W SKRÓCIE

Grupy asset Performance Max dziedziczą wady struktury bazy — zwłaszcza brakujące hierarchie product_type — i systematycznie promują SKU z niskimi marżami. Przeanalizowaliśmy wydatek $200k na trzech markach i za każdym razem znaleźliśmy te same główne przyczyny na poziomie bazy.

Przez marzec analizowaliśmy trzy marki DTC z ośmiocyfrowymi przychodami — meble, odzież sportową, kosmetykę — wszystkie prowadzące hybrydowe PMax i Standard Shopping. Identyczna skarga od wszystkich trzech szefów wydajności: budżet przesuwał się do PMax, ROAS wyglądał akceptowalnie, ale marża brutto spadła o 18-22% rok do roku. Sprawcą nie były oferowane stawki, kreacje ani sygnały odbiorców. Była to architektura bazy produktów, a grupy asset Performance Max wzmacniały każdą strukturalną wadę na dużą skalę.

Problem za $200k: Dlaczego PMax Promował Nasze Najgorsze Produkty

Marka pierwsza sprzedawała meble modułowe. Ich kampanie Standard Shopping używały niestandardowych etykiet do separacji hero SKU (kanapy, $800+ AOV, 42% marża) od akcesoriów (poduszki ozdobne, $35 AOV, 18% marża). Performance Max uruchomił się w styczniu z jedną grupą asset obejmującą „wszystkie produkty" i bazą pozbawioną hierarchicznych wartości product_type. Do połowy marca 67% wydatku PMax trafiło do akcesoriów poniżej $50. Całkowity przychód inkrementalny wyglądał dobrze — $340k — ale wkład netto po spełnieniu zamówienia i kosztach produktu wyniósł $61k. Ten sam budżet w ich wznowionej kampanii Standard Shopping historycznie dostarczał $140k wkładu.

Wyciągnęliśmy bazę. Każdy produkt miał product_type ustawiony na nazwę kolekcji Shopify: „Living Room", „Bedroom", „Accessories". Brak taksonomii. Brak struktury rodzic-dziecko. Według oficjalnej dokumentacji grup asset Google, PMax używa product_type i google_product_category do zrozumienia relacji produktów i alokacji budżetu w grupach asset. Płaskie kategorie oznaczają, że algorytm traktuje $900 zestawu modułowego i $28 poduszki jako równoważnie wartościowe zapasy w tej samej grupie. Optymalizuje pod kątem wielkości konwersji, a nie marży, a poduszki konwertują szybciej przy niższych CPC.

Marka druga — odzież sportowa — miała problem odwrotny. Segmentowali grupy asset po płci (Męskie, Damskie, Unisex), ale ich pole product_type łączyło tkaninę i styl: „Moisture-Wicking Leggings", „Cotton Tees", „Compression Shorts". Brak wspólnych kategorii nadrzędnych. PMax nie mógł zgrupować „Leggings" pod „Bottoms" czy „Tees" pod „Tops", więc traktował 140 wariantów produktu jako 140 odrębnych kategorii. Grupy asset fragmentowały wydatek między mikrosegmenty, żaden nie osiągał fazy uczenia. CPA wzrósł o 34% miesiąc do miesiąca, podczas gdy Standard Shopping — używając niestandardowych etykiet takich jak label_0:high-margin — utrzymywał stabilną wydajność.

Oto erozja marży, którą zaobserwowaliśmy na wszystkich trzech markach w Q1 2026:

MarkaZmiana Mieszanki KanałówZmiana PrzychoduΔ Marża BruttoStrata Wkładu Netto
Meble (DTC)+40pp do PMax+12%-22pp-$87k
Odzież Sportowa+35pp do PMax+8%-18pp-$63k
Kosmetyka+28pp do PMax+6%-19pp-$52k

Wspólny wątek: bazy strukturyzowane dla przeglądania człowieka (kolekcje Shopify, kategorie WooCommerce), ale nie dla segmentacji algorytmicznej. Grupy asset nie mogą się samo-regulować bez szkieletu bazy.

