Audyt konta Google Ads - raport przykładowy

Przykładowy, anonimizowany audyt z danymi ilustracyjnymi. To pełny dokument w formacie i objętości, w jakiej dostajesz realny, ręczny audyt - liczby i nazwy są reprezentatywne (przykładowe), a struktura i poziom szczegółowości jak w prawdziwym raporcie.

Metryka i punkt wyjścia

Analiza profilu konta i bazy danych

Konto przeszło przeze mnie na podstawie danych z panelu Google Ads, Google Merchant Center i Google Analytics 4. To sklep z 847 aktywnymi produktami (SKU) i przychodem 2,1 miliona PLN rocznie. Średnia wartość zamówienia to 268 PLN - czyli produkty ze średniej półki cenowej, kupowane regularnie. Na Google Ads idzie 420 000 PLN rocznie (35 000 PLN miesięcznie), około 20% przychodu. Tyle zwykle wydaje dojrzały sklep z ustawionymi kampaniami sprzedażowymi.

ROAS to 2,8x, czyli 180% zwrotu z inwestycji. Przy marży brutto 38% próg opłacalności (break-even CPA) wypada na 102 PLN, a realne CPA to 89 PLN - zostaje 13 PLN bufora na każdej konwersji. Miesięcznie wpada 394 transakcje, więc koszt konwersji trzyma się przyjętych KPI.

Metryka	Wartość	Benchmarkowanie
Przychód roczny	2,1M PLN	Stabilna baza
Liczba SKU	847 produktów	Wysoka wariancja asortymentu
AOV	268 PLN	Segment mid-market
Obecny ROAS	2,8x	Powyżej minimum (2,0x)
CPA faktyczne	89 PLN	Poniżej break-even 102 PLN
Budżet Google Ads	420k PLN/rok	20% od przychodu
Konwersji miesięczna	394	Wskaźnik stabilności

Fragmentacja struktur kampanii i jakość kont

Kanały działają bardzo nierówno. Search daje CTR 4,2%, średnią pozycję 4,1 i conversion rate 3,8% - i to on robi większość przychodu. Shopping ma CTR 3,8%, conversion rate 2,9% i pozycję 3,7. Performance Max wyraźnie odstaje: CTR 2,1%, conversion rate raptem 1,4%. Tak słabe liczby to albo kiepskie kreacje, albo zbyt wąskie targetowanie.

Impression Share w Search to 58%, więc 42% wyświetleń przepada. Boli to tym bardziej, że konkurent wyświetla się na 44% wspólnych zapytań, a Ty na 31%. Quality Score siedzi średnio na 6,2/10, a 28% kampanii ma go poniżej 5 - to bije prosto po CPM i pozycji w aukcjach. CPC w Search to 2,14 PLN, w Shopping 1,87 PLN. Ceny rozsądne, ale przy lepszej jakości jeszcze spadną.

Problemy z integracją danych i feed produktowego

Najgorzej wygląda Merchant Center. Na 847 produktów 167 (19,7%) ma popsuty feed - brakujące pola, błędy kodowania, martwe strony docelowe albo rozjazd między katalogiem a tym, co faktycznie jest w sprzedaży. CTR feedu na poziomie 58% jest w porządku, ale konwersja z Shopping (2,9%) zdradza problem z opisami produktów albo zdjęciami. Do tego 41% produktów nie ma ani jednej recenzji. Bez tego brakuje dowodu zaufania, a konwersja leci w dół - zwłaszcza u nowych klientów.

GA4 pokazuje rozjazd z Google Ads: w panelu Ads konwersja wychodzi 2,8%, w GA4 tylko 2,2%. Te 0,6 punktu różnicy to znak, że tracking szwankuje - pewnie braki w tagowaniu, podwójne liczenie albo źle ustawiony widok konwersji w GA4.

Wąskie gardła na segment remarketingu

Remarketing wyciąga ROAS 4,2x - dużo więcej niż kanały pozyskania (2,8x). A dostaje raptem 4,2 tys. PLN miesięcznie (12% budżetu) na 8 grup odbiorców. Najrentowniejszy kanał jest niedofinansowany.

Podsumowanie stanu i wnioski audytowe

Konto dowozi docelowy ROAS, ale stać je na więcej. Co je hamuje: (1) rozdrobniony Performance Max z niskim conversion rate, (2) bałagan w Merchant Center (19,7% produktów), (3) brak recenzji przy 41% katalogu, (4) niedofinansowany remarketing mimo 4,2x ROAS, (5) Quality Score poniżej 7,0 w większości kampanii Search, (6) rozjazd trackingu GA4 vs Google Ads. Posprzątanie tego potrafi przesunąć ROAS z 2,8x na 3,5-4,0x bez dokładania ani złotówki - sama efektywność.

Priorytet P1: Audit i naprawa Google Merchant Center, poprawa QS Search do 7,5+, synchronizacja tracking GA4 i Google Ads.

Streszczenie zarządcze

Przegląd stanu kampanii i kluczowe ustalenia

Audyt konta sklepu z przychodem 2,1M PLN rocznie i 847 produktami pokazał, że budżet i struktura kampanii Shopping marnują pieniądze. Przy 35 tys. PLN miesięcznie (420 tys. PLN rocznie) kampanie dają ROAS 2,8x, a branżowy benchmark dla e-commerce to 3,5x - jest spory dystans do nadrobienia. Z danych Google Ads, GA4 i przeglądu struktury produktowej wynika, że w 90 dni da się podnieść zwrot o 35-45%, skupiając się na trzech obszarach.

Obszar 1: Niska jakość kampanii Search - Quality Score i marnowanie budżetu

Co sprawdzono: Analiza parametru Quality Score (QS) we wszystkich kampaniach Search oraz audyt struktury słów kluczowych w Google Ads i raporcie dotyczącym wydajności.

Co znaleziono - liczby stanowiące problem:

Średni Quality Score na poziomie 6,2/10, podczas gdy rekomendacja branżowa to minimum 7,5/10
28% kampanii operuje Quality Score poniżej 5, co skutkuje wzrostem CPC o 35-50%
Obecny średni CPC w Search wynosi 2,14 PLN, ale dla kampanii z QS poniżej 5 średnia sięga około 3,20 PLN
Zidentyfikowano 342 wyłączenia słów kluczowych, co wskazuje na niesystematyczną strukturę i duplikaty w portfolio

Dlaczego to kosztuje sprzedaż: Słaby ad rank zbija widoczność - Impression Share w Search to ledwie 58% ze 100% możliwych. Średnia pozycja 4,1, a pozycje 1-2 dają CTR rzędu 8-12%. Budżet idzie do gorzej konwertujących aukcji, a przy CPA 89 PLN (próg 102 PLN) bufor jest cieniutki.

Jak naprawić - plan działań (P1 - najwyższy priorytet):

Audit i reorganizacja struktury kampanii: łączenie semantycznie zbliżonych słów kluczowych, usunięcie duplikatów z 342 listy wyłączeń
Reoptymalizacja treści reklam: zwiększenie trafności przekazu przez test multi-variant A/B dla 15-20 kampanii o QS poniżej 5
Ulepszenie Landing Page Experience: audyt szybkości strony (target <1.5s), mobilizacja responsywna, dostosowanie CTA do urządzenia użytkownika
Wdrożenie Quality Score monitoring dashboard w GA4/Data Studio - cotygodniowe śledzenie postępów

Oczekiwany efekt: Podniesienie średniego QS do 7,5+ w 30 dni powinno ściąć CPC o 15-20% i zejść z CPA do 75-80 PLN. Przy okazji Impression Share rośnie do 75-80% bez dokładania budżetu - to dodatkowe 80-120 konwersji miesięcznie, czyli 21-32 tys. PLN przychodu więcej co miesiąc.

Obszar 2: Nieoptymalizowany Shopping feed i niska jakość produktów w kampaniach

Co sprawdzono: Audyt struktury produktów w Google Merchant Center, analiza Feed Quality Score, przegląd atrybutów produktów (opisy, recenzje, kategorie) oraz porównanie CTR i Conversion Rate kampanii Shopping.

Co znaleziono - liczby wymagające interwencji:

167 z 847 produktów (19,7%) zawiera nieprawidłowe dane w feedzie (brakujące opisy, zdjęcia, niedopasowana kategoria)
41% produktów pozbawionych jest recenzji, co obniża trafność wyświetleń i CTR
CTR kampanii Shopping wynosi 3,8% wobec 5,1% dla kampanii Search, co wskazuje na niższą jakość prezentacji
Conversion Rate z Shopping to 2,9%, znacząco poniżej Search (3,8%) - różnica 0,9 pkt proc. oznacza stratę ~39 konwersji miesięcznie
CTR feed Shopping (Feed Quality) wynosi 58%, poniżej benchmarku 70%+

Dlaczego to kosztuje sprzedaż: Słaby feed spycha oferty niżej (pozycja 3,7 zamiast osiągalnej 1,5), tnie liczbę wyświetleń i konwersje. Produkty bez recenzji budzą mniejsze zaufanie. Impression Share w Shopping to ledwie 42% - 58% aukcji przelatuje obok. Przy 847 SKU błędy na 19,7% oznaczają, że niemal 167 produktów dla kupujących w Google po prostu nie istnieje.

Jak naprawić - plan działań (P1):

Wyczyszczenie i pełna reoptymalizacja feedu: uzupełnienie brakujących atrybutów (opisy długie, rozszerzone teksty reklam), standaryzacja kategorii produktów
Dodanie brakujących zdjęć wysokiej jakości dla 167 produktów - priorytet dla best-sellerów
Kampania generowania recenzji: celowanie na 300-400 klientów z ostatnich 60 dni zakupów - target to zmniejszenie udziału produktów bez recenzji z 41% do 20% w ciągu 45 dni
Zwiększenie Impression Share poprzez wzrost bid strategy: dla produktów high-margin zwiększenie Target ROAS z 3,0 na 3,2
Wdrożenie Product Performance Report w GA4 - śledzenie konwersji, RPV i CTR na poziomie SKU

Oczekiwany efekt: CTR Shopping rośnie z 3,8% do 4,8% (+26%), Conversion Rate z 2,9% do 3,6% (+24%), Impression Share z 42% do 58%. Razem daje to około 150-180 konwersji więcej miesięcznie, czyli przy AOV 268 PLN +40-48 tys. PLN przychodu na miesiąc.

Obszar 3: Niedoinwestowany remarketing i suboptymalna alokacja budżetu między kanały

Wydajność wg kanału (ostatnie 90 dni) — Panel poglądowy: rozkład budżetu i ROAS pokazuje niedofinansowany remarketing (4,2x) i przepalający budżet Performance Max (1,9x).

Co sprawdzono: Analiza budżetu w podziale na kanały (Search, Shopping, Performance Max, Remarketing), ROAS dla każdego kanału, liczba segmentów remarketingowych, konwersje z GA4.

Co znaleziono - liczby pokazujące nierównoważność:

Kanał	Budżet (%)	CTR	Conv. Rate	ROAS	Konwersje/mies.
Search	55% (19,25k PLN)	5,1%	3,8%	3,1x	245
Shopping	25% (8,75k PLN)	3,8%	2,9%	2,4x	95
Performance Max	8% (2,8k PLN)	2,1%	1,4%	1,9x	28
Remarketing	12% (4,2k PLN)	-	-	4,2x	26

Remarketing generuje ROAS 4,2x (najwyższy w portfelu) przy budżecie zaledwie 12%, natomiast Performance Max z ROAS 1,9x pochłania 8% budżetu bez adekwatnych zwrotów.

Dlaczego to kosztuje sprzedaż: Skąpy remarketing to oddawanie ludzi, którzy już byli w sklepie i są blisko zakupu. Osiem grup odbiorców to za mało przy 847 produktach i 394 konwersjach miesięcznie - brakuje podziału po kategorii produktu, wartości koszyka, liczbie dni od wizyty i statusie porzuconego koszyka. Performance Max dałoby się rozkręcić, ale nikt go nie pilnuje i nie ma pod niego osobnych ofert promocyjnych.

Jak naprawić - plan działań (P2 - średni priorytet):

Realokacja budżetu: zmniejszenie Performance Max z 8% na 5%, transfer 3% do Remarketingu (z 12% na 15%) oraz 2% do Shopping (z 25% na 27%)
Ekspandowanie struktur remarketingowej z 8 na 25-30 segmentów: mikrosegmentacja po kategorii produktu, wartości AOV, dni ostatniej wizyty, status porzuconego koszyka
Wdrożenie dynamic remarketing dla każdego segmentu - personalizowane oferty z produktów, które użytkownik widział
Uruchomienie PMAX feed optimization: wgranie expanded text assets, image assets, video assets - test 3-4 wariantów kreacji
Monitoring GA4: konfiguracja custom event tracking dla retargeted users, mierzenie lift w konwersji

Oczekiwany efekt: Dorzucenie 4,2k PLN do remarketingu przy ROAS 4,2x to około 34 konwersje więcej (11,76k PLN przychodu). Naprawiony feed Shopping plus większy budżet dokłada 150-180 konwersji. W sumie przychód z Google Ads idzie ze 100,8k PLN/miesiąc do 140-150k PLN/miesiąc (+38-48%), a ROAS ląduje na 3,5-3,8x - czyli na poziomie branżowego benchmarku.

Podsumowanie i timeline realizacji

Te trzy obszary wystarczą, żeby w 90 dni podnieść zwrot o 35-45%. P1 (Quality Score + feed Shopping) robimy w tygodniach 1-4, P2 (przesunięcie budżetu i remarketing) w tygodniach 3-8. Po wdrożeniu ROI sięgnie 280-320% (z obecnych 180% do 250-270%), a przychód z Google Ads pójdzie ze 101k PLN do 140-150k PLN miesięcznie.

Problem	Priorytet	Oczekiwany wpływ (PLN/rok)	Timeline	Effort
Quality Score	P1	+2,500 - 3,500	6 tygodni	Średni
Feed errors	P1	+273,600	3 tygodnie	Niski
Impression Share	P1	+444,000 - 564,000	6 tygodni	Średni
Bid Adjustments	P2	+84,000	4-6 tygodni	Niski
Remarketing	P2	+444,000 - 576,000	6-8 tygodni	Średni
RAZEM	-	+1,248,100 - 1,500,600	-	-

Metodyka audytu i zakres

Audyt obejmuje sześć miesięcy danych (styczeń-czerwiec 2026). Chodziło o znalezienie miejsc do poprawy w Search, Shopping i Performance Max - takich, które ciągną w dół rentowność wobec progu opłacalności (break-even CPA: 102 PLN). Patrzyłem na cztery źródła: historyczne dane Google Ads (struktura kampanii, wydatki, wyniki), GA4 (ścieżki konwersji, rozjazdy w trackingu), Merchant Center (jakość feedu) oraz dane o konkurencji i tym, jak zachowuje się branża.

Narzędzia i źródła danych

Audyt realizowany był z wykorzystaniem następujących narzędzi i źródeł informacji:

Narzędzie	Obszar analizy	Zakres danych
Google Ads API + Reports	Wydajność kampanii, QS, CPC	6 miesięcy, 847 SKU
Google Merchant Center	Diagnostyka feed’u	167 produktów z błędami
Google Analytics 4	Ścieżki konwersji, CVR	Niżej vs. tracker Ads
Data Studio	Dashboarding, benchmarking	Konkurenci sektora

Dane brałem prosto z API Google Ads, żeby były dokładne, a potem sprawdzałem ich zgodność z GA4. Tu wyszedł rozjazd CVR o 1,8 punktu (2,2% w GA4 vs średnio 4,0% w trackerze Search w Google Ads).

Kryteria benchmarkowania i framework oceny

Ocena wydajności konta przeprowadzona została względem trzech kategorii standardów:

1. Benchmarki konkurencyjne - Analiza porównawcza obejmowała głównych konkurentów sektora e-commerce (marża brutto 35-42%, ROAS target 2,5-3,2x). Szczególną uwagę zwrócono na udział reklam w wyświetleniach (obecny: 31%, konkurent leader: 44%), co wskazuje na niedostateczną penetrację segmentu Search (Impression Share 58%) i Shopping (42%).

2. Metryki Quality Score - Średni QS wynoszący 6,2/10 plasuje się poniżej standardu branżowego (7-8 punktów). Krytyczny problem stanowi fakt, że 28% kampanii (119 kampanii przy założeniu 424 kampanii ogółem) operuje QS poniżej 5, co bezpośrednio wpływa na wzrost CPC (średnia 2,14 PLN w Search) i obniżenie CTR (4,2% Search).

3. Framework oceny rentowności - Każda kampania oceniana była względem progu break-even CPA (102 PLN). Obecny średni CPA 89 PLN oznacza marginalny bufor bezpieczeństwa (12% poniżej progu), przy 394 konwersjach miesięcznych. W warunkach zmienności rynkowej i korekty marż handlowych, ten bufor jest niewystarczający.

Obszary szczegółowej analizy

Kampanie Search - Zanalizowano 342 wyłączenia słów kluczowych oraz strukturę bid’ów dla 4,2% CTR. Średnia pozycja 4,1 generuje relatywnie wysoki CTR, lecz Impression Share 58% sugeruje niedoinwestowanie w segmenty high-volume. Conversion Rate 3,8% jest stabilny, jednak współzależność z QS 6,2/10 wskazuje na straty potencjalnych impresji.

Kampanie Shopping - Feed produktowy wykazuje 167 produktów z błędami (19,7% z 847 SKU), obniżające CTR do 3,8% i conversion rate do 2,9%. Quality Score w Shopping szczególnie wrażliwy na błędy w feed’u (kategorie produktów, atrybuty, brakujące wartości), co tłumaczy Impression Share 42%.

Performance Max - Zaledwie 2,1% CTR wskazuje na niedooptymalizowaną selekcję audience’ów. Segment remarketingu (8 segmentów, budżet 12% = 4,2k PLN/miesiąc) osiąga 4,2x ROAS, co oznacza niedoalokację budżetu (powinien wzrosnąć).

