Segmentacja feedu Shopify Performance Max to pojedyncza decyzja strukturalna, która określa, czy automatyka Google amplifikuje twoje najlepsze SKU, czy po cichu marnuje budżet na martwą inwentaryzację. W dużych rachunkach wydających $30k–$150k/miesiąc na PMax pattern jest konsekwentny: sprzedawcy, którzy segmentują na podstawie sygnałów feedu — tier marży, obrotu, AOV, wskaźnika zwrotów — odzyskują średnio 15–22% zmarnowanego wydatku w ciągu 60 dni. Ci, którzy prowadzą jedną kampanię ogólną dają algorytmowi Google mieszaną kombinację sygnałów i zastanawiają się, dlaczego ROAS osiąga plateau.
Dlaczego Jedna Kampania PMax dla Całego Katalogu Shopify to Marnowanie Budżetu
Pojedyncza kampania PMax z jedną grupą assetów i opcją „Wszystkie produkty" w grupie listing to najczęstsza struktura, którą audytujemy przy wydatkach $30k+/miesiąc — i prawie zawsze jest to główna przyczyna niestabilnego ROAS. Algorytm PMax Google alokuje budżet najpierw między grupy assetów, a następnie na poszczególne produkty w grupie. Gdy 12 000 SKU dzieli jedną pulę budżetu, algorytm domyślnie optymalizuje ścieżkę najmniejszego oporu: produkty o wysokim wolumenie kliknięć, które niekoniecznie mają najwyższą marżę.
Praktyczne konsekwencje są brutalne. Akcesoria za $4,99 z marżą 12% mogą kanibalizować udział impressions od produktu flagowego za $249 z marżą 58% po prostu dlatego, że ma więcej historycznych danych kliknięć. Zgodnie z oficjalną dokumentacją Google Performance Max, grupy assetów pełnią funkcję podstawowej jednostki alokacji budżetu, a nie poszczególnych produktów. Ta architektoniczna rzeczywistość oznacza, że twoja logika segmentacji na poziomie grupy assetów jest jedyną dźwignią, którą w pełni kontrolujesz.
Widzieliśmy sklepy Shopify tracące 28% efektywnego ROAS na tej dokładnie dynamice. Jeden DTC mody prowadzący $80k/miesiąc miał 9 400 SKU w jednej kampanii. Ich 40 najlepszych produktów marżowych — średnia $310 AOV i 61% marża brutto — otrzymywały 6% całkowitych impressions. Pozycje z końca katalogu z ceną $19 konsumowały 44% wydatków. Rozwiązanie nie były korekty oferty. To była przebudowa segmentacji feedu.
4 Sygnały Feedu, Które Powinny Kierować Twoimi Podziałami Grup Assetów
Najlepiej działające struktury PMax, z którymi pracowaliśmy, używają dokładnie czterech sygnałów pochodnych od feedu do zdefiniowania granic segmentów: tier marży brutto, obrotu w ciągu 90 dni, pasma średniej wartości zamówienia i kroczącego wskaźnika zwrotów z ostatnich 30 dni. Te cztery sygnały można kodować bezpośrednio do custom_label_0 poprzez custom_label_3 w twoim feedzie produktów Shopify, dając algorytmowi Google twarde granice do pracy.
Tier marży brutto jest najważniejszym sygnałem i najczęściej brakowującym w feedach Shopify. Większość sklepów eksportuje koszt sprzedanych towarów (COGS) z systemu inwentaryzacji ale nigdy nie mapuje go do atrybutu feedu. Bez etykiety marży Google nie może rozróżnić produktu 70%-marżowego od 10%-marżowego — na poziomie feedu wyglądają identycznie. Rekomendujemy trzy tiery: margin-high (>50%), margin-mid (25–50%) i margin-low (<25%).
