Als je ooit een uur over hebt, vraag dan een paar marketeers hoe hun werk gemeten zou moeten worden. Meten van resultaat is een van die splijtende kwesties in marketing, zoals hoe performance marketing en merk elkaar zouden moeten aanvullen, of dat het belangrijker is om met klanten te praten dan naar analytische rapporten te kijken.
Het is dus verstandig om dit van tijd tot tijd te doen om alles goed op een rij te krijgen en prioriteiten te stellen.
Vorig jaar had ik een gesprek met een CEO die marketing alleen als een kostenpost zag. “Als je het niet als een inkomstenbron ziet, dan heb je waarschijnlijk nog nooit echte marketing gezien,” antwoordde ik. Maar dat is de realiteit van hoe velen het zien.
Maar als je een startup bent, heb je twee stadia:
- Je bent bezig om een een product-markt fit, en dan
- groei zo snel en groot als dat de markt toestaat en de vraag er is.
Maar is er dan nog tijd om je te verdiepen in het meten van resultaten en de juiste beslissing te nemen? Graag nemen we je in dit artikel over je je marketing resultaten kan meten in de verschillende stadia die je start-up of scale-up doormaakt.
De meeste startups waarmee ik heb gewerkt, bevinden zich in de fase van € 0-10m/jaar aan inkomsten, maar ik heb ook met een select aantal merken gewerkt van €10-500m. Dit artikel houdt rekening met de praktische ervaringen van metingen in al deze verschillende stadia. Maar voordat je verder leest een paar woorden over wat dit niet is. Dit is geen gids voor metrics of KPI’s. Ik zal niet ingaan op waarom je CPA of CPL zou moeten meten of hoe je over marges moet denken. Dit is geen boekhoudgids.
Dit artikel gaat er ook vanuit dat alle marketing die je doet, is bedoeld om iets te verkopen. (Hint: elk stuk marketing dat je doet, zou de intentie moeten hebben om te verkopen. Je verkoopt vandaag of je verkoopt morgen. Als je geen interesse hebt in verkopen, dan zou je waarschijnlijk uit de marketing moeten stappen).
Dit artikel is verdeeld in twee kernsecties: een korte geschiedenis van marketingmetingen en dan de moderne marketingmetingspiramide.
Inhoudsopgave
Een korte geschiedenis over het meten van marketing
“De helft van mijn advertentiebudget is verspild; het probleem is dat ik niet weet welke helft.”
Het meten van de resultaten van marketing heeft een lange weg afgelegd. En elke golf van technologische ontwikkeling heeft een nieuw tijdperk van verandering gebracht. Voor de jaren 60 werd er vooral gebruik gemaakt van een mix van focusgroepen en marktonderzoek om te begrijpen wat mensen zeiden over advertenties. Maar het veranderende wereldklimaat in de jaren 60 (recessie, oorlog, radicale sociale verandering – klinkt bekend?) duwde de focus naar ROI. De computer en mobiele telefoon brachten nieuwe mogelijkheden om klanten te segmenteren en data te analyseren. Voorheen kostte dit te veel mensuren. Nu kon het digitaal worden gedaan.
Naast dit alles, toen marketeers meer kennis kregen over meten, was er de opkomst van wat een McKinsey-artikel uit 1966 “test marketing” noemde. Dit, zoals John D. Louth van McKinsey schreef, kon bedrijven helpen nieuwe producten, nieuwe verpakkingen en verkoopstimulansen te analyseren. Het testen van verkoopstimulansen in de ene markt en niet in de andere, herkenbaar als een vorm van A/B-testen, valt onder wat we vandaag ‘incrementaliteitstests’ zouden noemen.
Incrementaliteit is een van die marketingtermen die me jarenlang irriteerde. Het betekent gewoon ‘deed deze activiteit wat we verwachtten?’ Je zou je kunnen afvragen waarom dit überhaupt een woord moet zijn, maar zo gaat het.
De jaren 50 was het decennium waarin de zogenaamde Vier P’s werden geïntroduceerd: Product, Prijs, Plaats en Promotie. Dit was een academische introductie in marketing, die marketeers toegang gaf tot elk gebied. Degenen die het onderscheid maakten tussen ‘groei’ en alleen ‘marketing’ zien hier mogelijk enige overlap. Groeipraktijken worden vaak verenigd in de toegang tot ‘Product’ in hun workflows. Blijkt dat we gewoon een 70 jaar oude formule lenen.
