Метрика «50+ конверсій на місяць» у PMax — це обман. Що насправді робить кампанію зрілою

Уявіть собі PMax-кампанію, яка живе 16 місяців. Без перерв, без перезапусків. Кожен місяць — у середньому 306 конверсій. Загалом — 5 434 конверсії, 4.3 млн UAH виручки, 591 тисяча UAH витрат.

За будь-якою сум-метрикою це взірцева кампанія. Будь-який міжнародний експерт скаже — все ОК, така кампанія за всіма канонами «зріла», «навчена», «передбачувана». Топ західних блогів повторюватимуть, що від «60+ конверсій на місяць» алгоритм PMax входить у стабільну зону.

У квітні 2026 ця кампанія дала 4 конверсії на тиждень. Не 4 на день. Чотири на тиждень. Тренд падіння тримався місяцями — з пікових 344 conv/тиждень у листопаді до фактичного нуля.

Не через ваш поганий тег. Не через вирубаний бюджет. А тому що метрика, по якій всі вимірюють «зрілість» PMax-кампанії, — обман.

Ця стаття — про те, що насправді робить кампанію зрілою. Без блог-стандартних «варто розглянути» і «деякі експерти вважають». На основі 131 PMax-кампанії одного акаунту, 16 місяців історії, 3.78 млн рядків даних і 198 тисяч конверсій. З покроковою інструкцією, як перевірити власні кампанії за 15 хвилин.

Якщо ви ведете PMax — далі буде неприємно. Але корисно.

Звідки взялась цифра 50/60?

Цифра не висмоктана з пальця. У неї є логіка — і саме тому її повторюють усі. У більшості галузевих гайдів, вебінарів і експертних розборів повторюється той самий поріг — «50–60 конверсій на місяць — і кампанія входить у стабільну зону». Цифра злегка варіюється — хтось каже 30, хтось 50, хтось 90 — але механіка завжди одна:

Smart Bidding — це алгоритм, який оптимізує conversion_value/cost. Алгоритму потрібен обсяг конверсій, щоб виявити стабільні патерни — час, девайс, аудиторію, контекст. Якщо у кампанії 5 конверсій на місяць — алгоритм не має на чому вчитися. Він ставить ставки наосліп.

І це формально правильна теза. Сам Google у своїй документації по Smart Bidding підкреслює, що алгоритму треба статистично значущий обсяг даних, щоб коректно оптимізуватися. Це не маркетинг — це математика. Якщо у вибірці три точки — будь-яка регресія дасть дурницю.

Так у чому ж тоді обман? Обман у висновку, який роблять із цього факту.

Логіка автора звучить так: «Алгоритму потрібен обсяг → отже 60+ conv/міс → отже кампанія зріла → отже передбачувана». Перші дві стрілки — правильні. Третя — підмінює поняття.

«Алгоритм має достатньо даних» ≠ «Кампанія зріла».

Перше — про можливість статистичного навчання. Друге — про стійкість до змін. Це різні властивості. PMax може мати 100 конверсій на місяць у вашому звіті, бути «формально зрілим» по тезі автора, і при цьому ці 100 конверсій можуть прийти з трьох-чотирьох SKU, які зникнуть з фіду наступного тижня. У понеділок ваша «зріла» кампанія перетворюється на «мертву».

Сум-метрика бачить тільки фінальний агрегат: 100 за місяць, ще 100 за наступний, ще 100. Що відбувається всередині — їй байдуже. А найважливіше — саме всередині.

Усі західні джерела про це мовчать. Не тому що це секрет — а тому що для них поріг «60+ conv» закриває розмову. Стаття опубліковано, читач задоволений, можна продавати наступний інструмент.

Я прийшла до тези про обманливість порога не з теорії — а з конкретних кампаній, які я веду. Коли знову й знову бачиш, як кампанії з красивими 250+ конверсій на місяць валяться за два тижні — починаєш сумніватися в метриці. Я перевірила це систематично, на 131 кампанії за 16 місяців. Картина виявилася ще гіршою, ніж я очікувала.

Далі — методологія і цифри.

