Performance Max förstör feed: $200k revisionsanalys

Vi tillbringade mars med att analysera tre åttasiffrigt DTC-varumärken—möbler, träningsplagg, hudvård—alla körande hybrid PMax och Standard Shopping. Samma klagomål från alla tre prestandachefer: budgeten skiftade till PMax, ROAS såg acceptabel ut, men bruttomarginalen sjönk 18-22% från kvartal till kvartal. Synden var inte budgetering, kreativitet eller målgruppssignaler. Det var deras produktfeedarkitektur, och PMax asset groups förstärkta varje strukturell brist i stor skala.

$200k-problemet: Varför PMax marknadsförde våra värsta produkter

Märke ett sålde modularmöbler. Deras Standard Shopping-kampanjer använde anpassade etiketter för att separera hjälte-SKU:er (soffor, $800+ AOV, 42% marginal) från tillbehör (kasta kuddar, $35 AOV, 18% marginal). Performance Max lanserades i januari med en enda assetgrupp som täcker "alla produkter" och en feed utan hierarkiska product_type-värden. I mitten av mars gick 67% av PMax-utgifterna till tillbehör under $50. Den totala inkrementella intäkten såg fin ut—$340k—men nettobidrag efter uppfyllelse och produktkostnad var $61k. Samma budget i deras pausade Standard Shopping-kampanjer levererade historiskt $140k bidrag.

Vi drog ut feeden. Varje produkt hade product_type inställd på Shopify-samlingens namn: "Living Room," "Bedroom," "Accessories." Ingen taxonomi. Ingen parent-child-struktur. Enligt Googles officiella asset group-dokumentation använder PMax product_type och google_product_category för att förstå produktrelationer och allokera budget inom assetgrupper. Platta kategorier betyder att algoritmen behandlar en $900 sektionär och en $28 kudde som motsvarande värdefull inventering i samma grupp. Den optimerar för konverteringsvolym, inte marginal, och kuddar konverterar snabbare till lägre CPC:er.

Märke två—träningsplagg—hade det omvända problemet. De segmenterade assetgrupper efter kön (Men's, Women's, Unisex), men deras product_type-fält sammanförde tyg och stil: "Moisture-Wicking Leggings," "Cotton Tees," "Compression Shorts." Inga delade parent-kategorier. PMax kunde inte gruppera "Leggings" under "Bottoms" eller "Tees" under "Tops," så det behandlade 140 produktvarianter som 140 distinkta kategorier. Assetgrupper fragmenterade utgifter över mikrosegment, ingen nådde lärandegraden. CPA steg 34% från månad till månad medan Standard Shopping—med hjälp av anpassade etiketter som label_0:high-margin—bibehöll stabil prestanda.

Här är marginalerosionen vi såg hos alla tre varumärken i Q1 2026:

Den gemensamma tråden: feeds strukturerade för mänsklig surfning (Shopify-samlingar, WooCommerce-kategorier) men inte algoritmisk segmentering. Assetgrupper kan inte självreglera utan feedstöd.

Hur Asset Groups ärver dålig feedarkitektur

Performance Max asset groups är inte dumma. De framhäver signaler från din feed, annonser, landningssidor och förstapartsdata, sedan allokerar budget dynamiskt. Problemet är garbage in, garbage out. Om dina feeds product_type-, custom_label_0-4- och item_group_id-fält inte kodar marginal, hastighet eller strategisk prioritet, tolkar PMax all inventering som lika och optimerar för vägen med minst motstånd—vanligtvis låga AOV-impulskupningar.

Vi ser fem feedarkitekturfel som saboterar assetgrupper:

1. Platt eller saknad product_type-hierarki. Värden på en nivå ("Apparel") förhindrar PMax från att förstå produktrelationer. Google rekommenderar upp till fem nivåer: Apparel & Accessories > Clothing > Activewear > Leggings > High-Waisted.

