Grupos de Recursos do Performance Max Estão Matando Seu Feed: Análise de uma Auditoria de $200 mil

Passamos março analisando três marcas DTC de oito dígitos—móveis, roupas esportivas, cuidados com a pele—todas executando PMax híbrido e Shopping Padrão. Mesma reclamação dos três chefes de performance: o orçamento estava mudando para PMax, o ROAS parecia aceitável, mas a margem bruta caiu 18-22% trimestre a trimestre. O culpado não era lances, criativos ou sinais de público. Era a arquitetura do feed de produtos, e os grupos de recursos PMax amplificaram cada falha estrutural em escala.

O Problema de $200 mil: Por Que o PMax Promoveu Nossos Piores Produtos

A marca um vendia móveis modulares. Suas campanhas de Shopping Padrão usavam rótulos personalizados para separar SKUs principais (sofás, AOV de $800+, margem de 42%) de acessórios (almofadas decorativas, AOV de $35, margem de 18%). O Performance Max foi lançado em janeiro com um único grupo de recursos cobrindo "todos os produtos" e um feed sem valores hierárquicos product_type. Em meados de março, 67% do gasto em PMax foi para acessórios abaixo de $50. A receita incremental total parecia boa—$340 mil—mas a contribuição líquida após atendimento e custo do produto foi $61 mil. O mesmo orçamento em suas campanhas de Shopping Padrão pausadas historicamente entregava $140 mil de contribuição.

Puxamos o feed. Cada produto tinha product_type definido para o nome da coleção Shopify: "Sala de Estar", "Quarto", "Acessórios". Sem taxonomia. Sem estrutura pai-filho. De acordo com a documentação oficial de grupos de recursos do Google, o PMax usa product_type e google_product_category para entender relações entre produtos e alocar orçamento dentro dos grupos de recursos. Categorias planas significam que o algoritmo trata um sofá seccional de $900 e uma almofada de $28 como inventário igualmente valioso no mesmo grupo. Ele otimiza para volume de conversão, não margem, e almofadas convertem mais rápido com CPCs mais baixos.

A marca dois—roupas esportivas—tinha o problema inverso. Eles segmentaram grupos de recursos por gênero (Masculino, Feminino, Unissex), mas seu campo product_type concatenava tecido e estilo: "Leggings Absorventes", "Camisetas de Algodão", "Shorts de Compressão". Sem categorias pai compartilhadas. O PMax não conseguia agrupar "Leggings" sob "Partes Inferiores" ou "Camisetas" sob "Partes Superiores", então tratou 140 variantes de produtos como 140 categorias distintas. Grupos de recursos fragmentaram gastos em micro-segmentos, nenhum atingindo a fase de aprendizado. O CPA subiu 34% mês a mês enquanto o Shopping Padrão—usando rótulos personalizados como label_0:alta-margem—mantinha desempenho estável.

Aqui está a erosão de margem que vimos nas três marcas no Q1 de 2026:

O fio condutor comum: feeds estruturados para navegação humana (coleções Shopify, categorias WooCommerce) mas não para segmentação algorítmica. Grupos de recursos não podem se autorregular sem estrutura do feed.

Como Grupos de Recursos Herdam Arquitetura de Feed Ruim

Grupos de recursos do Performance Max não são burros. Eles surfam sinais do seu feed, criativos de anúncios, páginas de destino e dados primários, então alocam orçamento dinamicamente. O problema é lixo entra, lixo sai. Se os campos product_type, custom_label_0-4 e item_group_id do seu feed não codificam margem, velocidade ou prioridade estratégica, o PMax interpreta todo inventário como igual e otimiza para o caminho de menor resistência—geralmente compras impulsivas de baixo AOV.

Vemos cinco erros de arquitetura de feed que sabotam grupos de recursos:

1. Hierarquia product_type plana ou ausente. Valores de nível único ("Vestuário") impedem o PMax de entender relações entre produtos. O Google recomenda até cinco níveis: Vestuário e Acessórios > Roupas > Roupas Esportivas > Leggings > Cintura Alta.