Jakość danych produktowych - 41% produktów pozbawiony jest recenzji, co obniża CTR w Shopping i budowanie zaufania. 19,7% produktów ze statusem „błąd feed” to głównie brakujące tax, shipping labels i kategorie.

Ograniczenia i założenia analizy

Audyt przeprowadzony został z uwzględnieniem następujących ograniczeń:

Dane GA4 wykazują rozbieżność 1,8pp vs. tracker’em Google Ads (przyczyna: częściowa implementacja Enhanced Ecommerce lub opóźnienia w transmisji). W rekomendacjach kierunkowych posłużono się danymi z Google Ads jako bardziej wiarygodnymi dla optymalizacji budżetu.
Dane sześciomiesięczne nie obejmują pełnego cyklu sezonowości (brak danych Q4), co może wpłynąć na prognozę ROAS w okresach peak season.
Analiza konkurencji ograniczona do metryk publicznych (SEM rush, Semrush) - nie uwzględnia wewnętrznych strategii bid’owych konkurentów.
Break-even CPA (102 PLN) założony na podstawie marży brutto 38%; zmiany w marżach handlowych będą wymagać rekalkulacji.
Średni czas do konwersji (5 dni) nie uwzględnia konwersji offline ani wielokanałowych touchpoint’ów.

Na tym audycie opierają się szczegółowe rekomendacje z dalszych sekcji raportu.

Struktura kampanii Search - architektura i performance

Co sprawdziliśmy

Prześwietliliśmy całą architekturę Search: podział kampanii, ustawienia dopasowania słów kluczowych, rozmieszczenie wyłączeń i to, jak kampanie radzą sobie w czasie. Dane z Google Ads Managera, GA4 i raportów z ostatnich 90 dni. Pod lupą cała struktura portfela - 847 produktów (SKU) w podziale na kategorie, urządzenia i regiony.

Co znaleźliśmy - wyniki audytu

Podział kampanii Search jest rozbudowany i dobrze trzyma budżet w ryzach (35 tys. PLN/miesiąc), ale wyniki zdradzają braki w samej konstrukcji. Średni CTR 4,2% i pozycja 4,1 są poniżej tego, co w e-commerce uchodzi za normę (CTR 5-7%, pozycja 2,5-3,5). Conversion Rate 3,8% przy CPA 89 PLN trzyma się nieźle, ale rosnący kwartał do kwartału CPC 2,14 PLN zjada marżę brutto 38%.

Najpoważniejsze: kampania z największym budżetem (jakieś 45% budżetu Search) jedzie na Broad Match i Phrase Match bez porządnego filtrowania. Z raportu wyszukiwanych haseł wynika, że ~34% wyświetleń idzie na zapytania bez intencji zakupu (np. szukanie konkurencji, hasła, które nie konwertują). Efekt: Impression Share to ledwie 58%, a konkurent łapie 44% na wspólnych zapytaniach - my po prostu za mało licytujemy.

Wyłączeń jest 342, więc liczbowo wystarczająco, ale rozłożone są na oślep: 67% na poziomie konta, 28% na kampanii, raptem 5% na grupach ogłoszeń. W praktyce kampanie z dużym budżetem łapią zbyt szeroki ruch mimo tych wyłączeń. Nie ma spójnego planu blokowania zapytań konkurencji (Allegro, OLX, Kup.pl), co widać po spadającym CTR tam, gdzie konkurencja jest stała.

Metrika	Wartość	Benchmark	Dysproporcja
CTR Search	4,2%	5,5%	-1,3pp
Avg Position	4,1	2,8	+1,3 pozycje
CPC	2,14 PLN	1,80 PLN	+18,9%
Quality Score	6,2/10	7,5/10	-1,3 pkt
Impression Share	58%	75%+	-17pp
Conv. Rate	3,8%	4,2%	-0,4pp

Quality Score na poziomie 6,2/10 stanowi główny hamulec dla widoczności - 28% kampanii osiąga QS poniżej 5, co oznacza penalizację w ad rank oraz wyższe progi cena za klik. Przeanalizowaliśmy 156 słów kluczowych z QS ≤4 i odkryliśmy: 89% ma odpowiedniość słowa kluczowego poniżej 60%, ad copy nie zawiera walidatorów kluczowych, a landing page load time średnio 3,2 sekundy (powinno <1,5s).

Dlaczego to kosztuje sprzedaż i widoczność

CPC 2,14 PLN plus niski CTR 4,2% oznacza, że na 1000 wyświetleń wydajemy średnio 21,40 PLN za kliknięcia, które wcale nie muszą się skonwertować. Przy CPA 89 PLN i marży 38% (próg 102 PLN) jesteśmy tuż nad kreską - każde 0,10 PLN wzrostu CPC zjada ~0,6% marży na zamówieniu. Przez ostatnie 30 dni straciliśmy jakieś 18-22% możliwych konwersji, bo zbyt szerokie dopasowanie rozpuszcza budżet na zapytania bez intencji zakupu.

Niskie Impression Share 58% oznacza, że konkurenci wyświetlają się na zapytaniach, gdzie powinniśmy dominować. Licząc: jeśli główny konkurent ma 44% udziału reklam, a my 31%, to w każdej kategorii produktu tracimy pozycje Top 3, które generują 72% kliknięć. Łącznie brakuje nam ~450-500 kliknięć miesięcznie, czyli ~17-19 konwersji przy CR 3,8% - to ~1,5-1,8k PLN przychodu netto.

Brak zorganizowanej negatywnej listy na konkurentów powoduje marnotrawstwo budżetu. Wyszukiwania zawierające słowa „Allegro”, „OLX”, „tania” bez doprecyzowania intent wybiórczego pochłaniają szacunkowo 12-15% codziennego budżetu (~1,4-1,75k PLN/miesiąc) przy CPA > 150 PLN i CR <1%. To stanowi obciążenie około 5% całkowitego budżetu Search.

Plan naprawy - kroki konkretne

Faza 1 (Tydzień 1-2 - Quick Wins):

Przeanalizuj top 20 kampanii (65% budżetu). Zmień Broad Match na Phrase Match + dodaj 40-50 competitive negative keywords (Allegro, OLX, allegro.pl, olx.pl, konkurenci lokalni, „rabat”, „tania”, „bezpłatna dostawa” poza kampaniami o marży >50%). Szacowany efekt: wzrost CTR o 0,6pp, spadek CPA o 8-12 PLN.
Zmapuj istniejące 342 negative keywords w raport i przenieś 60% z nich z poziomu konta na poziom kampanii (tam gdzie kompetycja wyższa). Dodaj 35-45 nowych negative keywords opartych na search term report z ostatnich 30 dni (zapytania z CTR >8% ale CR <1,5%).
Włącz SKAG (Single Keyword Ad Group) dla top 50 słów kluczowych o CPA >100 PLN. W każdej grupie jeden keyword i jedna reklama z dopasowanym przekazem. Szacowany efekt: Quality Score +1,2-1,5 pkt dla tych grup, CTR +1,8-2,2pp.

Faza 2 (Tydzień 3-4 - Quality Score Recovery):

Diagnostyka landing page: zmierz load time dla 25 stron o najniższym QS (<5). Zoptymalizuj techniczne (cache, obrazy, minimalizacja CSS/JS). Target: load time <1,5s. Szacowany wpływ: QS +1-1,5 pkt, CTR +0,4pp dla tych stron.
Przepisz ad copy dla 156 kampanii z QS ≤4. Każdy ad musi zawierać: (1) przynajmniej jeden top keyword z grupy, (2) unique value proposition (cena, dostawa, gwarancja), (3) call-to-action (konkretny). Test na 30% kampanii przez 14 dni.
Wbuduj keyword insertion (dynamiczne podstawianie słowa kluczowego) w headlinach dla kampanii o najniższym CTR. Szacowany efekt: CTR +0,8-1,2pp, QS +0,5-0,8 pkt.

Faza 3 (Tydzień 4-6 - Bid Strategy Refinement):

Przejdź z CPC manual na Target CPA 89 PLN (lub niżej) dla kampanii o CR >3,5% i CTR >4%. Testuj na 30-40% budżetu przez 21 dni. Szacowany efekt: automatyczne obniżenie CPA o 3-6%, utrzymanie volume.
Zaimplementuj bid adjustments: device -15% (tablet ma CR 18% niższy niż desktop), geo +10% dla województw o conversion rate >4% (warszawa-mazovia, silesia, dolnoslaskie).
Utwórz osobny segment do remarketingu dla high-intent users (dodane do koszyka, przeglądane top 50 produktów). Budżet 15% Search budget, Target CPA -20% od baseline. Szacowany ROAS: 5,2-5,8x (vs obecne 4,2x remarketingu).

Faza 4 (Tydzień 7-8 - Struktura i monitoring):

Przereorganizuj segmentację: utrzymaj kategoria produktu jako Primary, typ urządzenia jako Device Bid Adjustment, geografie poniżej 50k PLN budżetu jako Campaign-level (powyżej - Location Bid Adjustment). Nowa architektura: 6-8 kampanii (vs bieżące ~12-15), każda ze średnim budżetem 4,5-5,8k PLN/miesiąc.
Wdróż dashboarding: tygodniowy raport Quality Score, CTR, CPA, conversion lag (GA4 vs Ads tracker). Target: QS 7,2+, CTR 5,1%+, CPA ≤82 PLN, Impression Share ≥70%.

Tabela priorytetów i efektów

Działanie	Priorytet	Koszt czasu	Spodziewany efekt	Horyzont
Restrukturyzacja match types + negative keywords	P1	8h	CTR +8-12%, CPA -10 PLN	2-3 tygodnie
Quality Score optimization (ad copy + landing page)	P1	12h	QS +1,5 pkt, CTR +1,5pp	3-4 tygodnie
SKAG dla top 50 keywords	P2	6h	QS +1,2 pkt, Click volume stable	2 tygodnie
Target CPA migration	P2	4h	CPA -5%, volume +3-7%	1 tydzień + 21 dni test
Bid adjustments (device, geo)	P2	3h	ROAS +2-4%, CPA -2%	1-2 tygodnie
Restrukturyzacja kampanii (6-8 kampanii)	P3	10h	Klarowność, szybsza optymalizacja	4 tygodnie

Oczekiwane wyniki 90-dniowe

Razem te działania powinny zejść z CPA z 89 PLN do 78-82 PLN (ostrożnie licząc), podnieść CTR z 4,2% do 5,2-5,5% i Quality Score z 6,2 do 7,4-7,8 pkt. Impression Share dobije do 68-72%, co da 35-45 konwersji więcej miesięcznie. Przy AOV 268 PLN i marży 38% (102 PLN na zamówieniu) te 40 konwersji to ~4,08k PLN przychodu brutto (~1,55k PLN netto). Lepszy Quality Score i poukładane kampanie zbiją CPC do ~1,92-1,98 PLN, więc marża jest pod ochroną. ROAS powinien wzrosnąć z 2,8x na 3,2-3,4x w 90 dni - to 15-20% lepsza skuteczność Search.

Kampanie Performance Max i Shopping - optymalizacja mnożników

Metodologia audytu

Analiza kampanii Performance Max i Shopping przeprowadzona została w oparciu o dane z interfejsu Google Ads (okres ostatnich 90 dni), konta GA4 oraz diagnostyki feed’u produktowego. Oceniono efektywność mnożników budżetowych, jakość danych katalogowych oraz potencjał optymalizacyjny w kontekście obecnych wskaźników rentowności (ROAS 2,8x, CPA 89 PLN).

Performance Max - głębokie niedooptymalizowanie i niski potencjał konwersji

Diagnoza

Performance Max wypada naprawdę słabo. CTR 2,1% leży głęboko pod normą dla e-commerce (3,5-4,5%), a conversion rate 1,4% jest o 63% niższy niż w Search (3,8%). Przy budżecie 35 tys. PLN i założeniu, że na Performance Max idzie 20-25% (7-8,7 tys. PLN), taka konwersja daje około 95-120 transakcji miesięcznie - mało jak na ten format.

Performance Max nie dowozi z trzech powodów. Po pierwsze, za mało danych do nauki - ten format potrzebuje minimum 50 konwersji tygodniowo, żeby algorytm się wyuczył, a przy 1,4% conversion rate tego nie ma. Po drugie, kiepski zestaw kreacji - brakuje różnych wariantów tekstów i grafik pod poszczególne formaty wyświetlania (responsive search ads, image extensions, video assets). Po trzecie, słaby podział odbiorców - nikt nie oddzielił nowych użytkowników od remarketingu, który robi ROAS 4,2x, czyli dużo więcej niż średnia Performance Max.

Wpływ na przychód i widoczność

Źle ustawiony Performance Max przepala budżet i mało oddaje. Przy CPA 89 PLN i marży 38% (próg 102 PLN) kampania ledwo wychodzi na plus, bo niski conversion rate sprawia, że kliknięcia rzadko kończą się zakupem. Dochodzi do tego niewykorzystany potencjał formatu - dobrze ustawiony Performance Max powinien w e-commerce robić ROAS 3,2-3,8x, czyli o 14-36% więcej niż teraz.

Metryka	Wartość obecna	Benchmark/Potencjał	Luka
CTR	2,1%	3,5-4,5%	-40%
Conversion Rate	1,4%	2,8-3,5%	-60%
Szacunkowe ROAS	~2,1x	3,2-3,8x	-34%

Plan naprawczy

Krok 1: Segmentacja i struktura kampanii (Tydzień 1-2) Podzielić obecną Performance Max na dwie oddzielne kampanie: (1) Cold Ruch - kierowana na nowych użytkowników z pełnym budżetem (6 tys. PLN/miesiąc), (2) Remarketing - dedykowana dla segmentów remarketingowych z obecnym budżetem 4,2 tys. PLN/miesiąc. Ta separacja pozwoli na niezależną optymalizację i załączenie nowych segmentów audience (ostatnie 30, 60, 90 dni, porzucone koszyki).

Krok 2: Rozbudowa creative assets (Tydzień 2-3) Przygotować minimum 15 kombinacji tekstowych (headlines + descriptions) oraz 10-12 unikatowych creative’ów graficznych. Każdy asset powinien zawierać jasne USP (np. „Gwarancja 30 dni zwrotu”, „Darmowa dostawa od 150 PLN”), dynamiczne price extensions, a dla nowych produktów (bez recenzji - 41% katalog) - promocyjne znaki tekstowe (“Nowość”).

Krok 3: Zwiększenie danych treningowych (Tydzień 1-8) Tymczasowo zwiększyć budżet Performance Max do 10 tys. PLN/miesiąc przez 4-6 tygodni, celem zebrania 200-250 konwersji tygodniowo na kampanię Cold Ruch. Po osiągnięciu tej liczby algorytm będzie wystarczająco natrenowany. Jednocześnie włączyć conversion tracking z GA4 (uwaga: obecna rozbieżność 2,2% vs. deklarowana 2,8x - wymaga kalibracji).

Krok 4: Optymalizacja ECPC i bid strategy (Tydzień 3-4) Zmienić bid strategy z “Maximize conversions” na “Target ROAS” z docelową wartością 3,0x. Ustawić ECPC (Enhanced Cost Per Click) z limitem CPC na 2,50 PLN (benchmark CPC Search 2,14 PLN + premia za format). Monitorować dziennie przez pierwszy miesiąc.

Krok 5: Monitoring i re-ewaluacja (Tydzień 8-12) Sprawdzać raport Performance Max co 7 dni (metryki: CTR, conversion rate, ROAS, CPA). Jeśli po 8 tygodniach conversion rate nie wzrośnie do minimum 2,4%, wstrzymać kampanię i przealokować budżet do Search i Shopping.

Priorytet: P1 - Performance Max blokuje budżet, którym mogłoby się zająć Shopping (IS 42%).

Oczekiwany efekt: Wzrost CTR z 2,1% do 3,2-3,8%, conversion rate z 1,4% do 2,4-2,8%, ROAS z ~2,1x do 2,9-3,2x. Przychód dodatkowy: +87-156 tys. PLN rocznie (szacunkowo 23-39 dodatkowych konwersji miesięcznie × 268 PLN AOV × 12 miesięcy).

Diagnoza

Shopping wygląda lepiej niż Performance Max (CTR 3,8%, conversion rate 2,9%), ale wciąż coś go dusi - dwie rzeczy. Jakość feedu i niski impression share (42% przy konkurencji rzędu 55-60%).

Feed quality report wskazuje na 167 produktów spośród 847 (19,7%) z błędami krytycznymi. Analiza Merchant Center ujawnia najczęstsze problemy: brakujące obrazy główne (87 SKU, 10,3%), brakujące kategorie produktowe lub błędnie przypisane (54 SKU, 6,4%), opisy krótsze niż 20 znaków bez kluczowych atrybutów (42 SKU, 5,0%), brak informacji o dostępności/magazynie (37 SKU, 4,4%). Produkty z błędami trafiają do kategorii “Disabled” w Google Merchant Center - są indeksowane, ale nie pojawiają się w wynikach Shopping.

Impression share 42% (Search: 58%) sugeruje, że kampania Shopping pokazywana jest w 42% pojawień się dla relewantnych zapytań. Strata IS wynosi zatem 58 punktów procentowych - głównie z powodu: (1) jakości feed’u (niskie quality score powoduje obniżenie bid modifieru), (2) budżetu (Shopping otrzymuje ~8,2 tys. PLN/miesiąc - 23% budżetu ogólnego, vs. Search ~16 tys. PLN). W praktyce: co drugie potencjalne kliknięcie Shopping trafia do konkurencji.

Wpływ na przychód

Impression share 42% przy conversion rate 2,9% i AOV 268 PLN to szacunkowa strata ~42 konwersji miesięcznie (zakładając, że dodatkowe wyświetlenia byłyby konwertowalne w zbliżonym tempie). Przy marży 38% i obecnym CPA 89 PLN, każda konwersja netto to 101 PLN zysku (268 × 0,38 - 89). Strata IS Shopping to miesięczna strata przychodu: 42 × 268 = 11,3 tys. PLN, czyli ~136 tys. PLN rocznie.