Що я зробила — методологія

Без точної методології будь-яка теза — це думка. Тому фіксую базові параметри дослідження:

Methodology block · структуровані дані

З 131 кампанії я відсіяла ті, які жодного разу за 16 місяців не пройшли поріг «50+ conv/міс». Залишилося 62 кампанії — це наша вибірка «формально зрілих» за критерієм автора. Саме на них я і перевіряю його тезу.

Для кожної з 62 кампаній я порахувала: – скільки місяців кампанія мала ≥50 conv (від 1 до 16) – розподіл конверсій по SKU всередині кожного місяця (топ-1, топ-3, топ-5 частки) – кількість SKU з ≥3 конверсій (груба метрика «глибина асортименту») – катастрофи — місяці, коли кампанія втратила ≥50% конверсій після хоча б одного місяця ≥50 conv – паралельно — місячна динаміка обсягу всього акаунта, щоб відрізнити «впала разом з усім» від «впала самотою»

Назви кампаній і товарів замасковано (Кампанія A, B, C, D, E, F).

Обмеження вибірки. Це pilot study на одному акаунті. Результати дають сильні гіпотези, а не остаточні нормативи. Я публікую методологію зараз, бо вона досить переконлива на pilot — і збираю дані з інших акаунтів для масштабнішого дослідження. Якщо у вас є дані по власних PMax-кампаніях — приєднуйтесь, контакти в кінці статті.

Тепер — що я знайшла.

Перший shock — 95% «зрілих» кампаній впали

Перша гіпотеза, яку я перевіряла, була проста: «Якщо метрика 50+ conv/міс — погана, то кампанії, які її пройшли, рівно так само впадуть, як і ті, що не пройшли. Поріг не дає захисту».

Я очікувала побачити різницю на рівні 60% vs 80%, або щось у цьому стилі. Реальність виявилася більш екстремальною.

З 62 кампаній, що пройшли поріг 50+ conv/міс хоча б в одному місяці: – 59 (95%) впали ≥50% хоча б раз після того, як стали «зрілими» – 15 (24%) фактично мертві в останні 3 місяці спостереження (нуль або майже нуль конверсій) – В сумі — 112 окремих катастроф на 62 кампаніях (на одну кампанію припадає в середньому 1.8 падіння за 16 місяців)

95% — це не «частково підтверджена теза». Це повний обвал гіпотези про захист. Поріг 50+ conv/міс не захищає від падіння жодним статистично значущим чином. Кожна 20-та кампанія за 16 місяців не впала. Решта 19 — впали мінімум один раз.

Тут варто було б тріумфально написати «бачите, поріг — обман» і перейти до висновків. Але тут я зробила другу перевірку, яку чекала з підозрою — і саме вона дала найважливішу частину історії.

Друга гіпотеза: «Можливо, кампанії з низькою концентрацією конверсій (топ-3 SKU тримають менше 30%) — впадуть рідше». Логіка проста — якщо кампанія тримається на багатьох SKU, зникнення одного-двох не має валити всю.

Перевіряю: – з 13 кампаній з високою концентрацією (топ-3 ≥ 30%) — впали 12. Це 92%. – з 49 кампаній з низькою концентрацією (топ-3 < 30%) — впали 47. Це 96%.

96% проти 92%. Низька концентрація не захищає теж.

У цей момент перша версія цієї статті розвалилася. Мала бути проста історія: «дивіться, diversity-метрика рятує, де поріг 50+ не рятує». Дані сказали інше — diversity сама по собі теж не рятує.

Чесні дослідження мають моменти, коли потрібно зупинитися і запитати: я ставлю правильне питання? Я чесно запитала. І зрозуміла, що ставила питання неправильно.

Питання «впала кампанія чи ні» — двозначне і нічого не пояснює. Питання, яке має сенс — як саме впала. Бо якщо одна впала разом з усім акаунтом (бюджет вирізали), а інша впала сама в період, коли решта акаунту жила нормально — це різні падіння з різними причинами.

Я переробила аналіз з нуля. На цей раз класифікувала кожну з 112 катастроф за діагностичними сигналами. Що з цього вийшло — у наступному розділі.

PMax Crash Classification — три класи падінь

Те, що я зараз опишу, — моя розробка на основі дослідження 131 кампанії. Я даю цьому методу назву — PMax Crash Classification (далі PCC) — щоб мати на що посилатися в наступних статтях і у вашій практиці. Це класифікаційна рамка, не панацея. Її цінність — саме в тому, що вона розрізняє різні механізми падіння, замість того щоб міряти всі однією метрикою.

