Zo voorkom je dat slechte data je marketing-AI ondermijnt

Claes Eriksson is Head of Data & Measurement and Media Effectiveness voor de Nordics & Benelux bij Google. Christian Pluzek is Data & Measurement Lead voor dezelfde regio. Samen werken zij met grote adverteerders aan datagedreven marketing- en AI-strategieën.

Door: Claes Eriksson & Christian Pluzek

Iedereen heeft het over de transformerende kracht van AI. Maar het echte concurrentievoordeel zit in iets veel fundamentelers: de kwaliteit van de data die de AI aanstuurt. Als marketeers vertrouwen we erop dat AI-tools onze beste klanten vinden en groei realiseren. Maar AI is zo slim als de data die we erin stoppen. Als die data niet klopt, leert de AI ijverig de verkeerde lessen. Het resultaat: campagnes die er op dashboards goed uitzien, maar ondertussen stilletjes je ROI ondermijnen.

Wij werken dagelijks met de grootste adverteerders en we zien dit probleem keer op keer terug. De oorzaak ligt vaak bij een onderwerp dat lange tijd exclusief bij IT lag: data governance. In 2026 wordt data governance geen nice-to-have meer, maar een strategische kernvaardigheid die marketingsucces bepaalt.

Van data-opruimer naar datastrateeg

Zie AI als een briljante, leergierige student. Hij leert precies wat je hem aanreikt. Vraag je hem om meer ‘high-value klanten’ te vinden, maar voed je hem met data over gemiddelde kopers, dan zal hij dat niet ter discussie stellen. Hij wordt dan gewoon extreem goed in het vinden van… gemiddelde kopers. Het campagneresultaat lijkt indrukwekkend, maar de businesswaarde blijft achter of daalt zelfs. Dat is de stille ROI-killer. Het probleem zit niet in de AI, maar in het curriculum.

Een voorbeeld uit de praktijk: een grote retailer wil meer waardevolle winkelbezoeken en hogere bestedingen in fysieke winkels realiseren. De marketingafdeling besluit AI-gestuurde campagnes te trainen op ‘high-value klanten’. Daarvoor gebruikt het team een bestaande doelgroepsegmentatie van ‘bekende klanten’. Ze gaan ervan uit dat deze dataset voldoende is om nieuwe waardevolle winkelbezoekers te vinden. Maar wat niet wordt gecontroleerd, is datakwaliteit.

In de oorspronkelijke dataset wordt geen onderscheid gemaakt tussen klanten die incidenteel grote aankopen doen – bijvoorbeeld een designitem van 3.000 euro – en klanten met frequente, maar lage transacties, zoals accessoires. Voor de AI zijn dit allemaal ‘kopers’. Het gevolg: de campagne optimaliseert op zoveel mogelijk aankopen, ongeacht de waarde. De focus op high spenders verdwijnt volledig. Het is een klassiek voorbeeld van niet-afgestemde data die leiden tot slechte optimalisatie op een grote schaal en snelheid, mogelijk gemaakt door AI.

Zo’n kleine misser kan maanden onopgemerkt blijven, terwijl marketingbudgetten ondertussen inefficiënt worden ingezet.

De datavaardigheden die topmarketeers onderscheiden

Traditioneel had marketing weinig te zeggen over data governance. Het was een IT-aangelegenheid: zorgen dat data van A naar B stroomt. Die tijd is voorbij. Marketeers kunnen zich niet langer veroorloven om passieve ontvangers van data te zijn. Data is geen technisch hulpmiddel meer, maar het strategische fundament van moderne marketing. Dat betekent dat marketingteams eigenaarschap moeten nemen over de kwaliteit en definities van de data die hun AI aandrijft. Dat vraagt niet om marketeers die data engineers worden, maar wel om mensen die nieuwe, of meer geavanceerde competenties kunnen omarmen binnen hun marketingrollen.

De marketeer als datastrateeg

Het gaat daarbij niet om compleet nieuwe skills, maar om een andere manier van kijken. De belangrijkste verschuiving is die van het observeren van trends naar het kritisch onderzoeken van de betekenis achter de cijfers.

Deze vijf competenties zijn daarbij cruciaal:

1. Van businessdoel naar data vertalen

Het vermogen om een strategisch businessdoel (zoals winstgevendheid verhogen) correct te koppelen aan marketingdoelen, use cases en de exacte data-inputs waarmee AI optimaliseert.

2. Datakwaliteit actief bevragen

Niet alleen kijken naar dashboards, maar kritisch onderzoeken of definities kloppen. Wat verstaan we precies onder ‘winst’? Zijn verzendkosten meegenomen? En is iedereen het daarover eens, van finance tot operations?

3. Vroegtijdige validatie in de keten

Niet controleren of data aankomt op het platform, maar of de kwaliteit al bij de bron klopt. Als je pas valideert in de campagneomgeving, ben je eigenlijk al te laat.

4. Focus op waardevolle use cases

Koppel dataverzameling altijd aan concrete businessdoelen. Voorspelmodellen zijn kostbaar om te bouwen en onderhouden. Zorg dus dat ze daadwerkelijk een probleem oplossen voordat je investeert.

5. Risicobesef en datageletterdheid

Slechte data introduceert risico en bias. Basiskennis van data binnen het team helpt om die risico’s te herkennen en AI verantwoord op te schalen. Deze competenties zijn geen kostenpost, maar brengen directe waarde. Wie miljoenen aan mediabudget stuurt met betere data, vergroot ROI en verkleint risico’s.

De bottom line

De marketingteams van de toekomst zijn niet alleen sterk in creatie en campagnes, maar ook in het cureren en bewaken van hoogwaardige data. Wie data governance serieus neemt, bouwt een stevig fundament voor winstgevende AI-gedreven groei. Dat is misschien niet het meest zichtbare werk, maar wel het meest bepalende. In 2026 en daarna.

Wil je meer weten?

Ontdek praktische tips en inspirerende cases op Think with Google.