Obrót w ciągu 90 dni oddzielą twoje sprawdzone sygnały popytu od nieprzetestowanej inwentaryzacji. Produkty z mniej niż 50 kliknięciami w 90 dni mają niewystarczające dane do modelowania konwersji PMax; umieszczenie ich razem z SKU o wysokim obrocie zmusza algorytm do uśrednienia. Wskaźnik zwrotów to niedoceniony. Produkt ze wskaźnikiem zwrotów 35% i silnym numerem ROAS faktycznie niszczy marżę wkładu — ale PMax widzi tylko konwersję, nie zwrot. Kodowanie wskaźnika zwrotów jako etykiety niestandardowej pozwala ci na utworzenie dedykowanego segmentu niskiego wydatku lub wykluczonego dla chronicznych zwrotów.
Używając kreatora etykiet niestandardowych MagicFeed Pro, możesz zautomatyzować przypisanie wszystkich czterech etykiet z jednej konfiguracji reguł, pobierając dane COGS, zamówień i zwrotów z twojego sklepu Shopify bez cyklu ręcznego eksportu.
| Sygnał | Atrybut Feedu | Przykładowe Wartości | Działanie Grupy Assetów |
|---|---|---|---|
| Marża brutto | custom_label_0 | margin-high, margin-mid, margin-low | Oddzielne kampanie po tier |
| Obrót 90-dniowy | custom_label_1 | fast-mover, slow-mover, new-sku | Izoluj nowe SKU, chroń szybkie obroty |
| Pasmo AOV | custom_label_2 | aov-high, aov-mid, aov-low | Dopasuj strategię oferty do AOV |
| Wskaźnik zwrotów | custom_label_3 | return-low, return-high | Pomiń lub wyklucz return-high |
Nigdy nie używaj samego typu produktu lub kategorii produktów Google jako osi segmentacji dla PMax. Kategorie mówią Google'owi co produkt jest, a nie co wart dla twojej biznesu. Etui do telefonu za $9 i za $90 mogą dzielić tę samą kategorię — i tę samą grupę assetów — bez żadnego sygnału poziomu feedu do różnicowania alokacji budżetu.
Krok po Kroku: Eksport Danych Produktów Shopify do Budowy Matrycy Segmentacji
Zanim przestrukturyzujesz jedną kampanię, potrzebujesz matrycy segmentacji: arkusza kalkulacyjnego, który mapuje każde SKU do czterech wartości sygnału. Budowanie go z Shopify zajmuje około 90 minut za pierwszym razem, a poniżej 20 minut przy odświeżeniu po skonfigurowaniu szablonu eksportu.
Rozpocznij od masowego eksportu produktów z Shopify Admin → Produkty → Eksport (CSV, wszystkie produkty). Daje ci to Variant SKU, Variant Price i Variant Cost (jeśli wpisałeś COGS — jeśli nie, ta kolumna będzie pusta i to twój pierwszy problem do naprawienia). Zgodnie z własną dokumentacją Shopify dotyczącą integracji Google, dane kosztu na poziomie wariantu zasilają bezpośrednio możliwość feedu uzupełniającego aplikacji kanału Google.
Następnie pobierz eksport zamówień z 90 dni z Analytics → Raporty → Sprzedaż po produkcie. Połącz po SKU używając VLOOKUP lub prostego merge Python. Dodaj kolumnę zwrotów z twojego 3PL lub portalu zwrotów Shopify — to jest najmniejszy podatek na ciągnięcie danych dla sklepów bez dedykowanego narzędzia BI, ale jest niezbędny dla etykiety wskaźnika zwrotów. Po połączeniu, zastosuj logikę progu: oflaguj tier marży każdego SKU, tier obrotu, pasmo AOV i tier zwrotu.
Wynikiem jest czterołumnowy feed uzupełniający. Prześlij go do Google Merchant Center jako uzupełniające źródło danych, lub użyj integracji Shopify MagicFeed Pro do automatycznej synchronizacji etykiet na harmonogramie dziennym, więc twoja segmentacja pozostaje aktualna gdy inwentaryzacja się zmienia a wskaźniki zwrotów przesuwają.