Dodatkowo 19,7% produktów disabled w feed’u (167 SKU) to bezpośredni ubytek dostępnego asortymentu dla kampanii - efektywnie pracuje na 680 produktach, a nie 847.

Metryka	Wartość	Impact
Impression Share	42%	Strata 58 pkt. IS
Szacunkowe stracone konwersje IS	42/miesiąc	~11,3k PLN przychodu
Produkty disabled (feed issues)	167 (19,7%)	Utrata ~20% asortymentu
Średni CTR feed quality	58%	Poniżej benchmarku 75%+

Plan naprawczy

Krok 1: Audit i czyszczenie feed’u (Tydzień 1-2) Wyeksportować pełny feed z Google Merchant Center. Dla każdego z 167 produktów z błędami: (1) uzupełnić brakujące zdjęcia - przesłać z bazy produktów lub poprosić o dostarczenie grafik od dostawców (priorytet: 87 produktów bez obrazu); (2) przypisać prawidłowe kategorie Google Taxonomy (54 SKU) - do każdego produktu przypisać minimum 3-poziomową kategorię (np. “Odzież i akcesoria > Odzież > Koszulki”); (3) przedłużyć opisy do minimum 100 znaków z uwzględnieniem słów kluczowych i USP (42 SKU); (4) zsynchronizować dostępność z magazynem - włączyć feed’owy sync z systemem magazynowym (WMS) albo ręcznie oznaczyć dostępność dla 37 SKU.

Krok 2: Rewalidacja feed’u w Merchant Center (Tydzień 3) Przesłać zaktualizowany feed i sprawdzić błędy w raporcie Google Merchant Center. Cel: redukcja disabled produktów z 167 do maksymalnie 20 (2,4%) w ciągu 2 tygodni po submisji. Oczekiwana poprawa quality score dla kampanii Shopping +0,8-1,2 pkt.

Krok 3: Zwiększenie budżetu Shopping (Tydzień 4-12) Po oczyszczeniu feed’u zwiększyć budżet Shopping z 8,2 tys. PLN do 10,5 tys. PLN miesięcznie (+2,3 tys.). Alokacja: 1,5 tys. dodatkowych PLN na Smart Shopping (algorytm Google, najlepszy ROAS dla produktów wysokomarżowych), 0,8 tys. PLN na Performance Max Shopping (cross-format). Pozostałą część realokować z Performance Max (zmniejszenie z 7-8,7 tys. PLN).

Krok 4: Optimizacja bid strategy i audience targeting (Tydzień 4-8) Zmienić bid strategy na “Maximize clicks” z limitem CPC 2,10 PLN (obecny avg CPC Shopping 1,87 PLN + 12% buffer). Dodać audience segments: (1) high-value customers (poprzednie zakupy >500 PLN, bid modifier +25%), (2) nowi użytkownicy z zainteresowaniami e-commerce (bid modifier +15%). Wyłączyć kampanię dla nisko-margin SKU (marża <20%) lub ustawić bid modifier -40%.

Krok 5: Monitoring Feed Quality Score (Tydzień 1-16) Co tydzień sprawdzać raport Feed Quality w Google Merchant Center. Monitorować: (1) liczbę disabled produktów (target <20), (2) CTR feed (target 65-70%), (3) Click-through rate kampanii Shopping (target 4,2-4,5%).

Priorytet: P1 - kombinacja niskiej IS (42%) i problemów feed’u to systemowa bariera wzrostu przychodu Shopping.

Oczekiwany efekt: Wzrost impression share z 42% do 52-56% (redukcja utraty IS), zmniejszenie disabled produktów z 19,7% do <5%, wzrost CTR z 3,8% do 4,2-4,5%. Konwersje dodatkowe: +28-35 miesięcznie (z powodu IS + feed quality), przychód dodatkowy: ~90-110 tys. PLN rocznie. Łącznie Performance Max + Shopping: ponad +180 tys. PLN rocznego przychodu przy re-alokacji budżetu i poprawie jakości.

Merchant Center i feed - jakość, opisy, rozszerzenia

Co sprawdzałem

Sprawdziłem feed produktowy w Merchant Center - całe dane o jakości i wyniki Shopping z ostatnich 90 dni. Źródła: Merchant Center (raport jakości feedu, produkty z błędami i ostrzeżeniami), Google Ads (metryki Shopping, CTR, impression share), GA4 (konwersje z feedu) plus ręczne przejrzenie 50 losowych produktów z najlepiej sprzedających się SKU.

Co znalazłem - stan problemu

Feed liczy 847 produktów, z czego 167 produktów (19,7%) ma aktywne błędy lub warningi w Google Merchant Center. Obecny CTR feed’u Shopping wynosi 58%, podczas gdy dla branży e-commerce optymalna wartość to 65%+, co oznacza niedooptymalizację w widoczności ofert. Conversion Rate z kampanii Shopping wynosi 2,9%, wobec 3,8% w Search - różnica 31% na niekorzyść feed’u.

Szczegółowa analiza problematycznych produktów ujawnia konkretne luki:

41% produktów (347 SKU) nie posiada żadnych recenzji - brak social proof bezpośrednio wpływa na CTR i conversion rate w wynikach wyszukiwania
34% produktów (287 SKU) brakuje pola Promotional Text - pole jest wyświetlane w Google Shopping i ma udowodniony wpływ na click-through rate (średnio +8-12% wzrost CTR)
Sitelinks nie ustawione dla top 15% SKU (127 produktów generujących największy przychód) - brakuje dodatkowych linków ułatwiających nawigację użytkownika
Obrazy główne niedooptymalizowane: 56% produktów ma obraz główny w wymiarach poniżej rekomendacji (minimum 800×800 px dla Shopping), brakuje lifestyle’owych ujęć produktów - dominują zdjęcia białe/produktowe bez kontekstu użycia

Tabela porównawcza metryk produktów z poprawnym feed’em vs. błędnym:

Metrika	Produkty bez błędów (680 szt.)	Produkty z błędami (167 szt.)
CTR Shopping	6,2%	3,1%
Conversion Rate	3,4%	1,8%
CPL (Koszty na klik)	1,72 PLN	2,41 PLN
Średnia pozycja	3,2	4,8
Średni czas do konwersji	4 dni	7 dni

Dlaczego to kosztuje sprzedaż i widoczność

Przy obecnym budżecie miesięcznym Google Ads 35 tys. PLN i CTR feed’u 58%, tracisz na widzialności produktów w wynikach Shopping, gdzie konkurenci osiągają 65%+ CTR. Skalując na roczną skalę: gdyby nawet 10% budżetu Shopping (3,5k PLN/miesiąc) było alokowane na te 167 produktów z błędami, utrata konwersji z powodu niskiego CTR i słabych opisów to minimum 40-50 konwersji rocznie, czyli około 10,7k PLN utraconych przychodów.

Produkty bez recenzji (41% portfolio) mają CTR niższy o 2,1 pp w stosunku do produktów z oceną 4+. Przy 847 produktach i średnio 100-150 wyświetleniach dziennie per SKU, to oznacza 260-390 utraconych kliknięć dziennie dla całego portfolio, czyli ~95-142k utraconych kliknięć rocznie.

Brakujące Promotional Text zmniejsza CTR o średnio 9% - skalując na produkty bez tego pola (287 SKU), to dodatkowe 8,2k traconych kliknięć rocznie. Niedooptymalizowane obrazy (zbyt małe, bez kontekstu) zwiększają bounce rate na stronie produktu o 15-20%, co przenosi się na niższy conversion rate i wyższy CPA. Obecny CPA wynosi 89 PLN wobec break-even 102 PLN - masz margines 13 PLN, ale każdy dodatkowy wzrost CPA przesuwa kampanię w strefę red zone.

Jak naprawić - konkretne kroki

Faza 1 (Tygodnie 1-2) - Błędy i warningi w Merchant Center:

Przejdź do Google Merchant Center → Quality dashboard → filtry „Warnings” i „Errors”
Dla 167 produktów z błędami: zidentyfikuj najczęstsze problemy (brakujące GTIN, nieprawidłowa cena, zablokowana dostępność)
Pobierz raport CSV z błędami, prześlij do zespołu katalogowego
Ustaw deadline 7 dni na poprawę wszystkich błędów krytycznych

Faza 2 (Tygodnie 2-3) - Recenzje i oceny:

Zidentyfikuj 347 produktów bez recenzji (np. skrzyżuj SKU z historią zamówień Google Analytics)
Skonfiguruj automatyczne e-mail’e post-purchase z prośbą o opinię (na dzień 5 po zamówieniu - średni czas do konwersji to 5 dni)
Zrób krótką kampanię email do poprzednich kupujących tych produktów, zachęcającą do dodania opinii
Cel: w ciągu 30 dni zwiększyć % produktów z recenzjami z 59% do minimum 75%

Faza 3 (Tygodnie 2-4) - Promotional Text i opisy:

Pobierz feed w formacie .xml lub .csv z Merchant Center
Dodaj Promotional Text dla 287 produktów bez tego pola - pattern: najlepszą taktyką jest nacisk na USP lub time-limited offer (np. „Bestseller” + „Darmowa dostawa”)
Zwiększ limity znaków dla pól title i description w szablonach (Google Shopping obsługuje do 150 znaków title, 5000 description)
Przesyłaj zaktualizowany feed co najmniej raz dziennie

Faza 4 (Tygodnie 3-5) - Optymalizacja obrazów:

Przepisz wymogi dla fotografii: minimum 1200×1200 px (rekomendacja Google to 800×800, ale 1200 gwarantuje ostrzość na mobile)
Dla top 100 produktów (15% SKU generujące 50%+ przychodów): zamów/przygotuj dodatkowe zdjęcia lifestyle’owe (produkt w użyciu, na tle domu, w rękach)
Ustaw w Merchant Center hierarchię obrazów: obraz główny (lifestyle) → zdjęcie produktowe → detale
Przesyłaj nowe obrazy jednorazowo lub etapami po 50 SKU

Faza 5 (Tydzień 4-5) - Sitelinks i dodatkowe rozszerzenia:

W Google Ads → Rozszerzenia → Linki witryny: dodaj 4-6 Sitelinks dla top 127 produktów (np. „Dostawa gratis”, „Gwarancja 2 lata”, „Zwrot bez pytań”)
Konfiguruj dynamiczne Sitelinks na bazie historii kliknięć (Google uczyć się będzie, które linki konwertują najlepiej)
Ustaw te rozszerzenia na poziomie kampanii Shopping i Performance Max

Priorytet i oczekiwany efekt

P1 - Krytyczne (tygodnie 1-2):

Usunięcie 167 błędów w feed’u: oczekiwany wzrost CTR z 58% do 61% (+5% ), wzrost konwersji o ~20 transakcji/miesiąc = +5,4k PLN przychodu rocznie
Dodanie Promotional Text do 287 produktów: wzrost CTR o 8-9% dla tej grupy = 15-18 dodatkowych konwersji/miesiąc = +3,8k PLN przychodu rocznie

P2 - Wysoki (tygodnie 2-4):

Program recenzji: zwiększenie % produktów z oceną z 59% do 75% - oczekiwany wzrost CTR dla całego feed’u o 1,8 pp, wzrost konwersji o 40-50 transakcji/miesiąc = +13,4k PLN przychodu rocznie
Optymalizacja obrazów dla top 100 SKU: wzrost CTR dla tej grupy o 12-15%, wzrost conversion rate o 0,8-1,2 pp = 35-45 konwersji/miesiąc, +9,4k PLN przychodu rocznie

P3 - Dodatkowy (tydzień 5+):

Sitelinks i rozszerzenia: wzrost CTR o 2-3%, wzrost ROAS z 2,8x do 2,95x = +3-5k PLN przychodu rocznie

Podsumowanie potencjału: Kompleksowa implementacja wszystkich poprawek powinna zwiększyć CTR feed’u z 58% do 66-68% (meta: 65%+), wzrost konwersji na Shopping o 100-130 transakcji/miesiąc (z obecnych ~110 do ~210-240), czyli wzrost przychodu z Shopping o ~28-34k PLN rocznie przy utrzymaniu obecnego CPA lub jego zmniejszeniu do 82-85 PLN dzięki lepszej jakości feed’u.

Quality Score - diagnostyka i plan naprawy

Przeprowadzona diagnostyka

Analiza Quality Score (QS) została wykonana na bazie danych z Google Ads account center oraz Google Ads Editor w okresie ostatnich 90 dni. Zbadano strukturę kampanii wg typów (Search, Shopping, Performance Max), przeanalizowano poszczególne komponenty QS w podziale na Ad Relevance, Landing Page Experience i Expected Click-Through Rate. Dodatkowe źródła informacji: raport Search Terms w GA4, Page Experience w Google PageSpeed Insights (sprawdzenie Core Web Vitals dla głównych Landing Pages), oraz feed produktowy w Merchant Center pod kątem jakości i kompletności atrybutów.

Stan obecny - kluczowe ustalenia

Średni Quality Score konta to 6,2/10 - dolna połowa tego, co normalnie ma e-commerce (zwykle 7,0-7,5). Najważniejsze: 28% kampanii Search (jakieś 67-75) trzyma QS poniżej 5, i to właśnie podbija koszt pozyskania. Problemy rozkładają się tak:

Komponent QS	Średnia ocena	Status
Ad Relevance	6,2/10	Poniżej normy
Landing Page Experience	5,8/10	Krytyczne
Expected CTR	6,5/10	Do poprawy

Konkretnie: kampanie z QS < 5 mają średni CPC 2,39 PLN - o 12% drożej niż te z QS 8-10 (gdzie CPC to 2,14 PLN). Przy budżecie 35 tys. PLN i średnio 16,4 tys. kliknięć daje to dodatkowe 4 200 PLN miesięcznie, czyli 50,4 tys. PLN rocznie wyrzucone. ROAS to 2,8x, próg opłacalności 102 PLN - każdy wzrost CPC od razu zjada rentowność.

Przyczyny obniżonego QS - analiza głęboka

Ad Relevance (6,2/10): W Google Ads Editor zidentyfikowano, że wiele kampanii posiada generic headlines typu „Najlepsze oferty”, „Sprzedaż online” powtarzane w licznych wariantach bez dostosowania do intent poszczególnych grup słów kluczowych. Wśród 240 aktywnych ad group’ów, ok. 71 (30%) nie posiada ani single ad, ani dynamicznych dopasowań opisów (ad customizers). Strukturę kampanii cechuje słaba segmentacja - zamiast dedykowanych group’ów dla kategorii produktów, widać mieszane kluczowe np. „buty damskie” razem z „buty sportowe” w jednej grupie, z generycznym tekstem ogólnym dla całej kategorii.

Landing Page Experience (5,8/10): Audyt PageSpeed Insights wykazał, że 58% Landing Pages (strony docelowe) ma ocenę Performance poniżej 75 punktów. Konkretne problemy: LCP (Largest Contentful Paint) wynoszący średnio 3,2-4,1 sekundy (powyżej rekomendacji 2,5s), CLS (Cumulative Layout Shift) 0,18-0,25 (norma <0,1), oraz FID (First Input Delay) średnio 185 ms. Strony kategorii produktowych ładują się z opóźnieniami ze względu na niezoptymalizowane thumbnails (rozmiary 1200px×1200px przesyłane na mobilach), brakujące lazy loading obrazów, oraz zbyt duża liczba skryptów trzecich (analytics, remarketing pixels). Dodatkowo, 41% produktów z katalogu nie posiada opinii klientów, co znacznie zmniejsza CTR - użytkownik zwleka z kliknięciem na reklamę bez social proof.

Expected CTR (6,5/10): Dane z GA4 pokazują historyczne CTR Search na 4,2%, Shopping na 3,8% i Performance Max na 2,1%. Porównując do konkurencji (udział reklam 31% vs. główny konkurent 44%), widać znaczny deficyt. Przyczyna: teksty ogłoszeń są zbyt ogólne, nie zawierają unique selling points, nie uwzględniają aktualne promocje, brak dynamic insertion wartości (ceny, rabaty), a także brak copy’ów dostosowanych do journey użytkownika (awareness vs. consideration vs. conversion stage).

Plan naprawy - działania priorytetowe

Priorytet P1 - Optymalizacja Landing Page Experience (wdrożenie: 2-3 tygodnie)

Działanie 1: Minifikacja i przesyłanie obrazów w nowoczesnych formatach (WebP z fallback PNG). Rozmiary thumbnails dostosować do viewport: mobilny max 400px, desktop max 800px. Implementacja lazy loading dla wszystkich obrazów poza above-the-fold. Oczekiwany rezultat: redukcja LCP z 3,5s do <2,3s, wzrost PageSpeed Score z średniej 62 na 81-86.

Działanie 2: Asynchroniczne ładowanie skryptów trzecich (GA4, Meta Pixel, hotjar). Przełożenie pixel’ów poniżej fold’u lub zastosowanie Web Worker’ów. Rezultat: redukcja First Contentful Paint o 400-600 ms.

Działanie 3: Wdrożenie systemu opinii/recenzji dla najpopularniejszych 200 produktów (z którymi wiąże się 60% ruchu Search). Zastosowanie UGC oraz profesjonalnych recenzji, mikroznak Rich Snippet reviews. Rezultat: wzrost CTR o 8-15% (lit. potwierdzenie w branży e-commerce).

Priorytet P1 - Restructure Ad Groups i A/B Testing Copy (wdrożenie: tydzień 1-4)

Działanie 1: Podzielić 71 niedooptymalizowanych ad group’ów na granularną strukturę: min. 3 dedykowane grupy na kategorię produktową (np. „Buty damskie - jakość”, „Buty damskie - cena”, „Buty damskie - wyprzedaż”). Każdej grupie przypisać 4-6 headline’ów z dynamic insertion ceny lub promocji.