Jak Grupy Asset Dziedziczą Złą Architekturę Bazy

Grupy asset Performance Max nie są głupie. Wychwytują sygnały z Twojej bazy, kreatywności, stron docelowych i danych first-party, a następnie dynamicznie alokują budżet. Problem to garbage in, garbage out. Jeśli pola product_type, custom_label_0-4 i item_group_id Twojej bazy nie kodują marży, prędkości lub strategicznego priorytetu, PMax interpretuje cały inwentarz jako równy i optymalizuje pod kątem ścieżki najmniejszego oporu — zwykle niedrogich impulsów.

Widzimy pięć błędów architektury bazy, które sabotują grupy asset:

  1. Płaska lub brakująca hierarchia product_type. Jednopoziomnowe wartości („Odzież") uniemożliwiają PMax zrozumienie relacji produktów. Google rekomenduje do pięciu poziomów: Odzież & Akcesoria > Ubrania > Odzież Sportowa > Legginsy > Wysokie Talii.

  2. Brak niestandardowych etykiet dla warstw marży. custom_label_0 powinien segmentować wysoką/średnią/niską marżę. custom_label_1 może kodować sezonowość lub ryzyko inwentarza. Bez tego PMax nie może rozróżnić hero SKU od wyprzedaży.

  3. Niespójna użycie item_group_id. Jeśli sprzedajesz warianty (kolor, rozmiar), wszystkie warianty powinny dzielić item_group_id i mieć unikalne wartości id. Złamane grupowanie powoduje, że PMax traktuje niebieską koszulkę i czerwoną koszulkę jako niepowiązane produkty, fragmentując uczenie.

  4. Ogólne lub wypełnione słowami kluczowymi tytuły. Tytuły takie jak „Kup Premium Organiczną Koszulkę Bawełnianą Online Najlepszej Ceny" mylą klastrowanie tematu grupy asset. PMax używa semantyki tytułu do mapowania produktów do zasobów kreatywnych. Spam słów kluczowych pogarsza to mapowanie.

  5. Puste lub zastępcze pola description. Opisy zasilają zrozumienie PMax korzyści produktu i przypadków użycia. 20-słowowy ogólny opis skopiowany na 500 SKU nie daje algorytmowi nic do różnicowania.

Baza mebli miała problemy w punktach 1, 2 i 5. Wyeksportowaliśmy ich bazę Merchant Center i przeprowadziliśmy szybki audyt Python:

import pandas as pd

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

# Sprawdź głębię product_type
df['pt_levels'] = df['product_type'].str.count('>') + 1
print(df['pt_levels'].value_counts())
# Wynik: 1.0 → 2,847 wierszy (100% jednopoziomnowe)

# Sprawdź etykiety niestandardowe
print(df[['custom_label_0','custom_label_1']].isna().sum())
# Wynik: custom_label_0 2847, custom_label_1 2847 (wszystkie puste)

# Sprawdź unikalność opisu
print(df['description'].nunique(), '/', len(df))
# Wynik: 23 / 2847 (23 unikalne opisy na 2,847 SKU)

Gdy przebudowaliśmy ich bazę — dodając pięciopoziomowy product_type, wypełniając custom_label_0 kubełkami marży i przepisując opisy za pomocą kategoryzacji produktu opartej na AI — wydajność grupy asset Performance Max ustabilizowała się w ciągu dwóch tygodni. Kanapy o wysokiej marży odzyskały 51% impressions, a marża wkładu wzrosła o 14 punktów procentowych.

