I gruppi di asset Performance Max stanno distruggendo il tuo feed: Analisi di un audit da $200k

Abbiamo passato marzo ad analizzare tre brand DTC a otto cifre—mobili, abbigliamento sportivo, skincare—tutti con campagne ibride PMax e Shopping Standard. Stessa lamentela da tutti e tre i responsabili performance: il budget si stava spostando verso PMax, il ROAS sembrava accettabile, ma il margine lordo era sceso del 18-22% trimestre su trimestre. Il colpevole non erano le offerte, i creativi o i segnali di pubblico. Era l'architettura del loro feed prodotti, e i gruppi di asset PMax hanno amplificato ogni difetto strutturale su scala.

Il problema da $200k: Perché PMax ha promosso i nostri prodotti peggiori

Il brand uno vendeva mobili modulari. Le loro campagne Shopping Standard usavano etichette personalizzate per separare gli SKU di punta (divani, AOV $800+, margine 42%) dagli accessori (cuscini decorativi, AOV $35, margine 18%). Performance Max è partito a gennaio con un singolo gruppo di asset che copriva "tutti i prodotti" e un feed privo di valori gerarchici product_type. A metà marzo, il 67% della spesa PMax andava ad accessori sotto i $50. I ricavi incrementali totali sembravano buoni—$340k—ma il contributo netto dopo evasione e costo prodotto era $61k. Lo stesso budget nelle loro campagne Shopping Standard in pausa storicamente generava $140k di contributo.

Abbiamo estratto il feed. Ogni prodotto aveva product_type impostato sul nome della collezione Shopify: "Soggiorno", "Camera da letto", "Accessori". Nessuna tassonomia. Nessuna struttura genitore-figlio. Secondo la documentazione ufficiale sui gruppi di asset di Google, PMax usa product_type e google_product_category per comprendere le relazioni tra prodotti e allocare il budget all'interno dei gruppi di asset. Categorie piatte significano che l'algoritmo tratta un divano componibile da $900 e un cuscino da $28 come inventario ugualmente prezioso nello stesso gruppo. Ottimizza per il volume di conversioni, non per il margine, e i cuscini convertono più velocemente a CPC più bassi.

Il brand due—abbigliamento sportivo—aveva il problema inverso. Segmentavano i gruppi di asset per genere (Uomo, Donna, Unisex), ma il loro campo product_type concatenava tessuto e stile: "Leggings Traspiranti", "Magliette in Cotone", "Pantaloncini a Compressione". Nessuna categoria genitore condivisa. PMax non poteva raggruppare "Leggings" sotto "Pantaloni" o "Magliette" sotto "Top", quindi trattava 140 varianti di prodotto come 140 categorie distinte. I gruppi di asset frammentavano la spesa in micro-segmenti, nessuno raggiungeva la fase di apprendimento. Il CPA è salito del 34% mese su mese mentre Shopping Standard—usando etichette personalizzate come label_0:high-margin—manteneva performance stabili.

Ecco l'erosione del margine che abbiamo visto in tutti e tre i brand nel Q1 2026:

Il filo conduttore: feed strutturati per la navigazione umana (collezioni Shopify, categorie WooCommerce) ma non per la segmentazione algoritmica. I gruppi di asset non possono auto-regolarsi senza un'impalcatura del feed.

Come i gruppi di asset ereditano una cattiva architettura del feed

I gruppi di asset Performance Max non sono stupidi. Fanno emergere segnali dal tuo feed, creativi pubblicitari, landing page e dati first-party, quindi allocano il budget dinamicamente. Il problema è garbage in, garbage out. Se i campi product_type, custom_label_0-4 e item_group_id del tuo feed non codificano margine, velocità o priorità strategica, PMax interpreta tutto l'inventario come equivalente e ottimizza per il percorso di minor resistenza—solitamente acquisti impulsivi a basso AOV.

Vediamo cinque errori di architettura del feed che sabotano i gruppi di asset:

1. Gerarchia product_type piatta o mancante. Valori a singolo livello ("Abbigliamento") impediscono a PMax di comprendere le relazioni tra prodotti. Google raccomanda fino a cinque livelli: Abbigliamento e Accessori > Abbigliamento > Sportivo > Leggings > Vita Alta.

