Приклад: як підняти ROAS магазину електроніки з 1.8× до 6.2× через Google Shopping і Performance Max

Типова ситуація

Акаунт Google Ads у такій ситуації зазвичай виглядає як типовий "акаунт за замовчуванням" — одна Smart Shopping кампанія на весь каталог із 2,400 SKU, автоматичне призначення ставок без обмежень, і жодного поділу за маржинальністю товарів. Такий підхід майже гарантує неоптимальний розподіл бюджету: алгоритм Google не знає, що кабель USB за $3 і ноутбук за $1,200 потребують різних ROAS-цілей. Магазин витрачав левову частку бюджету на категорії з найвищим обсягом пошукових запитів, але не з найвищою маржею. Аксесуари з маржею 6–9% отримували стільки ж показів, скільки ноутбуки та смартфони з маржею 25–40%. Результат — ROAS 1.8× при необхідному мінімумі 2.5× для виходу в нуль.

• ✕Smart Shopping кампанія витрачала 68% бюджету на brand-запити та аксесуари з маржею < 10% — категорії, де клієнти купують і без реклами
• ✕Жодного поділу за маржинальністю: ноутбуки (маржа 38%) і USB-кабелі (маржа 7%) конкурували за однаковий бюджет
• ✕Merchant Center фід оновлювався вручну раз на тиждень — ціни в рекламі розходились із реальними на 12–25%, що знижувало CTR і якість трафіку
• ✕Ретаргетинг повністю відсутній: 78% відвідувачів, що переглянули продукт, йшли і більше не бачили жодної реклами
• ✕Ставки не коригувались за часом доби — в п'ятницю ввечері (пік конверсій +47%) бюджет був такий самий, як у вівторок вдень
• ✕Відсутній поділ на нових і повторних клієнтів — різниця у їхній цінності для бізнесу не враховувалась
• ✕Негативні ключові слова фактично були відсутні: із 100,000 кліків за квартал щонайменше 23,000 — нерелевантний трафік

Детальний аудит виявив ще одну системну проблему: конверсійне відстеження фіксувало "додавання товару в кошик", а не саму покупку. Алгоритм Smart Bidding оптимізувався під неправильний сигнал — максимізував кількість додавань у кошик (дешевих, але таких, що не закінчувались покупкою), замість реальних транзакцій. Після впровадження GA4 Enhanced Conversions з'ясувалось, що фактичний ROAS на рівні транзакцій ще нижчий, ніж здавалось — 1.4× замість 1.8×.

Що ми робимо

Ми відмовились від "виправлення" існуючої кампанії і побудували всю архітектуру акаунту з нуля, дотримуючись принципу: одна кампанія — одна мета, одна аудиторія, один target ROAS.

1. 01Реструктуризація Shopping: 4 окремі кампанії за маржинальністю — "Преміум" (> 35% маржа, tROAS 8×), "Середній сегмент" (15–35%, tROAS 5×), "Масовий" (5–15%, tROAS 3×), "Очищення стоку" (< 5%, tROAS 2×)
2. 02Performance Max: 3 окремі кампанії для категорій "Ноутбуки та ПК", "Смартфони та планшети", "Аудіо та відео" з різними asset groups і аудиторними сигналами
3. 03Автоматизація Merchant Center фіду через Shopify API: синхронізація кожні 4 години — ціна, наявність, акційна знижка завжди актуальні
4. 04GA4 + Enhanced Conversions: тепер бачимо точний дохід і маржу на рівні кожного ключового слова і кожної кампанії
5. 05RLSA (списки ремаркетингу): аудиторії "Переглянув продукт", "Додав у кошик", "Купив 30/60/90 днів тому" — кожна з окремою стратегією ставок
6. 06Negative keyword list: 340+ нерелевантних запитів прибрано; окрема кампанія для brand-запитів звільнила $2,400/міс бюджету
7. 07Dayparting: +35% ставки в п'ятницю 18:00–23:00 та суботу 10:00–17:00 на основі аналізу 6 місяців даних конверсій

Найбільший ефект дала реструктуризація за маржинальністю. Кампанія "Преміум" отримала 45% від загального бюджету та target ROAS 8×. Вже через 3 тижні вона генерувала 61% всього доходу при витратах у 45% бюджету. Performance Max для "Ноутбуків та ПК" показав несподіваний результат: YouTube Shorts з короткими відеооглядами ноутбуків (взяті з YouTube-каналу клієнта без витрат на продакшн) дали CTR 4.2% — вдвічі вище, ніж банерна реклама. RLSA-кампанія для покинутих кошиків показала ROAS 14.8× — найвищий серед усіх кампаній і підтвердив: повернення "теплої" аудиторії завжди дешевше за залучення нової.

Орієнтовні результати

Що далі: коли структура працює, бюджет можна масштабувати. Якщо в цій моделі підняти бюджет з $8,000 до $15,000 на місяць, ROAS зазвичай трохи знижується — кожен наступний показ дорожчий за попередній, — але дохід росте майже пропорційно. Масштабуємо поступово, на 20–30% на тиждень, щоб алгоритм встигав перенавчатись і не скидав накопичені дані.

Часті питання