Показатель «50+ конверсий в месяц» в PMax — это обман. Что на самом деле делает кампанию зрелой

Представьте себе PMax-кампанию, которая живёт 16 месяцев. Без перерывов, без перезапусков. Каждый месяц — в среднем 306 конверсий. Всего — 5 434 конверсии, 4,3 млн UAH выручки, 591 тысяча UAH расходов.

По любой сум-метрике это образцовая кампания. Любой международный эксперт скажет — всё ОК, такая кампания по всем канонам «зрелая», «обученная», «предсказуемая». Топ западных блогов будет повторять, что от «60+ конверсий в месяц» алгоритм PMax входит в стабильную зону.

В апреле 2026 эта кампания дала 4 конверсии в неделю. Не 4 в день. Четыре в неделю. Тренд падения держался месяцами — с пиковых 344 conv/неделю в ноябре до фактического нуля.

Не из-за вашего плохого тега. Не из-за вырубанного бюджета. А потому что метрика, по которой все измеряют «зрелость» PMax-кампании, — обман.

Эта статья — о том, что на самом деле делает кампанию зрелой. Без блог-стандартных «стоит рассмотреть» и «некоторые эксперты считают». На основе 131 PMax-кампании одного аккаунта, 16 месяцев истории, 3,78 млн строк данных и 198 тысяч конверсий. С пошаговой инструкцией, как проверить собственные кампании за 15 минут.

Если вы ведёте PMax — дальше будет неприятно. Но полезно.

Откуда взялась цифра 50/60?

Цифра не высосана из пальца. У неё есть логика — и именно поэтому её повторяют все. В большинстве отраслевых гайдов, вебинаров и экспертных разборов повторяется тот же порог — «50–60 конверсий в месяц — и кампания входит в стабильную зону». Цифра слегка варьируется — кто-то говорит 30, кто-то 50, кто-то 90 — но механика всегда одна:

Smart Bidding — это алгоритм, который оптимизирует conversion_value/cost. Алгоритму нужен объём конверсий, чтобы выявить стабильные паттерны — время, девайс, аудиторию, контекст. Если у кампании 5 конверсий в месяц — алгоритм не имеет на чём учиться. Он ставит ставки вслепую.

И это формально правильная теза. Сам Google в своей документации по Smart Bidding подчёркивает, что алгоритму нужен статистически значимый объём данных, чтобы корректно оптимизироваться. Это не маркетинг — это математика. Если в выборке три точки — любая регрессия даст чепуху.

Так в чём же тогда обман? Обман в выводе, который делают из этого факта.

Логика автора звучит так: «Алгоритму нужен объём → значит 60+ conv/мес → значит кампания зрелая → значит предсказуемая». Первые две стрелки — правильные. Третья — подменяет понятия.

«Алгоритм имеет достаточно данных» ≠ «Кампания зрелая».

Первое — о возможности статистического обучения. Второе — об устойчивости к изменениям. Это разные свойства. PMax может иметь 100 конверсий в месяц в вашем отчёте, быть «формально зрелой» по тезе автора, и при этом эти 100 конверсий могут прийти с трёх-четырёх SKU, которые исчезнут из фида на следующей неделе. В понедельник ваша «зрелая» кампания превращается в «мёртвую».

Сум-метрика видит только финальный агрегат: 100 за месяц, ещё 100 за следующий, ещё 100. Что происходит внутри — ей всё равно. А самое важное — именно внутри.

Все западные источники об этом молчат. Не потому что это секрет — а потому что для них порог «60+ conv» закрывает разговор. Статья опубликована, читатель доволен, можно продавать следующий инструмент.

Я пришла к тезе об обманчивости порога не из теории — а из конкретных кампаний, которые я веду. Когда снова и снова видишь, как кампании с красивыми 250+ конверсий в месяц падают за две недели — начинаешь сомневаться в метрике. Я проверила это систематически, на 131 кампании за 16 месяцев. Картина оказалась ещё хуже, чем я ожидала.