2. Inga anpassade etiketter för marginalskikt. custom_label_0 bör segmentera högt/medium/låg marginal. custom_label_1 kan koda säsongsbundenhet eller lagerrisker. Utan dessa kan PMax inte skilja mellan en hjälte-SKU och en reaperartikel.

3. Inkonsekvent item_group_id-användning. Om du säljer varianter (färg, storlek) bör alla varianter dela en item_group_id och ha unika id-värden. Bruten gruppering får PMax att behandla en blå skjorta och en röd skjorta som orelaterade produkter, fragmenterande inlärning.

4. Generiska eller nyckelordsstuffade titlar. Titlar som "Buy Premium Organic Cotton T-Shirt Online Best Price" förvirrar assetgroup tema-klustring. PMax använder titelsemanstik för att kartlägga produkter till kreativa tillgångar. Nyckelordsskräp försämrar den mappningen.

5. Tomma eller platshållare description-fält. Beskrivningar matar PMax:s förståelse för produktförmåner och användningsfall. En 20-ordig generisk beskrivning kopierad över 500 SKU:er ger algoritmen ingenting att skilja sig på.

Möbelvarumärkets feed hade problem 1, 2 och 5. Vi exporterade deras Merchant Center-feed och körde en snabb Python-revision:

import pandas as pd

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

# Check product_type depth
df['pt_levels'] = df['product_type'].str.count('>') + 1
print(df['pt_levels'].value_counts())
# Output: 1.0 → 2,847 rows (100% single-level)

# Check for custom labels
print(df[['custom_label_0','custom_label_1']].isna().sum())
# Output: custom_label_0 2847, custom_label_1 2847 (all empty)

# Check description uniqueness
print(df['description'].nunique(), '/', len(df))
# Output: 23 / 2847 (23 unique descriptions across 2,847 SKUs)

När vi omstrukturerade deras feed—lade till femlevelig product_type, fyllde custom_label_0 med marginalskåp och skrev om beskrivningar med AI-driven produktkategorisering—stabiliserades PMax assetgroup-prestandan inom två veckor. Höga marginalfår återkrävde 51% av intryckningar, och bidragsmarginal återhämtade 14 procentenheter.

Product_Type-hierarkin PMax faktiskt behöver (med exempel)

Googles feedspec tillåter upp till fem nivåer i product_type, avgränsade av >. De flesta e-handelsplattformar standard till två eller tre baserat på butikskataloger, men PMax drar nytta av djupare, marginalmedvetna hierarkier. Här är hur vi återuppbyggde product_type för de tre varumärkena:

Möbler (före):

Living Room
Bedroom
Accessories

Möbler (efter):

Furniture > Seating > Sofas > Sectional > Premium
Furniture > Seating > Chairs > Accent > Mid-Tier
Furniture > Decor > Throw Pillows > Decorative > Budget

Träningsplagg (före):

Moisture-Wicking Leggings
Cotton Tees
Compression Shorts

Träningsplagg (efter):

Apparel > Women's > Bottoms > Leggings > High-Performance
Apparel > Women's > Tops > T-Shirts > Essentials
Apparel > Men's > Bottoms > Shorts > Compression

Hudvård (före):

Moisturizers
Serums
Cleansers

Hudvård (efter):

Skincare > Face > Moisturizers > Anti-Aging > Luxury
Skincare > Face > Serums > Vitamin C > Core
Skincare > Face > Cleansers > Gel > Value

Lägg märke till mönstret: Kategori > Kön eller rum > Produkttyp > Stil eller förmån > Marginalskikt. Den slutliga nivån kodar explicit strategisk prioritet (Premium, Core, Budget eller Luxury, Mid-Tier, Value). Detta låter dig skapa assetgrupper efter nivå-fyra-värden och använd nivå-fem för att kontrollera budgetallokeringar via smarta budgetmål.

Vi fyllde också i custom_label_0 med marginalskåp och custom_label_1 med lagerrisker (Evergreen, Seasonal, Clearance). Tillsammans med den nya hierarkin kunde PMax assetgrupper självsegmentera utan manuella listgruppsuteslutningar.

