Al jaren investeren marketeers in betere meetmethoden. Ze hebben dashboards ontwikkeld, attributiemodellen ingevoerd en marketingmixmodellen toegepast om inzicht te krijgen in wat werkt. Maar zelfs nu deze mogelijkheden voorhanden zijn, blijft een bekend probleem bestaan: inzichten leiden niet automatisch tot actie.
Die kloof bestaat nog steeds omdat de meeste organisaties geen moeite hebben om data te verzamelen. Ze hebben wel moeite om die gegevens in de praktijk te brengen. Inzichten blijven vaak in dashboards staan, in afwachting van analisten die ze interpreteren, omzetten in aanbevelingen en door interne goedkeuringsprocessen loodsen. Tegen de tijd dat er actie wordt ondernomen, is het moment misschien al voorbij.
Er zijn verschillende redenen waarom dit gebeurt. Ten eerste kost de implementatie tijd. Het opzetten van een volledig marketingmixmodel is geen kwestie van even snel iets opzetten. Het vereist implementatie, data , modelupdates en governance. In veel gevallen duurt dat maanden. In een snel veranderende markt is zes maanden lang genoeg om de prestaties van de verkoopkanalen, het consumentengedrag en de concurrentieverhoudingen aanzienlijk te zien verschuiven.
Ten tweede zijn organisaties nog steeds versnipperd. Teams op het gebied van merk, prestaties, verkoop, financiën en analyse werken vaak met onderling niet-gekoppelde systemen en hebben een ongelijk beeld van de data. Voordat er daadwerkelijk actie kan worden ondernomen op basis van een aanbeveling, moeten teams het intern wellicht eerst eens worden over wat de cijfers nu precies betekenen.
Ten derde is de uitvoering nog steeds erg arbeidsintensief. Zelfs als een model een optimale budgetverschuiving voorstelt, moet er nog steeds iemand zijn die dit valideert, goedkeuring verkrijgt en het op de juiste platforms implementeert. Dat vertraagt de cyclus tussen inzicht en actie.
En tot slot blijft schaalbaarheid een uitdaging. Een meetmethode die in één land of bedrijfsonderdeel werkt, laat zich niet automatisch probleemloos toepassen op tientallen markten, die elk hun eigen kanalen, beperkingen en bedrijfsdynamiek hebben.
Daarom was de demo over agentische AI marketingmetingen zo relevant. Daarin werd onderzocht wat er gebeurt als metingen niet langer worden gezien als een rapportagelaag, maar als onderdeel van een operationeel systeem dat gebruikers kan helpen om sneller van inzicht naar de volgende stap te gaan.
Deze blog bevat een link naar de opname van de demo voor iedereen die de volledige sessie wil bekijken.
Waarom agentische AI hier AI
De kerngedachte die tijdens de sessie naar voren kwam, was eenvoudig maar belangrijk. Generatieve AI het creëren van output. Agentische AI een stap verder door te helpen bij het uitvoeren van taken.
In de context van metingen betekent dit AI alleen de resultaten van een model samenvat. Het kan problemen signaleren, vervolgacties aanbevelen, controles uitvoeren, experimenten in gang zetten en in sommige gevallen helpen bij het implementeren van beslissingen in alle gekoppelde systemen. De marketeer behoudt de controle, maar het systeem neemt een groter deel van het repetitieve en operationele werk voor zijn rekening dat de voortgang doorgaans vertraagt.
Demo deel 1: De resultaten van MMM interpreteren
Een concreet voorbeeld van hoe een agentische laag bovenop een MMM-omgeving kan worden geplaatst en meer kan doen dan alleen resultaten weergeven.
De demo begon met een vertrouwde interface in MMM-stijl, waarop een analyse van de bijdrage, een vergelijking tussen de uitgangswaarde en de media-impact, en de ROI per kanaal te zien waren. Het belangrijkste verschil was echter dat het systeem niet alleen cijfers presenteerde, maar deze ook interpreteerde.
Een voorbeeld betrof een schatting van het rendement op investering (ROI) voor online audio. Het systeem constateerde dat het betrouwbaarheidsinterval rond dat resultaat groot was en gaf een waarschuwing weer. In plaats van de gebruiker in onzekerheid te laten, vertaalde het systeem dit in een aanbeveling: valideer de bevinding door middel van een GeoX-test. Dat was een treffende illustratie van de verschuiving van passieve inzichten naar begeleide actie.
Demo deel 2: Verkenning van inzichten in natuurlijke taal
Een Insight-agent liet zien hoe gebruikers data kunnen opvragen in plaats van alleen op vaste dashboards te vertrouwen.
Vervolgens demonstreerden de presentatoren een ‘insight agent’ die vragen in natuurlijke taal kon beantwoorden en data verzoek nieuwe overzichten van de data kon genereren. In het voorbeeld vroeg de gebruiker het systeem om de Meta-media-impressies voor 2025 in een grafiek weer te geven en commentaar te geven op de trend.