Дальше — методология и цифры.

Что я сделала — методология

Без точной методологии любая теза — это мнение. Поэтому фиксирую базовые параметры исследования:

Methodology block · структурированные данные

Из 131 кампании я отсеяла те, которые ни разу за 16 месяцев не прошли порог «50+ conv/мес». Осталось 62 кампании — это наша выборка «формально зрелых» по критерию автора. Именно на них я и проверяю его тезу.

Для каждой из 62 кампаний я посчитала: — сколько месяцев кампания имела ≥50 conv (от 1 до 16) — распределение конверсий по SKU внутри каждого месяца (топ-1, топ-3, топ-5 доли) — количество SKU с ≥3 конверсиями (грубая метрика «глубина ассортимента») — катастрофы — месяцы, когда кампания потеряла ≥50% конверсий после хотя бы одного месяца ≥50 conv — параллельно — месячная динамика объёма всего аккаунта, чтобы отличить «упала вместе со всем» от «упала сама»

Названия кампаний и товаров замаскировано (Кампания A, B, C, D, E, F).

Ограничения выборки. Это pilot study на одном аккаунте. Результаты дают сильные гипотезы, а не окончательные нормативы. Я публикую методологию сейчас, потому что она достаточно убедительна на pilot — и собираю данные с других аккаунтов для более масштабного исследования. Если у вас есть данные по собственным PMax-кампаниям — присоединяйтесь, контакты в конце статьи.

Теперь — что я нашла.

Первый shock — 95% «зрелых» кампаний упали

Первая гипотеза, которую я проверяла, была проста: «Если метрика 50+ conv/мес — плохая, то кампании, которые её прошли, ровно так же упадут, как и те, что не прошли. Порог не даёт защиты».

Я ожидала увидеть разницу на уровне 60% vs 80%, или что-то в этом стиле. Реальность оказалась более экстремальной.

Из 62 кампаний, что прошли порог 50+ conv/мес хотя бы в одном месяце: — 59 (95%) упали ≥50% хотя бы раз после того, как стали «зрелыми» — 15 (24%) фактически мёртвы в последние 3 месяца наблюдения (ноль или почти ноль конверсий) — В сумме — 112 отдельных катастроф на 62 кампаниях (на одну кампанию приходится в среднем 1,8 падения за 16 месяцев)

95% — это не «частично подтверждённая теза». Это полный обвал гипотезы о защите. Порог 50+ conv/мес не защищает от падения никаким статистически значимым образом. Каждая 20-я кампания за 16 месяцев не упала. Остальные 19 — упали минимум один раз.

Тут стоило бы триумфально написать «видите, порог — обман» и перейти к выводам. Но тут я сделала вторую проверку, которую ждала с подозрением — и именно она дала самую важную часть истории.

Вторая гипотеза: «Возможно, кампании с низкой концентрацией конверсий (топ-3 SKU держат менее 30%) — упадут реже». Логика проста — если кампания держится на многих SKU, исчезновение одного-двух не должно валить всю.

Проверяю: — из 13 кампаний с высокой концентрацией (топ-3 ≥ 30%) — упали 12. Это 92%. — из 49 кампаний с низкой концентрацией (топ-3 < 30%) — упали 47. Это 96%.

96% против 92%. Низкая концентрация не защищает тоже.

В этот момент первая версия этой статьи развалилась. Должна была быть простая история: «смотрите, diversity-метрика спасает, где порог 50+ не спасает». Данные сказали другое — diversity сама по себе тоже не спасает.

Честные исследования имеют моменты, когда нужно остановиться и спросить: я задаю правильный вопрос? Я честно спросила. И поняла, что задавала вопрос неправильно.

