Kampania Performance Max od momentu swojego debiutu była jedną z najbardziej “czarnych skrzynek” w ekosystemie Google Ads. Początkowo reklamodawcy mieli bardzo ograniczony wgląd w dane, a optymalizacja w dużej mierze opierała się na zaufaniu do algorytmu.
Z czasem Google zaczęło udostępniać coraz więcej informacji, między innymi raporty zasobów oraz kanałów czy wgląd w dane dotyczące odbiorców. To sprawiło, że PMax stał się kampanią, którą można (i trzeba) świadomie strukturyzować.
Wciąż jednak często widzimy jeden podstawowy błąd: uruchamianie jednej kampanii PMax na cały asortyment. To podejście działa tylko w określonych przypadkach. W większości sytuacji prowadzi do rozmycia danych, problemów z kontrolą budżetu i braku możliwości wpływu na priorytety biznesowe.
Co daje segmentacja kampanii PMax?
Segmentacja nie jest celem samym w sobie – jej zadaniem jest dostarczenie algorytmowi dodatkowego kontekstu. Warto pamiętać, że AI w PMax:
- nie rozumie strategii firmy,
- nie wie, które produkty są kluczowe dla marży,
- nie zna sezonowości biznesu w takim sensie jak marketer,
- optymalizuje przede wszystkim pod konwersję, a nie biznesową rentowność.
Segmentując kampanie, podpowiadamy systemowi, co jest ważne.
Typy segmentacji kampanii Performance Max
Poniżej zestaw najczęściej stosowanych (i sprawdzonych w praktyce) podejść do segmentacji.
1. Segmentacja według kategorii
Przykład: sklep z wyposażeniem magazynów
Problem:
- wybrane kategorie, które były bestsellerami, wydawały większość budżetu, przez co pozostały asortyment nie miał środków na wyświetlenia
- Klientowi zależało na zwiększeniu widoczności produktów, które niedługo będą miały sezon lub zalegają w magazynie
- Klient ma bardzo szeroki asortyment i różną marżę na poszczególne kategorie
Rozwiązanie:
- podzieliliśmy asortyment na 3 kategorie: bestsellery, produkty, których widoczność chcemy zwiększyć i pozostałe
- w ścisłej współpracy z klientem zdefiniowaliśmy dedykowane cele ROAS dla każdej z grup, dopasowane do ich potencjału sprzedażowego i marżowości
- następnie wdrożyliśmy strukturę trzech osobnych kampanii, co pozwoliło na precyzyjny podział budżetu oraz elastyczne zarządzanie docelowym zwrotem z wydatków reklamowych (tROAS) w zależności od specyfiki i celu danej grupy produktowej
Efekt:
- lepsza kontrola nad wydatkami na konkretny asortyment
- dużo prostsza analiza skuteczności kampanii
- wzrost efektywności: +43% przychodu i +63% konwersji
Wyniki dla wszystkich kampanii PMax rok do roku 3 miesiące od wprowadzenia zmiany
-
Segmentacja według marek
Przykład: sklep z obuwiem sportowym
Problem:
- jedna z marek generowała największy wolumen i “zjadała” budżet w kampanii ogólnej
- pozostałe marki były rozproszone i mniej widoczne
- dodatkowo część brandów jest mocno sezonowa, więc nie ma sensu promować ich wszystkich cały rok
Rozwiązanie:
- wydzielenie najbardziej kosztownej marki do osobnej kampanii PMax (jako marka o stałym, wysokim popycie)
- reszta marek była promowanych w jednej kampanii zbiorczej, ale zdecydowaliśmy się na promowanie tylko wybranych, aktualnie najsilniejszych brandów w danym sezonie
Efekt:
- lepsza kontrola nad budżetem i strukturą sprzedaży
- odciążenie kampanii ogólnej od dominacji jednej marki
- wzrost efektywności i stabilniejsze wyniki m/m - wzrost ROAS o 41% w kampanii z najbardziej kosztowną marką oraz o 14% w kampani z pozostałymi markami
Wynik miesiąc do miesiąca po wprowadzeniu zmiany
-
Segmentacja według rentowności
Przykład nr 1: branża beauty
Problem:
- szeroki asortyment o bardzo zróżnicowanej marży (od minimalnej na produktach masowych po bardzo wysoką na markach własnych i niszowych)
- w kampanii algorytm promował głównie tanie, łatwo sprzedające się produkty masowe – generowało to duży obrót, ale niski zysk dla sklepu
Rozwiązanie:
- we współpracy z Klientem, na podstawie danych o marży, podzielono asortyment w feedzie za pomocą etykiet niestandardowych na trzy grupy: niska, średnia i wysoka marża
- utworzenie 3 osobnych kampanii PMax z różnymi budżetami i progami docelowego ROAS (wyższy ROAS dla niskiej marży, niższy i bardziej agresywny dla produktów wysokomarżowych)
Efekt:
- zmiana priorytetów algorytmu, który zaczął kłaść nacisk na produkty budujące realny dochód firmy
- spełniliśmy cel oczekiwanego ROAS (650%) dla produktów oznaczonych jako wysoka marża
- przychody z dwóch kampanii najlepszych marżowo wyniosły prawie 150 tys.