2. Sem rótulos personalizados para níveis de margem. custom_label_0 deve segmentar margem alta/média/baixa. custom_label_1 pode codificar sazonalidade ou risco de inventário. Sem estes, o PMax não pode distinguir entre um SKU principal e um item de liquidação.

3. Uso inconsistente de item_group_id. Se você vende variantes (cor, tamanho), todas as variantes devem compartilhar um item_group_id e ter valores id únicos. Agrupamento quebrado faz o PMax tratar uma camisa azul e uma camisa vermelha como produtos não relacionados, fraturando o aprendizado.

4. Títulos genéricos ou cheios de palavras-chave. Títulos como "Comprar Camiseta Algodão Orgânico Premium Online Melhor Preço" confundem o agrupamento de temas do grupo de recursos. O PMax usa semântica de título para mapear produtos a recursos criativos. Spam de palavras-chave degrada esse mapeamento.

5. Campos description vazios ou com marcadores. Descrições alimentam o entendimento do PMax sobre benefícios e casos de uso do produto. Uma descrição genérica de 20 palavras copiada em 500 SKUs não dá nada ao algoritmo para diferenciar.

O feed da marca de móveis tinha problemas 1, 2 e 5. Exportamos o feed do Merchant Center e executamos uma auditoria rápida em Python:

import pandas as pd

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

# Verificar profundidade product_type
df['pt_levels'] = df['product_type'].str.count('>') + 1
print(df['pt_levels'].value_counts())
# Saída: 1.0  →  2.847 linhas (100% nível único)

# Verificar rótulos personalizados
print(df[['custom_label_0','custom_label_1']].isna().sum())
# Saída: custom_label_0  2847, custom_label_1  2847 (todos vazios)

# Verificar unicidade de descrição
print(df['description'].nunique(), '/', len(df))
# Saída: 23 / 2.847 (23 descrições únicas em 2.847 SKUs)

Quando reestruturamos o feed—adicionando product_type de cinco níveis, preenchendo custom_label_0 com faixas de margem e reescrevendo descrições com categorização de produtos baseada em IA—o desempenho do grupo de recursos PMax estabilizou em duas semanas. Sofás de alta margem recuperaram 51% das impressões, e a margem de contribuição recuperou 14 pontos percentuais.

A Hierarquia Product_Type Que o PMax Realmente Precisa (Com Exemplos)

A especificação de feed do Google permite até cinco níveis em product_type, delimitados por >. A maioria das plataformas de e-commerce usa por padrão dois ou três com base em categorias de loja, mas o PMax se beneficia de hierarquias mais profundas e conscientes da margem. Veja como reconstruímos product_type para as três marcas:

Móveis (antes):

Sala de Estar
Quarto
Acessórios

Móveis (depois):

Móveis > Assentos > Sofás > Seccional > Premium
Móveis > Assentos > Cadeiras > Destaque > Nível Médio
Móveis > Decoração > Almofadas Decorativas > Decorativo > Econômico

Roupas Esportivas (antes):

Leggings Absorventes
Camisetas de Algodão
Shorts de Compressão

Roupas Esportivas (depois):

Vestuário > Feminino > Partes Inferiores > Leggings > Alta Performance
Vestuário > Feminino > Partes Superiores > Camisetas > Essenciais
Vestuário > Masculino > Partes Inferiores > Shorts > Compressão

Cuidados com a Pele (antes):

Hidratantes
Soros
Limpadores

Cuidados com a Pele (depois):

Cuidados Pele > Rosto > Hidratantes > Anti-Envelhecimento > Luxo
Cuidados Pele > Rosto > Soros > Vitamina C > Principal
Cuidados Pele > Rosto > Limpadores > Gel > Valor

Note o padrão: Categoria > Gênero ou Ambiente > Tipo de Produto > Estilo ou Benefício > Nível de Margem. O nível final codifica explicitamente prioridade estratégica (Premium, Principal, Econômico ou Luxo, Nível Médio, Valor). Isso permite criar grupos de recursos por valores de nível quatro e usar nível cinco para controlar alocação de orçamento via metas de lance inteligente.

Também preenchemos custom_label_0 com faixas de margem e custom_label_1 com risco de inventário (Permanente, Sazonal, Liquidação). Combinado com a nova hierarquia, grupos de recursos PMax puderam se auto-segmentar sem exclusões manuais de grupos de listagem.