Вопрос «упала кампания или нет» — двусмысленный и ничего не объясняет. Вопрос, который имеет смысл — как именно упала. Потому что если одна упала вместе со всем аккаунтом (бюджет порезали), а другая упала сама в период, когда остальная часть аккаунта жила нормально — это разные падения с разными причинами.

Я переделала анализ с нуля. На этот раз классифицировала каждую из 112 катастроф по диагностическим сигналам. Что из этого вышло — в следующем разделе.

PMax Crash Classification — три класса падений

То, что я сейчас опишу, — моя разработка на основе исследования 131 кампании. Я даю этому методу название — PMax Crash Classification (далее PCC) — чтобы иметь на что ссылаться в следующих статьях и в вашей практике. Это классификационная рамка, не панацея. Её ценность — именно в том, что она различает разные механизмы падения, вместо того чтобы мерить все одной метрикой.

PMax Crash Classification (PCC) — это диагностическая рамка, которая классифицирует падение Performance Max-кампаний на три механизма (системный, структурный, контекстный) на основе двух диагностических осей: изменения объёма конверсий всего аккаунта и статуса активности топ-3 SKU кампании.

Для каждой из 112 катастроф я посмотрела на два сигнала одновременно:

1. Что случилось со всем аккаунтом в тот же месяц? Если аккаунт потерял ≥25% объёма конверсий — скорее всего, причина системная (бюджет, реструктуризация, внешнее событие). Если аккаунт жил нормально — причина в самой кампании.
2. Что случилось с топ-3 SKU этой кампании? Если они исчезли из фида (impressions = 0) или перестали получать конверсии — структурная хрупкость. Если они всё ещё активны — причина иная.

Сведение этих двух сигналов дало чёткую картину трёх разных механизмов падения.

Системные падения — 68% (76 из 112)

Это когда падает не одна кампания — падает весь аккаунт одновременно. На этом аккаунте системных обвалов за 16 месяцев было пять: апрель 2025 (-30% объёма), июль 2025 (-38%), октябрь 2025 (-32%), январь 2026 (-47%), апрель 2026 (-41%, текущий месяц неполный).

Причины известны по двум из них: апрель 2025 — клиент сократил бюджеты, январь 2026 — реструктуризация фида. Остальные — частично сезонные провалы, частично неизвестные внешние события.

Что интересно: топ-3 SKU кампаний, которые упали системно, остаются живыми — импрессии есть, клики есть. Просто алгоритм не показывает объявления с той же агрессивностью, потому что account-level условия изменились. Это вне контроля структуры кампании. Diversity-метрика не лечит системные обвалы — их вообще нельзя «вылечить», их можно только диагностировать и объяснить клиенту.

Структурные падения — 20% (23 из 112)

Это когда остальная часть аккаунта жива, а кампания валится, потому что её держали 2-3 SKU, и они исчезли. В 16 кейсах SKU физически исчезли из фида (склад распродали, новое заменило старое, артикул убрали из продажи). В 7 кейсах SKU формально в фиде, но алгоритм перестал их показывать — упал CTR, снизилось ранжирование, или просто конкуренты оттолкнули.

Это и есть та хрупкость, которую метрика «50+ conv/мес» скрывает. Кампания может иметь 250 conv/мес десять месяцев подряд, быть «формально зрелой» — и всё время держаться фактически на трёх позициях. В месяц, когда эти три позиции исчезнут, кампания обнуляется.

Структурные падения — лучший кейс для diversity-метрики. Если топ-3 SKU держат ≤25%, у кампании есть минимум 10 SKU с ≥3 конверсиями, то исчезновение одного-двух позиций не валит кампанию — алгоритм имеет на что переключиться. Это наиболее управляемая часть рисков PMax.

Контекстные падения — 4% (4 из 112)

Это самый редкий класс, но важный концептуально. Топ-SKU всё ещё в фиде, есть показы, есть клики — но покупок нет. Сезон закончился. Тренд прошёл. Конкурент перебил цену. Алгоритм продолжает крутить кампанию, потому что технически tROAS позволяет — но результат не идёт.