PMax Crash Classification (PCC) — це діагностична рамка, яка класифікує падіння Performance Max-кампаній на три механізми (системний, структурний, контекстний) на основі двох діагностичних осей: зміни обсягу конверсій усього акаунту і статусу активності топ-3 SKU кампанії.

Для кожної з 112 катастроф я подивилася на два сигнали одночасно:

1. Що сталося з усім акаунтом у той же місяць? Якщо акаунт втратив ≥25% обсягу конверсій — швидше за все, причина системна (бюджет, реструктуризація, зовнішня подія). Якщо акаунт жив нормально — причина в самій кампанії.
2. Що сталося з топ-3 SKU цієї кампанії? Якщо вони зникли з фіду (impressions = 0) або перестали отримувати конверсії — структурна крихкість. Якщо вони все ще активні — причина деінде.

Зведення цих двох сигналів дало чітку картину трьох різних механізмів падіння.

Системні падіння — 68% (76 з 112)

Це коли падає не одна кампанія — падає весь акаунт одночасно. На цьому акаунті системних обвалів за 16 місяців було п’ять: квітень 2025 (-30% обсягу), липень 2025 (-38%), жовтень 2025 (-32%), січень 2026 (-47%), квітень 2026 (-41%, поточний місяць неповний).

Причини відомі по двох з них: квітень 2025 — клієнт скоротив бюджети, січень 2026 — реструктуризація фіду. Решта — частково сезонні провали, частково невідомі зовнішні події.

Що цікаво: топ-3 SKU кампаній, які впали системно, залишаються живими — імпресії є, кліки є. Просто алгоритм не показує оголошення з тією ж агресивністю, бо акаунт-level умови змінилися. Це поза контролем структури кампанії. Diversity-метрика не лікує системні обвали — їх взагалі не можна «вилікувати», їх можна тільки діагностувати і пояснити клієнту.

Структурні падіння — 20% (23 з 112)

Це коли решта акаунту жива, а кампанія валиться, бо її утримували 2-3 SKU, і вони зникли. У 16 кейсах SKU фізично зникли з фіду (склад розпродали, нове замінило старе, артикул прибрали з продажу). У 7 кейсах SKU формально в фіді, але алгоритм перестав їх показувати — впав CTR, знизилось ранжування, або просто конкуренти відсунули.

Це і є та крихкість, яку метрика «50+ conv/міс» приховує. Кампанія може мати 250 conv/міс десять місяців поспіль, бути «формально зрілою» — і весь час триматися фактично на трьох позиціях. У місяць коли ці три позиції зникнуть, кампанія обнуляється.

Структурні падіння — найкращий кейс для diversity-метрики. Якщо топ-3 SKU тримають ≤25%, у кампанії є мінімум 10 SKU з ≥3 конверсіями, то зникнення одного-двох позицій не валить кампанію — алгоритм має на що переключитися. Це найбільш керована частина ризиків PMax.

Контекстні падіння — 4% (4 з 112)

Це найрідший клас, але важливий концептуально. Топ-SKU все ще в фіді, є покази, є кліки — але купівель нема. Сезон закінчився. Тренд пройшов. Конкурент перебив ціну. Алгоритм продовжує крутити кампанію, бо технічно tROAS дозволяє — але результат не йде.

Diversity тут допомагає частково: якщо кампанія тримається не на сезонних товарах, а на широкому асортименті, контекстне падіння менш ймовірне. Але якщо весь сегмент пішов у спад — це не diversity-проблема, це маркетингова реальність.

Змішані — 8% (9 з 112)

Кейси, де накладається кілька причин одночасно: системний місяць + одночасне зникнення топ-SKU + сезонність. Розрізнити, що з трьох вирішальне — неможливо. Я виділяю їх окремо чесно — не ховаю в одну з основних категорій, як це звичайно роблять у блогах.

Підсумок класифікації

Метрика «50+ conv/міс» сліпа до всіх чотирьох категорій PCC. Diversity-метрика бачить точно дві з них (структурні + частково контекстні) і взагалі не бачить системні.

