Hur AI-omskrivningar förbättrar Google Shopping CTR med 40%

Vi får samma fråga från varje butiksägare som har hört talas om AI-driven flödesoptimering: "fungerar det verkligen, eller är det bara hype?"

Kort svar: det fungerar när det görs rätt. Generiska AI-omskrivningar tenderar att förstöra flöden (vi visar exakt hur). Kategorimedvetna omskrivningar med attributlåsning och en granskningskö ger pålitliga, repeterbara CTR-ökningar.

Den här artikeln går igenom tre verkliga fallstudier från de senaste 6 månaderna, anonymiserade men med de faktiska före/efter-siffrorna, omskrivningsmönstren och fallgroparna.

Upplägg

För varje fallstudie körde vi ett 14-dagars A/B-test:

• Dag 0: ögonblicksbild av befintligt flöde. Dokumentera CTR, impressionsandel, konverteringsgrad på de 100 bästa SKU:erna.
• Dag 1–7: distribuera AI-omskrivningar till slumpmässigt valda 50% av SKU:erna ("testgruppen"). De andra 50% behöll ursprunglig text ("kontrollgruppen").
• Dag 8–14: håll testet. Jämför båda grupperna på samma Google Ads-kampanjer, bud och målgrupper.

Alla tre butiker körde Performance Max. Alla tre hade kört sitt befintliga flöde i minst 6 månader, så kontrollen var en stabil baslinje.

Fall 1 — Mode (mellanmarknad damkläder)

Katalog: 2 400 SKU:er. Genomsnittspris: $78. Befintlig CTR på Shopping: 1,4%.

Omskrivningarna (exempel):

Mönstret: tyg + siluett + halsringning + ärmlängd + färg + passformbeskrivning, i den ordningen. Detta är strukturen som bäst matchar hur modesköpare faktiskt söker — de skriver tyg och siluett, sedan förfinar de med färg.

Resultat efter 14 dagar:

Varför detta fungerade: mode har en särskilt rik söktaxonomi ("midi dress black", "linen v-neck blouse cream") och de ursprungliga titlarna saknade attributtäckning. Omskrivningarna återställde söktäckning. CPC sjönk eftersom relevanspoäng gick upp.

Fall 2 — Köksartiklar

Katalog: 580 SKU:er. Genomsnittspris: $42. Befintlig CTR: 0,9%.

Detta var det svåraste fallet. Sökningar efter köksartiklar domineras av jättestora återförsäljare (Amazon, IKEA, Williams Sonoma) och tenderar att vara mycket varumärkescentrerade. Det ursprungliga flödet använde tillverkarens beskrivningar ordagrant.

Omskrivningarna (exempel):

Mönstret: varumärke + modell + kapacitet + färg + material + nyckelspecifikation. Kapacitet och material är de avgörande signaler köpare faktiskt filtrerar efter.

Resultat efter 14 dagar:

Konverteringsgraden rörde sig knappt (PDP:erna var oförändrade) men ökningen i visningar och CTR översattes till en betydande ROAS-förbättring.

Fall 3 — Skönhet / hudvård

Katalog: 320 SKU:er. Genomsnittspris: $34. Befintlig CTR: 1,8%.

Skönhet är intressant eftersom sökspråket är tungt på ingrediens- och problem-nyckelord ("retinol serum sensitive skin", "vitamin c brightening").

Omskrivningarna (exempel):

Mönstret: aktiv ingrediens + koncentration + produkttyp + sekundär ingrediens + storlek + problem + certifiering. Aktiv ingrediens först eftersom det är så skönhetsköpare söker.

Resultat efter 14 dagar:

Den största ökningen av de tre studierna. Skönhet belönar specifika, attributtunga titlar eftersom köpare köper ingredienslöftet lika mycket som varumärket.

Vad som fungerade i alla tre

När vi tittar på de tre studierna drev tre mönster konsekvent ökningen:

1. Främre placering av köpintenttoken

I alla tre fallen flyttades den viktigaste köparintenttoken till de första 30 tecknen i titeln. För mode är det tyg+siluett; för köksartiklar är det varumärke+modell+kapacitet; för skönhet är det aktiv ingrediens+koncentration.

Varför: Google Shoppings listlayout trunkerar titlar vid ~70 tecken på mobil. De första 70 tecknen gör 90% av SERP-jobbet.

2. Ersättning av marknadsföringssvada med sökbara specifikationer

"Premium", "Bästsäljande", "Kundfavorit", "Exklusiv" — dessa är nollvärdetokens. De matchar ingen sökfråga, de tar teckenbudget och de skadar aktivt din kvalitetspoäng (Google har deprioriterat dem sedan 2018).

Ersätt dem med: dimensioner, vikter, kapaciteter, certifieringar, material, modellnummer. Den enskilt största teckenbudgetvinsten i alla tre studierna var att ta bort marknadsföringsadjektiv.

3. Anpassning till de faktiska topp-50 sökningarna

Detta är steget nästan ingen gör. Innan omskrivning hämtade vi de 50 bästa sökfrågorna varje butik redan matchade för — även om dessa sökningar hade dålig konvertering. Omskrivningarna inkluderade sedan explicit tokens från dessa sökningar.

Detta låter uppenbart, men de flesta "AI-omskrivnings"-verktyg har inte tillgång till din söktermrapport och så de skriver om blint. Omskrivningarna matchar slutligen någon annan taxonomi (ofta tillverkarens katalognamn) istället för ditt faktiska köparspråk.

Vad som gick sönder när AI-omskrivningar gick fel

Vi har också sett massor av AI-omskrivningar förstöra flöden. De tre felmönstren:

1. Hallucinerade specifikationer. Generiska ChatGPT-omskrivningar kommer att hitta på kapacitet, vikt eller materialvärden om de inte finns i källan. Detta genererar Merchant Center-avslag och, värre, kundklagomål.
2. Förlorat varumärke eller modellnummer. "Sony WH-CH720N" blir "premium trådlösa hörlurar". Du har just gjort din produkt osynlig för alla som söker efter den med namn.
3. Inkonsekvent ton. När omskrivningsprompten inte är kategoribegränsad slutar du med köksartiklar som låter som en hudvårdsannons. Katalogen läses som låg-förtroende.

Det är därför MagicFeedPro använder kategoribegränsade prompter, attributlåsning (varumärke/modell/GTIN/storlek/färg kan inte ändras) och en diff-kö före publicering.

Slutsats

En 40% CTR-ökning låter dramatisk men det är faktiskt bottennivån för vad som är möjligt när ett underoptimerat flöde får en kategorimedveten omskrivning. Teamen som får ut mest av AI-omskrivningar:

1. Kör en söktermsrevision först för att lära sig vilka sökningar de faktiskt matchar för.
2. Bygg en per-kategori-prompt som låser identifierare och front-laddar köpintenttoken.
3. A/B-testar före katalogomfattande distribution.
4. Reviderar Merchant Center-diagnostik under och efter utrullningen.

Hoppa över steg 1, och dina AI-omskrivningar kommer att matcha någon annans taxonomi. Hoppa över steg 4, och du missar avvisningarna som tyst hopar sig.

FAQ

Relaterade artiklar