2. Nessuna etichetta personalizzata per livelli di margine. custom_label_0 dovrebbe segmentare margine alto/medio/basso. custom_label_1 può codificare stagionalità o rischio inventario. Senza questi, PMax non può distinguere tra uno SKU di punta e un articolo in saldo.

3. Uso inconsistente di item_group_id. Se vendi varianti (colore, taglia), tutte le varianti dovrebbero condividere un item_group_id e avere valori id unici. Raggruppamenti interrotti causano PMax a trattare una camicia blu e una rossa come prodotti non correlati, frammentando l'apprendimento.

4. Titoli generici o riempiti di keyword. Titoli come "Acquista Maglietta Premium in Cotone Organico Online Miglior Prezzo" confondono il clustering tematico dei gruppi di asset. PMax usa la semantica dei titoli per mappare i prodotti agli asset creativi. Lo spam di keyword degrada quella mappatura.

5. Campi description vuoti o segnaposto. Le descrizioni alimentano la comprensione di PMax dei benefici e casi d'uso del prodotto. Una descrizione generica di 20 parole copiata su 500 SKU non dà all'algoritmo nulla su cui differenziare.

Il brand mobili aveva i problemi 1, 2 e 5. Abbiamo esportato il loro feed Merchant Center ed eseguito un rapido audit Python:

import pandas as pd

df = pd.read_csv('product_feed.csv')

# Controlla profondità product_type
df['pt_levels'] = df['product_type'].str.count('>') + 1
print(df['pt_levels'].value_counts())
# Output: 1.0  →  2,847 righe (100% singolo livello)

# Controlla etichette personalizzate
print(df[['custom_label_0','custom_label_1']].isna().sum())
# Output: custom_label_0  2847, custom_label_1  2847 (tutti vuoti)

# Controlla unicità descrizione
print(df['description'].nunique(), '/', len(df))
# Output: 23 / 2847 (23 descrizioni uniche su 2.847 SKU)

Quando abbiamo ristrutturato il loro feed—aggiungendo product_type a cinque livelli, popolando custom_label_0 con fasce di margine e riscrivendo le descrizioni con categorizzazione prodotti basata su AI—le performance dei gruppi di asset PMax si sono stabilizzate in due settimane. I divani ad alto margine hanno riconquistato il 51% delle impressioni, e il margine di contributo è recuperato di 14 punti percentuali.

La gerarchia Product_Type che PMax effettivamente necessita (con esempi)

Le specifiche del feed di Google consentono fino a cinque livelli in product_type, delimitati da >. La maggior parte delle piattaforme e-commerce imposta per default due o tre livelli basati sulle categorie del negozio, ma PMax beneficia di gerarchie più profonde e consapevoli del margine. Ecco come abbiamo ricostruito product_type per i tre brand:

Mobili (prima):

Soggiorno
Camera da letto
Accessori

Mobili (dopo):

Mobili > Sedute > Divani > Componibili > Premium
Mobili > Sedute > Sedie > Decorative > Mid-Tier
Mobili > Decorazioni > Cuscini Decorativi > Decorativi > Budget

Abbigliamento sportivo (prima):

Leggings Traspiranti
Magliette in Cotone
Pantaloncini a Compressione

Abbigliamento sportivo (dopo):

Abbigliamento > Donna > Pantaloni > Leggings > Alta Performance
Abbigliamento > Donna > Top > Magliette > Essenziali
Abbigliamento > Uomo > Pantaloni > Pantaloncini > Compressione

Skincare (prima):

Idratanti
Sieri
Detergenti

Skincare (dopo):

Skincare > Viso > Idratanti > Anti-Age > Lusso
Skincare > Viso > Sieri > Vitamina C > Core
Skincare > Viso > Detergenti > Gel > Convenienza

Nota il pattern: Categoria > Genere o Stanza > Tipo Prodotto > Stile o Beneficio > Livello Margine. Il livello finale codifica esplicitamente la priorità strategica (Premium, Core, Budget o Lusso, Mid-Tier, Convenienza). Questo ti permette di creare gruppi di asset per valori di livello quattro e usare il livello cinque per controllare l'allocazione del budget tramite target di smart bidding.

Abbiamo anche popolato custom_label_0 con fasce di margine e custom_label_1 con rischio inventario (Sempreverde, Stagionale, Liquidazione). Combinato con la nuova gerarchia, i gruppi di asset PMax potevano auto-segmentarsi senza esclusioni manuali di gruppi di inserzioni.