Diversity здесь помогает частично: если кампания держится не на сезонных товарах, а на широком ассортименте, контекстное падение менее вероятно. Но если весь сегмент пошёл в спад — это не diversity-проблема, это маркетинговая реальность.

Смешанные — 8% (9 из 112)

Кейсы, где накладывается несколько причин одновременно: системный месяц + одновременное исчезновение топ-SKU + сезонность. Различить, что из трёх решающее — невозможно. Я выделяю их отдельно честно — не прячу в одну из основных категорий, как это обычно делают в блогах.

Подсумок классификации

Метрика «50+ conv/мес» слепа ко всем четырём категориям PCC. Diversity-метрика видит точно две из них (структурные + частично контекстные) и вообще не видит системные.

Это и есть логика PMax Crash Classification. Не «используйте diversity вместо 50+» — это была бы той же самой ошибкой на новом уровне. А «стройте диагностический dashboard из нескольких сигналов, каждый из которых видит свой тип риска».

Шесть кейсов — шесть сюжетов

Классификация — это сухо. Поэтому берём шесть конкретных кампаний из выборки, по одной на архетип. Все данные замаскированы — Кампания A, B, C, D, E, F. Графики ниже — реальные недельные данные, не симуляции.

Кампания A — 4 месяца зрелости, сезонный пик

Кампания проснулась в середине ноября 2025 вместе с сезонным спросом на категорию. За шесть недель выросла с нуля до 218 conv/неделю. Четыре месяца подряд ≥50 conv/мес — формально «зрелая». На сум-метрике выглядела идеально.

А теперь фокус: топ-3 SKU держали 80–100% всего объёма всё время. Кампания не была построена на широком ассортименте — она была построена на трёх сезонных позициях. Никаких других SKU, которые имели бы за что зацепиться. Пока сезон держался — всё работало. В феврале 2026 спрос исчез — и кампания обнулилась за две недели.

Топ-3 SKU до сих пор формально живы в фиде. Просто люди их больше не покупают. Это контекстный класс — не «исчезли товары», а «исчез спрос». Diversity-метрика здесь помогает частично: если в кампании был бы резервный non-сезонный ассортимент, обвал был бы плавнее, а не катастрофическим.

Кампания B — 10 месяцев стабильной зрелости

Это лучший пример почему метрика «50+ conv/мес» обманчива. Кампания держала 30–70 конверсий в неделю с марта по ноябрь 2025 — десять месяцев стажа, медиана 166 conv/мес. Любой международный эксперт назвал бы её «перезрелой».

Но один сигнал, который эксперт не смотрел, — доля топ-3 SKU. Она стабильно держала 50–80%. Переведено: кампания все десять месяцев зрелости держалась на трёх позициях. Остальная часть ассортимента жила декоративно.

В неделю 8–15 декабря 2025 эти три SKU исчезли из фида одновременно. Возможно, склад распродали. Возможно, новое заменило старое. Точную причину из данных видно только факт — после того недели кампания дала ещё несколько конверсий инерции и остановилась. В январе — ноль. 10 месяцев зрелости не спасли, потому что вся зрелость держалась на хрупкой структуре.

Это чистый структурный класс — лучший кейс для diversity-метрики. Если бы топ-3 держали ≤25%, исчезновение трёх SKU не валило бы кампанию — алгоритм имел бы на что переключиться.

Кампания C — 257 conv/мес в пять раз выше порога

Если кто-то скажет «50+ conv/мес — это низко, у нас 200+, у нас всё ОК» — покажите ему эту кампанию. Медиана — 257 конверсий в месяц, в пять раз выше порога. Всего 2 896 конверсий за 16 месяцев.

