10 Takeaways van het MeasureCamp in Amsterdam 2026

1. Welke tracking opzet werkt het beste? Van Client-Side naar Server-Side naar ‘Hybrid Tagging’

De tijd van simpele client-side tracking lijkt voorbij. Steeds meer bedrijven stappen over op server-side oplossingen voor meer controle en om adblockers te omzeilen, ondanks nadelen als hogere kosten en complexiteit.

Experts gaan nu verder met hybrid tagging, een combinatie van client-side en server-side. Met alleen server-side mis je namelijk waardevolle signalen voor remarketing op platforms als Meta en Google Ads. Door datastromen te combineren en ontdubbelen, haal je het maximale uit je campagnes. Dit is precies onze aanpak bij Abovomaxlead.

2. Hoe gebruik je AI als analist? Analyse en rapportage automatiseren

AI kan data-analyse automatiseren door je data warehouse te koppelen. Marketeers stellen dan hun vragen over de data, zoals: “Hoeveel sessies kwamen er gisteren via Facebook?”. Dit bespaart veel tijd uitzoektijd voor de consultant. Experts waarschuwen echter dat dit geen ‘plug-and-play’ is. Je moet duidelijke kaders instellen en bedrijfsdefinities vastleggen om foute conclusies te voorkomen.

3. Neem jij de regie over je eigen data in een Data Warehouse?

Analisten willen volledige controle over hun eigen data en niet vastzitten aan standaardmodellen van tools als Google Analytics. Daarom sturen steeds meer bedrijven data direct naar een datawarehouse zoals BigQuery. Met eigen of open-source oplossingen richten ze hun data precies in zoals gewenst. Dit bespaart rekenkracht, levert schonere data op en vereenvoudigt koppelingen met bijvoorbeeld CRM-systemen.

4. Wat is de toekomst van GA4?

Wie is de doelgroep van Google Analytics 4 (GA4)? Marketeers, product teams of analisten? Zelfs experts zijn het oneens. Ondanks functies voor marketeers, vinden veel gebruikers de interface te complex en onoverzichtelijk. Hierdoor stappen steeds meer analisten over op de BigQuery-export en gebruiken ze de GA4-interface nauwelijks nog. Sommigen voorspellen dat GA4 een ‘headless’ tool wordt, waarbij rapportages in externe dashboards worden gebouwd.

5. Is A/B-testen en conversieoptimalisatie met kwantitatieve data genoeg?

Data toont waar een probleem is, maar zelden waarom. Ontwerpers die alleen op basis van analytics werken, komen vaak met willekeurige aanpassingen (denk aan buttons verplaatsen etc.) of kijken bepaalden set ups af van grote webshops zoals Amazon.
De beste A/B-tests combineren kwantitatieve data (cijfers) met kwalitatief onderzoek (feedback van gebruikers), zoals exit-surveys. Vraag klanten wat ze nodig hebben om met vertrouwen te kopen. Dit leidt tot gerichte hypotheses die echt impact maken.

6. Wat is de nieuwe rol van de webanalyst?

Decennialang was de webanalist vooral een uitvoerder die handmatig data verzamelde en dashboards bouwde. Dit is steeds minder nodig, omdat AI-tools simpele vragen beantwoorden en dashboards monitoren. Hierdoor transformeert de analist van een uitvoerder naar een strateeg die AI aanstuurt, datakwaliteit waarborgt en de klantervaring analyseert.

7. Gebruik je custom tracking architecturen voor maximale vrijheid?

Naast data warehouses bouwen experts nu ook eigen tracking pijplijnen naar platformen als BigQuery. Standaard tools zoals GA4 hebben rigide datamodellen, wat onvoldoende is voor complexe tracking. Met open-source tools zoals Walker OS of custom JSON’s behoud je 100% eigenaarschap over je dataverwerking. Zo ben je niet langer afhankelijk van black-box berekeningen van bijvoorbeeld Google.

8. Wat zijn de gevaren van een verkeerde prompt?

De output van Large Language Models (LLMs) wordt sterk beïnvloed door de vraagstelling. Zonder duidelijke instructies geven ze een veilig antwoord (“ik heb meer data nodig”). De effectiefste aanpak is de ‘Architect’-methode: geef de AI rijke historische context, bouw verschillende agents, die je combineert.

9. Kun je tracking audits automatiseren met AI-Bots?

Handmatige tracking-audits zijn tijdrovend. Een nieuwe tool stroomlijnt dit: een bot simuleert een gebruiker en verzamelt alle trackingdata (netwerkverzoeken, GTM-activiteiten, cookie-banners) zonder inloggegevens. Vervolgens analyseert een LLM deze data en genereert automatisch een auditrapport met een actieplan. Dit versnelt niet alleen de audits, maar maakt ook continue, geautomatiseerde kwaliteitsmonitoring van tracking setups mogelijk. Hopelijk is dit binnenkort open source beschikbaar!

10. Wat kunnen marketing analysten leren van software engineers?

Data-analisten en marketeers lopen achter op software engineers in AI-adoptie. Marketeers maken fouten door CSV’s direct in ChatGPT te uploaden, wat leidt vaak tot rekenfouten. Engineers gebruiken daarentegen strakke protocollen zoals het Model Context Protocol (MCP). Hierbij doet het Data Warehouse de berekeningen en wordt AI alleen gebruikt voor interpretatie. Door een netwerk van gespecialiseerde AI-‘agenten’ met duidelijke regels op te zetten, kun je complexe wekelijkse rapportages volledig automatiseren.

De rode draad door de dag: de analist wordt strateeg. AI neemt het uitvoerende werk over, data verhuist naar eigen warehouses en daar zit de echte waarde: in het stellen van de juiste vragen en het bewaken van kwaliteit. Wie die verschuiving nu maakt, bouwt een voorsprong op.