Działanie 2: Rotacyjne A/B testowanie headlines przez 2 tygodnie:

Wariant A (Control): „Buty damskie • Nawet do -35% • Szybka dostawa”
Wariant B (Test): „[Kategoria] | [Najnowsza promocja] | [Gwarancja]”

Monitorować QS co 3-5 dni. Oczekiwany efekt: wzrost Ad Relevance z 6,2 do 7,5-8,0 w testowanych grupach w ciągu 10-15 dni (threshold Google to ~200 impressions na statystyczną istotność).

Działanie 3: Wprowadzić dynamic ad copy leveraging product data (price insertion, inventory signals, rating snippets). Ustandaryzować template’e description’ów obejmujące: USP, promocję, social proof, CTA. Rezultat: wzrost Expected CTR o 15-25%.

Priorytet P2 - Optymalizacja Feed Produktowego (wdrożenie: 2 tygodnie)

Audyt wykazał 167 produktów (19,7%) z nieprawidłościami w feed’ie (brakujące atrybuty, kategorie niezgodne z taksonomią Google, opisy poniżej 20 znaków). Działania: uzupełnić brakujące pola title, description, image_link dla 100% SKU. Weryfikacja kategorii product_type pod kątem zgodności z Google Shopping Taxonomy. Rezultat: wzrost Feed Quality Score, redukcja niepełnych wyświetleń w Shopping.

Prognozowany efekt końcowy

Zakładając stabilizację QS na poziomie 7,4-7,8 (redukcja % kampanii poniżej 5 z 28% do ~8-10%):

Spadek średniego CPC z 2,14 PLN do 1,98 PLN (~7% redukcja)
Wzrost clicks o 12-18% przy zachowaniu budżetu (lepsze QS = wyższa Ad Rank przy niższym bid)
Dodatkowe konwersje: +47-71 miesięcznie (zakładając CR Search 3,8%)
Wzrost ROI do 195-205% (dotychczasowe 180%)
Zwrot nakładów pracy w ciągu 1,5-2 miesiąca

Rekomendacja: wdrożyć równolegle P1 (Landing Page + Ad Copy), następnie P2. Monitorowanie QS tygodniowe przez 8 tygodni.

Aukcje słów kluczowych - analiza i wyłączenia

Co sprawdziliśmy

Przejrzeliśmy całe portfolio słów kluczowych - panel Search i Shopping, raporty z Google Ads Editora i historię konwersji z GA4. Skupiliśmy się na negative keywords, mapowaniu intencji użytkownika oraz dublowaniu się słów w portfelu 2400 fraz. Sprawdziliśmy też jakość 342 wyłączeń i to, czy w ogóle pokrywają realne zapytania, które dowożą sprzedaż na 2,1M PLN rocznie.

Co znaleźliśmy - konkretne liczby

Luki w wykluczeniach (negative keywords) — Panel poglądowy: brak segmentacji negatywów przepala ~5,4 tys. zł/mies. na zapytania bez intencji zakupu (akcesoria, brandy konkurentów, hasła darmowe).

Portfolio zawiera 2400 słów kluczowych, z czego średnia cena kliknięcia wynosi 2,14 PLN dla Search i 1,87 PLN dla Shopping. Przy miesięcznym budżecie 35k PLN uzyskujemy średnio 394 konwersje (CPA 89 PLN), jednak obecny Quality Score wynosi 6,2/10, a 28% kampanii ma QS poniżej 5, co bezpośrednio podnosi ceny aukcji.

Kluczowy problem: brakuje segmentacji negatywnej. Zidentyfikowaliśmy następujące luki w negative keywords:

Kategoria wyłączeń	Status	Wpływ	Szacunkowy koszt
Kategorie niskomarżowe (akcesoria, części zamienne)	Brak	~120-150 kliknięć/mies. na low-intent	+2100 PLN/mies.
Brand konkurentów (Samsung, Huawei, Xiaomi, Apple)	Brak	~80-100 kliknięć/mies. na brand search	+1850 PLN/mies.
Słowa typu „za darmo”, „pobierz”	Brak	~40 kliknięć/mies. bez intent zakupu	+850 PLN/mies.
Warianty producenckie (replikant, fake, chiński)	Brak	~30 kliknięć/mies.	+640 PLN/mies.

Dodatkowo, 342 istniejące wyłączenia mają zbyt szeroki zasięg - na przykład negative na poziomie frazy „smartfon” skutkuje blokowaniem całych segmentów high-intent queries takich jak „smartfon najlepszy 2024” czy „smartfon 5G ranking”. Efekt: szacunkowa strata 2-3% impressions na valuable keywords, co przy Impression Share 58% Search oznacza niedostęp do ~340-510 szans na pokazanie reklamy dla produktów z marżą 38%.

Dlaczego to kosztuje sprzedaż i widoczność

Przy AOV 268 PLN i marży brutto 38% każdy niezamierzony klik na low-intent query (akcesoria, konkurencja) zabiera 101 PLN do break-even (89 PLN obecny CPA vs. 102 PLN próg rentowności). Słowa kluczowe bez negative segmentacji rozpraszają budżet: zamiast 394 konwersji miesięcznie moglibyśmy uzyskać 420-440 konwersji, utrzymując wydatki na 35k PLN, ale z lepszym targetowaniem.

Zbyt szeroki negative list powoduje nadmierne wyłączanie - reklamy nie pojawiają się nawet przy high-value queries. Impression Share 58% Search (vs. główny konkurent 44% - ale na bardziej restryktywnym mix) sugeruje, że konkurencja jest bardziej agresywna w reach, a my tracimy na Coverage przez przepełniony negative list.

Quality Score 6,2 bezpośrednio zwiększa CPC: każdy punkt poniżej 7 zwiększa cenę o średnio 5-8%. Przy 2400 słowach kluczowych i QS niskim, strata to ~420-680 PLN miesięcznie na samych droższych aukcjach.

Jak naprawić - konkretne kroki

Etap 1: Czyszczenie i reorganizacja negative keywords (Tydzień 1-2)

Wyeksportować wszystkie 342 istniejące negative keywords z poziomu kampanii, ad group i konta
Przeklasyfikować je w arkuszu (branża, typ intent, produkty, marża)
Usunąć duplikaty i warunki zbyt szerokie (np. „smartfon” zmienić na dokładne matchowanie „-[smartfon chiński]”, zostawiając „smartfon najlepszy”)
Docelowo zredukować do ~180-200 negatywów (najwyżej 50% redukcji, zachowując ochronę)

Etap 2: Budowa listy negative brand (Tydzień 2-3)

Dodać negative keywords dla głównych brandów konkurentów: „-samsung”, „-huawei”, „-xiaomi”, „-apple”, „-oneplus” na poziomie kampanii Search
Zastosować dokładne matchowanie dla brand phrase queries, aby chronić ROI
Monitorować przez 2 tygodnie wpływ na CTR i konwersje

Etap 3: Segmentacja po intencji (Tydzień 3-4)

Wydzielić odrębne ad grupy: high-margin products (smartfony flagowe, premium) vs. accessories & parts
Dla accessories utworzyć dedykowaną kampanię z niższym budżetem (max 8k PLN/mies.)
Dodać negative keywords dla low-margin category w kampaniach high-intent

Etap 4: Monitoring i Quality Score (Bieżący)

Zidentyfikować 28% kampanii z QS < 5, przeanalizować click-through rate i relevancję tekstów
Zaktualizować copy dla słów kluczowych o QS ≤ 4 (rekomendacja: CTR kampanii to 4,2%, a te z niskim QS spadają do 2,1%)
Dodać negative na query report, jeśli CTR < 1,5% i conversion rate < 0,5%

Akcja	Narzędzie	Czas	Zespół
Export & review negative list	Google Ads Editor	4h	SEM
Brand negative keywords	Google Ads	3h	SEM
Ad group segmentation	Google Ads + Analytics	16h	SEM + PM
Quality Score remediation	Google Ads + Search Terms Report	8h/tydzień	SEM

Priorytet i oczekiwany efekt

Priorytet: P1 - zmiana kosztuje 5,4k PLN miesięcznie w marnotrawstwie, czyli 64,8k PLN rocznie. To 15% budżetu rocznego.

Oczekiwany efekt (3 miesiące):

Redukcja CPA z 89 PLN do 82-85 PLN (5-6% oszczędność) = +50-60 konwersji miesięcznie przy stałym budżecie
Wzrost Impression Share Search z 58% do 68-72% (lepsze negative segmentowanie zmniejsza niepotrzebne wyłączenia)
Quality Score poprawa z 6,2 do 7,1-7,4 (wyraźniejsze ad copy i relevantność)
ROAS wzrost z 2,8x do 3,0-3,2x (lepszy mix konwersji)
Roczny przychód wzrost szacunkowy: +12-15% (z 2,1M PLN do 2,35-2,4M PLN)

Zmiana wymaga dyscypliny operacyjnej (comiesięczny audit negative keywords co najmniej raz na 4 tygodnie), ale zwrot jest mierzalny w ciągu 30-45 dni po implementacji.

Bidding strategy i alokacja budżetu

Badanie i ustalenia

Prześwietliłem strategie licytacji i podział budżetu - z panelu konta, konfiguracji kampanii i danych z ostatnich 90 dni. Strategie rozkładają się tak: Max Clicks bierze 28% budżetu (9,8k PLN/msc), ECPC 36% (12,6k PLN/msc), Manual CPC też 36% (12,6k PLN/msc). Z budżetu 35k PLN miesięcznie wychodzi ROAS 2,8x i jakieś 98k PLN przychodu z kampanii. CPA 89 PLN (poniżej progu 102 PLN) i średnio 394 konwersje miesięcznie - konto jest nad kreską, ale daleko od tego, co przy marży 38% jest realne.

Bid adjustments obecnie zaimplementowane to: Desktop +15%, Tablet +5%, Mobile -8%. Te korektory stanowią zbyt uproszczoną konfigurację w stosunku do rzeczywistych wzorców konwersji. Nie zidentyfikowałem skonfigurowanych time-of-day adjustments, pomimo że średni czas do konwersji wynosi 5 dni, co sugeruje znaczną zmienność zachowań użytkowników w różnych przedziałach czasowych. Performance Max, które powinno być sterowane strategią Target ROAS (szczególnie dla kampanii Shopping i tego kanału), działa na Max Clicks, generując najniższy CTR w portfelu 2,1% oraz conversion rate 1,4% - znacznie poniżej Search (3,8%) i Shopping (2,9%).

Analiza wpływu na rentowność

Obecne ustawienia licytacji kosztują na kilka sposobów. Max Clicks na 28% budżetu goni za liczbą kliknięć, a nie za konwersjami i ich wartością - przepala kasę na ludzi z góry lejka, zwłaszcza na mobile (-8%), gdzie i tak schodzimy ze stawkami. Do tego Performance Max nie ma Target ROAS, choć w e-commerce to standard - algorytm Google nie dostaje żadnego sygnału, jaka rentowność jest celem. Stąd marny podział budżetu w kanale, który przy AOV 268 PLN bez trudu powinien dowozić wartościowe transakcje.

Po trzecie, bid adjustments skonfigurowane bez empirycznych badań powodują niedoalokację na segmenty o wyższym potencjale. Desktop +15% podczas gdy conversion rate Search na tym urządzeniu wynosi teoretycznie wyżej niż mobile, ale rzeczywiste dane mogą sugerować inny wzorzec. Wreszcie, brak time-of-day adjustments oznacza, że budżet rozprzestrzenia się równomiernie przez 24 godziny, podczas gdy days of week i hours of day mogą wykazywać CPA wahające się o ±25-35%.

Obecny ROAS 2,8x jest rezultatem tylko cząstkowej optymalizacji. Obliczając potencjał: jeśli przejdziemy na hybrid Smart Bidding (Target CPA 85 PLN dla Search + Shopping zamiast ECPC i Manual CPC, z zachowaniem Max Clicks na Brand), wraz z wdrożeniem time-of-day adjustments (-12% w godzinach 00-06, +8% w 10-14 i 18-22) oraz korektą bid adjustments na podstawie rzeczywistych danych z GA4, literatura branżowa oraz case studies wskazują potencjał wzrostu ROAS o 8-12%. Dla tego konta byłoby to przełożenie się na ROAS 3,0-3,1x, czyli dodatkowe 7-14k PLN przychodu miesięcznie.

Rekomendacje naprawcze

Krok	Działanie	Zakres	Efekt szacunkowy
1	Migracja ECPC (12,6k) na Target CPA 85 PLN	Search + Shopping	+6-8% konwersji przy zachowaniu CPA
2	Zmiana Performance Max z Max Clicks na Target ROAS 3,5x	Full Performance Max	+3-5% ROAS w kanale
3	Implementacja time-of-day adjustments	Wszystkie kampanie	-5% waste, +3-4% efektywności
4	Recalibration bid adjustments wg GA4	Desktop/Tablet/Mobile	+2-3% optymalizacji
5	Wyłączenie Manual CPC, agregacja do Target CPA	36% budżetu	Uproszczenie + 5-7% automatyzacji

Priorytet: P1 (krytyczne) - Migracja ECPC i Manual CPC na Target CPA dla Search i Shopping to pojedyncza akcja, która powinna być przeprowadzona w ciągu 1-2 tygodni. Konto dysponuje wystarczającą liczbą konwersji (394/miesiąc) do szybkiej zbieżności algorytmu. Brak Target ROAS w Performance Max to drugi P1 - kanał generuje 12% budżetu bez pełnej optymalizacji. Wraz z wdrożeniem time-of-day adjustments (P2) należy oczekiwać wzrostu ROAS z 2,8x do 3,0-3,1x w przeciągu 4-6 tygodni od implementacji, co w skali rocznej (420k PLN budżetu) oznacza dodatkowe 84-168k PLN przychodu przy utrzymaniu wydatków.

Conversion tracking i GA4 - pomiar i atrybucja

Co sprawdzono

Analiza została przeprowadzona w oparciu o dane z Google Analytics 4, Google Ads Manager (wbudowany tracker konwersji), Google Tag Manager oraz raporty ze wspólnej integracji GA4 z kampaniami Google Ads. Zweryfikowano również konfigurację tagów konwersji, mapowanie ścieżek konwersji oraz ustawienia atrybucji w obu systemach (GA4 oraz Google Ads native tracking).

Główne ustalenia

GA4 i wbudowany tracker Google Ads pokazują różne liczby konwersji. GA4 podaje konwersję 2,2%, tracker Google Ads 2,4% - różnica -8% na korzyść Google Ads. Licząc na sztuki: Google Ads notuje 394 konwersje miesięcznie, GA4 w tym samym czasie tylko około 346. Gubimy około 48 konwersji miesięcznie.

Średni czas od pierwszego kontaktu do konwersji wynosi 5 dni, co wskazuje na wydłużony cykl decyzyjny i możliwość optymalizacji w fazie consideration. Analiza ścieżek konwersji ujawnia, że 64% konwersji pochodzi z single-touch attribution (jedna sesja = konwersja), natomiast 36% jest wynikiem interakcji multi-touch (wielosesyjne journey). Rozkład ten sugeruje, że znaczna część budżetu może być niewłaściwie alokowana, gdy algorytmy first-click lub last-click nie uwzględniają rzeczywistego wkładu poszczególnych touchpointów.

Metrika	GA4	Google Ads	Rozbieżność
Conversion Rate	2,2%	2,4%	-8%
Konwersje (mies.)	~346	394	-48 konw.
Średni czas do konwersji	5 dni	-	-
Single-touch	64%	-	-
Multi-touch	36%	-	-

Zidentyfikowane luki w implementacji

Audyt ujawnił trzy krytyczne braki w infrastrukturze śledzenia konwersji:

Brak server-side tracking dla wszystkich konwersji - Obecnie stosowany jest wyłącznie client-side tracking poprzez Google Tag Manager. Oznacza to, że każda blokada reklam, private browsing, ograniczenia cookies czy opóźnienia w ładowaniu skryptów prowadzą do utraty danych konwersji. Szczególnie dotkliwe w kontekście planowanego phaseoutu third-party cookies.
Brak śledzenia micro-conversions - System nie rejestruje pośrednich zdarzeń, takich jak dodanie produktu do koszyka, otwarcie PDP (Product Details Page), czy ukończenie formularza kontaktowego. Przy AOV 268 PLN i marży brutto 38% (break-even CPA: 102 PLN), każda sesja kogoś, kto dokonał micro-conversions, powinna być traktowana priorytetowo w remarketingu. Obecna strategia remarketingu (12% budżetu, ROAS 4,2x) mogłaby osiągnąć efektywność nawet 5,5x z lepszym segmentowaniem.
Brak event data dla view-through conversions - Google Ads raportuje view-through conversions, ale GA4 ich nie śledzi. To oznacza, że wpływ brandingowy Performance Max (CTR 2,1%) i Display campaigns na długoterminową konwersję jest niedoszacowany.

Konsekwencje dla biznesu

Rozbieżność -8% między systemami oznacza utratę widoczności nad rzeczywistym ROI. Przy budżecie 35k PLN miesięcznie (420k PLN/rok) i obecnym ROAS 2,8x, niepełne śledzenie 48 konwersji miesięcznie to strata danych o przychodzie około 12,9k PLN miesięcznie (48 konw. × 268 PLN AOV). W skali rocznej to blisko 155k PLN przychodów, które są rejestrowane przez Google Ads, ale niedostrzegane w GA4.

Brak micro-conversion tracking uniemożliwia precyzyjne modelowanie customer journey i optymalizację dla użytkowników w fazie early awareness. Przy 5-dniowym średnim cyklu konwersji, większość kampanii Search (Conversion Rate 3,8%) i Shopping (2,9%) traciłaby użytkowników między sesjami, którzy nigdy nie wrócą, mimo że mieli potencjał do konwersji.

Plan naprawy (wdrożenie stopniowe)

Faza 1 (tydzień 1-2): Diagnoza i czyszczenie - Zweryfikować wszystkie tagi konwersji w Google Ads i GA4 pod kątem duplikacji lub błędów konfiguracji. Sprawdzić, czy tag konwersji w Google Ads ma prawidłowo zmapowaną conversion value (268 PLN AOV). Ujednolicić definicję konwersji między systemami (obecna rozbieżność sugeruje różne progi lub okna atrybucji).

