Target ROAS is een van de meest gebruikte geautomatiseerde biedstrategieën voor webshops, maar ook een van de meest verkeerd begrepen. De strategie doet meer dan simpelweg bieden richting een omzetdoel, en de manier waarop die berekening tot stand komt bepaalt of de strategie stabiel presteert of juist onvoorspelbaar gedrag vertoont. Hieronder volgt een technische uitleg van hoe Target ROAS werkt en welke factoren het resultaat beïnvloeden.
Wat Target ROAS daadwerkelijk optimaliseert
Target ROAS stelt per veiling een bod vast op basis van de voorspelde conversiewaarde van die specifieke gebruiker en zoekopdracht, gedeeld door de ingestelde ROAS-doelstelling. Het systeem voorspelt dus niet alleen of een klik tot een conversie leidt, maar ook hoe hoog de verwachte orderwaarde van die conversie is. Dat betekent dat twee klikken met dezelfde conversiekans toch een ander bod kunnen krijgen, simpelweg omdat het voorspelde aankoopbedrag verschilt.
De rol van historische conversiewaarde-data
Om nauwkeurige voorspellingen te doen heeft het algoritme voldoende historische data nodig over zowel conversies als de bijbehorende waarden. Google adviseert een minimum van 15 tot 20 conversies in de afgelopen 30 dagen voordat Target ROAS wordt geactiveerd, al werkt de strategie preciezer bij aanzienlijk hogere volumes. Bij te weinig data ontstaat een lange en instabiele leerfase, waarin het systeem sterk fluctuerende biedingen doet omdat de voorspellingen nog onvoldoende onderbouwd zijn.
Waarom een te hoog ROAS-doel het volume laat instorten
Een veelgemaakte fout is het instellen van een ROAS-doel dat aanzienlijk hoger ligt dan de historisch behaalde ROAS. Het algoritme reageert daarop door alleen nog te bieden op de veilingen met de hoogste voorspelde waarde, wat het totale volume aan vertoningen en klikken sterk laat dalen. Dit voelt in eerste instantie als een verbetering omdat de ROAS op papier stijgt, terwijl de daadwerkelijke omzet in absolute termen vaak daalt door het kleinere volume. Een geleidelijke aanpassing van maximaal 10 tot 20 procent per keer voorkomt dit soort schokeffecten.
De leerfase na wijzigingen
Elke aanpassing aan het ROAS-doel, aan de conversieactie-instellingen of aan het attributiemodel triggert een nieuwe leerfase, waarin het algoritme opnieuw moet vaststellen welke signalen betrouwbaar zijn. Tijdens deze fase, die doorgaans 1 tot 2 weken duurt afhankelijk van het conversievolume, presteert een campagne vaak instabieler dan normaal. Wijzigingen te snel na elkaar doorvoeren, voordat een vorige leerfase is afgerond, verlengt dit proces en maakt het voor het algoritme moeilijker om een stabiel patroon te vinden.
Seizoensaanpassingen en tijdelijke pieken
Voor voorspelbare pieken zoals Black Friday of een grote uitverkoop biedt Google Ads de mogelijkheid om seizoensaanpassingen in te stellen, waarbij je vooraf een verwachte stijging in conversieratio doorgeeft voor een specifieke periode. Zonder deze aanpassing gaat het algoritme uit van de normale conversieratio en kan het bij een plotselinge piek in vraag niet snel genoeg meebewegen, waardoor kansen op extra omzet gemist worden juist op de momenten dat de vraag het hoogst is.
Portfolio-strategieën versus een enkele campagne
Target ROAS kan worden ingesteld per campagne, maar ook als portfolio-strategie over meerdere campagnes heen. Bij een portfolio-strategie verdeelt het algoritme het budget dynamisch tussen de campagnes die samen de portfolio vormen, gebaseerd op waar de beste kans op het behalen van de gezamenlijke ROAS-doelstelling ligt. Dit werkt goed wanneer campagnes vergelijkbare producten of doelgroepen bedienen, maar kan juist nadelig zijn wanneer campagnes fundamenteel verschillende rollen hebben, omdat budget dan kan wegvloeien van een campagne die op lange termijn waardevol is maar op korte termijn een lagere ROAS laat zien.
Interactie met het attributiemodel
Omdat Target ROAS rechtstreeks bouwt op de conversiewaarden die worden doorgegeven, heeft het gekozen attributiemodel directe invloed op de biedingen. Bij op data gebaseerde attributie wordt waarde verdeeld over meerdere contactmomenten, wat betekent dat een deel van de conversiewaarde aan andere kanalen of campagnes wordt toegeschreven dan bij een laatste-klik model. Een overstap van laatste-klik naar op data gebaseerde attributie verandert daardoor de effectieve waarde per klik, wat een nieuwe leerfase en mogelijk een aangepast ROAS-doel vereist om weer op het gewenste niveau te presteren.