AdMob inkomsten analyseren

Revenue is meestal het eerste cijfer waar je naar kijkt. Dat is begrijpelijk, want inkomsten bepalen of een app financieel interessant is. Toch vertelt revenue alleen weinig. Een stijging kan komen door meer impressions, een hogere eCPM, een ander land, een tijdelijke piek of een wijziging in requests. Een daling kan net zo goed door minder verkeer als door lagere advertentiewaarde komen.

Daarom zet ik revenue altijd naast impressions, requests, eCPM en match rate. Impressions laten zien hoeveel advertenties echt zijn getoond. Requests tonen hoe vaak de app om een advertentie vroeg. eCPM helpt om opbrengst per duizend impressies te begrijpen. Match rate laat zien hoe vaak een request ook een advertentie opleverde. Samen geven deze KPI’s veel meer context.

Revenue laat zien wat er is verdiend. Impressions laten zien hoeveel advertentieweergaven er waren. Requests tonen vraag vanuit de app. eCPM maakt opbrengst vergelijkbaar tussen perioden of apps. Match rate helpt om te zien of requests ook gevuld worden. Geen van deze KPI’s staat op zichzelf; de combinatie is waar de analyse begint.

Een hogere eCPM met minder impressions kan bijvoorbeeld leiden tot stabiele revenue, terwijl het bereik daalt. Veel requests met lage match rate kunnen wijzen op een technisch of marktgerelateerd aandachtspunt. Een hoge revenue in één land kan prettig zijn, maar kwetsbaar wanneer de rest van de app weinig bijdraagt. Een AdMob dashboard helpt om die verhoudingen zichtbaar te maken.

Periodekeuze bepaalt sterk wat je ziet. Een dagvergelijking kan veel ruis bevatten. Een weekvergelijking is rustiger, maar mist soms korte pieken. Een maandvergelijking geeft overzicht, maar kan actuele problemen te laat tonen. Ik probeer daarom altijd meerdere tijdniveaus te bekijken voordat ik een conclusie opschrijf.

Bij trendanalyse kijk ik of revenue, impressions, requests, eCPM en match rate dezelfde richting bewegen. Als revenue daalt terwijl impressions gelijk blijven, kijk ik naar eCPM en landenmix. Als requests dalen, kijk ik naar appgebruik of technische wijzigingen. Als match rate beweegt, kijk ik extra kritisch naar databron, platform en periode.

Wanneer je meerdere apps hebt, wil je niet alleen totaalomzet zien. Een sterke app kan een zwakke app maskeren. Daarom vergelijk ik revenue, impressions en eCPM per app. Soms is één app verantwoordelijk voor bijna alle beweging. Soms zie je dat kleinere apps stabieler zijn dan de grootste app. Dat helpt bij prioriteiten.

Landenvergelijking is minstens zo belangrijk. Advertentiewaarde verschilt per markt, en daardoor kan dezelfde hoeveelheid impressions een andere revenue opleveren. Ik claim daarbij nooit dat een dashboard automatisch opbrengst verbetert. Het helpt je vooral om beter te zien waar beweging ontstaat, zodat je met meer context naar product, content of marketing kijkt.

Een plotselinge daling in revenue voelt snel urgent. Toch wil ik eerst weten of ook impressions, requests of match rate dalen. Als alleen eCPM beweegt, kan het aan marktwaarde liggen. Als requests dalen, kan het met appgebruik of technische gebeurtenissen samenhangen. Als match rate daalt, controleer ik de brondata en segmenten extra zorgvuldig.

AI kan helpen om afwijkingen te benoemen, bijvoorbeeld via AI-data-analyse. Maar ook hier geldt: AI ondersteunt, het beslist niet. Een afwijking moet worden gecontroleerd met ruwe cijfers, periodecontext en kennis van wijzigingen in app, advertentiesetup of gebruikersgedrag.

AdMob-exports kunnen lege waarden, ontbrekende dagen, rare datumnotaties of dubbele regels bevatten. Dat hoeft niet altijd fout te zijn, maar het moet zichtbaar zijn. Een ontbrekende dag kan een exportprobleem zijn. Een dubbele rij kan door segmentatie komen. Een leeg landveld kan logisch zijn, maar het kan ook de analyse per markt verstoren.

Daarom controleer ik vóór elk dashboard de datakwaliteit. Zijn alle verwachte datums aanwezig? Zijn revenue en eCPM numeriek? Zijn appnamen consistent? Kloppen landen en platforms? Een quality report of datasetprofiling helpt om die vragen systematisch te beantwoorden voordat je een rapportage deelt.

De meest gemaakte fout is één KPI aanwijzen als verklaring. Lagere revenue betekent niet automatisch dat een app slechter presteert. Misschien is het verkeer verschoven, zijn minder advertenties getoond of is de landenmix anders. Hogere impressions betekenen ook niet automatisch betere inkomsten wanneer eCPM daalt.

Een tweede fout is perioden verkeerd vergelijken. Een weekend vergelijken met een werkdag, een halve maand met een volledige maand of een campagneperiode met een rustige periode geeft snel een scheef beeld. Ik schrijf daarom altijd bij een rapport welke periode is gekozen en welke segmenten zijn gebruikt.

Een dashboard helpt wanneer je AdMob-data vaker wilt controleren. In IBIN Insights bestaan AdMob-gerichte widgets zoals revenue trend, revenue by app, revenue by country, eCPM trend, requests versus impressions, match rate, platform comparison en monthly growth. Daarmee kun je sneller door de belangrijkste vragen heen.

Voor overleg of klantcommunicatie is een rapportage vaak prettiger dan een losse export. Via marketing dashboards en rapportageflows kun je AdMob-data verbinden met bredere marketingvragen. Deel vooral wat je zeker weet, wat onzeker is en welke datapunten extra controle nodig hebben.

Mijn volgorde is eenvoudig: upload de AdMob-export, controleer kolommen en datums, bekijk revenue naast impressions, requests, eCPM en match rate, segmenteer per app en land, bekijk trends per periode, noteer afwijkingen en maak daarna pas een dashboard of rapportage. Die route voorkomt dat je te snel naar losse oorzaken grijpt.

AdMob-analyse wordt sterker wanneer je de cijfers als gesprek ziet. Wat verandert er, waar verandert het, en welke extra context heb je nodig? Als dit artikel iemand helpt om rustiger naar app-inkomsten te kijken, deel het dan gerust met diegene.