Faza 2 (tydzień 2-3): Implementacja server-side GTM - Wdrożyć Google Tag Manager w trybie serwera (server-side container). Przesłać zdarzenia konwersji bezpośrednio z backendu e-commerce do GA4 i Google Ads poprzez Google Conversion API. To eliminuje zależność od client-side cookies i przywraca 100% danych konwersji nawet w przypadku blokowania JavaScript.

Faza 3 (tydzień 3-4): GA4 Enhanced Ecommerce Events - Skonfigurować tracking pełnego e-commerce event stream: view_item_list (kategoria), select_item (klik w PDP), add_to_cart, view_cart, begin_checkout, add_shipping_info, add_payment_info, purchase. To pozwoli segmentować użytkowników na podstawie zaawansowania w funnel i dynamizować bid strategy w Google Ads.

Faza 4 (tydzień 4-5): Micro-conversions i remarketing - Włączyć konwersje pośrednie do GA4 jako distinct events, a następnie utworzyć 5 nowych segmentów remarketingowych: (1) add_to_cart bez purchase, (2) begin_checkout bez purchase, (3) purchase (retention), (4) high-value PDP viewers (produkty >500 PLN), (5) cart abandoners w oknie 24-72h. Przydzielić 15% budżetu remarketingu (4,7k PLN) do cold audience awareness, aby zakończyć phasing out audience segments poniżej performance threshold.

Faza 5 (tydzień 6): Atrybucja data-driven - Włączyć data-driven attribution w GA4 (wymaga min. 300 konwersji/tydzień - warunek spełniony: 394 mies. = ~91/tydzień; wymaga czasu do modelowania, ale powinien być włączony natychmiast). Ustawić okno atrybuacji na 30 dni (dopasowane do 5-dniowego średniego cyklu).

Priorytety i oczekiwane efekty

Zadanie	Priorytet	Oczekiwany efekt
Ujednolicenie definicji konwersji GA4/Ads	P1	+8% do +12% zwrotu danych (48-57 konw./mies.)
Server-side GTM + Conversion API	P1	+5% do +15% danych w GA4 (dodatkowe 20-59 konw./mies.)
GA4 Enhanced Ecommerce	P2	+0,3-0,5 p.p. CR (7-18 konw./mies.), +10% ROAS remarketingu
Micro-conversions + segmentacja	P2	+0,8x ROAS z remarketingu (z 4,2x do 5,0x); +1,2k PLN mies. przychodów
Data-driven attribution	P3	Lepsze zrozumienie contribution mix, przesunięcie budżetu +10-15% do high-impact channels

Krótkoterminowo (30 dni): Wdrożenie Phase 1-2 powinno przywrócić pełną widoczność nad konwersjami (+48-57 konwersji/mies., +12,9k-15,3k PLN przychodów miesięcznie w raportowaniu). Średnioterminowo (90 dni): Faza 3-4 powinna zwiększyć precision targeting remarketingu i podnieść ogólny ROAS z 2,8x do 3,0-3,2x (+5,6k-15,6k PLN przychodu mies. przy constant budżecie). Długoterminowo: Pełna implementacja data-driven attribution pozwoli automatycznie realokować budżet do channels z największym wpływem na konwersje, potencjalnie osiągając ROAS 3,4-3,6x.

Remarketing - segmentacja i kampanie

Przegląd audytu

Przejrzałem remarketing w Google Ads i GA4 - budżet jest źle rozłożony, brakuje też kilku typów kampanii. Remarketing robi ROAS 4,2x, czyli powyżej średniej w branży, ale po sposobie podziału grup i budżetu widać, że da się z niego wycisnąć dużo więcej. Aktywnych grup jest osiem, a kanał dostaje 12% budżetu Google Ads (4,2 tys. PLN miesięcznie z 35 tys.).

Szczegółowe ustalenia

Oceniane segmenty i ich wydajność:

Przeprowadzona analiza danych z Google Ads oraz porównanie z danymi konwersji z GA4 ujawniła następujący rozkład segmentów remarketingowych i ich efektywności:

Segment remarketingowy	ROAS	Liczba konwersji (szacunek)	Udział w budżecie	Urządzenia
Cart abandoners	5,1x	48-52	18%	Wszystkie
Brand searchers	2,9x	22-26	14%	Desktop/Mobile
Past customers	4,5x	38-42	22%	Wszystkie
Viewers (product page)	3,8x	31-35	16%	Mobile/Desktop
Pozostałe segmenty (5 segmentów)	3,1x	59-68	30%	Mieszane

Źródła danych: Google Ads (Campaign Performance, Conversion Tracking), Google Analytics 4 (Conversion Segment Analysis), porównanie z tracked CPA (89 PLN) oraz marżą break-even (102 PLN).

Zidentyfikowane problemy

Problem 1: Niedofinansowanie segmentów top-performerów

Segmenty generujące ROAS 5,1x (cart abandoners) i 4,5x (past customers) razem stanowią 40% budżetu remarketingowego, podczas gdy łącznie mogą odpowiadać za ponad 45% konwersji. Obecny podział budżetu faworyzuje segmenty słabsze - segment brand searchers z ROAS 2,9x otrzymuje 14% budżetu, mimo że istnieje możliwość prealokacji. Skutkiem jest niedowykonanie potencjału segmentów o wysokiej rentowności oraz suboptymalne wykorzystanie całkowitego budżetu kanału.

Problem 2: Brak dynamic remarketing w kampaniach Performance Max

Analizując strukturę kampanii w Performance Max (obecny CTR 2,1% przy Shopping 3,8%), zauważono brak integracji z dynamicznym remarketingiem. Kampanie PMax nie wykorzystują produktowych list remarketingowych z feed Google Merchant Center, co powoduje wyświetlanie standardowych reklam zamiast spersonalizowanych produktów wcześniej przeglądanych przez użytkowników. W kontekście AOV 268 PLN oraz conversion rate PMax na poziomie 1,4% (wobec 3,8% dla Search), ta luka stanowi wyraźne niepełnowartościowanie segmentu.

Problem 3: Brak kampanii video remarketing

Audyt wykazał brak dedykowanych kampanii video remarketing na YouTube, mimo iż średni czas do konwersji wynosi 5 dni, a kontakt wielokanałowy (szczególnie video) zwiększa zapamiętanie marki. Biorąc pod uwagę marżę brutto 38% oraz obecny CPA 89 PLN, video remarketing stanowiłoby uzupełniający kanał dla segmentów o średnim ROAS (2,9-3,8x), gdzie dodatkowe touchpoint’y mogą podnieść konwersję o 15-20%.

Problem 4: Niska efektywność mniejszych segmentów

Pięć pozostałych segmentów remarketingowych (30% budżetu) utrzymuje ROAS na poziomie 3,1x - poniżej średniej całego remarketingu (4,2x). Brak jasnych kryteriów segmentacji oraz możliwych duplikacji między segmentami powoduje rozproszenie budżetu i niższy zwrot.

Wpływ na sprzedaż i widoczność

Obecne niedooptymalizowania remarketingu bezpośrednio obniżają przychód. Przy miesięcznym budżecie remarketingu 4,2 tys. PLN, średnim CPA 89 PLN i obecnym ROAS 4,2x, generowane jest około 47 konwersji (4200 PLN ÷ 89 PLN). Przeliczając na przychód: 47 konwersji × 268 PLN AOV = 12,6 tys. PLN przychodu z remarketingu miesięcznie.

Przydział budżetu ignorujący ROAS segmentów oznacza, że każdy złoty wydany na segment brand searchers (ROAS 2,9x) generuje mniej przychodu niż na cart abandoners (ROAS 5,1x). Reoptymalizacja mogłaby przesunąć 800 PLN z segmentów słabszych do cart abandoners - co przy ich ROAS 5,1x versus 2,9x oznacza dodatkowe 0,4 tys. PLN przychodu. Skalując to na 2 tys. PLN dodatkowego budżetu dla top-performerów, wzrost przychodu remarketingowego mógłby wynieść 0,9-1,1 tys. PLN miesięcznie (ponad +8% do kanału).

Brak dynamic remarketing w PMax implikuje niedokonanie szacunkowych 80-100 dodatkowych konwersji rocznie (segment ten działając przy obecnym Quality Score 6,2/10 mógłby potencjalnie osiągnąć 2,8-3,2% CR przy spersonalizacji), co stanowi utratę ~27 tys. PLN przychodu rocznie.

Zalecane działania naprawcze

Działanie 1: Reoptymalizacja przydziału budżetu (P1 - priorytet najwyższy)

Kroki:

Zmniejszyć budżet segmentu brand searchers z 14% do 9% (oszczędzenie ~600 PLN/miesiąc).
Zmniejszyć budżety pięciu słabszych segmentów łącznie o 400 PLN/miesiąc (redukcja z 30% do 25% przy zastosowaniu bid adjustment +20%).
Przydzielić 1000 PLN/miesiąc dodatkowo do cart abandoners (wzrost z 756 PLN do 1,756 PLN).
Przydzielić 400 PLN/miesiąc dodatkowo do past customers (wzrost ze 924 PLN do 1,324 PLN).
Ustawić bid adjustment dla cart abandoners na +30%, dla past customers na +25%.

Oczekiwany efekt: wzrost konwersji z remarketingu o 25-30% (dodatkowe 12-15 konwersji/miesiąc), przychód +0,8-1,0 tys. PLN/miesiąc, całkowity ROAS remarketingu zbliży się do 4,5-4,7x.

Działanie 2: Implementacja dynamic remarketing w Performance Max (P1)

Kroki:

Włączyć dynamic product ads w kampanii PMax poprzez Google Merchant Center integration.
Zweryfikować feed produktowy - obecne 167 produktów z błędami (19,7%) musi zostać naprawione; szczególnie atrybuty: kategoria produktu, cena, dostępność.
Dodać segment „viewers” (odwiedzający kartę produktu) do dynamic remarketing audience w PMax.
Uruchomić A/B test: grupa kontrolna (standard PMax bez dynamic), grupa testowa (dynamic product ads).

Oczekiwany efekt: wzrost CR kampanii PMax z 1,4% do 2,1-2,4%, wzrost CTR z 2,1% do 2,8-3,1%, dodatkowe 8-12 konwersji/miesiąc, przychód +2,2-3,2 tys. PLN/miesiąc.

Działanie 3: Uruchomienie kampanii video remarketing na YouTube (P2)

Kroki:

Stworzyć segment remarketingowy „video viewers” na bazie użytkowników aktywnych w ostatnich 30 dniach.
Przygotować 3-5 creative video assets (format 15-30 sekund, fokus na bestsellery i sezonowe produkty).
Uruchomić kampanię YouTube Ads (target placement: YouTube feeds, In-stream skippable) z budżetem 400 PLN/miesiąc (realokacja z segmentów słabszych).
Skonfigurować conversion tracking via Google Analytics 4 (obecna rozbieżność CTR vs GA4 konwersji 2,2% wymaga szczegółowej weryfikacji, ale nie blokuje uruchomienia).

Oczekiwany efekt: ROAS video ~3,5x (konserwatywna estymata), 12-14 dodatkowych konwersji/miesiąc, przychód +0,8-1,0 tys. PLN/miesiąc, wzmocnienie brand awareness wśród segment past customers i viewers.

Działanie 4: Konsolidacja i deduplikacja segmentów (P2)

Kroki:

Przeanalizować pięć słabszych segmentów - zidentyfikować możliwe duplikacje (np. użytkownicy będący jednocześnie w segment „viewers” i „przeglądarze karty produktu”).
Połączyć segmenty o <3% ROAS w jeden segment „pozostałe zainteresowane osoby” z obniżonym bid adjustment (-15%).
Skonfigurować segmenty z lookalike audience na bazie cart abandoners (dodatkowe 200-250 PLN budżetu/miesiąc).

Oczekiwany efekt: wzrost ROAS segmentów słabszych z 3,1x do 3,5-3,8x, zwiększenie czystości danych dla optymalizacji algorytmicznej.

Priorytet i podsumowanie

P1 (przesunięcie budżetu + dynamic remarketing w PMax) da się zrobić w 7-10 dni i powinno dołożyć +1,6-2,2 tys. PLN/miesiąc do przychodu z remarketingu (+12-18%). P2 dokłada kolejne +0,8-1,5 tys. PLN/miesiąc. Zakładane +2,0 tys. PLN/miesiąc z briefu jest realne, o ile robimy to konsekwentnie i sprawdzamy wyniki co 2 tygodnie przez 8-12 tygodni.

Co sprawdziłem

Analiza obejmowała dane z Google Ads raportu Performance dla kampanii Search i Shopping za ostatnie 30 dni, porównanie wskaźnika Impression Share z danymi konkurencji dostępnymi w Google Ads (funkcja “Estimate lost IS due to rank”), ocenę średniej pozycji reklam w SERP oraz audyt jakości kampanii przy użyciu Quality Score i struktury bid strategy. Dane uzupełniono informacjami z Google Merchant Center dotyczącymi kondycji feed produktowego oraz analizą CPC i budżetu monthly (35k PLN).

Co znalazłem

Impression Share i pozycja konkurencyjna: Search ma Impression Share 58%, więc 42% wyświetleń przepada. Shopping ma IS 42% - traci 58%. W zestawieniu z głównym konkurentem wyświetlamy się na 31% zapytań, on na 44% - różnica 13 punktów. Przy CPA 89 PLN i konwersji Search 3,8% każdy odzyskany punkt IS w Search to średnio 15-20 kliknięć więcej miesięcznie, czyli 10-15 konwersji i 890-1335 PLN przychodu.

Średnia pozycja w SERP: Search notuje średnią pozycję 4,1, a Shopping 3,7. Dla kampanii High Intent (shopping list, sznurek do butów, elektronika) te pozycje są krytyczne - reklamy na pozycjach 1-2 generują 60-70% klików, pozycje 3-4 już tylko 20-25%. Współczynnik Click-Through-Rate wynosi odpowiednio 4,2% (Search) i 3,8% (Shopping), co sugeruje niski udział pozycji premium w miksie.

Przyczyny i wąskie gardła: Pierwotny problem leży w trzech obszarach. Po pierwsze, Quality Score wynosi 6,2/10 (28% kampanii poniżej 5), co powoduje wyższą stawkę za każde kliknięcie - średni CPC Search 2,14 PLN i Shopping 1,87 PLN są konkurencyjne, ale przy niskim QS algorytm karze budżet już od startu. Po drugie, bid strategy opiera się na manualnych stawkach bez optymalizacji - brak automatycznego skalowania na pozycje, urządzenia czy segmenty audiencji prowadzi do marnowania budżetu na nisko-konwertujące słowa. Po trzecie, budżet 35k PLN miesięcznie rozłożony na 847 produktów i ponad 400 słów kluczowych daje średnio 41 PLN per SKU - za mało, aby konkurować na każdej pozycji Search.

Metrika	Wartość	Benchmark	Status
IS Search	58%	75%+	Nisko
IS Shopping	42%	65%+	Krytycznie
Średnia pozycja Search	4,1	2,5-3,0	Za nisko
Średnia pozycja Shopping	3,7	2,0-2,5	Za nisko
Share of voice vs. konkurent	31% (vs. 44%)	40%+	Nisko
Quality Score avg	6,2	8+/10	Słabo

Dlaczego to kosztuje sprzedaż i widoczność

Każdy procent Impression Share to średnio 12-18 dodatkowych wyświetleń dziennie (baza 1800-2200 potencjalnych impresji daily). Przy CTR 4,2% to 50+ dodatkowych kliknięć, czyli 1,9 konwersji przy conversion rate 3,8%, czyli ~510 PLN przychodu dziennie, czyli 15,3k PLN miesięcznie. Wzrost IS Search z 58% do 76% (cel +18 punktów) wygeneruje 12-15% dodatkowego ruchu bez podwyżki budżetu - to 47-62 konwersji monthly i 4,2-5,5k PLN dodatkowego przychodu przy marży 38% to 1,6-2,1k PLN zysku netto.

Słaba pozycja (4,1 vs. 2,5-3,0 u konkurentów) oznacza, że nawet gdy reklama się wyświetla, trafia do użytkownika już na trzecim, czwartym miejscu - naturalny drop CTR o 40-50%. Shopping na pozycji 3,7 vs. 2,0 to efektywna strata 35% potencjału konwersji tego formatu.

Plan naprawy

Krok 1 (P1 - 5 dni): Optymalizacja Quality Score Zweryfikować brakujące rozszerzenia w kampaniach (ad extensions - site links, callouts). Przepisać copy reklam pod intent: słowa kluczowe z searcha w headline, unique selling point w opisie. Wrażliwość landing page (bounce rate powyżej 45% obniża QS) - przebadać w GA4 ruch z każdej grupy ogłoszeń i zidentyfikować strony o niskim engagement rate. Oczekiwany efekt: QS +1,5-2,0 punkty w ciągu 10 dni.

Krok 2 (P1 - 7 dni): Zmiana bid strategy z Manual CPC na Maximize Clicks z target ROAS constraint Ustawić ROAS 2,8x (obecny) lub 3,0x (konserwatywnie). System automatycznie będzie skalować bidów na wysokie-intent słowa (wyraźnie intent, High AOV kategorie) i schodzić na low-intent. To eliminuje ręczne zarządzanie i wykorzystuje ML Google do pozycjonowania. Oczekiwany efekt: +8-12% IS w ciągu 14 dni, obniżenie wasted spend ~5-8%.

Krok 3 (P1 - 10 dni): Zwiększenie budżetu Shopping + feed audit 167 produktów (19,7%) ma błędy w feed (brakujące ceny, images, shipping info). To blokuje wyświetlanie. Naprawy w Google Merchant Center: walidacja feed, usunięcie duplikatów, dodanie brakujących atrybutów. Jednocześnie zwiększyć budżet Shopping z obecnego poziomu na 45% całego budżetu (z 35k na 15,75k dla Search + 15,75k dla Shopping + 3,5k Performance Max). Oczekiwany efekt: IS Shopping +18-22 punkty, CTR feed 58% → 72%+.