De andere grote parallelle beweging van meting was de vooruitgang van econometrie in marketing. Een tak van de economie, het stelde basisregressieanalyses in staat om de impact van marketingactiviteiten op verkoop te meten.
In de jaren 70 namen statistici aan de Universiteit van Chicago dit verder door de eerste benaderingen van marketing mix-modellering (MMM) te ontwikkelen. Deze modellen bleven zich ontwikkelen en verbeteren met de komst van technologie.
Gedeeltelijk was dit een data-uitdaging. In de jaren ’80 betekende point-of-sale scanningsdata dat er gegevens waren om landelijke verkopen te volgen. Dit kon in MMM worden gekoppeld aan marketingcampagnes.
In de jaren 90 stonden er overal ter wereld computers op elk bureau. Daarmee kwamen statistieken, data en spreadsheetsoftware die deze analytische mogelijkheden voor iedereen beschikbaar maakten.
Alles veranderde in de jaren 2000
Het internet veranderde alles om drie redenen:
- Ten eerste betekende de opkomst van e-commerce dat mensen gemakkelijk thuis dingen konden kopen. Er was geen noodzaak om naar een winkel te gaan of een formulier in een postordercatalogus in te vullen.
- Ten tweede betekende het niveau van data dat Google en Facebook hadden dat ze voorspellend konden vinden wie op dat moment in de markt was.
- Ten derde betekende de manier waarop het internet tot het eind van de jaren 2010 functioneerde dat je die klantreizen heel gemakkelijk kon volgen.
Deze drie dingen samen waren belangrijk.
In de jaren 90, als je kattenvoer verkocht, moest je wat tv-advertenties doen. Je moest ‘altijd aan’ staan omdat niet iedereen op hetzelfde moment in de markt was om dat kattenvoer te kopen.
Als klant, op elk moment in de maand, had ik misschien net wat kattenvoer gekocht en dus geen behoefte om eraan te denken. En mijn tv of krant wist niet waar ik op dat moment aan dacht. Wanneer het tijd was om wat te kopen, moest ik naar de winkel en dan onthouden welk merk ik wilde.
“Dit veranderde een groot deel van marketing in een taak van wiskunde en technische bekwaamheid in plaats van psychologie en creativiteit.”
Na Facebook, e-commerce, en data. Facebook zou die advertenties op het juiste moment aan mij laten zien wanneer ik wilde kopen. De relevantie zou hoog zijn. Facebook zou met miljoenen signalen kunnen bepalen wie kattenvoer wilde. En dan kon ik gewoon doorklikken en kopen, waardoor de noodzaak om je merk of advertentie te onthouden verdween.
Byron Sharp’s standaardtekst “How Brands Grow” werd uitgebracht aan het begin van dit digitale advertentietijdperk. Twee van de kernconcepten in dat boek waren de ideeën van mentale beschikbaarheid (het acteren om top of mind te blijven bij je klant) en fysieke beschikbaarheid (aanwezig zijn in de winkel wanneer je klaar bent om te kopen).
Zolang je online verkocht, hoefde je je geen zorgen te maken over fysieke beschikbaarheid, omdat de winkel slechts een klik verwijderd was. En mentale beschikbaarheid was minder belangrijk omdat je kon vertrouwen op technologie om de relevantie voor je advertenties te verhogen.
In de vroege jaren 2010 waren er weinig mainstream zorgen over privacy online. Tracking was eenvoudig. Dit was het echte tijdperk waarin attributie van start ging. We hadden natuurlijk al attributie. Het inwisselen van coupons was een vorm van attributie. Maar het explodeerde met het internet.
Als je € 10.000 aan Google Ads besteedde, kon je zien hoeveel mensen op de advertenties klikten en vervolgens iets kochten. Dit was en blijft revolutionair.
Je kunt ook zien waarom het technici aanspreekt. De nauwkeurige logica van het live zetten van een advertentie en dan direct een verkoop terug kunnen volgen met ruwe data erachter is aantrekkelijk. Dit veranderde een groot deel van marketing in een taak van wiskunde en technische bekwaamheid in plaats van psychologie en creativiteit. Het zorgde ook voor het idee van een ‘enkele bron van waarheid’. Het idee dat als je de datastack maar goed krijgt, er één betrouwbare manier is om alles te meten.