И всё равно — пять падений подряд. Первые четыре — системные, синхронные с обвалами всего аккаунта: апрель 2025 (сокращение бюджета), июль, октябрь 2025, январь 2026 (реструктуризация). Кампания каждый раз отстраивалась за две-три недели, потому что имела хорошую базу.

Но пятое падение — февраль 2026 — финальное и структурное. Все три топ-SKU исчезли из фида одновременно. Кампания не смогла восстановиться — и пока что, через два месяца после обвала, даёт по 0 конверсий в неделю.

Высокая абсолютная цифра конверсий ничего не доказывает об устойчивости. 257 за месяц — это может быть 3 SKU по 85, которые исчезнут следующего месяца. Или 50 SKU по 5, каждый из которых можно заменить.

Кампания D — 16 месяцев, контр-пример

А теперь кампания, которая опровергает мою собственную тезу — и именно поэтому я её показываю. Самая зрелая в каталоге. 16 месяцев непрерывной зрелости. Медиана 306 conv/мес. Топ-3 SKU = 32% — ниже опасного порога 30%, на границе. Топ-3 SKU всё ещё активны состоянием на апрель 2026.

Если бы diversity-метрика была панацеей — эта кампания бы не упала. Но она упала. С 344 conv/неделю в ноябре 2025 до 4 в апреле 2026.

Почему? Потому что все её пять падений — системные. Она вместе с остальным аккаунтом проходила через бюджетные сокращения и реструктуризацию. На неё не повлияло исчезновение SKU — её топ-3 на месте. На неё повлияли решения вне структуры кампании.

Это честный контр-пример. Diversity не панацея. Она спасает от класса 2 (структурного), частично — от класса 3 (контекстного), и никак не спасает от класса 1 (системного). Если клиент порезал 30% бюджета — лучшая структура кампании в мире даст -30%, а не +10%.

Кампания E — 13 месяцев, умеренная концентрация, смешанное падение

Кампания держала 30–105 conv/неделю с весны 2025 до новогодних праздников. Топ-3 = 31%, на границе опасности, но не за ней. Тринадцать месяцев стажа.

В январе 2026 — обвал на 94%. Но классифицировать чисто не удаётся: это одновременно (а) системный месяц аккаунта с реструктуризацией, (б) послепраздничное падение спроса и (в) топ-3 SKU перестали получать конверсии после 22 декабря.

Исчез ли спрос? Да. Сломалась ли структура? Да. Повлияли ли account-level решения? Да. Различить, что из трёх решающее — невозможно. Это смешанный класс. Я выделяю его отдельно честно — не маскирую под одну из основных категорий.

Кампания F — послепраздничный обвал

Классический сюжет, который повторяется каждый январь в многих e-commerce магазинах. Кампания раскачалась в ноябре (с 30 до 283 conv/неделю), пик в конце декабря. После 12 января 2026 — топ-3 SKU исчезли из фида полностью, потому что праздничный сток распродали.

Это структурный класс, не системный — потому что аккаунт в феврале упал только на 10%, а эта кампания — на 100%. Точно как в кампании B, но с сезонным ускорением.

Этот кейс — лучший пример «предсказуемости»: концентрация на топ-3 росла с ноября, к декабрю достигла 70–100%. Если бы вы мониторили этот сигнал еженедельно — у вас был бы за две-три недели до обвала предупредительный звонок: «Готовьте второй эшелон ассортимента, после праздников нужно будет на что переключаться». Этого сигнала не давала ни одна стандартная метрика Google Ads — ни conversions, ни ROAS, ни cost.

Как посчитать diversity на собственном аккаунте?

Теперь практическая часть. Если всё выше показалось убедительным — вот как проверить свои кампании за 15 минут.

Быстрый метод: Google Ads + Excel/Google Sheets (15 минут на кампанию)

В Google Ads откройте отчёт «Отчёты → Готовые отчёты → Покупки → Товары». Выставьте период — последние 30 дней.

Экспортируйте в CSV. Нужны колонки: ID товара, Кампания, Конверсии, Стоимость, Ценность конверсии.