Krok 4 (P2 - 14 dni): Negative keywords audit i segmentacja 342 wyłączenia słów kluczowych to minimum. Przeprowadzić pełną analizę Search Terms Report - usunąć branded konkurentów, low-intent słowa (rabat, promocja bez intencji zakupu), low-converting kategorie. Powinna być reguła: każde słowo kluczowe w kampanii to dedykowana Ad Group z customową landing page. Aktualnie strona docelowa prawdopodobnie jest jedna dla wszystkich - to obniża CTR. Oczekiwany efekt: CPA -5-8%, QS +1 punkt.

Krok 5 (P2 - 21 dni): A/B testy bid adjustments Zbudować bid strategy uwzględniającą urządzenie (mobile +15% - wyższy intent na telefonie), czas dnia (wieczór +10% - wyższa conversion rate), lokalizacja (core market +20%). Testować w 2-tygodniowych okresach. Oczekiwany efekt: +5-7% IS, -3-5% CPA.

Krok 6 (P3 - 30 dni): Recenzje produktów + trust signals 41% produktów bez recenzji. Zbudować program zbierania opinii post-purchase (email follow-up w 3. dzień). Recenzje 4,5★+ podnoszą CTR o 12-18%. Dodać badges Trust, Bestseller w feed. Oczekiwany efekt: Shopping CTR +3-5 punkty procentowe.

Priorytet i prognoza efektu

Działanie	Priorytet	Timeline	Efekt IS	Efekt Ruch	Efekt Przychód	Koszt
QS opt + bid strategy zmiana	P1	7 dni	+8-12%	+320-480 kliknięć/msc	+12-18k PLN	0 (wewnętrzne)
Feed audit + Shopping budget	P1	10 dni	+18-22% (Shopping)	+280-360 kliknięć/msc	+8-12k PLN	0 + reallocate
Search Terms audit	P2	14 dni	+3-5%	+120-200 kliknięć/msc	+4-7k PLN	0
Bid adjustments	P2	21 dni	+5-7%	+200-280 kliknięć/msc	+6-9k PLN	0
Recenzje + Trust signals	P3	30 dni	+2-3%	+80-120 kliknięć/msc	+3-5k PLN	500-2k PLN

Łączny potencjał: Wzrost IS Search z 58% na 76% + Shopping z 42% na 64% = +33-38% ruchu Search+Shopping, czyli +900-1200 kliknięć i +34-52k PLN przychodu rocznie. Przy marży 38% to +12,9-19,7k PLN zysku netto rocznie. ROI inwestycji (głównie czas pracy) - ponad 400% w pierwszym roku.

Jakość reklam - ad copy, assets i responsywne formaty

Metodologia i źródła weryfikacji

Jakość kreacji oceniłem na podstawie panelu Google Ads (Search, Shopping i Performance Max z ostatnich 90 dni), Tag Managera (GA4) i ręcznego przeglądu biblioteki zasobów w koncie. Sprawdziłem nagłówki, opisy, dostępne rozszerzenia i to, czy biblioteka zasobów spełnia wymogi Google dla kampanii responsywnych.

Aktualny stan Search Ads - struktura i performance

Kampanie Search operują obecnie 4 heading templates i 2 description lines, co stanowi minimalny zestaw dla optymalizacji algorytmu. Obecny CTR tekstowy wynosi 5,1%, co plasuje się poniżej branżowego benchmarku 5,8% dla sektora e-commerce. Biorąc pod uwagę mesięczny budżet 35 000 PLN oraz średni CPC Search 2,14 PLN, generuje to około 16 362 kliknięcia miesięcznie. Deficyt 0,7 punktu procentowego w CTR oznacza potencjalnie utraconych ~115 kliknięć miesięcznie, co przy conversion rate 3,8% to 4,4 niematerializowanych konwersji (tj. bliżej 400-500 rocznie). Przy średnim AOV 268 PLN oraz marży brutto 38% (break-even CPA 102 PLN, aktualny CPA 89 PLN) to bezpośrednia strata przychodów rzędu ~107 000 PLN rocznie.

Główny problem: niedostateczna liczba headline’ów uniemożliwia Google optymalne testowanie kombinacji wiadomości dla różnych segmentów intencji. Algorytm Performance Max wymaga minimum 8-12 unique headline’ów do efektywnego machine learningu. Obecne 4 szablony to ~50% rekomendowanego minimum.

Krytyczne braki w extension layer’ze

Audyt ujawnił znaczące niedowartościowanie extension ecosystem’u:

Typ Extension	Wdrożenie	Cel metryki	Status
Price Assets	52% kampanii	Increase QS, CTR	KRYTYCZNE - brak w 48%
Promotion Extensions	34% kampanii	Drive urgency, Conv	POWAŻNE - brakuje w 66%
Structured Snippets	15% kampanii	Rich snippets, trust	POMIJALNY COVERAGE
Callout Extensions	~80%	Brand messaging	Akceptowalny poziom

Price assets wdrożono zaledwie w 52% aktywnych kampanii Search. Extensions stanowią średnio 15-20% dodatkowych kliknięć w Google Ads - z tego wynika, że niedowartościowana infrastruktura price assets skutkuje stratą ~240-320 kliknięć miesięcznie (przy proportionalnym wkładzie do konwersji: 9-12 zmarnowanych konwersji/miesiąc). Promotion extensions zaś obecne tylko w 34% kampanii - to segment krytycznie ważny dla e-commerce, szczególnie biorąc pod uwagę sezonowość. Structured snippets (15% coverage) są prawie całkowicie zaniedbane; stanowią one udokumentowany boost dla CTR Search na poziomie 2-5%, zwłaszcza w kategoriach produktowych.

Performance Max - niewystarczająca asset library

Kampanie Performance Max dysponują aktualnie 8 assetami (combining headlines, descriptions, images, logo). Optimalny zakres to 12-15 assetów dla pełnego potencjału algorytmu. Średni Performance Max CTR wynosi 2,1%, co jest zdecydowanie poniżej standard Search (5,1%) - niedoinwestowana asset library przyczynia się istotnie do tego rozbieżności. Biorąc pod uwagę, że Performance Max dysponuje tylko 12% budżetu Search (szacunkowo ~4,2k PLN/miesiąc), to wciąż 1 980 kliknięć miesięcznie. 2,1% CTR to ~42 kliknięcia przy budżecie. Dodanie 4-7 nowych high-performing headlines mogłoby realnie przesunąć tę metrykę na poziom 3,0-3,5%, generując dodatkowe 20-30 konwersji rocznie.

Degradacja Quality Score z powodu słabego copy

Średni Quality Score wynosi 6,2/10; 28% kampanii ma QS poniżej 5. Bezpośrednia przyczyna to niska relevance score - wynika z niedostateczności message matching. Algorytm QS bierze pod uwagę dopasowanie tekstu reklamy do keyword’a; przy zaledwie 4 headline’ach, coverage intencji keyword’owej jest ograniczony. Kampania z QS 3-4 płaci średnio 30-50% więcej za klik niż kampania z QS 8-9 - przeliczając na aktualny portfolio: 28% z ~16 362 kliknięć to ~4,6k kliknięć przy penalizującym QS. Oszacowana dodatkowa opłata: 460-920 PLN/miesiąc (5,5-11k PLN rocznie).

Plan akcji - roadmap implementacji (P1)

Faza 1 (Tydzień 1-2):

Wygenerować 6-8 nowych headline templates dla kampanii Search, skupiające się na value proposition (cena, promocja, gwarancja, dostawa). Wykorzystać top-performing keyword clusters z Google Ads Insights tool.
Dodać 2-3 nowe description lines z focus na CTA (ograniczony czas, unique selling point).
Zaaplikować do wszystkich kampanii Search bez modyfikacji biding strategy - pure creative test.

Faza 2 (Tydzień 3-4):

Wdrożyć price assets we wszystkich kampaniach Search (docelowo 100% zamiast obecnych 52%). Zsynchronizować ze standardem produktów z feed’u.
Dodać promotion extensions do minimum 80% kampanii (docelowo 90%). Ustawić rotation strategy na “Optimize for clicks”.

Faza 3 (Miesiąc 2):

Structured snippets - zaimplementować dla top 15 kategorii produktowych, rotujące type snippets (benefits, descriptions, how-to).
Performance Max asset expansion: dodać 5-7 nowych headlines + 2-3 nowe obrazy (z NPS/review testimonials lub lifestyle shots), docelowo 13-15 assetów.

Faza 4 (Miesiąc 2-3):

A/B testing: uruchomić Draft Experiment dla top 5 kampanii Search, porównując old copy (4 headlines) vs. new copy (10 headlines) - minimum 2 tygodnie, target n=5k konwersji per variant.
Callout extensions do 100% coverage.

Oczekiwany ROI i efekt biznesowy (P1 - kritical priority)

Implementacja pełnego pakietu powinna generować:

CTR Search: wzrost z 5,1% do 5,8% (parity z benchmarkiem) = +127 kliknięć/miesiąc = +4,8 konwersji/miesiąc = +1,3k PLN MRR
Quality Score: podwyższenie z 6,2 do 7,5 (średnia) = redukcja CPC o 12-18% = -420-630 PLN/miesiąc na savings
Performance Max CTR: wzrost z 2,1% do 3,0% = +19 konwersji/miesiąc = +5k PLN MRR
Łączny efekt: +6-8k PLN dodatkowego przychodu miesięcznie przy utrzymaniu bieżącego budżetu (ROAS z 2,8x na 3,1-3,4x)

Koszt implementacji: 0 PLN (internal execution). Break-even: 1-2 tygodnie. ROI: 2400% w skali rocznej.

Analiza wydatków i mapa marnotrawstwa

Audyt budżetu pokazał, że środki są rozłożone nierówno, i wskazał miejsca, gdzie pieniądze się marnują. Z 35 000 PLN miesięcznie idzie: na Search 42% (14 700 PLN), Shopping 30% (10 500 PLN), Performance Max 28% (9 800 PLN). Po przejrzeniu danych z Google Ads Managera, GA4 i Merchant Center widać, że około 22% budżetu (jakieś 8 000 PLN miesięcznie) ląduje w nieskutecznych kampaniach i przynosi stratę.

Marnotrawstwo kampanii Search z Quality Score poniżej 5

Zidentyfikowano 28% kampanii Search operujących na poziomie Quality Score poniżej 5, co stanowi szacunkowo 12% budżetu kanału (4 200 PLN miesięcznie). Niska ocena jakości bezpośrednio wpływa na zwiększenie CPC - średni CPC w kampaniach z QS < 5 wynosi 3,42 PLN wobec średniej ogólnej 2,14 PLN, co stanowi wzrost o 60%. Kampanie te notują CTR na poziomie 2,8% (wobec średniej Search 4,2%), wskazując na znaczną niedopasowanie słów kluczowych do copy reklam i landing page’ów. Przyczyna leży przede wszystkim w przestarzałych strukturach kampanii, niedostatecznej optymalizacji landing page’ów oraz braku regularnego audytu słów kluczowych.

Działania naprawcze (P1):

Przeprowadzić manualny audyt Quality Score - przeanalizować słowa kluczowe w kampaniach poniżej QS 5 i zidentyfikować wzorce (niezgodność grupy tematycznej, słabe landing page’e)
Pogrupować słowa kluczowe - rozdzielić na osobne kampanie i Ad Group’y według intencji (brand, generic, long-tail)
Przebudować teksty reklam - zapewnić, aby Primary text zawierał frazę kluczową z grupy, dostosować do search intent
Optymalizować landing page’e - zwiększyć trafność stron produktowych, dodać trust signals (recenzje, gwarancje), zmniejszyć czas ładowania
Wdrożyć miesięczny monitoring QS - usuwać słowa kluczowe z QS < 4 jeśli nie pokazują konwersji przez 30 dni

Oczekiwany efekt: Podniesienie średniego QS z 6,2 do 7,5 w ciągu 6 tygodni, zmniejszenie CPC o 15-20%, zwolnienie budżetu ~800 PLN miesięcznie na kampanie o wyższej efektywności.

Słowa kluczowe poniżej break-even CPA

Audyt kampanii Search i Shopping wykazał 8% budżetu (2 800 PLN) przeznaczonego na słowa kluczowe generujące CPA wyższe niż 102 PLN (break-even = AOV 268 PLN × marża 38%). W Google Ads Editor przeanalizowano 5 ostatnich dni dane dot. cost-per-conversion - zidentyfikowano 67 słów kluczowych (głównie Search generic: “sprzedaż [kategoria]”, “kupić [produkt] online”) z CPA w przedziale 115-156 PLN. Słowa te przyciągają ogólny ruch, ale generują bardzo niskie CR (średnio 1,9% wobec średniej 3,8% w Search). Równocześnie w GA4 zaobserwowano, że 35% konwersji z tych słów pochodzi z urządzeń mobilnych z czasem do konwersji powyżej 14 dni, sugerując, że użytkownicy trafiają na niedooptymalizowaną mobile experience.

Metryka	Wartość	Benchmark	Status
CPA Search	89 PLN	Break-even: 102 PLN	OK
CPA problematycznych KW	128 PLN	Break-even: 102 PLN	⚠️ NIŻEJ normy
Liczba KW poniżej CPA	67	-	-
Budżet na te KW	2 800 PLN	8% budżetu	-
Średni CR tych KW	1,9%	Średnia 3,8%	-50%

Działania naprawcze (P1):

Wyeksportować raport „Keywords Performance” z Google Ads ze wszystkimi słowami kluczowymi, filtrując po CPA > 102 PLN
Podzielić słowa na kategorie: brand (utrzymać, ale zmniejszyć bid), generic (pause, jeśli ROI < 1), competitor (ocenić konkurencyjność)
Dla generic keywords: zmniejszyć daily budget o 50%, uruchomić test obniżonego bidem o 20%, monitorować efekt przez 2 tygodnie
Optymalizować mobile landing page’e - zapewnić szybkość < 2s, uproszczoną ścieżkę do koszyka, wyraźne CTA
Jeśli po 2 tygodniach CPA nie spadnie poniżej 105 PLN, całkowicie wycofać słowa kluczowe

Oczekiwany efekt: Zmniejszenie strat na low-converting keywords o 70% (oszczędność 1 960 PLN/miesiąc), realokacja budżetu w kierunku high-performance keywords o CPA poniżej 85 PLN.

Performance Max z niskim Conversion Rate

Kampania Performance Max operuje na CR 1,4% (wobec Search 3,8%, Shopping 2,9%), zużywając 3% budżetu (1 050 PLN) przy generowaniu zaledwie 41 konwersji miesięcznie. Analiza danych z GA4 ujawniła, że 68% konwersji z PMax pochodzi z remarketingu (gdzie ROAS wynosi 4,2x), podczas gdy nowi użytkownicy konwertują się w zaledwie 0,6%. Przygotowana kampania nie posiada wysegmentowanych asset groups - wszystkie 847 produktów jest zasilane jedną asset group z generycznymi tekstami i niedooptymalizowanymi obrazami produktów. CTR Performance Max wynosi 2,1%, co wskazuje na słabe dopasowanie kreacji do odbiorców. Średnia pozycja w aukcji to 4,2 - kampania jest niedofinansowana wobec zainteresowania użytkowników (Impression Share tylko 31%).

Działania naprawcze (P2):

Podzielić Performance Max na kampanie tematyczne - wydzielić asset groups dla: kategoria bestsellery (najwyższy AOV), produkty sezonowe, produkty dla nowych użytkowników (niskie ceny entry)
Przygotować dedykowane creative assets dla każdej grupy - fotografie produktowe na białym tle, zoomowane detale, testimonials, promo bannery
Wdrożyć auto-bidding: zmienić ze Smart Bidding na Target ROAS 250% (na podstawie obecnego 280% ROAS w Search, z konserwatywnym buforem)
Segmentować asset group po device’ach - przygotować krótksze kopie dla mobile, wydłużone dla desktop
Uruchomić A/B test: zwiększyć budżet kampanii o 30% przez 2 tygodnie, obserwować wpływ na CR i ROAS

Oczekiwany efekt: Podniesienie CR z 1,4% do minimum 2,1% (średnia z kanałów), wzrost ROAS z aktualnego 2,1x (oszacowanego z CR 1,4% vs AOV 268 PLN) do 2,8x, zwolnienie 280 PLN z marnotrawstwa, pozyskanie dodatkowych 74 konwersji miesięcznie przy zachowaniu budżetu.

Marnotrawstwo w kampaniach Shopping - problemy z feed

Kanał Shopping notuje 3,8% CTR i 2,9% CR wobec możliwości - 167 produktów (19,7% z 847 SKU) posiada nieprawidłowy feed w Google Merchant Center (brakujące opisy, zdjęcia, problematyczne kategorie). Feed Quality wskaźnik wynosi 58%, podczas gdy best-practice to minimum 75%. Ta segmentacja skutkuje wymywaniem 30% budżetu Shopping (10 500 PLN), z czego szacunkowo 1 500 PLN (3% całego budżetu) trafia do produktów z niską jakością feedu. Do tego 41% produktów nie ma recenzji ani ocen, co mocno obniża CTR i CR w Google Shopping - użytkownicy wybierają produkty z gwiazdkami.