Als de jaren 50 begonnen met nauwelijks enige meting, waren de jaren 60 tot de 00s decennia van vooruitgang in het proberen te bewijzen dat het marketingwerk dat we deden impact had. De jaren 10 werden een decennium van extreem nauwe focus: attributie was het enige spel in de stad.
Toen kwam de privacygolf (iOS14.5, cookies, etc.)
Alles veranderde de afgelopen jaren. Mensen begonnen te twijfelen aan de data die deze platforms hadden. Opstanden en tegenreacties vonden plaats. En nu hebben onze browsers en computers en besturingssystemen allemaal ingebouwde privacymaatregelen.
Dit creëert een negatieve feedbacklus:
- De data die naar de platforms wordt teruggevoerd, wordt verminderd
- En dus zijn de platforms minder geneigd te begrijpen of een advertentie effectief is
- En dus wordt hun targeting veel slechter
De platforms hebben veel gedaan om dingen te verbeteren, maar de realiteit is dat we nooit meer teruggaan naar de ‘oude manier.’ De technologische verandering is echter niet het enige want de consument is nu technologisch meer bewust en er komen elke dag meer digitale eerst merken op. En de grotere, meer gevestigde merken, die eerder e-commerce negeerden, zijn ook overal.
Zelfs de luxesector – een sector die is ontworpen om wrijving toe te voegen aan de koopreis, en een die privé-ingangen in winkels heeft voor de 0.001% – adverteert op Instagram. Dat luxe merken zouden adverteren op platformen als Facebook en Instagram zou 10 jaar geleden ondenkbaar zijn geweest.
En terwijl we tijdens de jaren 2010 de opkomst van ‘Direct To Consumer (DTC)’ als een bedrijfsstrategie zagen, hebben de afgelopen jaren onthuld dat DTC slechts een kanaal is. En dus zijn koop reizen van mensen weer breder geworden.
Er zijn natuurlijk mensen die nu in de markt zijn, klaar om te kopen, bij voorkeur in je online winkel, en die alleen je advertentie hoeven te zien. Maar het is moeilijker om hen te bereiken. En de meerderheid van de consumenten bevindt zich niet in deze staat van gedachten op dit moment. Als gevolg hiervan moest onze aanpak van online marketing veranderen. En het tijdperk van alleen attributie in de jaren 2010 is (gelukkig/helaas, afhankelijk van je kijk) ten einde gekomen.
De moderne piramide van metingen
Laten we duidelijk zijn, er is geen enkele oplossing voor het perfect meten van je marketing. Er is geen enkele bron van waarheid. Afhankelijk van waar je je bevindt met je start-up of scale-up, zul je waarschijnlijk een mix van alle drie kernmeetmethoden moeten gebruiken.
Het halve eeuw van 1960 tot 2010 werd gedefinieerd door zijn technologische vooruitgangen en de brede verkenning van meetmethoden. De jaren 2010 werden gedefinieerd door de versmalling van die praktijken – maar we hebben nu geleerd dat die versmalling tijdelijk was. Vandaag de dag is die slinger weer teruggegaan en heeft onze aanpak zich opnieuw moeten verbreden.
We bevinden ons feitelijk in een gouden tijdperk van metingen. We negeren niet langer de geschiedenis van de meetindustrie. Maar we brengen ook de technologische praktijken van de afgelopen tien jaar erin. We gebruiken marketing mix modellering, maar nu wordt het aangedreven door machine learning. De manier waarop we bij Outsmart over metingen denken, is in een piramide. Drie lagen waar je onderaan begint en naar boven werkt. Elk bedrijf zal waarschijnlijk een vorm van alle drie doen, maar hun complexiteit zal in de loop van de tijd toenemen.
Onderaan de piramide staat attributie. Dit is de eerste laag die je waarschijnlijk moet laten werken. Attributie vandaag de dag is een geweldige manier om activiteiten binnen een kanaal te meten. Dan heb je incrementaliteitstests. Simpel gezegd: veroorzaakt deze actie de gewenste reactie?
En tenslotte heb je modellering, die kijkt naar de impact die meerdere kanalen samen hebben. Hieronder staan de verschillende manieren om over elk te denken, met opmerkingen over hoe je erover moet denken tijdens verschillende stadia van de startup-reis.