Dit is belangrijk omdat het de manier verandert waarop marketeers met metingen omgaan. In plaats van te wachten tot analisten aangepaste overzichten hebben samengesteld, kunnen gebruikers direct vragen stellen, een visualisatie ontvangen en onmiddellijk een eerste analyse krijgen.
Demo deel 3: Budgetoptimalisatie en validatie van aanbevelingen
Het systeem is geëvolueerd van een geoptimaliseerde output naar een bruikbaar begrotingsvoorstel, voorzien van een onderbouwing en externe validatie.
Een ander onderdeel van de demo was gericht op budgetoptimalisatie. Terwijl MMM op de achtergrond draaide, evalueerde het systeem verschillende planningsscenario’s en adviseerde het een herschikking van de mediabudgetten voor de komende maand. De voorgestelde aanpassing was om de uitgaven voor verzadigde digitale kanalen te verminderen en de investeringen te verschuiven naar beter presterende offline kanalen, zoals tv en radio.
Belangrijk is dat dit niet als een ‘black box’ werd gepresenteerd. De gebruiker kon de kans nader bekijken en een grondiger onderzoek starten om de aanbeveling te vergelijken met bredere benchmarks binnen de sector. Dit zorgde voor extra transparantie voordat er actie werd ondernomen.
Demo deel 4: Aanbevelingen direct toepassen
Zodra de aanbevelingen zijn goedgekeurd, kunnen ze via API’s naar uitvoeringsplatforms worden doorgestuurd, waardoor de vertraging tussen analyse en activering wordt verkort.
Een van de meest indrukwekkende momenten in de demo was toen de aanbeveling werd geaccepteerd en toegepast. Het systeem liet zien hoe budgetwijzigingen via API’s rechtstreeks naar gekoppelde mediaplatforms konden worden verzonden.
Daar AI de belofte van agentische AI pas echt tastbaar: niet alleen slimmere metingen, maar ook een snellere operationele uitvoering.
Demo deel 5: Hertraining van modellen en controles data
De demo liet zien hoe medewerkers de actualiteit van modellen kunnen controleren, data kunnen opsporen, oplossingen kunnen voorstellen en workflows voor het opnieuw trainen van modellen kunnen ondersteunen.
De presentatoren lieten ook zien hoe het systeem omging met het opnieuw trainen van het MMM-model. Voordat het model werd vernieuwd, voerde de agent automatisch data uit op de nieuwe dataset, bracht problemen aan het licht en stelde oplossingen voor.
Dit is uiterst praktisch. Het opnieuw trainen van het model is een van de belangrijkste, maar operationeel gezien meest tijdrovende aspecten van het onderhoud van MMM. Door die workflow meer te automatiseren en minder handmatig te maken, vermindert het systeem de weerstand en blijft het vertrouwen in het model gewaarborgd.
Demo deel 6: Onzekerheid omzetten in experimenteren
Een door een agent gegenereerde waarschuwing was aanleiding voor het ontwerpen en uitvoeren van een GeoX-test om de prestaties van onzekere kanalen te valideren.
Het laatste grote deel van de demo keerde terug naar de eerdere online audio-waarschuwing. Omdat het model onzekerheid liet zien rond het rendement op investering (ROI), adviseerde de agent een GeoX-test. Vervolgens hielp het bij het opzetten van het experiment, het samenstellen van regiokoppels, het doen van voorstellen voor het budget en de looptijd, en het koppelen van de implementatie aan het activeringsplatform.
Het systeem signaleerde zelfs een conflict met bestaande nationale campagnes en vroeg de gebruiker om dit op te lossen voordat de campagne van start ging. Daaruit bleek dat de workflow niet louter geautomatiseerd was. Het was een geïntegreerd systeem dat de context begreep en ontworpen was om betere beslissingen te ondersteunen.
Wat dit evenement duidelijk maakte over de toekomst van metingen
Wat dit evenement duidelijk heeft gemaakt, is dat de toekomst van metingen niet alleen draait om het verbeteren van modellen. Het gaat erom de kloof tussen inzicht en uitvoering te verkleinen.
MMM, experimenteren en attributie blijven van cruciaal belang. Maar op zichzelf bieden ze geen oplossing voor de operationele achterstand die binnen veel organisaties bestaat. Agentic AI services manier om die mogelijkheden bruikbaarder, beter geïntegreerd en beter toepasbaar te maken.
De belangrijkste conclusie was niet dat AI marketeers AI vervangen. Het was juist dat marketeers binnenkort wellicht gaan werken met systemen die hen helpen sneller te reageren, met meer zekerheid te valideren en minder tijd te besteden aan het handmatig omzetten van analyses naar acties.
In die zin lijkt de toekomst van metingen minder op een statisch dashboard en meer op een intelligente operationele laag die de hele workflow omvat. En dat zou wel eens de echte ommekeer kunnen zijn: niet alleen beter inzicht, maar metingen die eindelijk zijn ontworpen om mee te bewegen.
Benieuwd hoe agent-gebaseerde AI in uw marketingmetingen AI worden geïntegreerd? Neem contact met ons op om de volgende stappen te bespreken.