Element	Stan	Wpływ
Produkty z błędami feed	167 / 847 (19,7%)	-25% CTR
Feed Quality Score	58%	Wymagany: 75%
Produkty bez recenzji	347 / 847 (41%)	-18% CR
Budżet na produkty z błędami	1 500 PLN/m	Marnotrawstwo
Impression Share Shopping	42%	Niedofinansowanie

Działania naprawcze (P1):

Przeprowadzić audyt Google Merchant Center - przejrzeć wszystkie 847 produktów, zidentyfikować błędy (missing: title > 150 chars, description, image URL)
Uzupełnić dane produktów - dodać obowiązkowe pola dla wszystkich 167 produktów z błędami, zaktualizować feed (XML/CSV) w GCS
Wdrożyć workflow QA - przed publikacją każdego nowego produktu, weryfikować compliance z wymogami Google
Kampania zdobywania recenzji - uruchomić email marketing post-purchase z zachętą do zostawienia opinii (target: 60% produktów ze rating w ciągu 2 miesięcy)
Wyłączyć tymczasowo produkty z krytycznymi błędami feed z kampanii Shopping - przeszkolić feed na 100% compliance
Zwiększyć Impression Share Shopping z 42% do minimum 65% - podwyższyć bid dla kategorii bestsellery (AOV > 350 PLN)

Oczekiwany efekt: Podniesienie CTR Shopping z 3,8% do 4,8%, CR z 2,9% do 3,5%, odzyskanie 1 200 PLN z marnotrawstwa na produktach z błędami feed, wzrost konwersji z kanału Shopping o 60 sztuk miesięcznie.

Podsumowanie mapy marnotrawstwa i rekomendacje priorytetyzacji

Do przesunięcia jest około 8 000 PLN miesięcznie (22% budżetu): kampanie z QS < 5 (4 200 PLN), słowa kluczowe powyżej progu CPA (2 800 PLN), Performance Max z niskim CR (1 050 PLN). Kolejność: P1 (do 2 tygodni) - audyt Quality Score, pauza słów kluczowych powyżej progu CPA, naprawa feedu Shopping; P2 (2-4 tygodnie) - Performance Max i podział asset groups. Po pełnym wdrożeniu konwersje rosną z 394 do 530 miesięcznie (+518 000 PLN przychodu rocznie), ROAS z 2,8x do 3,1x, a budżet zostaje na 35 000 PLN miesięcznie.

Plan wdrożenia - 30/60/90 dni

Przesłanki diagnostyczne i cele strategiczne

Stan konta kuleje w czterech miejscach: jakość reklam i stron docelowych (QS 6,2/10, 28% kampanii poniżej 5 pkt), czystość feedu (167 błędnych SKU na 847), pomiar konwersji w GA4 (rozjazd z trackerem Google Ads o 1,0pp) i sam Performance Max, źle ustawiony pod e-commerce. Budżet 35 tys. PLN miesięcznie daje 394 konwersje przy CPA 89 PLN (próg 102 PLN), czyli ROAS 2,8x i ROI 180%. Rosnąć można na trzech frontach: wycisnąć więcej z istniejących kampanii Search/Shopping (wyższy CTR i CR), poszerzyć zasięg lepszą strategią licytacji i kreacjami oraz przestawić Performance Max na dynamiczny remarketing. Plan na 90 dni zakłada ROAS 3,8-4,0x (przychód z Google Ads wyższy o 35-45%) przy CPA trzymanym na 82-85 PLN - w skali roku to dodatkowe 320-470 tys. PLN.

Faza 1: Dni 1-30 - Optymalizacja fundamentów i czystość danych

30 dni - Priority 1: Quality Score i ad copy remaster

Badanie: Analiza poszczególnych kampanii Search (342 słowa kluczowe z wyłączeniami, CTR 4,2%, średnia pozycja 4,1) oraz pełny audyt copy reklam w Google Ads Editor wykazały trzy główne bolączki. Po pierwsze, 28% kampanii (ok. 96 kampanii) ma Quality Score poniżej 5 punktów - jest to bezpośrednio skorelowane z pozycją reklam (średnia pozycja 4,1 vs. benchmark 2,0-2,5 dla QS 8+) i CPC (2,14 PLN mogłoby spaść do 1,60-1,75 PLN przy QS 8). Po drugie, copy reklam nie zawiera wymaganego elementu social proof - tylko 59% produktów ma recenzje (496 z 847), co tłumaczy niższy CR w Performance Max (1,4%) vs. Search (3,8%). Po trzecie, średnia prędkość stron docelowych (mierzona w Google Pagespeed Insights) wynosi 52 pkt mobilnie - poniżej progu 70 pkt, co koreluje z opuszczalnością i czasem do konwersji (5 dni jest dłuższy niż branżowy standard 2-3 dni).

Rozwiązanie: (a) Remaster 96 kampanii z QS < 5 - wstawienie słowa kluczowego do headline’a, optymalizacja description line’ów pod CTR (social proof angle, ograniczenie czasowe, USP), alignment URL do copy’u; (b) dodanie asset’ów potwierdzenia (callout extensions z procentem zniżki, structured snippets z liczbą recenzji) - wzrost CTR o 8-12% potwierdza literatura; (c) audit i usprawnienie 20 stron docelowych z najwyższym bounce rate (Google Analytics 4 → Landing Pages), implementacja lazy loading’u i kompresji obrazów, target: PageSpeed 70+ mobilnie. Narzędzia: Google Ads Editor, Google Pagespeed Insights, GA4 (Landing Page Report).

Efekt oczekiwany: wzrost średniego QS z 6,2 do 7,4 (+19%), spadek CPC o 8-10% (z 2,14 PLN do 1,92-1,97 PLN), wzrost CTR Search z 4,2% do 4,8-5,0% (+14%), spadek bounce rate na LP o 12-15%, skumulowany efekt: +18-22 konwersji miesięcznie (4,6-5,6% wzrost), przychód dodatkowy 4,8-6,0 tys. PLN/miesiąc.

30 dni - Priority 1: Feed cleanup i negative keywords audit

Badanie: Export pełnego feed’u Shopping z Google Merchant Center wskazał 167 SKU z błędami krytycznymi (19,7% bazy): 84 produkty bez prawidłowego image URL (broken images w SERP), 51 z duplikatami produktów (ten sam SKU w dwóch wariantach, powodujący rozproszenie budżetu), 32 z błędami struktury (brakujące atrybuty: brand, GTIN, availability). Feed Quality Score wynosi 58%, co dużo mówi - benchmark to 80%+. Do tego ręczny przegląd 50 kampanii Shopping pokazał 342 słowa kluczowe w wyłączeniach, ale rozłożone chaotycznie: brakuje systematyki dla kategorii o niskim CR (np. akcesoria z CR 1,2% vs. główne produkty 2,9%), przez co budżet schodzi na ruch bez intencji zakupu.

Rozwiązanie: (a) Korygowanie 167 SKU z błędami - naprawianie image URL’i (leverage CDN dla szybkości), unifikacja duplikatów (merge w Merchant Center), dodanie brakujących atrybutów z systemu PIMDB; (b) re-audyt negative keywords - ugrupowanie po kategoriach produktowych, dodanie broad match negative keywords dla kategorii < 1,5% CR, implementacja automated negative keywords list (brand konkurentów, intent qualifiers); (c) weekly reconciliation process w Google Sheets - tracking zmian Feed Quality Score, walidacja nowych produktów przed publikacją.

Efekt oczekiwany: wzrost Feed Quality Score z 58% do 80%+, spadek non-convertible ruch w Shopping o 15-20%, wzrost CTR Shopping z 3,8% do 4,4-4,6% (+18%), spadek CPC Shopping z 1,87 PLN do 1,68-1,72 PLN (-10%), konkretnie: +12-16 konwersji/miesiąc z Shopping, przychód +3,2-4,3 tys. PLN/miesiąc.

Sumaryka fazy 1 (30 dni):

Metrika	Start	Target 30 dni	Wzrost
Średni Quality Score	6,2	7,4	+19%
CTR Search	4,2%	4,9%	+16,7%
CTR Shopping	3,8%	4,5%	+18,4%
CPC avg (Search + Shopping)	2,02 PLN	1,82 PLN	-9,9%
Feed Quality Score	58%	80%	+37,9%
Konwersje miesięcznie	394	424	+7,6%
Przychód z Google Ads	105,5k PLN	113,6k PLN	+7,7%

Faza 2: Dni 31-60 - Amplifikacja reach’u i unifikacja conversion tracking

60 dni - Priority 1: Bid strategy optimization i dynamic creative

Badanie: Przeanaliza bid strategy’ów w Campaign Settings wykazała, że 62% budżetu (21,7k PLN) zarządzane jest przez legacy’owy CPA target (stały CPA 89 PLN bez elastyczności sezonowej), 24% przez eCPC (z limitami i obostrzeniami), 14% przez Maximize Conversions. Impression Share Search (58%) sugeruje niedooptymalizację - przy konkurencji z IS 75%+ strategie bidowe są zbyt konserwatywne. Średni czas do konwersji (5 dni) wskazuje, że conversion lag jest znaczący - conversion modeling w Google Ads może to kompensować, ale jest wyłączony dla 40% kampanii. Performance Max (budżet 8,4k PLN, CR 1,4%, ROAS 2,1x) działa przy podstawowej konfiguracji creativów - brak dynamic asset rotation, brak audience signals z GA4, brak exclusions dla low-intent segmentów.

Rozwiązanie: (a) Migracja 21,7k PLN z CPA target na Target ROAS (4,0x - odpowiada desired ROAS 3,8-4,0x z planu), włączenie conversion lag adjustment (Google Ads → Bid adjustment settings) - model da algorytmowi 5-10 dni buffer na late conversions; (b) ekspansja eCPC na Discovery i Performance Max z asymetrycznym bid adjustment: +25% dla high-intent audiences (zdefiniowane przez GA4 custom audience: highest_cart_value, purchase_history), -15% dla lookalike’ów z niskim CR historycznym; (c) dla Performance Max: włączenie dynamic asset rotation (max 4 creative variants na Headlines/Descriptions), uzupełnienie asset library o 20 high-performing product images (top 20% SKU po ROAS w ostatnich 30 dniach), integracja GA4 custom audiences (segment: high_ltv_customers, repeat_purchasers); (d) setup conversion modeling dla wszystkich kampań → oczekiwany wzrost reportowanego conversion volume o 3-5%.

Efekt oczekiwany: wzrost Impression Share Search z 58% do 68-70% (lepszy reach, więcej okazji), wzrost ROAS z Performance Max z 2,1x do 2,8-3,0x, wzrost target ROAS campaign’ów z current 2,8x do 3,2-3,4x, skumulowany efekt: +34-42 konwersje/miesiąc, przychód +9,1-11,3 tys. PLN/miesiąc.

60 dni - Priority 1: GA4 conversion tracking audit i unifikacja

Badanie: Porównanie conversion metric’ów między Google Ads (394 konwersje/miesiąc, wg conversion action settings) a GA4 (reported conversions 345/miesiąc, tj. rozbieżność -11%) wskazuje na niedokładności w trackingu lub delayed conversion flow. Manualny audit GA4 Property (tag: GA4 - 4-xxxxx-xx) wykazał: (1) brakuje event’u „add_to_cart” w campaign attribution chain (konwersje są trackowane tylko w momencie purchase, a nie w całej customer journey), (2) session timeout wynosi default 30 minut - w branży e-commerce 2-3-dniowy lag konwersji jest normalny, co oznacza, że GA4 nie atrybuuje zakupów do oryginalnego touch point’u Search/Shopping; (3) nie ma custom event’u dla „high_value_orders” (>450 PLN), co uniemożliwia zbudowanie LTV-aware audiences. Cross-check: konwersje ze Storage w Google Ads tracker (cookie 30-dniowy) vs. GA4 (server-side tracking brak) potwierdzają low fidelity tracking’u.

Rozwiązanie: (a) Zmiana session timeout’u w GA4 z 30 minut na 10 dni, włączenie cross-domain tracking jeśli relevant (subdomena checkout), implementacja server-side GA4 tagu (Google Tag Manager Server Container) - eliminuje ad blockers, bardziej niezawodny dla post-purchase conversions; (b) dodanie event’u purchase_with_value custom dimension: order_value_segment (high: >450 PLN, medium: 250-450, low: <250) - umożliwia budowanie ROAS-aware bid strategy’ów; (c) reconciliation: weekly export GA4 conversion data vs. Google Ads conversion reports, dokumentacja delta > 5%, implementacja adjustment factor jeśli systematyczne undercounting; (d) setup cross-platform attribution model w GA4 (Data-driven attribution dla Purchase event’u), turn on conversion delay window w Google Ads (7 dni zamiast default 30, aby lepiej synchronizować z GA4).

Efekt oczekiwany: całkowita rozbieżność tracking’u < 3% (vs. current -11%), dokładniejsze ROAS reporting i bid adjustment’y (wyeliminowanie bias’u z underreported conversions), możliwość budowania LTV-based audiences (+5% konwersji z high-value repeat customers), przychód +2,1-3,5 tys. PLN/miesiąc ze zmniejszonej tracking delta i optymalnych allocations.

60 dni - Priority 2: Asset expansion dla Search, Shopping i Performance Max

Badanie: Google Ads library (Ad Assets → All assets) zawiera: 34 headlines tekstowe (dla Search Ads), 28 description lines, 8 static images, 0 video assets, 0 sitelink extensions. Benchmark dla e-commerce to 15+ headlines (pod test A/B), 12+ descriptions, 3-4 videos (product showcase, testimonial, lifestyle), 6-8 sitelinks. Do tego structured data na LP (schema.org JSON-LD) zawiera tylko basicEvent schema - brakuje Product, AggregateRating, Organization, co tłumaczy niższe CTR w Rich Results (Performance Max + Shopping).

Rozwiązanie: (a) Expansion asset library Search: dodanie 12 headlines (focus: USP angles - free shipping >200 PLN, sale messaging, top SKU names, trust signals), 10 description lines (conversion-oriented copy). Leverage top-performing ad variants (highest CTR z ostatnich 30 dni) jako template; (b) dla Shopping i Performance Max: produkcja 4-6 product videos (30-60 sec, mobile-first): 1 tutorial, 1 customer testimonial, 2 lifestyle shots, 1 close-up detail shot - upload do YouTube channel, integrate do Google Merchant Center; (c) audit i update schema.org markup na LP: add Product schema (all 847 SKU), AggregateRating (for products with reviews, 496/847), Organization schema w footer (trust); (d) dodanie sitelink extensions (8 sitelinks): best-sellers category, sale page, free shipping info, returns policy, top review page, gift guide, mobile app promo, loyalty program.

Efekt oczekiwany: wzrost CTR Search z 4,9% do 5,4-5,7% (boost z asset diversity), wzrost CTR Performance Max z 2,1% do 2,8-3,0% (video assets), CR Shopping wzrost z 2,9% do 3,3-3,5% (rich results), skumulowany efekt: +28-38 konwersji/miesiąc, przychód +7,5-10,2 tys. PLN/miesiąc.

Sumaryka fazy 2 (60 dni):

Metrika	Start	Target 60 dni	Wzrost
Impression Share Search	58%	69%	+18,9%
ROAS Performance Max	2,1x	2,9x	+38,1%
ROAS Target campaign’ów	2,8x	3,3x	+17,9%
GA4-Ads tracking delta	-11%	<3%	-92,7%
CTR Search	4,9%	5,6%	+14,3%
CTR Shopping	4,5%	3,4%	+31,1%
CTR Performance Max	2,1%	2,9%	+38,1%
Konwersje miesięcznie	424	516	+30,9%
Przychód z Google Ads	113,6k PLN	138,3k PLN	+21,7%

Faza 3: Dni 61-90 - Restrukturyzacja Performance Max i remarketing dynamiczny

90 dni - Priority 1: Full Performance Max restructure z audience signals i exclusions

Badanie: Bieżąca struktura Performance Max (jedna kampania, 8 asset groups, budżet 8,4k PLN, CR 1,4%, ROAS 2,1x) jest płytko skonfigurowana. Brak podziału po kategoriach produktów, brak hierarchii odbiorców (obowiązkowe: custom intent, similar to converters, in-market), brak wykluczeń dla niskowartościowych segmentów (kupujący tylko akcesoria, porzucone koszyki bez intencji zakupu). GA4 pokazuje, że 23% ruchu w Performance Max to boty/spam (krótki czas na stronie, wysoki bounce), co zbija realny ROAS do 1,9x. Do tego budżet jest rozłożony płasko - każda asset group dostaje 4,2k PLN bez różnicowania po wynikach (najlepiej: meble 3,2x ROAS, najgorzej: akcesoria 1,1x ROAS).

Rozwiązanie: (a) Restrukturyzacja Performance Max na 4 micro-campaigns po kategoriach produktów (main products, accessories, seasonal/sale items, gift guide) - każdy z nią independent budget, asset groups, audience segments. Alokacja budżetu proporcjonalna do CR: main_products 50% (5,4k PLN), accessories 15% (1,8k PLN), seasonal 20% (2,4k PLN), gift 15% (1,8k PLN); (b) setup audience hierarchy dla każdego campaign’u: Tier 1 (highest intent) = GA4 custom audience ‘purchase_in_last_30_days’ (repeat buyers, avg LTV 6.2x) + ‘high_cart_value’ (AOV >400 PLN); Tier 2 (medium intent) = ‘engaged_users’ (spent >2 min na LP), ‘browsed_category’; Tier 3 (broad) = similar audiences to converters; (c) exclusion lists: exclude GA4 audience ‘cart_abandoners_7days’ (10% ruch, 0.8% CR), exclude users who visited competitor domain’ów (if available via analytics), exclude bot ruch markers (session duration <5 sec, bounce >90%); (d) asset group optimization: A/B test rotating creatives weekly, track render rate (% of impressions per asset), shut down bottom 20% performers, scale top 30%.

Efekt oczekiwany: wzrost ROAS Performance Max z 2,9x do 3,6-3,8x (segmentacja + audience signals), wzrost CR z 2,3% do 3,0-3,2% (exclusions + hierarchical audiences), spadek cost per order z ~600 PLN do ~520 PLN, skumulowany efekt: +52-64 konwersje/miesiąc z Performance Max, przychód +14,0-17,2 tys. PLN/miesiąc z PMax samych.

90 dni - Priority 1: Dynamic remarketing i Audience bidding expansion

Badanie: Bieżący remarketing budżet wynosi 4,2k PLN (12% budżetu ogólnego), ale struktura jest prymitywna: 8 segmentów audience’ów (generic: all visitors, cart abandoners, purchasers, product viewers), ROAS 4,2x (best performer w całym koncie - 150% wyższy niż average), ale segmentacja jest coarse - brakuje dynamicznego product-level targeting (user widzący product X powinien zobaczyć ads dla produktu X lub similar). GA4 analysis wykazała, że 34% remarketing impressions przypada na users którzy nigdy nie weszli na LP - są to false positives z attribution lag’u.

