I gruppi di asset di Performance Max ereditano i difetti della struttura del feed—in particolare gerarchie product_type mancanti—e spingono sistematicamente SKU a basso margine. Abbiamo analizzato $200k di spesa sprecata su tre brand e trovato le stesse cause radicate a livello del feed ogni volta.
A marzo abbiamo analizzato tre brand DTC con fatturato a otto cifre—arredamento, abbigliamento sportivo, skincare—tutti che gestivano hybrid PMax e Shopping Standard. Lo stesso reclamo da tutti e tre i head-of-performance: il budget si stava spostando verso PMax, il ROAS sembrava accettabile, ma il margine lordo calava del 18-22% trimestre dopo trimestre. Il colpevole non era il bid, la creatività o i segnali di audience. Era la loro architettura del feed di prodotti, e i gruppi di asset PMax amplificavano ogni flaw strutturale su scala.
Il Problema da $200k: Perché PMax ha Promosso i Nostri Peggiori Prodotti
Il brand uno vendeva arredamento modulare. Le loro campagne Shopping Standard utilizzavano etichette personalizzate per separare SKU hero (divani, AOV $800+, margine 42%) da accessori (cuscini decorativi, AOV $35, margine 18%). Performance Max è stato lanciato a gennaio con un singolo gruppo di asset coprendo "tutti i prodotti" e un feed privo di valori product_type gerarchici. Entro metà marzo, il 67% della spesa PMax andava agli accessori sotto i $50. Il ricavo incrementale totale era buono—$340k—ma il contributo netto dopo fulfillment e costo del prodotto era solo $61k. Lo stesso budget nelle loro campagne Shopping Standard in pausa consegnava storicamente $140k di contributo.
Abbiamo estratto il feed. Ogni prodotto aveva product_type impostato al nome della raccolta Shopify: "Living Room", "Bedroom", "Accessories". Nessuna tassonomia. Nessuna struttura parent-child. Secondo la documentazione ufficiale di Google sui gruppi di asset, PMax utilizza product_type e google_product_category per capire le relazioni tra prodotti e allocare il budget nei gruppi di asset. Le categorie flat significano che l'algoritmo tratta una secção da $900 e un cuscino da $28 come inventario equivalentemente prezioso nello stesso gruppo. Ottimizza per volume di conversioni, non per margine, e i cuscini si convertono più velocemente con CPC più bassi.
Se il tuo feed ha valori product_type a livello singolo (ad es., "Shoes" invece di "Footwear > Athletic > Running"), Performance Max non può differenziare i tier di prodotto all'interno di un gruppo di asset. Predefinitamente promuoverà quello che si converte più velocemente, indipendentemente dall'economia dell'unità.
Il brand due—abbigliamento sportivo—aveva il problema inverso. Segmentavano i gruppi di asset per genere (Men's, Women's, Unisex), ma il loro campo product_type concatenava tessuto e stile: "Moisture-Wicking Leggings", "Cotton Tees", "Compression Shorts". Nessuna categoria parent condivisa. PMax non poteva raggruppare "Leggings" sotto "Bottoms" o "Tees" sotto "Tops", quindi trattava 140 varianti di prodotto come 140 categorie distinte. I gruppi di asset frammentavano la spesa su micro-segmenti, nessuno raggiungeva la fase di learning. Il CPA è salito del 34% mese dopo mese mentre Shopping Standard—utilizzando etichette personalizzate come label_0:high-margin—manteneva performance stabile.
Ecco l'erosione dei margini che abbiamo visto su tutti e tre i brand nel Q1 2026:
| Brand | Shift Channel Mix | Cambio Ricavo | Margine Lordo Δ | Perdita Contributo Netto |
|---|---|---|---|---|
| Furniture (DTC) | +40pp verso PMax | +12% | -22pp | -$87k |
| Activewear | +35pp verso PMax | +8% | -18pp | -$63k |
| Skincare | +28pp verso PMax | +6% | -19pp | -$52k |
Il filo conduttore comune: 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 scaffolding del feed.
Come i Gruppi di Asset Ereditano la Cattiva Architettura del Feed
I gruppi di asset di Performance Max non sono stupidi. Emergono segnali dal tuo feed, creatività pubblicitaria, 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 uguale e ottimizza per il percorso di minor resistenza—solitamente acquisti low-AOV impulsivi.