Una nota importante: product_type è testo libero, mentre google_product_category deve corrispondere alla tassonomia di Google. Usa product_type per segmentazione strategica e google_product_category per conformità. PMax legge entrambi, ma product_type ha più peso per il targeting dei gruppi di asset perché è unico per il tuo catalogo.

Checklist di audit: 8 attributi del feed che controllano il comportamento di PMax

Quando sospetti che PMax stia cannibalizzando il margine, controlla questi otto campi del feed prima di toccare offerte o impostazioni dei gruppi di asset. Usiamo questa checklist ad ogni onboarding di clienti:

Il brand mobili aveva problemi critici nelle righe 1-4, problemi medi nelle righe 5-6. Il brand abbigliamento sportivo aveva problemi critici nelle righe 1 e 3, più un problema unico: il loro item_group_id usava prefissi SKU che cambiavano stagionalmente, quindi leggings Primavera 2025 e leggings Autunno 2025 erano trattati come prodotti non correlati. PMax non poteva trasferire l'apprendimento tra stagioni.

Dopo aver corretto quegli otto attributi, abbiamo reinviato i feed a Merchant Center e rilanciato le campagne PMax con gruppi di asset ristrutturati. Il brand skincare ha visto il recupero più rapido—recupero margine a pareggio in 11 giorni—perché il loro catalogo era il più piccolo (340 SKU) e il più pulito post-correzione.

Per una guida dettagliata sulla strategia delle etichette personalizzate, vedi la nostra analisi su come i brand DTC usano le etichette personalizzate per controllare la spesa pubblicitaria. Quel post include template di schema etichette per prodotti in abbonamento, bundle e matrici margine-rischio.

Struttura delle campagne: Quando separare PMax da Shopping Standard

Una delle domande più comuni: Dovremmo eseguire PMax e Shopping Standard simultaneamente, o consolidare in PMax? La risposta dipende dalla maturità del feed e dalla varianza del margine.

Esegui ibrido (PMax + Shopping Standard) se:

• Il tuo catalogo ha alta varianza di margine (es. margine lordo 10-50% tra SKU). Shopping Standard con gruppi di inserzioni manuali ti permette di proteggere i prodotti di punta.
• Hai bisogno di controllo granulare sul traffico branded vs. non-branded. PMax combina Search, Shopping, Display, YouTube e Discover; Shopping Standard è solo Shopping.
• Il punteggio di audit del tuo feed è <70/100 (nostro benchmark interno: 8 attributi × 10 punti ciascuno, detrazioni per campi mancanti/interrotti). Pulisci prima il feed, poi consolida.

Consolida in PMax se:

• Il tuo catalogo è margine-omogeneo (es. tutti gli SKU hanno margine 35-45%). PMax ottimizzerà per ricavi senza rischio margine.
• Hai immagini prodotto di alta qualità, asset video e budget sufficiente per raggiungere la fase di apprendimento tra i gruppi di asset ($500+/giorno per gruppo).
• Il tuo feed ha product_type gerarchico, etichette personalizzate popolate e descrizioni uniche. PMax ha bisogno di questi per auto-segmentarsi efficacemente.

Sosteniamo un approccio graduale. Inizia ibrido, anche se il tuo feed è pulito. Alloca 60-70% del budget a Shopping Standard e 30-40% a PMax. Monitora il contributo margine per canale settimanalmente. Se PMax offre costantemente efficienza di margine comparabile o migliore dopo 30 giorni e quattro cicli completi di apprendimento, sposta altri 20pp di budget. Se il margine si degrada, metti in pausa PMax e diagnostica i problemi del feed prima di riprendere.

Il brand mobili ha eseguito ibrido per 60 giorni post-correzione-feed. Al giorno 45, il margine di contributo PMax eguagliava Shopping Standard (39,2% vs. 39,8%), quindi sono passati a 50/50. Al giorno 75, PMax era in vantaggio (41,1% vs. 38,4%), e sono passati a 70/30 a favore di PMax. La chiave: non hanno consolidato alla cieca. Hanno convalidato le modifiche del feed con i dati.