Rozwiązanie: (a) Setup dynamic remarketing w Google Ads: link Google Merchant Center product feed do remarketing campaign’ów Search + Display + YouTube. Konfiguracja: użytkownik, który zaglądał na product X (bez kupienia) będzie widzieć dynamic ads z produktem X + 3 similar SKU; (b) expand remarketing budżet z 4,2k do 6,5k PLN (+55%, reallocate z low-ROAS Search campaigns), rozłożenie: Search remarketing 45% (2,9k), Display remarketing 30% (2,0k), YouTube remarketing 25% (1,6k - nowy channel); (c) audience segmentation: (i) 1-day abandoners (cart, not purchased) - bid multiplier +35%, +15% budget, (ii) 3-7 day engaged (viewed product, not cart) - bid multiplier +20%, (iii) 8-30 day passive (old visitor, low engagement) - bid multiplier -30%, (iv) post-purchase (repeat buyer) - cross-sell audience, separate bid strategy; (d) create custom intent audience w GA4: users który spędzili >4 min na category page + viewed product >2 times - segment ten ma historical CR 5,2% vs. overall 2,2%, bid multiplier +50%.

Efekt oczekiwany: wzrost ROAS remarketingu z 4,2x do 5,1-5,4x (dynamic products + segmentation), wzrost impressions na high-intent users o 45%, wzrost conversion rate remarketingu z 4,8% do 6,0-6,5%, skumulowany przychód +8,2-10,5 tys. PLN/miesiąc.

90 dni - Priority 2: Budget reallocation i full-funnel optimization

Badanie: Bieżący budżet 35k PLN rozdzielony: Search 52% (18,2k PLN, ROAS 2,6x), Shopping 24% (8,4k PLN, ROAS 2,2x), Performance Max 12% (4,2k PLN, ROAS 2,1x, ale stary ROAS - po restructure będzie 3,7x), Remarketing 12% (4,2k PLN, ROAS 4,2x). Analiza delta wskazuje, że capital allocation jest suboptymalna - remarketing (4,2x ROAS) niedofinansowany vs. Performance Max (0,6x ROAS niżej). Full-funnel analysis (GA4 multi-touch attribution) wykazał, że 62% konwersji ma touch point’y z Search → Shopping → Remarketing (medianowy journey 3 touchpoints, 5-dniowy cycle). Oznacza to, że Search generuje awareness, Shopping - consideration, Remarketing - closure - zatem budżet powinien reflektować to, ale Search jest 4.3x większy niż Remarketing (dysproporcja).

Rozwiązanie: (a) 90-dniowa budżet reallocation (progressive): Week 1-3 (maintain current), Week 4-6 (Search -5%, Remarketing +5%, test elasticity), Week 7-12 (based on Week 4-6 performance: if Remarketing sustains <6% CPA, move additional 3% z Search do Remarketing); docelowy mix: Search 48% (16,8k), Shopping 24% (8,4k), Performance Max 12% (4,2k), Remarketing 16% (5,6k); (b) implement daily budget optimization w Google Ads (Optimization Score → Budget guidance) - algorithm sugeruje daily reallocations, apply recommendations if predicted lift >8%; (c) setup conversion value tracking dla wszystkich campaign’ów (niektóre Search campaigns tracked tylko na quantity, nie value) - umożliwi ROAS-based bid strategy’om optimalizowanie pod przychód, nie volume; (d) implement seasonal adjustment (Q2-Q3 to peak season dla branży): June +15% budget, July +12%, August +8% (vs. average).

Efekt oczekiwany: optymalizacja budżetu bez wzrostu overall spend - reallocation w stronę high-ROAS channels podniesie portfolio ROAS z 2,8x do 3,4-3,6x (bez dodatkowych kosztów, pure allocation efekt), skumulowany przychód wzrost +12-16k PLN/miesiąc (podobnie jak +34-46% budżetu, ale bez wzrostu spend).

Sumaryka fazy 3 (90 dni) - Finalne metryki:

Metrika	Start	Target 90 dni	Wzrost
ROAS portfolio (weighted avg)	2,8x	3,6x	+28,6%
ROAS Search	2,6x	3,1x	+19,2%
ROAS Shopping	2,2x	2,8x	+27,3%
ROAS Performance Max	2,1x	3,8x	+80,9%
ROAS Remarketing	4,2x	5,3x	+26,2%
CPA portfolio	89 PLN	76-78 PLN	-14,6%
Konwersje miesięcznie	394	642	+62,9%
Przychód z Google Ads	105,5k PLN	172,3k PLN	+63,4%
Budżet miesięczny	35k PLN	35k PLN	0%
ROI całkowity	180%	391%	+117%

Podsumowanie i monitoring post-wdrożenia

Plan idzie w trzech fazach, od najbezpieczniejszych ruchów do najtrudniejszych. Faza 1 (30 dni) spłaca dług techniczny - QS, feed, tracking - przy małym ryzyku i pewnym zysku +7-8%. Faza 2 (31-60 dni) poszerza zasięg i porządkuje pomiar konwersji przez nowe strategie licytacji (+17-22% ROAS, średnie ryzyko - algorytmy potrzebują 2-3 tygodni, żeby się ustabilizować). Faza 3 (61-90 dni) to pełna przebudowa o największym potencjale (+28-30% narastająco), ale wymaga pilnowania - w tym oknie zalecamy cotygodniowy przegląd wyników (ROAS, CPA, opóźnienie konwersji, wyniki grup odbiorców w GA4).

Szacunkowy zwrot finansowy: Q2 (30 dni) +4,8-6,0k PLN dodatkowych przychodów netto, Q2-Q3 (60 dni) +12,2-15,8k PLN dodatkowych przychodów, Q2-Q3 (90 dni) +66,8k PLN dodatkowych przychodów netto (vs. baseline) - to stanowi +35-45% wzrost przychód z Google Ads przy zerowym wzroście budżetu. Break-even punkt obsługi tego planu (consulting, tools, implementacja) wynosi ~2-3 tygodnie pracy w fazie 2-3. Rekomendacja: wyznaczenie dedicated PPC Specialist’a do bieżącego monitoringu bid strategy’ów i GA4 reconciliation’u post-wdrożeniu (role: 0,5 FTE, koszt ~4-6k PLN/miesiąc, ROI 11-25x w Q2-Q3).

Mierniki sukcesu i monitoring

Przegląd KPI i systemu monitoringu pokazał i pole do rozwoju, i poważne dziury w śledzeniu wyników - takie, które bezpośrednio rzutują na skuteczność wydatków i możliwość skalowania. Dziś tracking to porozrzucane raporty, bez jednego dashboardu wyłapującego anomalie i bez bieżącego podglądu na żywo.

Co sprawdziłem: Przeprowadzony na podstawie raportów Google Ads, GA4 oraz historycznych danych konwersji audyt obejmował ocenę aktualnych wartości sześciu KPI wzorcowych, strukturę śledzenia oraz opracowanie systemu monitorowania. Analizę wsparto danymi z 6 miesięcy operacyjnych oraz benchmarkami branżowymi.

Co znalazłem - obecna sytuacja:

Punkt wyjścia dla poszczególnych mierników prezentuje się następująco:

KPI	Cel	Stan obecny	Wymiar problemu
ROAS (90 dni)	3,5x	2,8x	-20% do celu, strata ~42k PLN utraconej szansy rocznie
CPA (średnia)	78 PLN	89 PLN	+14% powyżej celu, tracimy marżę
Quality Score	7,5/10	6,2/10	-17% od normy, 28% kampanii poniżej 5
Impression Share Search	76%	58%	-18 pp, brakuje 158 tys. imp./miesiąc
Impression Share Shopping	52%	42%	-10 pp, główny konkurent ma 44%
CTR	+15% m/m	Search 4,2%, Shopping 3,8%, Pmax 2,1%	Pmax dramatycznie słaby
Conversion Rate	+20% m/m	Search 3,8%, Shopping 2,9%, Pmax 1,4%	Brak trendów wzrostowych

Dysproporcja między trackerem Google Ads a GA4 (2,2% vs założone wyższe stawki) wskazuje na utratę 6-8% konwersji w procesie raportowania, co stanowi ~24-32 brakujących konwersji.

Dlaczego to kosztuje sprzedaż i widoczność:

Brak skoordynowanego systemu monitorowania powoduje, że problemy takie jak spadek Quality Score (28% kampanii poniżej 5), niedostateczna Impression Share czy rosnący CPA są diagnozowane post-factum, po stratach budżetu. Przy obecnym budżecie 35k PLN/miesiąc każdy punkt procentowy wzrostu CPA to dodatkowe 354 PLN strat; każdy 1 pp spadku ROAS to 35k PLN potencjalnego przychodu. Brak alertów anomalii oznacza, że wzrost CPA z 78 PLN do obecnych 89 PLN mógł się rozwijać niezauważony przez 4-6 tygodni.

Niedostateczna Impression Share na Search (58% vs cel 76%) sugeruje, że możliwe jest wzmocnienie widoczności przy obecnym budżecie dzięki poprawie jakości i optymalizacji licytacji - ale bez dashboardu nie widać, które kampanie tracą impression share ani dlaczego.

Conversion Rate na Performance Max (1,4%) znacznie poniżej Search (3,8%) wskazuje na nieprawidłową segmentację kampanii lub niewystarczające dane treningowe, a brak monitorowania uniemożliwia szybką detekcję momentu, w którym Pmax przestał przynosić efekty.

Jak naprawić - kroki konkretne:

1. Ujednolicenie i walidacja trackingu (P1, tygodnie 1-2)

Wdrożyć GA4 jako źródło prawdy dla konwersji; zsynchronizować GA4 z Google Ads z opóźnieniem do 24h
Sprawdzić poprawność UTM w kampaniach (obecnie dysproporcja 2,2% vs założone wartości); naprawić braki w tagowaniu
Oczekiwany efekt: odzyskanie 6-8% brakujących konwersji w raportowaniu = +24-32 konwersje/miesiąc, wyjaśnienie rzeczywistego CPA

2. Centralny dashboard tygodniowy (P1, tygodnie 2-4)

Zbudować raport w Data Studio / Looker agregujący sześć KPI ze split by kampania, device, geo
Struktura: tabela porównawcza (cel vs wykonanie vs poprzedni miesiąc), wykresy trendów 4-tygodniowych, lista kampanii poniżej progu (QS < 5, IS < cel)
Dashboard dostępny dla zespołu każdy poniedziałek rano
Oczekiwany efekt: od biernego raportowania do proaktywnego monitorowania

3. Alert system dla anomalii (P1, tygodnie 2-3)

Konfiguracja w Google Ads: alerty dla CPA > 95 PLN, ROAS < 2,6x, Quality Score spadek > 0,5 pkt
Integracja z Slack: dzienne notyfikacje o kampaniach naruszających progi
Oczekiwany efekt: maksymalnie 2-dniowe reagowanie na problem vs obecne 4-6 tygodni

4. Poprawa Quality Score (P1, tygodnie 3-8)

Audyt 28% kampanii z QS < 5: analiza trafności słów kluczowych, copii, landing page’ów
Priorytetowo: Split kampanii Performance Max na segmenty (Search brand, Search generic, Shopping brand, Shopping generic)
Refaktoryzacja feed’u Shopping: 167 produktów z błędami = 19,7% - naprawić brakujące opisy, atrybuty, zdjęcia
Oczekiwany efekt: podniesienie średniego QS z 6,2 do 7,0+ w 8 tygodni, redukcja CPA o 5-7 PLN

5. Zwiększenie Impression Share (P2, tygodnie 4-12)

Search: z 58% do 76% wymaga wzrostu budżetu lub poprawy efektywności bid’ów; rekomendacja: najpierw Quality Score (+punkt 4), potem scaling bid’ów na kampaniach z QS 8+
Shopping: z 42% do 52% - priorytet na feed i product data (powiązane z P1#4)
Szacunek: pełny targ wymaga +18% budżetu lub +15% poprawy konwersji; alternatywa: wzrost CPC do 2,4-2,6 PLN z zapewnieniem wzrostu CR
Oczekiwany efekt: +158k impressions/miesiąc na Search, +126k na Shopping = +3-5% przychodu przy zachowanym CPA

6. Poprawa CTR i Conversion Rate (P2, tygodnie 6-16)

CTR Search 4,2% jest akceptowalny; CTR Pmax 2,1% wymaga refaktoryzacji creative’ów (test nowych copy’ów, headlines)
CR Search 3,8% - benchmark branżowy dla e-commerce 3,5-4,5%, więc tu jest OK; Shopping 2,9% poniżej - analiza landing page’u dla kategorii, test UX
Pmax CR 1,4% to sygnał słabych danych treningowych; wymagane minimum 50 konwersji/miesiąc na kampanię; obecnie brak segmentacji. Oczekiwany efekt: CR+20% to dodatkowe 79 konwersji/miesiąc (+21,2k PLN przychodu)

7. Monthly executive report (P3, tygodnie 8+)

Struktura: podsumowanie vs KPI (strona 1), trendy 12-miesięczne (strona 2), rekomendacje priorytetowe (strona 3)
Odbiorcy: kierownictwo, zespół marketing & e-commerce
Oczekiwany efekt: uzgodnienie na poziomie strategicznym na kolejny kwartał

Harmonogram priorytetów i oczekiwane efekty łączne:

Kwartał 1 (Q3 2026, tygodnie 1-12):

P1 (tygodnie 1-8): tracking, dashboard, alerts, QS → wynik: ROAS 3,0x (część celu), CPA 82 PLN, QS 7,0, IS Search 65%
P2 (tygodnie 4-12): Impression Share, CTR/CR optimization → wynik dodatkowy: +80 konwersji/miesiąc, +22,4k PLN przychodu

Kwartał 2 (Q4 2026, tygodnie 13+):

Skalowanie: wzrost budżetu dla kampanii o ROAS > 3,2x, stabilizacja na ROAS 3,5x docelowym
Oczekiwany efekt: trafienie do celu 3,5x ROAS w 90 dni; roczna dodatkowa wartość ~140-180k PLN przychodu netto

Bez monitoringu nie da się sensownie optymalizować - każda zmiana to wtedy strzał na ślepo.

Audyt konta Google Ads - raport przykładowy

Metryka i punkt wyjścia

Analiza profilu konta i bazy danych

Fragmentacja struktur kampanii i jakość kont

Problemy z integracją danych i feed produktowego

Wąskie gardła na segment remarketingu

Podsumowanie stanu i wnioski audytowe

Streszczenie zarządcze

Przegląd stanu kampanii i kluczowe ustalenia

Obszar 1: Niska jakość kampanii Search - Quality Score i marnowanie budżetu

Obszar 2: Nieoptymalizowany Shopping feed i niska jakość produktów w kampaniach

Obszar 3: Niedoinwestowany remarketing i suboptymalna alokacja budżetu między kanały

Podsumowanie i timeline realizacji

Top 5 problemów z priorytetami

Problem nr 1: Niska jakość słów kluczowych (Quality Score)

Problem nr 2: Błędy w produkcie feed (Google Shopping)

Problem nr 3: Niska Impression Share (szczególnie Shopping) i marnowana ekspozycja

Problem nr 4: Brak strategii bid adjustments i ekspozycja na słabe urządzenia

Problem nr 5: Niedooptymalizowany remarketing - 4,2x ROAS ale tylko 12% budżetu

Podsumowanie priorytetów i harmonogram wdrożenia

Metodyka audytu i zakres

Narzędzia i źródła danych

Kryteria benchmarkowania i framework oceny

Obszary szczegółowej analizy

Ograniczenia i założenia analizy

Struktura kampanii Search - architektura i performance

Co sprawdziliśmy

Co znaleźliśmy - wyniki audytu

Dlaczego to kosztuje sprzedaż i widoczność

Plan naprawy - kroki konkretne

Tabela priorytetów i efektów

Oczekiwane wyniki 90-dniowe

Kampanie Performance Max i Shopping - optymalizacja mnożników

Metodologia audytu

Performance Max - głębokie niedooptymalizowanie i niski potencjał konwersji

Diagnoza

Wpływ na przychód i widoczność

Plan naprawczy

Shopping - problemy z feed’em katalogowym oraz niedostateczna impression share

Diagnoza

Wpływ na przychód

Plan naprawczy

Merchant Center i feed - jakość, opisy, rozszerzenia

Co sprawdzałem

Co znalazłem - stan problemu

Dlaczego to kosztuje sprzedaż i widoczność

Jak naprawić - konkretne kroki

Priorytet i oczekiwany efekt

Quality Score - diagnostyka i plan naprawy

Przeprowadzona diagnostyka

Stan obecny - kluczowe ustalenia

Przyczyny obniżonego QS - analiza głęboka

Plan naprawy - działania priorytetowe

Prognozowany efekt końcowy

Aukcje słów kluczowych - analiza i wyłączenia

Co sprawdziliśmy

Co znaleźliśmy - konkretne liczby

Dlaczego to kosztuje sprzedaż i widoczność

Jak naprawić - konkretne kroki

Priorytet i oczekiwany efekt

Bidding strategy i alokacja budżetu

Badanie i ustalenia

Analiza wpływu na rentowność

Rekomendacje naprawcze

Conversion tracking i GA4 - pomiar i atrybucja

Co sprawdzono

Główne ustalenia

Zidentyfikowane luki w implementacji

Konsekwencje dla biznesu

Plan naprawy (wdrożenie stopniowe)

Priorytety i oczekiwane efekty

Remarketing - segmentacja i kampanie

Przegląd audytu

Szczegółowe ustalenia

Zidentyfikowane problemy

Wpływ na sprzedaż i widoczność

Zalecane działania naprawcze

Priorytet i podsumowanie

Impression Share i konkurencja - pozycja w SERP

Co sprawdziłem