Як масштабувати Google Shopping, коли асортимент обмежений

Google Shopping зазвичай асоціюється з інтернет-магазинами, де на складі лежать десятки або сотні однакових товарів. Але що робити бізнесу, який продає унікальні позиції: по одному товару, без повтору, без стабільного SKU (Stock Keeping Unit, внутрішній артикул товару)?

Аукціони, маркетплейси, секонд-хенд, вінтаж, hand-made, локальні шоуруми, комісійні магазини, навіть деякі українські D2C-бренди — усі вони стикаються з однією проблемою: алгоритми Google люблять дані, а дані тут постійно зникають.

І все ж Google Shopping можна і потрібно масштабувати навіть у такій моделі.

Як працює Google Shopping

Google Shopping — це формат реклами в Google Ads, який показує товарні оголошення без класичного підбору ключових слів.

Замість цього Google орієнтується на:

• фід товарів (Merchant Center);
• назви та описи;
• категорії;
• ціну, доставку, наявність;
• історичні сигнали ефективності.

Аукціон запускається на основі пошукового запиту, але ви не керуєте ним через ключові слова, як у Search. Ви керуєте якістю та структурою даних.

Саме тому Google Shopping часто дає:

1. більш теплий трафік;
2. вищу відповідність очікуванням користувача;
3. менше показів за нецільовими запитами, які не призводять до кліків.

Чому модель “один товар = один SKU” ламає стандартний підхід

У класичному e-commerce Google навчається на історії:

• SKU продається місяцями;
• накопичуються кліки, конверсії, ROAS;
• алгоритм поступово оптимізує ставки.

У бізнесах з унікальними товарами все інакше:

• товар швидко продається;

• SKU зникає з фіду;

• історія обривається;

• машинному навчанню нічого “пам’ятати”.

Це створює кілька системних проблем:

1. нестабільне навчання кампаній;
2. складна оптимізація ставок;
3. спотворена аналітика на рівні товару.

Але це не означає, що таку модель не можна просувати в рекламі. Просто фокус зміщується з товару на категорію.

Які бізнеси в Україні реально працюють за цією моделлю

Це не абстрактна історія “десь у США”. В Україні таких проєктів дуже багато:

• маркетплейси з унікальними лотами;

• магазини секонд-хенду та вінтажу;

• продаж б/у техніки або обладнання;

• handmade та авторські вироби;

• локальні аукціони;

• комісійні магазини меблів або декору.

   

Тут немає складу з 50 однакових позицій. Є потік унікальних товарів. І Google Shopping до цього можна адаптувати.

Ключова ідея: Google має вчитись не на SKU, а на патернах

Якщо алгоритм не може накопичувати дані на рівні одного товару, йому потрібно дати іншу стабільність.

Цю стабільність створюють:

• категорії;
• бренди або виробники;
• типи товарів;
• цінові діапазони;
• атрибути (матеріал, стиль, колір, епоха тощо).

Тобто Google навчається не слові “стол”, а на поведінці категорії “вінтажні дерев’яні столи”.

Що змінюється у підході до Google Shopping

Звітність: не дивимось на одиничні продажі

Фільтрувати “продажі > 0” по SKU — марно. Товар уже зник.

Потрібно працювати з:

• категоріями;
• групами товарів;
• агрегованими даними за період.

Корисні питання:

• які категорії стабільно дають конверсії;

• які бренди або типи товарів мають вищий AOV;

• як змінюється ROAS по групах з часом.

Ці дані стають основою для:

1. структури кампаній;
2. цілей ставок;
3. планування бюджету.

Оптимізація: ручна аналітика важливіша за автоматичні алгоритми Google Ads

Google не зможе повноцінно оптимізуватись на рівні продукту. Тому:

• оптимізація відбувається на рівні сегментів;
• рішення приймаються на основі трендів, а не одиничних результатів;
• роль аналітики та людського аналізу зростає.

Це постійна робота з даними.

Фід товарів стає стратегічним активом

Для таких бізнесів фід — це не технічна формальність, а інструмент управління рекламою.

У фіді варто максимально використовувати:

• додаткові атрибути;

• власні кастомні labels;

• логічну класифікацію товарів.

Це дозволяє:

• швидко сегментувати кампанії;
• задавати реалістичні бюджети;
• уникати хаосу при появі нових SKU.

Бюджети і ставки потребують гнучкості

Коли асортимент змінюється майже щодня, підтримувати стабільний ROAS складно. Сьогодні в наявності сильні позиції, завтра вони розпродані, післязавтра з’являється нова партія без історії продажів. У таких умовах оцінювати результат у короткому горизонті некоректно: показники коливаються через зміни в структурі асортименту, а не через якість маркетингу.

Саме тому бюджет у Google Shopping доцільно планувати з урахуванням можливих коливань. Цілі ставок не повинні бути фіксованими — їх регулярно переглядають відповідно до змін у наявності товарів та динаміки попиту. Реальні бізнес-процеси змінюються швидше, ніж алгоритми встигають накопичити достатньо даних для стабільної оптимізації.

Ключовим фактором у таких умовах стає не лише аналітика показників, а й синхронізація маркетингу з закупівлями та управлінням асортиментом. Якщо рекламні кампанії запускаються без урахування планів постачання, бюджет може спрямовуватися на товари з обмеженим залишком або на позиції, які найближчим часом будуть виведені з продажу. Водночас нові або пріоритетні категорії можуть не отримати достатньої підтримки.

Для малого та середнього бізнесу в Україні це особливо критично через нерівномірні поставки та обмежені бюджети. Ефективність реклами залежить від узгодженості між трьома факторами: фактичними продажами, майбутньою наявністю товарів та поточними рекламними пріоритетами.

PMax і динамічний ремаркетинг працюють, але з нюансами

Performance Max і динамічний ремаркетинг працюють із тим самим товарним фідом. У моделі з унікальними товарами це створює операційний ризик. Один і той самий продукт може одночасно потрапляти в кілька рекламних сценаріїв, тоді як фактично доступний лише в одному екземплярі. Після продажу товар зникає з наявності, але система певний час продовжує використовувати дані, що вже не відповідають реальному стану складу.

Це не помилка платформи, а наслідок затримок між оновленням товарного фіда, реакцією алгоритмів та фактичним станом складу. У моделі з обмеженим або унікальним асортиментом ключову роль відіграє дисципліна в даних.

Зменшити ризики можна через:

• оперативне оновлення фіда при зміні наявності;
• автоматичне виключення товарів після продажу;
• сегментацію товарів із низьким залишком в окремі групи;
• контроль бюджетного навантаження на позиції з обмеженим запасом.

Регулярна синхронізація даних між складом і рекламною системою знижує ймовірність показу вже проданих товарів і мінімізує розрив між фактичною наявністю та рекламною активністю.

Performance Max у такій моделі не втрачає ефективності, але перестає бути автономним інструментом. Його результат прямо залежить від якості та швидкості передачі даних про асортимент. За належного контролю така модель може масштабуватися й працює як практичне, а не теоретичне рішення.

Секрет не в SKU, а в:

• категоріях;

• патернах попиту;

• якості даних;

• системній аналітиці.

Для українських компаній, які працюють із обмеженим або унікальним асортиментом, ця модель також застосовна.

Висновок

Сьогодні виграють не ті, у кого більше товарів, а ті, хто краще розуміє, що саме продається і чому. І Google Shopping цілком можна змусити працювати навіть тоді, коли кожен товар — єдиний у своєму роді.