Attributie
Attributie is bijna altijd de allereerste plaats om te beginnen met metingen. Attributie probeert waarde toe te kennen aan een marketingactiviteit. En de complexiteit ontstaat wanneer je nadenkt over alle contactpunten in die klantreis.
Last-click, wat voor velen de eerste kennismaking is met metingen dankzij Google Analytics, gaat ervan uit dat het laatste contactpunt het belangrijkst is. Als je op een Google-advertentie klikt voor het product, gaat en koopt, dan neem je je Google-uitgaven, deel je die door die aankopen en kom je uit op je last-click CPA.
First-click, daarentegen, zou alle eer geven aan het allereerste deel van die reis. Als je billboard de eerste plaats was waar de klant je product zag, dan krijgt het billboard alle eer.
Als je een budget van miljoenen hebt, weet je logisch dat zowel het billboard als de Google-advertentie een bijdrage hebben geleverd aan een aankoop. Maar de meeste merken vandaag beginnen alleen digitaal. En de meeste merken beginnen met één marketingkanaal en één verkoopkanaal.
Als de enige marketing die je doet Pinterest Ads naar je Shopify-winkel is, dan kun je waarschijnlijk aannemen dat voor de meeste klanten die contactpunten hetzelfde zijn. Deze vroege dagen zijn eenvoudig, logisch en rationeel. Je kunt zien dat het uitgeven van € 5k, daarna € 25k en dan € 100k je aantal verkopen verhoogt.
De moeilijkheid ontstaat wanneer je je kanaalmix begint uit te breiden, en plotseling is de reis niet zo eenvoudig.
Meta en Google hebben allebei veel gedaan om hun attributiemodellen in de afgelopen jaren te ontwikkelen. Standaard in Meta meet je ‘1 dag bekijken, 7 dagen klikken’ – dit betekent dat als iemand binnen 7 dagen na het klikken op je advertentie, of binnen 1 dag na het bekijken van je advertentie, een aankoop doet, Meta die verkoop toeschrijft aan de advertentie.
En dan heb je multi-touch attributie (MTA) modellen, die proberen alle verschillende digitale punten samen te wegen. Een benadering is om de verantwoordelijkheid voor een conversie te verdelen over alle kanalen (lineaire modellering), een andere is om het met toenemende belangrijkheid naar de laatste klik te wegen. Het implementeren van MTA is meestal moeilijk, vereist veel data, en heeft nog steeds veel beperkingen.
Voordelen en nadelen van attributie
Het kernvoordeel van attributie is snelheid. Je kunt live attributie doen in de meeste marketingplatforms. Open FB Ads elk uur en je ziet hoe je prestaties zich gedurende de dag ontwikkelen.
Het grootste nadeel van attributie is het begrijpen van de incrementaliteit van die kanalen. Alleen omdat Google zegt dat het een € 32 CPA is, betekent niet dat het zo is. In feite zullen bijna alle kanalen ofwel over- of onderattribueren. Zelfs multi-touch attributiemodellen zijn niet compleet en altijd te vertrouwen en geven dus geen volledig begrip van kanaalprestaties.
Als vuistregel onderattribueren Meta en TikTok meestal, en Google en Microsoft zullen overattribueren.
Ik ben een beginnend merk, wat zou onze attributiebenadering moeten zijn?
Bij Outsmart raden we altijd aan dat attributie geweldig werkt voor het vergelijken van in-kanaalactiviteit met andere in-kanaalactiviteit. Dat wil zeggen, als je de impact van twee campagnes of advertenties in Facebook wilt meten, dan is het controleren van de vergelijkende CPAs van die campagnes een geweldige manier om dit te doen.