Vediamo cinque errori di architettura del feed che sabotano i gruppi di asset:
-
Gerarchia
product_typeflat o mancante. Valori a livello singolo ("Apparel") impediscono a PMax di capire le relazioni tra prodotti. Google consiglia fino a cinque livelli:Apparel & Accessories > Clothing > Activewear > Leggings > High-Waisted. -
Nessuna etichetta personalizzata per tier di margine.
custom_label_0dovrebbe segmentare margine alto/medio/basso.custom_label_1può codificare stagionalità o rischio inventario. Senza questi, PMax non può distinguere tra uno SKU hero e un articolo clearance. -
Utilizzo incoerente di
item_group_id. Se vendi varianti (colore, taglia), tutte le varianti dovrebbero condividere unitem_group_ide avere valoriidunici. Il raggruppamento rotto causa a PMax di trattare una maglietta blu e una rossa come prodotti non correlati, frammentando il learning. -
Titoli generici o keyword-stuffed. Titoli come "Buy Premium Organic Cotton T-Shirt Online Best Price" confondono il theme clustering dei gruppi di asset. PMax utilizza la semantica del titolo per mappare prodotti a creative asset. Lo spam di keyword degrada quella mappatura.
-
Campi
descriptionvuoti o placeholder. Le descrizioni alimentano la comprensione di PMax sui benefici del prodotto e i casi d'uso. Una descrizione generica di 20 parole copiata su 500 SKU non dà all'algoritmo nulla su cui differenziare.
Il feed del brand furniture aveva problemi 1, 2 e 5. Abbiamo esportato il loro feed di Merchant Center e eseguito un audit Python veloce:
import pandas as pd
df = pd.read_csv('product_feed.csv')
# Verifica profondità product_type
df['pt_levels'] = df['product_type'].str.count('>') + 1
print(df['pt_levels'].value_counts())
# Output: 1.0 → 2,847 rows (100% singolo livello)
# Verifica etichette personalizzate
print(df[['custom_label_0','custom_label_1']].isna().sum())
# Output: custom_label_0 2847, custom_label_1 2847 (tutti vuoti)
# Verifica 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, compilando custom_label_0 con bucket di margine, riscrivendo descrizioni con categorizzazione dei prodotti guidata da AI—la performance del gruppo di asset PMax si è stabilizzata entro due settimane. I divani ad alto margine hanno reclamato il 51% delle impressioni, e il margine di contribuzione si è ripreso di 14 punti percentuali.
La Gerarchia Product_Type che PMax Effettivamente Necessita (Con Esempi)
La specifica del feed di Google consente fino a cinque livelli in product_type, delimitati da >. La maggior parte delle piattaforme e-commerce predefinisce da due a tre livelli basati su categorie di vetrina, ma PMax beneficia di gerarchie più profonde, consapevoli del margine. Ecco come abbiamo ricostruito product_type per i tre brand:
Furniture (prima):
Living Room
Bedroom
Accessories
Furniture (dopo):
Furniture > Seating > Sofas > Sectional > Premium
Furniture > Seating > Chairs > Accent > Mid-Tier
Furniture > Decor > Throw Pillows > Decorative > Budget
Activewear (prima):
Moisture-Wicking Leggings
Cotton Tees
Compression Shorts
Activewear (dopo):
Apparel > Women's > Bottoms > Leggings > High-Performance
Apparel > Women's > Tops > T-Shirts > Essentials
Apparel > Men's > Bottoms > Shorts > Compression
Skincare (prima):
Moisturizers
Serums
Cleansers
Skincare (dopo):
Skincare > Face > Moisturizers > Anti-Aging > Luxury
Skincare > Face > Serums > Vitamin C > Core
Skincare > Face > Cleansers > Gel > Value
Nota il pattern: Category > Gender o Room > Product Type > Style o Benefit > Margin Tier. L'ultimo livello codifica esplicitamente la priorità strategica (Premium, Core, Budget oppure Luxury, Mid-Tier, Value). 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 bid intelligenti.
Abbiamo anche compilato custom_label_0 con bucket di margine e custom_label_1 con rischio inventario (Evergreen, Seasonal, Clearance). Combinato con la nuova gerarchia, i gruppi di asset PMax potevano auto-segmentarsi senza esclusioni manuali di listing group.
Se il tuo feed ha 1.000+ SKU e la categorizzazione manuale è impraticabile, strumenti come MagicFeed Pro possono auto-generare valori product_type gerarchici usando GPT-4 e i dati di titolo/descrizione del tuo catalogo. Abbiamo ricostruito il feed da 2.847 SKU del brand furniture in 90 minuti.