Це і є логіка PMax Crash Classification. Не «використовуйте diversity замість 50+» — це було б тією ж самою помилкою на новому рівні. А «будуйте діагностичний dashboard з кількох сигналів, кожен з яких бачить свій тип ризику».

Шість кейсів — шість сюжетів

Класифікація — це сухо. Тому беремо шість конкретних кампаній з вибірки, по одній на архетип. Усі дані замасковано — Кампанія A, B, C, D, E, F. Графіки нижче — реальні тижневі дані, не симуляції.

Кампанія A — 4 місяці зрілості, сезонний пік

Кампанія прокинулася в середині листопада 2025 разом із сезонним попитом на категорію. За шість тижнів виросла з нуля до 218 conv/тиждень. Чотири місяці поспіль ≥50 conv/міс — формально «зріла». На сум-метриці виглядала ідеально.

А тепер фокус: топ-3 SKU тримали 80–100% усього обсягу весь час. Кампанія не була побудована на широкому асортименті — вона була побудована на трьох сезонних позиціях. Жодних інших SKU, які мали б за що зачепитися. Поки сезон тримався — все працювало. У лютому 2026 попит зник — і кампанія обнулилась за два тижні.

Топ-3 SKU досі формально живі у фіді. Просто люди їх більше не купують. Це контекстний клас — не «зникли товари», а «зник попит». Diversity-метрика тут допомагає частково: якщо в кампанії був би резервний non-сезонний асортимент, обвал був би плавнішим, а не катастрофічним.

Кампанія B — 10 місяців стабільної зрілості

Це найкращий приклад чому метрика «50+ conv/міс» оманлива. Кампанія тримала 30–70 конверсій на тиждень з березня по листопад 2025 — десять місяців стажу, медіана 166 conv/міс. Будь-який міжнародний експерт назвав би її «надзрілою».

Але один сигнал, який експерт не дивився, — частка топ-3 SKU. Вона стабільно тримала 50–80%. Перекладено: кампанія всі десять місяців зрілості трималася на трьох позиціях. Решта асортименту жила декоративно.

У тиждень 8–15 грудня 2025 ці три SKU зникли з фіду одночасно. Можливо, склад розпродали. Можливо, нове замінило старе. Точну причину з даних видно тільки факт — після того тижня кампанія дала ще кілька конверсій інерції і зупинилася. У січні — нуль. 10 місяців зрілості не врятували, бо вся зрілість трималася на крихкій структурі.

Це чистий структурний клас — найкращий кейс для diversity-метрики. Якби топ-3 тримали ≤25%, зникнення трьох SKU не валило б кампанію — алгоритм мав би на що переключитись.

Кампанія C — 257 conv/міс у п’ять разів вище порогу

Якщо хтось скаже «50+ conv/міс — це низько, у нас 200+, у нас все ОК» — покажіть йому цю кампанію. Медіана — 257 конверсій на місяць, у п’ять разів вище порогу. Загалом 2 896 конверсій за 16 місяців.

І все одно — п’ять падінь поспіль. Перші чотири — системні, синхронні з обвалами всього акаунту: квітень 2025 (скорочення бюджету), липень, жовтень 2025, січень 2026 (реструктуризація). Кампанія щоразу відбудовувалась за два-три тижні, бо мала хорошу базу.

Але п’яте падіння — лютий 2026 — фінальне і структурне. Усі три топ-SKU зникли з фіду одночасно. Кампанія не зуміла відновитись — і поки що, через два місяці після обвалу, дає по 0 конверсій на тиждень.

Висока абсолютна цифра конверсій нічого не доводить про стійкість. 257 за місяць — це може бути 3 SKU по 85, які зникнуть наступного місяця. Або 50 SKU по 5, кожен з яких можна замінити.

Кампанія D — 16 місяців, контр-приклад

А тепер кампанія, яка спростовує мою власну тезу — і саме тому я її показую. Найзріліша в каталозі. 16 місяців безперервної зрілості. Медіана 306 conv/міс. Топ-3 SKU = 32% — нижче небезпечного порогу 30%, на межі. Топ-3 SKU досі активні станом на квітень 2026.