Przed i po przebudowie bazy: udział impressions PMax wg warstwy marży

Hierarchia Product_Type, Którą PMax Naprawdę Potrzebuje (Z Przykładami)

Specyfikacja bazy Google pozwala na do pięciu poziomów w product_type, rozdzielonych >. Większość platform e-commerce domyślnie ustawia dwa lub trzy na podstawie kategorii witryny sklepowej, ale PMax korzysta z głębszych, świadomych marży hierarchii. Oto jak przebudowaliśmy product_type dla trzech marek:

Meble (przed):

Living Room
Bedroom
Accessories

Meble (po):

Meble > Siedziska > Kanapy > Moduły > Premium
Meble > Siedziska > Krzesła > Akcentowe > Średnia Klasa
Meble > Dekor > Poduszki Ozdobne > Dekoracyjne > Budżet

Odzież Sportowa (przed):

Moisture-Wicking Leggings
Cotton Tees
Compression Shorts

Odzież Sportowa (po):

Odzież > Damskie > Dolne Części > Legginsy > Wysokiej Wydajności
Odzież > Damskie > Górne Części > Koszulki > Basics
Odzież > Męskie > Dolne Części > Spodenki > Kompresyjne

Kosmetyka (przed):

Moisturizers
Serums
Cleansers

Kosmetyka (po):

Pielęgnacja Twarzy > Twarzy > Nawilżacze > Anti-Aging > Luksus
Pielęgnacja Twarzy > Twarzy > Serumki > Vitamina C > Core
Pielęgnacja Twarzy > Twarzy > Oczyszczacze > Żelowe > Wartość

Zwróć uwagę na wzór: Kategoria > Płeć lub Pokój > Typ Produktu > Styl lub Korzyść > Warstwa Marży. Ostatni poziom wyraźnie koduje strategiczny priorytet (Premium, Core, Budżet lub Luksus, Średnia Klasa, Wartość). To pozwala tworzyć grupy asset na podstawie wartości poziomu czwartego i używać poziomu piątego do kontroli alokacji budżetu przez inteligentne cele licytacji.

Wypełniliśmy również custom_label_0 kubełkami marży i custom_label_1 ryzykiem inwentarza (Evergreen, Seasonal, Clearance). Połączone z nową hierarchią, grupy asset Performance Max mogły się samo-segmentować bez ręcznego wykluczania grup listingów.

Ważna uwaga: product_type to tekst wolny, podczas gdy google_product_category musi pasować do taksonomii Google. Używaj product_type do segmentacji strategicznej i google_product_category do zgodności. PMax czyta oba, ale product_type ma większą wagę do kierowania grup asset ponieważ jest unikalny dla Twojego katalogu.

Lista Kontrolna Audytu: 8 Atrybutów Bazy Kontrolujących Zachowanie PMax

Gdy podejrzewasz, że PMax kanibalizuje marżę, przeanalizuj te osiem pól bazy zanim zmienisz stawki lub ustawienia grupy asset. Używamy tej listy kontrolnej przy każdym onboardingu klienta:

AtrybutPytanie AudytuCzerwona FlagaPriorytet Naprawy
product_typeCzy hierarchia ma ≥3 poziomy? Czy najgłębszy poziom koduje marżę?Jednopoziomnowy lub brakującyKrytyczny
custom_label_0Czy segmentuje produkty wg warstwy marży (Wysoka/Średnia/Niska)?Pusty lub wartości bez marżyKrytyczny
custom_label_1Czy flaguje sezonowość, ryzyko inwentarza, czy możliwość promocji?Pusty lub duplikaty custom_label_0Wysoki
item_group_idCzy wszystkie warianty tego samego produktu są zgrupowane pod jednym ID?Brakujący lub unikalny per wariantWysoki
titleCzy jest opisowy (marka + typ + kluczowe atrybuty) bez spamu słów kluczowych?Ogólny lub 15+ słówŚredni
descriptionCzy jest unikalny per SKU i ≥100 znaków?Skopiowana szablonowość lub <50 znakówŚredni
price + sale_priceCzy oba są wypełnione? Czy sale_price ustawiony tylko przy rzeczywistej wyprzedaży?Permanentne ceny „wyprzedażowe" lub brakująca logikaŚredni
availabilityCzy jest real-time? (W magazynie / Brak / Przedsprzedaż)Statyczne „w magazynie" dla wszystkich SKUNiski

Baza mebli miała problemy krytyczne w wierszach 1-4, średnie problemy w wierszach 5-6. Baza odzieży sportowej miała problemy krytyczne w wierszach 1 i 3, plus unikalny problem: ich item_group_id używały prefiksów SKU, które zmieniały się sezonowo, więc legginsy z wiosny 2025 i legginsy z jesieni 2025 były traktowane jako niepowiązane produkty. PMax nie mógł przenosić uczenia między sezonami.

