PMax Está Destruindo Seu Feed: Análise de $200k

Passamos março analisando três marcas DTC de oito dígitos—móveis, ativewear, skincare—todas executando PMax híbrido e Shopping padrão. A mesma reclamação de todos os três heads-of-performance: o orçamento estava se deslocando para PMax, o ROAS parecia aceitável, mas a margem bruta caiu 18-22% trimestre após trimestre. O culpado não era lance, criativo ou sinais de público. Era sua arquitetura de feed de produtos, e grupos de ativos PMax amplificaram cada falha estrutural em escala.

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

A marca um vendia móveis modulares. Suas campanhas Standard Shopping usavam labels customizados para separar SKUs hero (sofás, $800+ AOV, 42% de margem) de acessórios (almofadas decorativas, $35 AOV, 18% de margem). Performance Max lançou em janeiro com um único grupo de ativos cobrindo "todos os produtos" e um feed sem valores product_type hierárquicos. No meio de março, 67% do gasto PMax foi para acessórios abaixo de $50. A receita incremental total parecia boa—$340k—mas a contribuição líquida após cumprimento e custo do produto foi $61k. O mesmo orçamento em suas campanhas Standard Shopping pausadas historicamente entregava $140k de contribuição.

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

Marca dois—ativewear—tinha o problema inverso. Eles segmentavam grupos de ativos por gênero (Masculino, Feminino, Unissex), mas seu campo product_type concatenava tecido e estilo: "Leggings Respiráveis", "Camisetas de Algodão", "Shorts de Compressão". Nenhuma categoria pai compartilhada. PMax não conseguia agrupar "Leggings" sob "Calças" ou "Camisetas" sob "Blusas", então tratava 140 variantes de produto como 140 categorias distintas. Grupos de ativos fragmentaram gastos em micro-segmentos, nenhum atingindo fase de aprendizado. CPA subiu 34% mês a mês enquanto Shopping padrão—usando labels customizados como label_0:high-margin—manteve desempenho estável.

Aqui está a erosão de margem que vimos em todas as três marcas no Q1 2026:

O fio condutor: feeds estruturados para navegação humana (coleções Shopify, categorias WooCommerce) mas não para segmentação algorítmica. Grupos de ativos não conseguem auto-regular sem andaime de feed.

Como Grupos de Ativos Herdam Arquitetura Ruim de Feed

Grupos de ativos do Performance Max não são burros. Eles baseiam sinais do seu feed, criativos de anúncios, páginas de destino e dados first-party, depois alocam orçamento dinamicamente. O problema é garbage in, garbage out. Se seus campos product_type, custom_label_0-4 e item_group_id do feed não codificam margem, velocidade ou prioridade estratégica, PMax interpreta todo inventário como igual e otimiza para o caminho de menor resistência—geralmente compras por impulso com baixo AOV.

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

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

2. Sem labels customizados 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, PMax não consegue distinguir entre um SKU hero 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 PMax tratar uma camiseta azul e uma vermelha como produtos não relacionados, fracionando o aprendizado.

4. Títulos genéricos ou com keyword stuffing. Títulos como "Compre Camiseta de Algodão Orgânico Premium Online Melhor Preço" confundem agrupamento de tema de grupo de ativos. PMax usa semântica de título para mapear produtos a ativos criativos. Spam de keywords degrada esse mapeamento.

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

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

import pandas as pd

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

# Verificar profundidade de product_type
df['pt_levels'] = df['product_type'].str.count('>') + 1
print(df['pt_levels'].value_counts())
# Output: 1.0 → 2,847 linhas (100% nível único)

# Verificar labels customizados
print(df[['custom_label_0','custom_label_1']].isna().sum())
# Output: custom_label_0 2847, custom_label_1 2847 (todos vazios)

# Verificar singularidade de descrição
print(df['description'].nunique(), '/', len(df))
# Output: 23 / 2847 (23 descrições únicas em 2.847 SKUs)

Quando reestruturamos seu feed—adicionando product_type de cinco níveis, preenchendo custom_label_0 com baldes de margem, e reescrevendo descrições com categorização de produto orientada por IA—o desempenho do grupo de ativos PMax se estabilizou em duas semanas. Sofás de alta margem recuperaram 51% de impressões, e a margem de contribuição se recuperou em 14 pontos percentuais.

A Hierarquia Product_Type que 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 padrão para dois ou três baseado em categorias de vitrine, mas PMax se beneficia de hierarquias mais profundas, conscientes de margem. Aqui está como reconstruímos product_type para as três marcas:

Móveis (antes):

Living Room
Bedroom
Accessories

Móveis (depois):

Móveis > Assentos > Sofás > Seccional > Premium
Móveis > Assentos > Cadeiras > Acentuação > Médio
Móveis > Decor > Almofadas Decorativas > Decorativa > Econômica

Ativewear (antes):

Leggings Respiráveis
Camisetas de Algodão
Shorts de Compressão

Ativewear (depois):

Vestuário > Feminino > Calças > Leggings > Alto Desempenho
Vestuário > Feminino > Blusas > Camisetas > Essencial
Vestuário > Masculino > Calças > Shorts > Compressão

Skincare (antes):

Moisturizers
Serums
Cleansers

Skincare (depois):

Cuidados de Pele > Rosto > Hidratantes > Anti-Envelhecimento > Luxo
Cuidados de Pele > Rosto > Séruns > Vitamina C > Essencial
Cuidados de Pele > Rosto > Limpadores > Gel > Valor

Veja o padrão: Categoria > Gênero ou Cômodo > Tipo de Produto > Estilo ou Benefício > Nível de Margem. O nível final codifica explicitamente a prioridade estratégica (Premium, Essencial, Econômico ou Luxo, Médio, Valor). Isso permite criar grupos de ativos 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 baldes de margem e custom_label_1 com risco de inventário (Perene, Sazonal, Liquidação). Combinado com a nova hierarquia, grupos de ativos PMax poderiam auto-segmentar sem exclusões manuais de grupo de anúncios.