Una nota importante: product_type è testo libero, mentre google_product_category deve corrispondere alla tassonomia di Google. Usa product_type per la segmentazione strategica e google_product_category per la conformità. PMax legge entrambi, ma product_type ha più peso per il targeting dei gruppi di asset perché è unico nel tuo catalogo.
Checklist di Audit: 8 Attributi del Feed che Controllano il Comportamento di PMax
Quando sospetti che PMax stia cannibalizzando il margine, audita questi otto campi del feed prima di toccare bid o impostazioni dei gruppi di asset. Usiamo questa checklist su ogni onboarding di cliente:
| Attributo | Domanda di Audit | Red Flag | Priorità Fix |
|---|---|---|---|
product_type | La gerarchia è ≥3 livelli? Il livello più profondo codifica il margine? | Singolo livello o mancante | Critica |
custom_label_0 | Segmenta prodotti per tier di margine (High/Med/Low)? | Vuoto o valori non-margine | Critica |
custom_label_1 | Segnala stagionalità, rischio inventario o idoneità promo? | Vuoto o duplica custom_label_0 | Alta |
item_group_id | Tutte le varianti dello stesso prodotto sono raggruppate sotto un ID? | Mancante o unico per variante | Alta |
title | È descrittivo (brand + tipo + attributi chiave) senza keyword spam? | Generico o 15+ parole | Media |
description | È unico per SKU e ≥100 caratteri? | Boilerplate copiato o <50 caratteri | Media |
price + sale_price | Entrambi compilati? sale_price è impostato solo se effettivamente scontato? | Prezzi permanenti "in sconto" o vuoti | Media |
availability | È real-time? (In stock / Out of stock / Preorder) | Statico "in stock" per tutti gli SKU | Bassa |
Il brand furniture aveva problemi critici nei righi 1-4, problemi medi nei righi 5-6. Il brand activewear aveva problemi critici nei righi 1 e 3, più un problema unico: il loro item_group_id usava prefissi SKU che cambiavano stagionalmente, quindi i leggings Spring 2025 e quelli Fall 2025 erano trattati come prodotti non correlati. PMax non poteva trasferire learning tra stagioni.
Dopo aver risolto questi otto attributi, abbiamo risottomesso i feed a Merchant Center e rilanciato le campagne PMax con gruppi di asset ristrutturati. Il brand skincare ha visto il turnaround più veloce—il recupero margine ha raggiunto il pareggio in 11 giorni—perché il loro catalogo era il più piccolo (340 SKU) e il più pulito dopo la fix.
Per una guida dettagliata sulla strategia dei custom label, vedi il nostro breakdown su come i brand DTC usano custom label per controllare la spesa pubblicitaria. Quel post include template di schema di label per prodotti in abbonamento, bundle e matrici di rischio margine.
Struttura della Campagna: Quando Separare PMax da Shopping Standard
Una delle domande più comuni che riceviamo: Dovremmo eseguire PMax e Shopping Standard simultaneamente, o consolidare in PMax? La risposta dipende dalla maturità del feed e dalla varianza di margine.
Esegui hybrid (PMax + Shopping Standard) se:
- Il tuo catalogo ha alta varianza di margine (ad es., margine lordo 10-50% su SKU). Shopping Standard con listing group manuali ti permette di proteggere i prodotti hero.
- Hai bisogno di controllo granulare su traffico branded vs. non-branded. PMax combina Search, Shopping, Display, YouTube e Discover; Shopping Standard è solo Shopping.
- Il tuo feed audit score è <70/100 (nostro benchmark interno: 8 attributi × 10 punti ciascuno, detrazioni per campi mancanti/rotti). Pulisci il feed prima, poi consolida.
Consolida in PMax se:
- Il tuo catalogo è margine-omogeneo (ad es., tutti gli SKU sono 35-45% margine). PMax ottimizzerà per ricavo senza rischio margine.
- Hai immagini di prodotto di alta qualità, asset video e budget sufficiente per raggiungere la fase di learning su gruppi di asset ($500+/giorno per gruppo).
- Il tuo feed ha
product_typegerarchico, custom label compilati e descrizioni uniche. PMax ha bisogno di questi per auto-segmentarsi efficacemente.
Consigliamo un approccio per fasi. Inizia con hybrid, 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 consegna costantemente efficienza di margine comparabile o migliore dopo 30 giorni e quattro cicli di learning completi, sposta altri 20pp di budget. Se il margine si degrada, pausa PMax e diagnostica problemi del feed prima di riprendere.