Un errore strutturale che vediamo spesso: eseguire una singola campagna PMax "tutti i prodotti". Se il tuo catalogo copre più verticali o livelli di margine, dividi in 2-4 gruppi di asset con filtri product_type non sovrapposti. Ad esempio, il brand abbigliamento sportivo eseguiva tre gruppi di asset:

1. Core Alto Margine (Leggings, Reggiseni Sportivi, Joggers): product_type contiene "Alta-Performance" o "Core", custom_label_0 = "Alto Margine"
2. Essenziali (Magliette, Canotte, Calzini): product_type contiene "Essenziali", custom_label_0 = "Medio Margine"
3. Liquidazione/Stagionale (Colori stagione scorsa, stili dismessi): custom_label_1 = "Liquidazione"

Ogni gruppo di asset aveva target ROAS distinti (2,8×, 2,2×, 1,5×) e set creativi che enfatizzavano diverse value proposition (performance, versatilità, prezzo). Questo ha permesso a PMax di ottimizzare entro guardrail di margine piuttosto che mescolare alto e basso AOV in un singolo pool di apprendimento.

Numeri reali: Recupero margine dopo ristrutturazione feed

Abbiamo tracciato tutti e tre i brand per 90 giorni post-correzione-feed. Ecco il sollevamento del contributo margine per settimana, indicizzato alla settimana zero (baseline pre-correzione = 100):

Il contributo margine medio è migliorato del 29% alla settimana 12. Il brand mobili—che aveva la qualità del feed iniziale peggiore—ha visto il recupero assoluto più grande: da $61k a $142k di contributo netto mensile con la stessa spesa PMax di $88k. È una oscillazione mensile di $81k, o $972k annualizzati, solo dalle correzioni del feed.

Abbiamo anche tracciato le performance non-PMax per controllare fattori esterni (stagionalità, calendari promozionali). Il contributo di Shopping Standard e social a pagamento è rimasto piatto ±3pp, confermando che l'aumento era specifico di PMax. Il meccanismo: gerarchie product_type migliori hanno permesso a PMax di allocare il budget a SKU con margine più alto, e descrizioni + titoli unici hanno migliorato i punteggi di rilevanza degli annunci, abbassando i CPC dell'11-17%.

Un beneficio non ovvio: il LTV del cliente è migliorato. Quando PMax promuove SKU ad alto margine, acquisisci clienti attraverso prodotti migliori. I clienti provenienti da PMax del brand mobili avevano un LTV a 180 giorni superiore del 18% rispetto ai clienti PMax pre-correzione, probabilmente perché i divani componibili (alto margine) sono acquisti considerati che ancorano una stanza, mentre i cuscini (basso margine) sono aggiunte impulsive. Miglior mix prodotto primo ordine → coorti clienti più forti.

Per i brand scettici sull'investimento nel feed, offriamo un audit gratuito che valuta il tuo feed sugli otto attributi critici e stima il potenziale di recupero margine. Il punteggio iniziale del brand mobili era 28/100; post-correzione era 91/100. Quel miglioramento di 63 punti ha sbloccato l'aumento mensile di $81k.

FAQ

Articoli correlati

google shopping

Shopping Zero-Click: Ottimizzare i Feed per il Pannello di Conoscenza dei Prodotti Google

Google ora mostra prezzo, disponibilità e specifiche direttamente nei risultati di ricerca per il 34% delle query di prodotto. Scopri come ottimizzare il tuo feed Shopping e il markup schema per dominare il Pannello di Conoscenza e proteggere la visibilità delle ricerche di brand.

14 mag 2026·20 min

google shopping

Modificatori di offerta Google Shopping vs. segmentazione feed: test ROI

Un test di 90 giorni su tre settori verticali rivela perché la segmentazione a livello di feed offre un controllo 2-3x maggiore e un CAC inferiore rispetto alle tattiche standard con modificatori di offerta per le campagne Google Shopping su larga scala.

13 mag 2026·20 min

google shopping

Strategia delle Etichette Personalizzate: Come 3 Brand DTC Hanno Raggiunto un ROAS a 8 Cifre

Decostruisci le architetture di etichette personalizzate basate su margine-velocità, stagionalità e LTV che hanno permesso a tre brand DTC di superare il plateau dei $50k/mese e raggiungere un ROAS a 8 cifre su Google Shopping.

12 mag 2026·16 min