Якби diversity-метрика була панацеєю — ця кампанія б не впала. Але вона впала. З 344 conv/тиждень у листопаді 2025 до 4 у квітні 2026.

Чому? Тому що всі п’ять її падінь — системні. Вона разом з рештою акаунту проходила через бюджетні скорочення і реструктуризацію. На неї не вплинуло зникнення SKU — її топ-3 на місці. На неї вплинули рішення поза структурою кампанії.

Це чесний контр-приклад. Diversity не панацея. Вона рятує від класу 2 (структурного), частково — від класу 3 (контекстного), і ніяк не рятує від класу 1 (системного). Якщо клієнт вирізав 30% бюджету — найкраща структура кампанії в світі дасть -30%, а не +10%.

Кампанія E — 13 місяців, помірна концентрація, змішане падіння

Кампанія тримала 30–105 conv/тиждень з весни 2025 до новорічних свят. Топ-3 = 31%, на межі небезпеки, але не за нею. Тринадцять місяців стажу.

У січні 2026 — обвал на 94%. Але класифікувати чисто не вдається: це водночас (а) системний місяць акаунту з реструктуризацією, (б) пост-святкове падіння попиту і (в) топ-3 SKU перестали отримувати конверсії після 22 грудня.

Чи зник попит? Так. Чи поламалась структура? Так. Чи акаунт-level рішення вплинули? Так. Розрізнити, що з трьох вирішальне — неможливо. Це змішаний клас. Я виділяю його окремо чесно — не маскую під одну з основних категорій.

Кампанія F — пост-святковий обвал

Класичний сюжет, який повторюється кожного січня в багатьох e-commerce магазинах. Кампанія розкачалась у листопаді (з 30 до 283 conv/тиждень), пік у кінці грудня. Після 12 січня 2026 — топ-3 SKU зникли з фіду повністю, бо святковий стік розпродали.

Це структурний клас, не системний — бо акаунт у лютому впав лише на 10%, а ця кампанія — на 100%. Точно як у кампанії B, але з сезонним прискоренням.

Цей кейс — найкращий приклад «передбачуваності»: концентрація на топ-3 росла з листопада, до грудня досягла 70–100%. Якщо б ви моніторили цей сигнал тижнево — у вас був би за два-три тижні до обвалу попереджувальний дзвінок: «Готуй другий ешелон асортименту, після свят треба буде на що переключатись». Цього сигналу не давала жодна стандартна метрика Google Ads — ані conversions, ані ROAS, ані cost.

Як порахувати diversity на власному акаунті?

Тепер практична частина. Якщо все вище здалося переконливим — ось як перевірити свої кампанії за 15 хвилин.

Швидкий метод: Google Ads + Excel/Google Sheets (15 хвилин на кампанію)

У Google Ads відкрийте звіт «Звіти → Готові звіти → Покупки → Товари». Виставте період — останні 30 днів.

Експортуйте у CSV. Потрібні колонки: ID товару, Кампанія, Конверсії, Вартість, Цінність конверсії.

У Excel/Sheets для конкретної кампанії: відсортуйте за conversions descending. Порахуйте: – сума всіх конверсій (TOTAL_CONV) – сума топ-3 конверсій (TOP3_CONV) – частка топ-3 = TOP3_CONV / TOTAL_CONV – кількість SKU з ≥3 конверсій

Зчитайте сигнали:

Якщо хоча б один індикатор червоний — кампанія структурно крихка, навіть якщо абсолютний обсяг конверсій великий. Якщо два-три — почніть планувати реструктуризацію вже зараз, не чекайте обвалу.

Якщо у вас 50+ кампаній

Excel-метод працює до певного масштабу. Якщо у вас портфель з 50+ PMax-кампаній або кілька акаунтів — ручний прогін перетворюється на повний робочий день щотижня. Тут вже потрібна автоматизація: Google Ads Data Transfer → BigQuery, тижневий запит на класифікацію, Looker Studio з алертами.

Я зробила цю автоматизацію для свого агенційного портфеля — вона економить мені кілька годин щотижня. Якщо хочете обговорити, як адаптувати її під ваш масштаб — пишіть. Це окрема історія, в яку я не йду в цій статті.

Що з цим робити?