Il brand furniture ha eseguito hybrid per 60 giorni post-feed-fix. Entro il giorno 45, il margine di contribuzione PMax uguagliava Shopping Standard (39,2% vs. 39,8%), così hanno spostato a 50/50. Entro il giorno 75, PMax era in vantaggio (41,1% vs. 38,4%), e hanno spostato a 70/30 in favore di PMax. La chiave: non hanno consolidato ciecamente. Hanno validato i cambiamenti del feed con dati.
Un errore strutturale che vediamo spesso: eseguire una singola campagna PMax "tutti i prodotti". Se il tuo catalogo copre più verticali o tier di margine, dividi in 2-4 gruppi di asset con filtri product_type non sovrapposti. Ad esempio, il brand activewear ha eseguito tre gruppi di asset:
- High-Margin Core (Leggings, Sports Bras, Joggers):
product_typecontiene "High-Performance" o "Core",custom_label_0= "High Margin" - Essentials (Tees, Tanks, Socks):
product_typecontiene "Essentials",custom_label_0= "Medium Margin" - Clearance/Seasonal (Colori della stagione scorsa, stili discontinui):
custom_label_1= "Clearance"
Ogni gruppo di asset aveva target ROAS distinti (2,8×, 2,2×, 1,5×) e set creativi enfatizzando prop di valore diversi (performance, versatilità, prezzo). Questo permetteva a PMax di ottimizzare all'interno di guardrail di margine piuttosto che mescolare high e low AOV in un singolo pool di learning.
Numeri Reali: Recupero Margine Dopo Ristrutturazione del Feed
Abbiamo tracciato tutti e tre i brand per 90 giorni post-feed-fix. Ecco il lift di contribuzione margine per settimana, indicizzato alla settimana zero (baseline pre-fix = 100):
| Settimana | Furniture | Activewear | Skincare | Lift Medio |
|---|---|---|---|---|
| 0 | 100 | 100 | 100 | 100 |
| 2 | 104 | 102 | 108 | 105 |
| 4 | 112 | 109 | 118 | 113 |
| 6 | 121 | 115 | 124 | 120 |
| 8 | 128 | 119 | 127 | 125 |
| 12 | 134 | 123 | 129 | 129 |
Il contributo margine medio è migliorato del 29% entro la settimana 12. Il brand furniture—che aveva la peggiore qualità iniziale del feed—ha visto il più grande recupero assoluto: da $61k a $142k di contributo netto mensile sulla stessa spesa PMax di $88k. Questo è uno swing di $81k mensili, o $972k annualizzati, da sole correzioni del feed.
Abbiamo anche tracciato performance non-PMax per controllare fattori esterni (stagionalità, calendari promo). Il contributo di Shopping Standard e paid social è rimasto piatto ±3pp, confermando che il lift era PMax-specifico. Il meccanismo: meglio gerarchie product_type permettono a PMax di allocare budget a SKU a margine più alto, e descrizioni e titoli unici + titoli migliori score di rilevanza ads, abbassando 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 sourced da PMax del brand furniture hanno avuto LTV a 180 giorni superiore del 18% rispetto ai clienti PMax pre-fix, probabilmente perché le seczioni (alto margine) sono acquisti considerati che ancorano una stanza, mentre i cuscini (basso margine) sono aggiunte impulsive. Migliore mix di prodotto al primo ordine → coorti di clienti più forti.
Per i brand scettici sull'investimento del feed, offriamo un audit gratuito che valuta il tuo feed su otto attributi critici e stima il potenziale di recupero margine. Il feed del brand furniture aveva un punteggio iniziale di 28/100; post-fix era 91/100. Quel miglioramento di 63 punti ha sbloccato il lift mensile di $81k.
FAQ
Articoli correlati
Punti Salienti Prodotto nel Pannello Shopping
La copia dei punti salienti nel pannello laterale Google Shopping viene visualizzata esattamente — usa la formula ABPD a 4 parti per dominare il pannello espanso e aumentare il CTR del 22%+.
Metafield Shopify: Segnali PMax Nascosti nel Feed
I metafield Shopify per Google Shopping sbloccano segnali PMax ignorati dai competitor. Mappa materiale, certificazioni e bundle per aumentare la quota impressioni.
Zero-Click Shopping: Ottimizza Feed per il Knowledge Panel
Google mostra prezzo, disponibilità e specifiche nei risultati per il 34% delle query di prodotti. Scopri come ottimizzare feed Shopping e schema markup per dominare il Knowledge Panel e proteggere la visibilità della ricerca di marca.