Jeśli twoje dane COGS w Shopify są niekompletne — częste po migracjach katalogów lub zmianach dostawcy — użyj swoją medianę marży kategorii jako konserwatywny proxy dla custom_label_0 aż będziesz mógł wstecz-wypełnić rzeczywistości. Przybliżona etykieta marży jest znacznie lepsza niż żadna etykieta marży do kontroli grupy assetów PMax.
Logika Grup Listing vs. Logika Grup Assetów — Co Większość Przewodników Robi Źle
Większość przewodników PMax traktuje „grupy listing" i „grupy assetów" jako zamienny słownikiem. Nie są one, i zamieszanie kosztuje rzeczywistych pieniędzy handlowcy Shopify. Grupa assetów to kreatywny i docelowy kontener — posiada twoje nagłówki, obrazy, sygnały odbiorcy i kontekst alokacji budżetu. Grupa listing to filtr produktu wewnątrz grupy assetów, która definiuje które produkty z feedu są uprawnione do serwowania.
Możesz mieć dobrze ustrukturyzowaną grupę assetów z odpowiednią kreacją dla produktów o wysokim AOV, ale grupę listing, która przypadkowo zawiera SKU o niskiej marży, ponieważ logika filtra nie była wystarczająco napięta. Kreatywność grupy assetów i sygnał odbiorcy jest wówczas zmarnowany na złych produktach. Odwrotnie, możesz mieć doskonale segmentowaną grupę listing, ale ogólną, łapaną kreację, która nie pasuje do intencji nabywcy tier produktu.
Prawidłowa architektura układa obie warstwy. Dla grupy assetów o wysokiej marży: grupa listing filtruje do custom_label_0 = margin-high, A grupa assetów zawiera zasoby kreatywne — nagłówki, opisy, obrazy — specjalnie napisane dla intencji nabywcy premium. Dla grupy inkubacji nowego SKU: grupa listing filtruje do custom_label_1 = new-sku, grupa assetów używa szerszych sygnałów odbiorcy i strategii oferty Target CPA do gromadzenia danych bez spalenia marży.
To jest również miejsce gdzie przepisanie feedu AI MagicFeed Pro tworzy wartość złożoną — gdy jakość tytułu i opisu pasuje do intencji grupy assetów, wynik trafności reklamy PMax poprawia się i twój udział kwalifikujących się impressions zwiększa. Jakość feedu i struktura kampanii nie są oddzielonymi aktywnościami; wzmacniają się nawzajem.
Rzeczywiste Konto: Jak 12 000-SKU Sklep Shopify Przeszedł od 1 do 9 Grup Assetów
Brytyjski sklep towarów domowych Shopify (£2.1M roczny przychód, £65k/miesiąc PMax wydatek) przyszedł do nas w Q3 2025 z jedną kampanią PMax, jedną grupą assetów i ROAS 4.1x — co wyglądało dobrze, aż rozbiliśmy marżę wkładu. Ich efektywny marża-dostosowany ROAS wynosił 1.8x, ponieważ produkty o niskiej marży konsumowały 51% wydatków.
Przebudowaliśmy ich strukturę na 9 grup assetów w ciągu trzech tygodni, używając czterosygnałowego frameworku powyżej. Grupy były: (1) Margin-High / Fast-Mover heroiczne produkty, (2) Margin-High / Slow-Mover dla produktów o wysokiej wartości wymagających generacji popytu, (3) Margin-Mid / Fast-Mover zakres rdzeniowy, (4) Margin-Mid / Slow-Mover, (5) Inkubacja nowego SKU, (6) Pozycje sezonowe / promocyjne, (7) Likwidacja niskiej marży — budżet limitowany, cel CPA tylko, (8) Kwarantanna wysokiego wskaźnika zwrotów — minimalne wydatki, (9) Wyjątek wyszukiwania marki z łapaniem.
Wyniki po 60 dniach: raportowany ROAS przesunął się z 4.1x na 5.6x. Ważniejsze, marża-dostosowany ROAS przeszedł od 1.8x do 3.9x — 117% poprawa w rzeczywistej rentowności. Grupa produktu hero (Grupa 1, ~340 SKU) przeszła od 8% udziału impression do 31%. Pozycje likwidacji spadły z 51% wydatku do 14%.