Uma nota importante: product_type é texto livre, enquanto google_product_category deve corresponder à taxonomia do Google. Use product_type para segmentação estratégica e google_product_category para conformidade. O PMax lê ambos, mas product_type tem mais peso para segmentação de grupos de recursos porque é único para seu catálogo.

Lista de Verificação de Auditoria: 8 Atributos de Feed Que Controlam Comportamento PMax

Quando você suspeita que o PMax está canibalizando margem, audite estes oito campos de feed antes de tocar em lances ou configurações de grupos de recursos. Usamos esta lista em toda integração de cliente:

A marca de móveis tinha problemas críticos nas linhas 1-4, problemas médios nas linhas 5-6. A marca de roupas esportivas tinha problemas críticos nas linhas 1 e 3, mais um problema único: seu item_group_id usava prefixos SKU que mudavam sazonalmente, então leggings Primavera 2025 e leggings Outono 2025 eram tratadas como produtos não relacionados. O PMax não conseguia transferir aprendizado entre estações.

Depois de corrigir esses oito atributos, reenviamos feeds ao Merchant Center e relançamos campanhas PMax com grupos de recursos reestruturados. A marca de cuidados com a pele viu a recuperação mais rápida—recuperação de margem atingiu equilíbrio em 11 dias—porque seu catálogo era o menor (340 SKUs) e mais limpo pós-correção.

Para orientações detalhadas sobre estratégia de rótulos personalizados, veja nossa análise sobre como marcas DTC usam rótulos personalizados para controlar gastos com anúncios. Esse post inclui templates de esquema de rótulos para produtos de assinatura, pacotes e matrizes de risco de margem.

Estrutura de Campanha: Quando Separar PMax do Shopping Padrão

Uma das perguntas mais comuns que recebemos: Devemos executar PMax e Shopping Padrão simultaneamente, ou consolidar em PMax? A resposta depende da maturidade do feed e variância de margem.

Execute híbrido (PMax + Shopping Padrão) se:

• Seu catálogo tem alta variância de margem (por exemplo, 10-50% de margem bruta entre SKUs). Shopping Padrão com grupos de listagem manuais permite proteger produtos principais.
• Você precisa de controle granular sobre tráfego de marca vs. não-marca. PMax combina Pesquisa, Shopping, Display, YouTube e Discover; Shopping Padrão é somente Shopping.
• Sua pontuação de auditoria de feed é <70/100 (nosso benchmark interno: 8 atributos × 10 pontos cada, deduções por campos ausentes/quebrados). Limpe o feed primeiro, depois consolide.

Consolide em PMax se:

• Seu catálogo é homogêneo em margem (por exemplo, todos SKUs são 35-45% de margem). O PMax otimizará para receita sem risco de margem.
• Você tem imagens de produtos de alta qualidade, recursos de vídeo e orçamento suficiente para atingir fase de aprendizado entre grupos de recursos ($500+/dia por grupo).
• Seu feed tem product_type hierárquico, rótulos personalizados preenchidos e descrições únicas. O PMax precisa destes para se auto-segmentar efetivamente.

Defendemos uma abordagem faseada. Comece híbrido, mesmo se seu feed estiver limpo. Aloque 60-70% do orçamento para Shopping Padrão e 30-40% para PMax. Monitore contribuição de margem por canal semanalmente. Se o PMax consistentemente entregar eficiência de margem comparável ou melhor após 30 dias e quatro ciclos completos de aprendizado, mude mais 20pp de orçamento. Se a margem degradar, pause o PMax e diagnostique problemas de feed antes de retomar.

A marca de móveis executou híbrido por 60 dias pós-correção de feed. No dia 45, a margem de contribuição PMax igualou o Shopping Padrão (39,2% vs. 39,8%), então mudaram para 50/50. No dia 75, o PMax puxou à frente (41,1% vs. 38,4%), e mudaram para 70/30 a favor do PMax. A chave: não consolidaram cegamente. Validaram mudanças de feed com dados.