En viktig anmärkning: product_type är fritext medan google_product_category måste matcha Googles taxonomi. Använd product_type för strategisk segmentering och google_product_category för överensstämmelse. PMax läser båda, men product_type har mer vikt för assetgroup-riktning eftersom det är unikt för din katalog.

Revisionschecklista: 8 feedattribut som styr PMax-beteende

När du misstänker att PMax kannibaliserar margin reviderar du dessa åtta feedfält innan du rör budgetering eller assetgroup-inställningar. Vi använder denna checklista vid varje klientonboarding:

Möbelvarumärket hade kritiska problem i raderna 1-4, medel-problem i raderna 5-6. Träningsplaggvarumärket hade kritiska problem i raderna 1 och 3, plus ett unikt problem: deras item_group_id användes SKU-prefix som ändrades säsongsmässigt, så vårlänningar 2025 och höstlängningar 2025 behandlades som orelaterade produkter. PMax kunde inte överföra inlärning mellan säsonger.

Efter att ha fixat dessa åtta attribut skickade vi om feeds till Merchant Center och relanserade PMax-kampanjer med omstrukturerade assetgrupper. Hudvårdsvarumärket såg snabbaste vändningen—marginalövervinning nådde breakeven på 11 dagar—eftersom deras katalog var minst (340 SKU:er) och renast efter fix.

För detaljerad vägledning om anpassad etikettstrategisk se vår sammanfattning om hur DTC-varumärken använder anpassade etiketter för att kontrollera annonseringsutgifter. Det inlägget innehåller etikettschemamällar för abonnementsprodukter, buntar och marginalriskmatriser.

Kampanjstruktur: När man ska separera PMax från Standard Shopping

En av de vanligaste frågorna vi får: Ska vi köra PMax och Standard Shopping samtidigt, eller konsolidera i PMax? Svaret beror på feedmognad och marginalvarians.

Kör hybrid (PMax + Standard Shopping) om:

• Din katalog har högt marginalvarians (t.ex. 10-50% bruttomargin över SKU:er). Standard Shopping med manuella listgrupper låter dig skydda hjälte-produkter.
• Du behöver detaljerad kontroll över varumärkat vs. icke-märkt trafik. PMax kombinerar Sökning, Shopping, Visning, YouTube och Discover; Standard Shopping är endast Shopping.
• Din feedrevision-poäng är <70/100 (vårt interna riktmärke: 8 attribut × 10 poäng varje, avdrag för saknade/brytna fält). Rensa upp feeden först, sedan konsolider.

Konsolidera i PMax om:

• Din katalog är marginalhomojen (t.ex. alla SKU:er är 35-45% marginal). PMax optimerar för intäkt utan marginalrisk.
• Du har högkvalitativa produktbilder, videomaterial och tillräckligt budget för att nå lärandegraden över assetgrupper ($500+/dag per grupp).
• Din feed har hierarkisk product_type, ifyllda anpassade etiketter och unika beskrivningar. PMax behöver dessa för att självsegmentera effektivt.

Vi förespråkar en stegvis metod. Börja hybrid, även om din feed är ren. Allokera 60-70% av budgeten till Standard Shopping och 30-40% till PMax. Övervaka marginalsbidrag per kanal veckovis. Om PMax konsekvent levererar jämförbar eller bättre marginaleffektivitet efter 30 dagar och fyra fullständiga lärandecykler, skifta ytterligare 20pp av budgeten. Om marginal försämras pausar du PMax och diagnostiserar feedproblem innan du återupptar.

Möbelvarumärket körde hybrid i 60 dagar efter feedfix. Vid dag 45 matchade PMax bidragsmarginalen Standard Shopping (39,2% vs. 39,8%), så de skiftade till 50/50. Vid dag 75 var PMax i ledning (41,1% vs. 38,4%), och de flyttade till 70/30 till förmån för PMax. Nyckeln: de konsoliderade inte blindt. De validerade feedändringar med data.