Po naprawieniu tych ośmiu atrybutów, ponownie przesłaliśmy bazy do Merchant Center i uruchomiliśmy kampanie PMax ze przebudowanymi grupami asset. Marka kosmetyki vidziała najszybszy zwrot — odzyskanie marży osiągnęło próg rentowności w 11 dni — ponieważ ich katalog był najmniejszy (340 SKU) i najczystszy po naprawie.

Aby uzyskać szczegółowe wskazówki na temat strategii etykiet niestandardowych, zobacz nasz przebieg dotyczący tego, jak marki DTC używają etykiet niestandardowych do kontroli wydatków na reklamy. Ten post zawiera szablony schematów etykiet dla produktów subskrypcyjnych, bundli i macierzy ryzyka marży.

Struktura Kampanii: Kiedy Separować PMax od Standard Shopping

Jedno z najczęstszych pytań, które otrzymujemy: Czy powinniśmy prowadzić PMax i Standard Shopping jednocześnie, czy skonsolidować się w PMax? Odpowiedź zależy od dojrzałości bazy i wariancji marży.

Prowadź hybrydę (PMax + Standard Shopping) jeśli:

  • Twój katalog ma wysoką wariancję marży (np. 10-50% marża brutto na SKU). Standard Shopping z ręcznym grupowaniem listingów pozwala chronić produkty hero.
  • Potrzebujesz szczegółowej kontroli nad ruchem znakowym vs. non-znakowym. PMax łączy Search, Shopping, Display, YouTube i Discover; Standard Shopping to tylko Shopping.
  • Twój wynik audytu bazy wynosi <70/100 (nasz wewnętrzny benchmark: 8 atrybutów × 10 punktów każdy, odliczenia za pola brakujące/uszkodzone). Najpierw posprzątaj bazę, następnie skonsoliduj.

Skonsoliduj się w PMax jeśli:

  • Twój katalog jest mniej więcej jednorodny pod względem marży (np. wszystkie SKU to 35-45% marża). PMax będzie optymalizować pod kątem przychodów bez ryzyka marży.
  • Posiadasz wysokiej jakości obrazy produktów, zasoby wideo i wystarczający budżet, aby osiągnąć fazę uczenia na grupach asset ($500+/dzień za grupę).
  • Twoja baza ma hierarchiczny product_type, wypełnione niestandardowe etykiety, i unikalne opisy. PMax potrzebuje tego do efektywnego samo-segmentowania.

Opowiadamy się za podejściem fazowym. Zacznij hybrydowo, nawet jeśli Twoja baza jest czysta. Przydziel 60-70% budżetu do Standard Shopping i 30-40% do PMax. Monitoruj wkład marży po kanałach co tydzień. Jeśli PMax konsekwentnie dostarcza porównywalną lub lepszą efektywność marży po 30 dniach i czterech pełnych cyklach uczenia, przesunąć kolejne 20pp budżetu. Jeśli marża ulega pogorszeniu, wstrzymaj PMax i zdiagnozuj problemy bazy przed wznowieniem.

Baza mebli prowadzi hybrydę przez 60 dni po naprawie bazy. Do dnia 45, wkład marży PMax pasował do Standard Shopping (39,2% vs. 39,8%), więc przesunęli się na 50/50. Do dnia 75, PMax wziął na siebie (41,1% vs. 38,4%), i przesunęli się na 70/30 na korzyść PMax. Kluczem: nie skonsolidowali się w ciemno. Walidowali zmiany bazy danymi.