Uma observação 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. PMax lê ambos, mas product_type carrega mais peso para direcionamento de grupo de ativos porque é único para seu catálogo.

Lista de Verificação de Auditoria: 8 Atributos de Feed que Controlam o Comportamento PMax

Quando você suspeita que PMax está canibalizando margem, audite esses oito campos de feed antes de tocar em lances ou configurações de grupo de ativos. Usamos essa lista de verificação em todo onboarding de cliente:

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

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

Para orientação detalhada sobre estratégia de label customizado, veja nosso breakdown sobre como marcas DTC usam labels customizados para controlar gasto de anúncios. Aquele post inclui templates de schema de label para produtos de assinatura, bundles e matrizes de risco de margem.

Estrutura de Campanha: Quando Separar PMax de 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 (ex: 10-50% de margem bruta entre SKUs). Shopping padrão com grupos de anúncios manuais permite proteger produtos hero.
• Você precisa de controle granular sobre tráfego de marca vs. não-marca. PMax combina Pesquisa, Shopping, Display, YouTube e Discover; Shopping padrão é apenas Shopping.
• Sua pontuação de auditoria de feed é <70/100 (nosso benchmark interno: 8 atributos × 10 pontos cada, deduções por campos faltando/quebrados). Limpe o feed primeiro, depois consolide.

Consolide em PMax se:

• Seu catálogo é margem-homogêneo (ex: todos os SKUs são 35-45% de margem). PMax otimizará para receita sem risco de margem.
• Você tem imagens de produto de alta qualidade, ativos de vídeo e orçamento suficiente para atingir fase de aprendizado em grupos de ativos ($500+/dia por grupo).
• Seu feed tem product_type hierárquico, labels customizados preenchidos e descrições únicas. PMax precisa desses para 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 PMax consistentemente entregar eficiência de margem comparável ou melhor após 30 dias e quatro ciclos completos de aprendizado, mude outros 20pp de orçamento. Se a margem degradar, pause PMax e diagnostique problemas de feed antes de retomar.

A marca de móveis executou híbrida por 60 dias pós-correção de feed. No dia 45, margem de contribuição PMax correspondia ao Shopping padrão (39,2% vs. 39,8%), então eles mudaram para 50/50. No dia 75, PMax puxava adiante (41,1% vs. 38,4%), e eles se moveram para 70/30 em favor de PMax. A chave: eles não consolidaram cegamente. Eles validaram mudanças de feed com dados.

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

1. Núcleo de Alta Margem (Leggings, Sutiãs Esportivos, Moletom): product_type contém "Alto Desempenho" ou "Essencial", custom_label_0 = "Margem Alta"
2. Essencial (Camisetas, Regatas, Meias): product_type contém "Essencial", custom_label_0 = "Margem Média"
3. Liquidação/Sazonal (Cores da última estação, estilos descontinuados): custom_label_1 = "Liquidação"

Cada grupo de ativos tinha metas ROAS distintas (2,8×, 2,2×, 1,5×) e conjuntos criativos enfatizando diferentes propostas de valor (desempenho, versatilidade, preço). Isso permitiu PMax otimizar dentro de guardas de margem em vez de mesclar AOV alto e baixo 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 lift de contribuição de margem por semana, indexado à semana zero (baseline pré-correção = 100):

Contribuição média de margem melhorou 29% pela semana 12. A marca de móveis—que tinha a pior qualidade inicial de feed—viu a maior recuperação absoluta: de $61k para $142k contribuição líquida mensal no mesmo gasto PMax de $88k. Esse é um balanço de $81k mensal, ou $972k anualizado, de apenas correções de feed.

Também rastreamos desempenho não-PMax para controlar fatores externos (sazonalidade, calendários de promo). Contribuição de Shopping padrão e mídia paga social permaneceram planas ±3pp, confirmando que o lift era específico de PMax. O mecanismo: melhores hierarquias product_type deixam PMax alocar orçamento a SKUs de margem mais alta, e títulos + descrições únicos melhoraram pontuações de relevância de anúncio, baixando CPCs em 11-17%.

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

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

FAQ

Artigos relacionados

google shopping

Destaques de Produtos no Painel Google Shopping

Destaques de produtos no painel Google Shopping são renderizados textualmente — use a fórmula ABPD de 4 partes para dominar o painel expandido e aumentar CTR em 22%+.

20 de mai. de 2026·13 min

google shopping

Metafields Shopify: sinais PMax que Google não revela

Metafields do Shopify para Google Shopping desbloqueiam sinais de PMax que rivais ignoram. Mapeie material, certificação e dados de bundle para aumentar share de impressões.

18 de mai. de 2026·14 min

google shopping

Zero-Click Shopping: Dominar o Painel de Conhecimento

Google exibe preço, disponibilidade e specs em 34% das buscas de produtos. Otimize seu feed e schema markup para dominar o Painel de Conhecimento e proteger visibilidade de marca.

14 de mai. de 2026·20 min