Die CPA vertelt echter niet het hele verhaal. Het houdt geen rekening met de gebruikersreizen waar de advertentie impact had, zelfs als de data er niet was. Kortom:
- Gebruik Facebook-CPA’s om Facebook-activiteit te meten
- Gebruik Google-CPA’s om Google-activiteit te meten, enzovoort…
- Neem die CPA’s niet als het hele verhaal – er zal andere activiteit zijn die voortkomt uit die advertenties die niet wordt toegeschreven
- Sommige kanalen zullen waarschijnlijk overattribueren (Google Ads)
- en sommige kanalen zullen waarschijnlijk onderattribueren (zie TikTok Ads)
Incrementaliteitstests
Incrementaliteitstests bestaan al decennia. Wanneer een merk tv-advertenties in de Utrecht zou uitzenden, maar niet in Friesland, was dat een incrementaliteitstest. Hoe meet je het? Voer de activiteit uit en de controleactiviteit, en meet dan de impact op de verkoop in twee regio’s. Als je € 1 miljoen aan tv-uitgaven in Utrecht hebt en €0 in Friesland, wil je €1 miljoen aan koopgedrag zien in de eerste.
Het was niet alleen tv, maar print, DM, out of home, radio, deze kunnen allemaal worden getest met incrementaliteitstests.
Het internet bracht veel meer incrementaliteitstests. De explosie van A/B-testen – of het nu in je e-mailmarketing of met websiteconversie is – is ingebakken in het idee van incrementaliteitstests. Wat is de werkelijke impact van die activiteit?
Als het gaat om de advertentieplatforms, hebben ze een briljant vermogen om doelgroepen bij de bron uit te sluiten. Meta en Google hebben beide conversie lift mogelijkheden. Deze splitsen een doelgroep, waarbij een experimentele groep wordt blootgesteld aan advertenties en een controlegroep niet. Het verschil tussen de twee is de werkelijke incrementele waarde van je activiteit.
Dat gezegd hebbende, deze tools zijn alleen beschikbaar voor bepaalde adverteerders, op een bepaald niveau, met accountmanagers. Ze zijn ook duur om uit te voeren: je moet activiteiten voor een bepaalde periode uitvoeren, met controlegroepen of controle groepen. Dit betekent waarschijnlijk minder efficiëntie tijdens die testperiode. Dit is de prijs van nauwkeurigheid.
Voordelen en nadelen van incrementaliteitstests
Het kernvoordeel van incrementaliteitstests is het weten dat de activiteit die je deed verantwoordelijk was voor de actie die het zei dat het deed. Het is de meest nauwkeurige manier om dit te begrijpen. Het grootste nadeel is dat om dit nauwkeurig te doen op acquisitiekanalen, dit meestal vrij duur is. Toegang krijgen tot de relevante tools op Meta of Google hangt af van het hebben van accountmanagers. Of het bouwen van complexe statistische modellen.
Ik ben een beginnend merk, wat zou onze incrementaliteitsaanpak moeten zijn?
Ten eerste, het is gemakkelijk om incrementaliteitstests te doen wanneer je meer van de data bezit. Met je e-mailmarketing kun je deze tests eenvoudig uitvoeren. Splits een e-maillijst doormidden, geef de ene helft één reis en de andere een andere, en meet dan het incrementele verschil in inkomsten tussen de twee.
Ten tweede, je kunt lichte incrementaliteitstests uitvoeren door locaties op te splitsen. Wil je een nieuw marketingkanaal testen? Waarom niet alleen de activiteit in Zuid-Holland voor de eerste maand uitvoeren? Kijk dan na die maand naar je data, als je een target CPA van € 30 hebt, en je € 20k uitgeeft, kun je dan 666 aankopen in Zuid-Holland identificeren die je niet in Utrecht had?
Naarmate je groter wordt, zijn er andere tools beschikbaar voor je. Zodra je multi-channel bent en hoge vijf- of lage zes cijfers per maand of meer uitgeeft aan marketing, kun je beginnen met het uitvoeren van echte experimenten. Als je een accountmanager hebt, kun je conversielift tests uitvoeren. En als je dat niet doet, kun je deze uitvoeren met een R-pakket zoals Meta’s GeoLift.
Modellering
In de afgelopen jaren heb je ongetwijfeld de term ‘marketing mix modellering’ (MMM) naar voren horen komen. MMM is een statistische analysetechniek die wordt gebruikt om de impact van een hele marketingmix, inclusief activiteiten zoals kortingen en prijsstelling (hallo Vier P’s), te meten. Je kunt elk aantal invoerwaarden instellen om te begrijpen hoe elk element zijn rol speelt.
MMM modelleert historische data om je een begrip te geven van hoe deze verschillende elementen samenwerken. MMM is geweldig voor het bieden van het breedste mogelijke beeld. Maar het is ook niet relevant totdat je groot bent. Eenvoudig gezegd, als je slechts één of twee kanalen hebt, verspil dan je tijd niet aan MMM. Je zou de impact van die kanalen moeten kunnen identificeren met incrementaliteitstests.