В Excel/Sheets для конкретной кампании: отсортируйте по conversions descending. Посчитайте: — сумма всех конверсий (TOTAL_CONV) — сумма топ-3 конверсий (TOP3_CONV) — доля топ-3 = TOP3_CONV / TOTAL_CONV — количество SKU с ≥3 конверсиями

Считайте сигналы:

Если хотя бы один индикатор красный — кампания структурно хрупкая, даже если абсолютный объём конверсий большой. Если два-три — начните планировать реструктуризацию уже сейчас, не ждите обвала.

Если у вас 50+ кампаний

Excel-метод работает до определённого масштаба. Если у вас портфель из 50+ PMax-кампаний или несколько аккаунтов — ручной прогон превращается в полный рабочий день каждую неделю. Тут уже нужна автоматизация: Google Ads Data Transfer → BigQuery, еженедельный запрос на классификацию, Looker Studio с алертами.

Я сделала эту автоматизацию для своего агентского портфеля — она экономит мне несколько часов каждую неделю. Если хотите обсудить, как адаптировать её под ваш масштаб — пишите. Это отдельная история, в которую я не иду в этой статье.

Что с этим делать?

PCC-диагностика — не разовая проверка. Это базис для еженедельного мониторинга. Поведение топ-3 SKU не статично — доля может плавно расти неделями, пока не достигнет красной зоны. Если вы увидите тренд роста 25% → 30% → 35% за три недели — это предупредительный звонок до того, как кампания упадёт, а не объяснение после факта.

Что делать с каждым классом падения PCC?

Теперь предположим, кампания уже упала. Ваше решение зависит от того, к какому классу PCC она относится.

Системное падение

Как распознать: объём конверсий всего аккаунта упал ≥25% за тот же месяц. Топ-SKU вашей кампании всё ещё активны (impressions > 0).

Что делать:

• Во-первых — спокойствие. Вы не сломали кампанию. Её сломали внешние условия.
• Проверьте бюджет аккаунта в разрезе последнего месяца — клиент мог сократить, не сообщив команде маркетинга. Это чаще, чем кажется.
• Проверьте Google Auto-Apply — у него есть привычка менять tROAS без явного предупреждения. Заходим в Recommendations → Auto-applied, смотрим историю.
• Если событие известно (сознательный cut бюджета, реструктуризация фида, миграция платформы) — пишем клиенту честный отчёт: «объём упал из-за X, structural ничего не сломано, при возвращении бюджета возвращается объём».

Что НЕ делать: не начинайте «лечить» структуру кампании. Не добавляйте новые SKU, не меняйте tROAS, не перезапускайте. Системное падение нужно переждать — кампания сама восстановится, когда восстановятся условия. Попытки «активного лечения» в этот момент только запутают алгоритм.

Структурное падение

Как распознать: аккаунт жил нормально, а ваша кампания обнулилась. ≥2 из 3 топ-SKU предыдущего месяца имеют impressions=0 или conversions=0.

Что делать:

• Быстрое: проверьте фид. Исчезли товары? Закончился склад? Новое издание заменило старое ID? Это фикс на стороне e-commerce, не Google Ads.
• Среднее: добавьте в кампанию 5–10 новых SKU из смежного ассортимента. Не «добавьте всё подряд» — добавьте товары, которые по категории/цене/типу близки к тем, что работали. Алгоритму нужен похожий контекст для переобучения.
• Стратегическое: для всех кампаний с топ-3 ≥ 30% (по диагностике из раздела 7) заранее запланируйте «второй эшелон». Не ждите обвала — пока кампания в зелёном, добавляйте резервный ассортимент и смотрите, какой из него взлетает.

Что НЕ делать: не пытайтесь «реанимировать» исчезнувшие SKU тем же item_id. Если склад физически исчез — подставляйте новый товар с новым ID, не пытайтесь оживить старую карточку. Алгоритм ассоциирует данные с конкретным item_id, он не узнает, что вы хотели продолжить «тот же» товар.