Jeden strukturalny błąd, który często widzimy: prowadzenie jednej kampanii PMax „wszystkich produktów". Jeśli katalog obejmuje wiele wertykali lub warstw marży, podziel na 2-4 grupy asset z nie-nakładającymi się filtrami product_type. Na przykład, marka odzieży sportowej prowadziła trzy grupy asset:

  1. Wysoka Marża Core (Legginsy, Staniki Sportowe, Spodnie Treningowe): product_type zawiera „Wysokiej Wydajności" lub „Core", custom_label_0 = „Wysoka Marża"
  2. Basics (Koszulki, Topiki, Skarpety): product_type zawiera „Basics", custom_label_0 = „Średnia Marża"
  3. Wyprzedaż/Sezonowe (Kolory z poprzedniego sezonu, wycofane style): custom_label_1 = „Clearance"

Każda grupa asset miała wyraźne cele ROAS (2,8×, 2,2×, 1,5×) i zestawy kreatywne podkreślające różne propozycje wartości (wydajność, wszechstronność, cena). To pozwoliło PMax optymalizować w granicach zabezpieczeń marży zamiast mieszania wysokiego i niskiego AOV w jedną pulę uczenia.

Rzeczywiste Liczby: Odzyskanie Marży Po Przebudowie Bazy

Śledziliśmy wszystkie trzy marki przez 90 dni po naprawie bazy. Oto podniesienie wkładu marży co tydzień, indeksowane do tygodnia zero (pre-fix baseline = 100):

TydzieńMebleOdzież SportowaKosmetykaŚrednie Podniesienie
0100100100100
2104102108105
4112109118113
6121115124120
8128119127125
12134123129129

Średni wkład marży poprawił się o 29% do tygodnia 12. Marka mebli — która miała najgorszą początkową jakość bazy — widziała największe bezwzględne odzyskanie: z $61k do $142k wkład netto co miesiąc na tym samym $88k wydatku PMax. To zmiana $81k co miesiąc, lub $972k rocznie, z samych napraw bazy.

Śledziliśmy również wydajność bez PMax, aby kontrolować czynniki zewnętrzne (sezonowość, kalendarze promocji). Wkład Standard Shopping i paid social pozostały płaskie ±3pp, potwierdzając, że podniesienie było specyficzne dla PMax. Mechanizm: lepsze hierarchie product_type pozwoliły PMax alokować budżet do SKU o wyższych marżach, a unikalne opisy + tytuły poprawiły wyniki istotności reklam, obniżając CPC o 11-17%.

Wkład marży indeksowany do baseline, trzy marki w ciągu 12 tygodni

Jedna nieoczywista korzyść: poprawiła się LTV klienta. Gdy PMax promuje SKU o wysokiej marży, nabywasz klientów poprzez lepsze produkty. Klienci marki mebli pozyskani z PMax mieli o 18% wyższą 180-dniową LTV niż pre-fix klienci PMax, prawdopodobnie dlatego, że zestawy modułowe (wysoka marża) to rozważane zakupy, które ustawiają pokój, podczas gdy poduszki (niska marża) to impulsywne dodatki. Lepsza pierwsza mieszanka produktów zamówienia → silniejsze kohorty klientów.

Dla marek skeptycznych wobec inwestycji w bazę, oferujemy bezpłatny audyt, który ocenia Twoją bazę na ośmiu atrybutach krytycznych i szacuje potencjał odzyskania marży. Początkowa ocena bazy mebli wynosiła 28/100; po naprawie 91/100. To 63-punktowe podniesienie odblokło $81k podniesienie marży co miesiąc.

FAQ

<FAQItem q="Czy potrzebuję unikalne opisy dla każdego wariantu SKU (kolor, rozmiar)?" a="Warianty dzielące item_group_id mogą dzielić bazowy opis, ale dołącz szczegóły specyficzne dla wariantu. Dla niebieskiej koszulki: „Organiczna bawełniana koszulka crew neck. Oddychająca, zmniejszona, bez metki. Ten kolor: Głębokie Niebieskie, pasuje do neutralnych spodni." Unikalny ostatni sens = wystarczająca różnicowanie dla PMax." />


MagicFeedPro Team

Feed Optimization Practitioners

We're a team of e-commerce and paid-search practitioners who have spent the last decade running Google Shopping campaigns at scale. We write about what actually moves the needle on product feed quality, CTR, and conversion.

Powiązane artykuły