Um erro estrutural que vemos frequentemente: executar uma única campanha PMax "todos os produtos". Se seu catálogo abrange múltiplas verticais ou níveis de margem, divida em 2-4 grupos de recursos com filtros product_type não sobrepostos. Por exemplo, a marca de roupas esportivas executou três grupos de recursos:

1. Principal de Alta Margem (Leggings, Tops Esportivos, Calças de Corrida): product_type contém "Alta Performance" ou "Principal", custom_label_0 = "Alta Margem"
2. Essenciais (Camisetas, Regatas, Meias): product_type contém "Essenciais", custom_label_0 = "Margem Média"
3. Liquidação/Sazonal (Cores da última estação, estilos descontinuados): custom_label_1 = "Liquidação"

Cada grupo de recursos tinha metas ROAS distintas (2,8×, 2,2×, 1,5×) e conjuntos criativos enfatizando diferentes propostas de valor (performance, versatilidade, preço). Isso permitiu ao PMax otimizar dentro de barreiras de margem em vez de misturar alto e baixo AOV em um único pool de aprendizado.

Números Reais: Recuperação de Margem Após Reestruturação de Feed

Rastreamos todas as três marcas por 90 dias pós-correção de feed. Aqui está o aumento de contribuição de margem por semana, indexado à semana zero (baseline pré-correção = 100):

A contribuição de margem média melhorou 29% na semana 12. A marca de móveis—que tinha a pior qualidade inicial de feed—viu a maior recuperação absoluta: de $61 mil para $142 mil de contribuição líquida mensal no mesmo gasto PMax de $88 mil. Isso é uma oscilação mensal de $81 mil, ou $972 mil anualizada, apenas de correções de feed.

Também rastreamos desempenho não-PMax para controlar fatores externos (sazonalidade, calendários promocionais). Shopping Padrão e contribuição de social pago permaneceram estáveis ±3pp, confirmando que o aumento foi específico do PMax. O mecanismo: melhores hierarquias product_type permitiram ao PMax alocar orçamento para SKUs de maior margem, e descrições + títulos únicos melhoraram pontuações de relevância de anúncios, reduzindo CPCs em 11-17%.

Um benefício não óbvio: o LTV do cliente melhorou. Quando o PMax promove SKUs de alta margem, você adquire clientes através de produtos melhores. Os clientes originados do PMax da marca de móveis tiveram LTV de 180 dias 18% maior que clientes PMax pré-correção, provavelmente porque seccionais (alta margem) são compras consideradas que ancoram um cômodo, enquanto almofadas (baixa margem) são adições impulsivas. Melhor mix de produtos de primeira ordem → coortes de clientes mais fortes.

Para marcas céticas sobre investimento em feed, oferecemos uma auditoria gratuita que pontua seu feed nos oito atributos críticos e estima potencial de recuperação de margem. A pontuação inicial da marca de móveis foi 28/100; pós-correção foi 91/100. Essa melhoria de 63 pontos desbloqueou o aumento mensal de $81 mil.

FAQ

Artigos relacionados

google shopping

Compras Sem Clique: Otimizando Feeds para o Painel de Conhecimento de Produtos do Google

O Google agora exibe preço, disponibilidade e especificações diretamente nos resultados de pesquisa para 34% das consultas de produtos. Aprenda a otimizar seu feed de Shopping e marcação de schema para dominar o Painel de Conhecimento e proteger a visibilidade de pesquisa de marca.

14 de mai. de 2026·20 min

google shopping

Modificadores de Lance do Google Shopping vs. Segmentação de Feed: Teste de ROI

Um teste de 90 dias em três verticais revela por que a segmentação no nível do feed oferece 2-3x mais controle e menor CAC do que táticas padrão de modificadores de lance para campanhas do Google Shopping em escala.

13 de mai. de 2026·19 min

google shopping

Estratégia de Etiquetas Personalizadas: Como 3 Marcas DTC Escalaram para ROAS de 8 Dígitos

Faça engenharia reversa das arquiteturas de etiquetas personalizadas baseadas em margem-velocidade, sazonalidade e LTV que permitiram que três marcas DTC rompessem o patamar de $50k/mês e alcançassem ROAS de 8 dígitos no Google Shopping.

12 de mai. de 2026·16 min