Контекстное падение

Как распознать: топ-SKU всё ещё в фиде, есть показы, есть клики — но CR (conversion rate) упал ≥50%. Это сигнал, что спрос пошёл в спад, а не структура кампании сломалась.

Что делать:

• Чаще всего — лучше ничего. Если это сезонность (праздники закончились, мода изменилась, тренд прошёл) — алгоритм PMax не исправит спрос. Попытки «раскачать» кампанию на падающем спросе только сожгут бюджет.
• Если есть резервный ассортимент — переключите кампанию на него. Не на тот же мёртвый пик, что отпраздновал своё.
• Временно уменьшите бюджет до минимума, чтобы не кормить алгоритм данными из умирающей категории.
• Вернитесь к полному бюджету тогда, когда в категории снова появится спрос — вы это увидите по органике, по конкурентам, по сезонному календарю.

Что НЕ делать: не меняйте tROAS в попытке «разблокировать» алгоритм. Если люди не покупают при tROAS 800%, они не будут покупать и при 600%. Вы просто переплатите за неудачные клики.

Смешанное падение

Если вы не можете чётко отнести падение к одному из трёх классов — это сигнал, что недостаточно данных для решения, а не что нужно делать всё сразу. Подождите 1–2 недели, смотрите, какой сигнал станет доминантным. Если за две недели всё ещё непонятно — начните со структурной гипотезы (она наиболее управляема), и если не помогло — переключайтесь на контекстную стратегию (уменьшение бюджета и перенаправление).

Границы применения PCC

Любая классификационная рамка имеет точные границы, в которых она работает. Вот границы PMax Crash Classification — чтобы вы понимали, где метод даёт точный ответ, а где нужна адаптация.

PCC точно работает, когда:

• Аккаунт имеет как минимум 12 месяцев истории и 50+ активных PMax-кампаний.
• Доступны данные уровня campaign × item_id × week (экспорт «Товары в Покупках» из Google Ads).
• e-Commerce с SKU-уровневым учётом (для лидогенерации — отдельная адаптация).

PCC нужно адаптировать, когда:

1. У вас менее 6 месяцев данных. Классификационная логика та же, но распределение 68/20/4 — это портрет аккаунта, на котором я её разработала, не норматив. Ваше распределение будет своё. Метод универсален — пропорции контекстны.
2. У вас 5–10 кампаний. Метод работает, но выборка мала, чтобы видеть статистически значимые паттерны. Пользуйтесь PCC для классификации отдельных падений, не для выведения «распределения классов».

«Чёрные месяцы» всегда контекстны. На этом аккаунте системные провалы имели известные причины — апрель 2025 (сокращение бюджета клиентом) и январь 2026 (реструктуризация фида). На вашем аккаунте — другие причины. Сигнал «объём аккаунта упал ≥25%» работает универсально, интерпретация причины — всегда ваша работа.

Diversity — один из трёх сигналов, не единый. PCC построена на двух диагностических осях (account-level + top-3 SKU). Полный мониторинговый dashboard включит ещё тренд impressions по SKU и ROAS spread между топ-3 и остальными. Я сознательно ограничилась наиболее доступными сигналами — полная версия dashboard будет в следующей статье.

Вывод

Порог «50+ conv/мес» — полезная точка отсчёта, не зона безопасности. Вы ещё не имеете достаточно данных для tROAS, пока не прошли его. Но вы ещё не имеете структурно устойчивой кампании, даже когда прошли. Это разные уровни.