Przykład nr 2: sklep z torebkami
Problem:
- ponad połowa asortymentu w ogólnej kampanii PMax nie otrzymywała wyświetleń (tzw. produkty zombie)
- budżet był zdominowany przez kilka produktów, które były faworyzowane przez algorytm, przez co reszta kolekcji zalegała w magazynie
Rozwiązanie:
- wdrożenie skryptu, który analizuje dane sprzedażowe i automatycznie przypisuje produktom etykiety niestandardowe
- rozdzielenie asortymentu na dwie osobne kampanie PMax:
- kampania konwertująca: produkty z etykietami profitable (dobry zysk) oraz flukes (rzadsze, ale duże strzały sprzedażowe)
- kampania pozostałe: produkty z etykietami zero conv, meh oraz zombie (dostały osobny budżet na rozruch)
Efekt:
- ożywienie uśpionego asortymentu
- dynamiczne przerzucanie produktów przez skrypt w zależności od ich bieżących wyników
- w ujęciu rok do roku wyraźna poprawa wskaźnika ROAS o 32% oraz przychodów o 101%
Wynik rok do roku po wprowadzeniu zmiany
-
Segmentacja według zasobów
Przykład: sklep z galanterią
Problem:
- jedna ogólna kampania zawierająca zarówno feed produktowy, jak i wszystkie zasoby (teksty, grafiki, wideo) nie przynosiła optymalnych efektów
- algorytm mieszał formaty wideo/graficzne (często o niższej konwersji) z formatem produktowym, przez co trudniej było kontrolować efektywność poszczególnych kanałów
Rozwiązanie:
- rozdzielenie dotychczasowych działań na dwie osobne kampanie PMax w celu przetestowania skuteczności samych zasobów
- kampania PMax PLA - PMax oparty wyłącznie na feedzie produktowym (bez dodanych zasobów tekstowych i wizualnych)
- kampania PMax bez PLA - kampania zawierająca pełne zasoby (teksty, grafiki, wideo), ale bez podpiętego feedu produktowego
Efekty:
- znaczna poprawa skuteczności w obu obszarach
- algorytm w kampanii produktowej skupił się na czystym formacie zakupowym, co podniosło jej efektywność - ROAS i przychody wzrosły o 46%
Wynik miesiąc do miesiąca po wprowadzeniu zmiany
-
Segmentacja według cen
Przykład: sklep z butami
Problem:
- część asortymentu miała ceny wyższe od konkurencji, co obniżało efektywność kampanii
- produkty bardziej konkurencyjne cenowo nie były odpowiednio eksponowane, mimo że miały największy potencjał do generowania sprzedaży
- wspólnie z Klientem postanowiliśmy, że chcemy mocniej promować produkty z przewagą cenową
Rozwiązanie:
- wyodrębniono produkty tańsze od konkurencji do osobnej kampanii PMax na podstawie etykiet niestandardowych w GMC
- pozostałe produkty pozostawiono w oddzielnej kampanii
- budżet i strategię ustalono niezależnie dla obu grup produktów
Efekty:
- wzrost widoczności produktów z przewagą cenową
- lepsze wykorzystanie budżetu reklamowego
- w kampaniach zanotowaliśmy wzrost ROAS od 13% do nawet 121%
Wyniki miesiąc do miesiąca po wprowadzeniu zmiany
Bonus, czyli krok w tył, który daje dwa kroki w przód
Przykład: sklep z wyposażeniem do domu i ogrodu
Problem:
- asortyment został podzielony na kilka kampanii PMax w celu uzyskania większej kontroli nad budżetem i wynikami poszczególnych grup produktów
- część kampanii miała ograniczony wolumen konwersji i danych do optymalizacji
- algorytm Google otrzymywał mniej sygnałów w każdej kampanii osobno, co utrudniało skuteczne skalowanie sprzedaży
Rozwiązanie:
- po analizie wyników połączono wcześniej rozdzielone grupy produktów w jedną kampanię Performance Max
- całość budżetu i danych o konwersjach została skierowana do jednej kampanii
- kampania mogła swobodnie alokować budżet pomiędzy produktami w zależności od aktualnego potencjału sprzedażowego
Efekt:
- większa liczba danych i sygnałów wykorzystywanych przez algorytm do optymalizacji
- skuteczniejsze wykorzystanie budżetu reklamowego pomiędzy wszystkimi grupami produktów
- szybsze uczenie się kampanii i lepsza stabilność wyników
Wyniki miesiąc do miesiąca po wprowadzeniu zmiany
To jeden z przykładów pokazujących, że segmentacja nie jest celem samym w sobie. Jeśli podział kampanii powoduje rozdrobnienie budżetu, ogranicza liczbę konwersji lub utrudnia algorytmowi naukę, warto rozważyć uproszczenie struktury. W wielu mniejszych sklepach jedna dobrze skonfigurowana kampania Performance Max może osiągać lepsze wyniki niż kilka mocno rozsegmentowanych kampanii. Kluczem nie jest liczba kampanii, ale dostarczenie algorytmowi odpowiedniej ilości danych do optymalizacji.
Najczęstsze błędy w segmentacji PMax
- Zbyt szczegółowy podział – tworzenie kilkudziesięciu kampanii PMax, przez co budżety i dane są zbyt rozproszone, by algorytm mógł się skutecznie optymalizować.
- Powielanie tych samych produktów – wrzucanie tego samego asortymentu do kilku kampanii jednocześnie, co powoduje wewnętrzną konkurencję i chaos w danych.
- Zbyt częste zmiany struktury – brak cierpliwości i ciągłe modyfikacje, które resetują fazę nauki algorytmu.
- Kopiowanie schematów 1:1 – przenoszenie struktur z innych kont bez uwzględnienia specyfiki własnego biznesu i bez wcześniejszych testów.
PMax to nie gotowy szablon
Najważniejszy wniosek z naszych wdrożeń jest prosty: nie ma jednej, idealnej struktury PMax. To, co działa w jednym sklepie, może zawieść w innym, nawet w tej samej branży. Na wyniki wpływa zbyt wiele zmiennych: sezonowość, jakość feedu, historia konta, marże czy działania konkurencji. Zamiast kopiować schematy, każdą zmianę struktury traktuj jako hipotezę do przetestowania.
Segmentacja nie jest przymusem, ale w średnich i dużych e-commerce staje się kluczowym narzędziem, które pozwala na:
- elastyczne sterowanie budżetem,
- skuteczną ochronę marży,
- świadome skalowanie sprzedaży.
PMax – mimo zaawansowanej automatyzacji – nadal działa najlepiej wtedy, gdy to marketer dostarcza mu dobrze uporządkowane dane wejściowe.
Szukasz sposobu na wyciśnięcie maksimum z kampanii Performance Max w swoim sklepie? Skontaktuj się z nami – przeanalizujemy Twój asortyment i wspólnie wdrożymy strukturę, która zacznie generować realny zysk.