Als je al een tijd als merk actief bent met marketing, dan is het integreren van MMM het laatste deel van de piramide. Je kunt ofwel een MMM bouwen met open source (zoals Meta Robyn), of het kopen van een van de verschillende leveranciers die in de afgelopen jaren zijn opgekomen.
MMM is niet de enige vorm van modellering. Er zijn twee manieren waarop vroege fase merken kunnen denken aan het modelleren van hun marketingeffectiviteit voordat ze het MMM-stadium bereiken.
Blended CPA
Als je €30k aan marketing uitgeeft in een maand, ongeacht het kanaal, wil je zien dat de activiteit iets doet.
De eenvoudigste manier hier is om een blended CPA te begrijpen. Neem al die marketinguitgaven en deel ze door het aantal nieuwe klanten in een maand.
Verhoog de uitgaven met 50% de volgende maand en meet opnieuw. Zijn je nieuwe klanten ook met 50% toegenomen? Zo ja, dan is het goed, probeer dan de uitgaven opnieuw te verhogen.
Blended CPA is rudimentair maar een essentieel onderdeel van vroege fase metingen. Het is vooral belangrijk omdat het de nuance van kanaalattributie herkent, voordat je op een niveau bent waar je je incrementaliteitstests kunt veroorloven.
Basis modellering met post-enquête
De vraag ‘hoe hoorde je voor het eerst over ons’ is een geweldige basis manier om cross-channel effectiviteit te begrijpen. Stel deze vraag aan het einde van een enquête en begin de mix te begrijpen van waar gebruikers voor het eerst over je horen.
Je kunt dit vervolgens gebruiken om daarna verdere experimenten uit te voeren. Is PR goed voor 15% van deze reacties, maar slechts 2% van het marketingbudget? Wat gebeurt er als je probeert het PR-budget te verdrievoudigen terwijl je andere kanalen stabiel houdt, verhoogt dit het percentage hier?
Voordelen en nadelen van modellering
Echte modellering (zoals met MMM) heeft het grootste voordeel van het demonstreren van cross-channel effectiviteit van je inspanningen. Het grootste nadeel is de hoeveelheid data, tijd en geld die nodig is om dit te doen.
Ik ben een beginnend merk, wat zou onze modelleringsaanpak moeten zijn?
De lichtere modellering methoden zijn echter de moeite waard om vroeg te introduceren. Ze zullen je een goed stuur geven om dan op andere manieren te experimenteren.
Ik zou vanaf dag één naar blended CPA kijken, en de post-enquête vraag zo vroeg mogelijk introduceren. Naarmate je marketingactiviteiten in de loop van de tijd verschuiven, begin je te modelleren hoe die respons verandert.
Slotgedachten
Marketingmeting is niet perfect. Er is geen enkele bron van waarheid.
Het is belangrijk om elk element van onze piramide in je meetaanpak op te nemen. Begin onderaan: krijg attributie op zijn plaats eerst. Voer eenvoudige A/B-experimenten uit waar je kunt. En mix je kanalen eenvoudig om de algehele CPA te begrijpen.
Naarmate je groter wordt, zorg ervoor dat je de meetcomplexiteit niet verhoogt omwille van het verhogen van complexiteit. Vroeg of laat wordt dit iemands hele baan, en dan al snel het werk van een heel team. Dit maakt je meestal niet vrij om meer marketing te doen, het doet meestal het tegenovergestelde.
Als je een consumentenmerk in Nederland bent met een sterke PMF, kun je waarschijnlijk € 5-10 miljoen per jaar krijgen met één of twee kanalen. Je hebt geen MMM nodig wanneer je alleen Meta en Google Ads uitvoert.
Het is ook iets waar ik rekening mee zou houden bij het nadenken over complexiteit in je algemene strategie. Een enkel verkoopkanaal hebben (d.w.z. Shopify) is enorm voordelig omdat het de complexiteit vermindert. Zoals Charles Instone zei in het interview dat ik met hem deed, het verkopen in meerdere leveranciers alleen complexiteit toevoegt. Het is moeilijker om te meten, de reizen zijn troebeler.