Głównym aktywatorem były czyste dane feedu. Przed przebudową, przeprowadziliśmy pełny audyt atrybutu feedu i odkryliśmy, że 23% SKU brakuje danych COGS, 41% z niedeskryptywnych tytułów, które tłumiły Quality Scores, i 1 200 produktów z GTIN flagowanymi jako niedopasowane w Merchant Center. Najpierw naprawienie feedu sprawiło, że segmentacja pracowała; segmentacja bez czystych danych to tylko przearanżowanie złych sygnałów.
Wymagania Atrybutów Feedu dla Każdego Segmentu aby Faktycznie Pracowały w PMax
Strategia segmentacji ma wartość tylko jeśli leżące u podstaw atrybuty feedu są kompletne i dokładne. Każdy z dziewięciu typów segmentów powyżej ma inny priorytet atrybutu, a luki w konkretnych polach spowodują, że produkty wypadną z kwalifikowalnych segmentów lub będą serwowane ze zdegradowaną jakością.
Dla segmentów heroicznych o wysokiej marży, atrybuty niezbędne to: dokładna price i sale_price (niedopasowania powodują braki zatwierdzeń), prawidłowy GTIN lub MPN (brakujące GTIN zmniejszają kwalifikowalność aukcji zgodnie ze specyfikacją danych produktów Google), i zoptymalizowany title ze znakiem marki + typ produktu + kluczowa specyfikacja w pierwszych 70 znakach. Słaby tytuł w segmencie hero to pieniądze pozostawione na stole — tytuł jest głównym sygnałem trafności dla zapytań Shopping.
Dla segmentów inkubacji nowego SKU, najkrytyczniejszym atrybutem jest product_type — bez dobrze ustrukturyzowanej taksonomii typu produktu, algorytm Google nie ma kategorycznego sygnału do zasiania początkowego targetowania impression. Według zasięgu Search Engine Land dotyczącego best practices PMax, produkty bez zdefiniowanego typu produktu zajmują 3–5x dłużej na opuszczenie fazy „uczenia", spalając budżet inkubacji bez generowania użytecznych danych konwersji.
Dla segmentów kwarantanny wysokiego wskaźnika zwrotów, audytuj description i title pod kątem luk dokładności — mylące tytuły i opisy są #1 sterownikiem zapobieralnych zwrotów, zwłaszcza w odzieży i elektronice. Produkty o wskaźniku zwrotów >25% prawie zawsze mają problem dokładności danych feedu upstream. Naprawienie danych feedu, a nie tylko kwarantannę produktów, jest trwałą poprawką.
Pełna lista kontrolna atrybutu dla każdego typu segmentu mapuje ściśle do tego co audyt strukturalizowanego feedu powierzchni. Jeśli nie uruchomiłeś jednego niedawno, framework listy kontrolnej w przewodniku audytu atrybutu feedu MagicFeed Pro przechodzi przez każdy wymagany i zalecany atrybut według kategorii produktu i typu segmentu.
Powiązane artykuły
AI zmienia Google Shopping: Feed do SGE w 2026
Optymalizacja feeda AI Google Shopping zależy teraz od 6 atrybutów, które decydują o wyborze produktów w karuzelach AI Overviews. Napraw feed za jednym razem.
Poza Channable: Kiedy reguły osiągają limit
Alternatywa Channable dla Google Shopping: narzędzia oparte na regułach zawodzą na skalę na 5 przewidywalnych sposobów. Poznaj rzeczywisty koszt i jak przepisanie AI naprawia w poniżej dnia.
Zestawy produktów w Google Shopping — optymalizacja AI
Optymalizacja tytułów produktów zestawowych w Google Shopping zawodzi, gdy AI usuwa tokeny ilości. Napraw atrybuty opakowań zbiorczych i odzyskaj utracone wrażenia w niecałą godzinę.