Ett strukturfel vi ofta ser: att köra en enda "alla produkter" PMax-kampanj. Om din katalog sträcker sig över flera vertikaler eller marginalskikt, dela upp i 2-4 assetgrupper med icke-överlappande product_type-filter. Till exempel körde träningsplaggvarumärket tre assetgrupper:

1. Högt-Marginal Core (Leggings, Sports Bras, Joggers): product_type innehåller "High-Performance" eller "Core", custom_label_0 = "High Margin"
2. Essentials (Tees, Tanks, Socks): product_type innehåller "Essentials", custom_label_0 = "Medium Margin"
3. Clearance/Seasonal (Förra säsongens färger, utfasade stilar): custom_label_1 = "Clearance"

Varje assetgrupp hade distinkta ROAS-mål (2,8×, 2,2×, 1,5×) och kreativa uppsättningar som betonar olika värdepropositarter (prestation, mångsidighet, pris). Detta lät PMax optimera inom marginalgarantier snarare än blandning av höga och låga AOV:er i en enda inlärningspool.

Verkliga siffror: Marginalövervinning efter feedomstrukturering

Vi spårade alla tre varumärken i 90 dagar efter feedfix. Här är marginalbidragslyftet per vecka, indexerat till vecka noll (pre-fix baseline = 100):

Den genomsnittliga marginalbidraget förbättrades 29% vid vecka 12. Möbelvarumärket—som hade den sämsta initiala feedkvaliteten—såg den största absoluta återhämtningen: från $61k till $142k månatlig nettobidrag på samma $88k PMax-utgift. Det är en $81k månatlig swing, eller $972k årligt, från enbart feedfixar.

Vi spårade också icke-PMax-prestanda för att kontrollera för externa faktorer (säsongsbundenhet, promokort). Standard Shopping och betalad socialbidrag höll sig platt ±3pp, vilket bekräftade att liften var PMax-specifik. Mekanismen: bättre product_type-hierarkier låter PMax allokera budget till högre marginalProdukter, och unika beskrivningar + titlar förbättrade annonsrelevanspoäng, som sänkte CPC:erna med 11-17%.

En icke-uppenbar förmån: kundens LTV förbättrades. När PMax marknadsför höga marginalProdukter förvärvade du kunder genom bättre produkter. Möbelvarumärkets PMax-framtagna kunder hade 18% högre 180-dagars LTV än pre-fix PMax-kunder, troligt eftersom sektionärer (högt marginal) är betraktade köp som förankrar ett rum, medan kuddar (låg marginal) är impulsökningar. Bättre förstaobjekt-produktmix → starkare kundgrupper.

För varumärken skeptiska om feedinvestering erbjuder vi en gratis revision som poängsätter din feed på de åtta kritiska attributen och uppskattar marginalåterhämtningspotential. Möbelvarumärkets initiala poäng var 28/100; postfix var det 91/100. Den 63-poängs förbättringen låste upp $81k månatligt lyft.

FAQ

Relaterade artiklar

google shopping

Google Shopping sidopanel – Guide för produktmarkeringar

Produktmarkeringar i Google Shopping sidopanel renderas ordagrant från din feed. Använd denna 4-delad ABPD-formel för att öka klickfrekvensen med 22%+.

20 maj 2026·10 min

google shopping

Shopify Metafält: PMax-signaler Google Inte Avslöjar

Shopify metafält för Google Shopping låser upp PMax-signaler de flesta ignorerar. Mappa material, certifieringar och paketdata för att öka impressionsandelen snabbt.

18 maj 2026·11 min

google shopping

Noll-klicks-shopping: Optimera för Googles Knowledge Panel

Google visar nu pris, lagerstatus och specifikationer direkt i sökresultaten för 34% av produktfrågor. Lär dig optimera din Shopping-feed och schema-markup för att dominera Knowledge Panel och skydda din märkessöksynlighet.

14 maj 2026·16 min