau. Daarbij wordt gekeken naar historische gegevens zoals mediabudgetten, aantal verkopen, seasonality, sales perioden, macro economische factoren.

Met behulp van een regressie model kan vervolgens worden berekend welk aandeel van de omzet door welk marketingkanalen wordt beïnvloed.

Het grote voordeel: MMM werkt volledig met geaggregeerde data en is daardoor volledig privacy-safe en toekomst proof. Google speelt hier actief op in met open source framework Meridian. De tegenhanger van Meta is Robyn. Wil je niet met een open source package aan de slag dan is er een alternatief.

Google Analytics verschuift langzaam van een pure analysetool naar een instrument voor budgetplanning. Een voorbeeld daarvan is de recent geïntroduceerde Scenario Planner binnen GA4. Hiermee kunnen marketeers verschillende budgetscenario’s simuleren op basis van historische campagne en kosten data. Om dit goed te laten werken is het noodzakelijk historische campagne metrics in GA4 aanwezig zijn. Door nieuwe click and go connectors voor Meta, TikTok, Snapchat, Pinterest en Reddit in GA4, is het toevoegen van campagne data tot 2 jaar terug zeer eenvoudig. Voor overige kanalen is het eenvoudiger geworden om campagne- en kostendata te importeren vanuit je datawarehouse (BigQuery, Snowflake, MySQL, PostgreSQL, Amazon S3, sFTP en Google Sheets). Een belangrijke voorwaarde is nog steeds een consistente UTM-tagging, zodat verkeer uit verschillende kanalen correct kan worden toegewezen.

Van attributie naar bewijs

Waar de doormeting eerder draaide om het toewijzen van conversies aan individuele clicks in de customer journey, verschuift de focus nu naar een andere vraag: welke kanalen en campagnes zorgen daadwerkelijk voor langdurige extra groei? Attributie is waardevol om te gebruiken voor snelle optimalisaties op kanaal niveau, wil je echter stategisch richting bepalen en dit later valideren dan komen MMM en incrementality testing in beeld. Op deze manier ontstaat een combinatie van methodes:

• Marketing mix modelling -> bijvoorbeeld budgetsimulaties in GA4 of Meridian.
• Incrementality experiments -> bijvoorbeeld platformexperimenten in Google Ads

Bijvoorbeeld als uit MMM blijkt dat een kanaal als YouTube toch beter presteert dan gedacht en een flinke bijdrage heeft gehad op het totaal, maar je bent hier toch nog onzeker over, dan helpt een Incrementality test om dit te valideren. Deze hybride aanpak maakt het mogelijk om te , zelfs in een wereld waarin individuele tracking steeds beperkter wordt. En daardoor komen we weer tot de essentie van marketing, hoe halen we het maximale uit elke advertentie euro?

Attributie was al lastig te doorgronden, MMM stond nog ergens op het to-do lijstje en nu komt incrementality testing hier ook nog bij.
Gelukkig maakt Google zoals we van haar gewend zijn starten eenvoudiger op de volgende manieren. De al oude uitspraak “De
helft van al mijn reclame-uitgaven is weggegooid geld; ik weet alleen niet welke helft.” kan hopelijk daarmee ook bij jullie naar de
prullenbak.

Marketing Mix Modelling in GA4

• Zorg dat de Cross-Channel budgetplanning tool beschikbaar is in GA4.
• Start met het importeren van kosten data in GA4 vanuit alle kanalen, inclusief de socials.
• Gebruik consistente herleidbare UTM tracking voor de afzonderlijke kanalen.

Incrementality testing in Google Ads

• Zorg dat Incrementality testing geactiveerd wordt in Google Ads via je Google rep.
• Bepaal een test budget + opzet voor een campagne
• Bepaal de juiste GEO split (de afzonderlijke geografische regio’s moeten vergelijkbaar zijn in omvang en gedrag)