Реальный индикатор зрелости PMax — комбинация трёх сигналов: 1. Объём конверсий — имеет ли алгоритм на чём учиться 2. Diversity-метрика — построена ли кампания на широкой основе (топ-3 ≤ 25%, ≥10 SKU с ≥3 conv) 3. Динамика топ-SKU — стабильны ли позиции, на которых держится кампания

Метрика объёма одна без диагностики структуры — это как идти к врачу, который измеряет только температуру. Что-то скажет, но не всё. И точно не скажет, готов ли организм к нагрузке.

PMax Crash Classification (PCC) даёт рамку, в которой каждое падение кампании можно точно отнести к одному из трёх механизмов — системного, структурного или контекстного — и выбрать адекватную реакцию вместо общего «нужно что-то сделать».

Если у вас 5+ PMax-кампаний — пройдитесь по ним по моей инструкции и посмотрите на свой аккаунт глазами этих трёх сигналов, не только одного. Найдёте интересные паттерны — напишите. Я собираю кейсы для следующего исследования, в котором планирую проверить: — сохраняется ли распределение классов 68/20/4 на более широкой выборке аккаунтов — как меняется картина при пересчёте через POAS (Profit on Ad Spend) вместо выручки — это отдельная статья

PMax — сложная система. Он заслуживает диагностику сложнее, чем одна цифра.

FAQ

• ‍✅ Сколько конверсий действительно нужно PMax-кампании?

  Зависит от класса риска, который вы хотите контролировать. Для статистического обучения Smart Bidding — 50–60 conv/мес реально нужно. Для структурной устойчивости — это необходимое, но не достаточное условие. Реальная зрелость достигается когда в кампании есть минимум 10 SKU с ≥3 конверсиями и топ-3 не превышают 25–30% объёма. Первое и второе — разные параметры.

• ‍✅ Что такое «структурное падение» и как его различить?

  Один из трёх классов PMax Crash Classification. Это падение кампании на ≥50% при том, что общий объём конверсий аккаунта в тот же месяц не изменился существенно. Чаще всая причина — топ-3 SKU этой кампании исчезли из фида или перестали получать конверсии. Различить можно по двум сигналам одновременно: account-level volume + impressions топ-SKU.

• ‍✅ Всегда ли концентрация на топ-3 SKU = риск?

  Не всегда. Если топ-3 — стабильные non-сезонные товары, которые постоянно в стоке (например, базовый каталог) — концентрация менее критична. Риск растёт, когда топ-3 — сезонные, распродажные, зависимые от конкретной промо-подии или от одного поставщика. Проверяйте не только долю, но и риски самих позиций.

• ✅ Чи Maximize Conversions безопаснее за tROAS на маленьких кампаниях?

  Иногда да. На переходах между сезонами, после out-of-stock или после исчезновения топ-SKU — tROAS душит алгоритм там, где Maximize Conversions даёт шанс переобучиться на новом ассортименте. Но это временный ход, не постоянная стратегия. Как только новая структура стабилизировалась и дала 30+ conv/мес — возвращайтесь на tROAS.

• ✅ Как часто мониторить diversity?

  Еженедельно — минимум. На предпраздничных сезонах (ноябрь–декабрь для большинства e-commerce) — дважды в неделю. После каждого редактирования фида (добавили/убрали SKU, изменили категории, мигрировали платформу) — обязательно проверьте через неделю.

• ✅ Это работает только для e-commerce?

  Фокус статьи — e-commerce, потому что там очевидны SKU. Для лидогенерации логика та же, но «SKU» = типы лидов / категории услуг / формы. Diversity по типам лидов — тоже рабочий сигнал, просто считать немного сложнее.

• ✅ Что такое PMax Crash Classification (PCC)?

  Это классификационная рамка, которую я разработала на основе анализа 131 PMax-кампании за 16 месяцев. Она различает три механизма падения PMax-кампаний — системный (68% катастроф в моём исследовании), структурный (20%) и контекстный (4%) — чтобы для каждого типа можно было выбрать адекватную реакцию вместо общего «нужно что-то сделать». Классификация + рекомендуемые действия — в разделах 5 и 8.