PCC-діагностика — не одноразова перевірка. Це базис для тижневого моніторингу. Поведінка топ-3 SKU не статична — частка може плавно рости тижнями, поки не досягне червоної зони. Якщо ви побачите тренд росту 25% → 30% → 35% за три тижні — це попереджувальний дзвінок до того, як кампанія впаде, а не пояснення після факту.

Що робити з кожним класом падіння PCC?

Тепер припустимо, кампанія вже впала. Ваше рішення залежить від того, до якого класу PCC вона належить.

Системне падіння

Як розпізнати: обсяг конверсій усього акаунту впав ≥25% за той самий місяць. Топ-SKU вашої кампанії все ще активні (impressions > 0).

Що робити:

• По-перше — спокій. Ви не зламали кампанію. Її зламали зовнішні умови.
• Перевірте бюджет акаунту в розрізі останнього місяця — клієнт міг скоротити, не повідомивши команду маркетингу. Це частіше, ніж здається.
• Перевірте Google Auto-Apply — у нього є звичка міняти tROAS без явного попередження. Заходимо в Recommendations → Auto-applied, дивимось історію.
• Якщо подія відома (свідомий cut бюджету, реструктуризація фіду, міграція платформи) — пишемо клієнту чесний звіт: «обсяг впав через X, structural нічого не зламано, при поверненні бюджету повертається обсяг».

Що НЕ робити: не починайте «лікувати» структуру кампанії. Не додавайте нові SKU, не міняйте tROAS, не перезапускайте. Системне падіння треба перечекати — кампанія сама відновиться, коли відновляться умови. Спроби «активного лікування» в цей момент тільки переплутають алгоритм.

Структурне падіння

Як розпізнати: акаунт жив нормально, а ваша кампанія обнулилась. ≥2 з 3 топ-SKU попереднього місяця мають impressions=0 або conversions=0.

Що робити:

• Швидке: перевірте фід. Чи зникли товари? Чи закінчився склад? Чи нове видання замінило старе ID? Це фікс на стороні e-commerce, не Google Ads.
• Середнє: додайте до кампанії 5–10 нових SKU з суміжного асортименту. Не «додайте все підряд» — додайте товари, які за категорією/ціною/типом близькі до тих, що працювали. Алгоритму потрібен подібний контекст для перенавчання.
• Стратегічне: для всіх кампаній з топ-3 ≥ 30% (за діагностикою з розділу 7) заздалегідь заплануйте «другий ешелон». Не чекайте обвалу — поки кампанія в зеленому, додавайте резервний асортимент і дивіться, який з нього взлітає.

Що НЕ робити: не намагайтесь «реанімувати» зниклі SKU тим самим item_id. Якщо склад фізично зник — підставляйте новий товар з новим ID, не намагайтесь оживити стару картку. Алгоритм асоціює дані з конкретним item_id, він не знатиме, що ви хотіли продовжити «той самий» товар.

Контекстне падіння

Як розпізнати: топ-SKU все ще в фіді, є покази, є кліки — але CR (conversion rate) впав ≥50%. Це сигнал, що попит пішов у спад, а не структура кампанії зламалась.

Що робити:

• Найчастіше — найкраще нічого. Якщо це сезонність (свята закінчились, мода змінилась, тренд пройшов) — алгоритм PMax не виправить попит. Спроби «розкачати» кампанію на падаючому попиті тільки спалюють бюджет.
• Якщо є резервний асортимент — переключіть кампанію на нього. Не на той самий мертвий пік, що відсвяткував своє.
• Тимчасово зменшіть бюджет до мінімуму, щоб не годувати алгоритм даними з вмираючої категорії.
• Поверніться до повного бюджету тоді, коли в категорії знов з’явиться попит — ви це побачите по органіці, по конкурентах, по сезонному календарю.

Що НЕ робити: не змінюйте tROAS у спробі «розблокувати» алгоритм. Якщо люди не купують при tROAS 800%, вони не купуватимуть і при 600%. Ви просто переплатите за невдалі кліки.

Змішане падіння

Якщо ви не можете чітко віднести падіння до одного з трьох класів — це сигнал, що недостатньо даних для рішення, а не що треба робити все одразу. Зачекайте 1–2 тижні, дивіться, який сигнал стане домінантним. Якщо за два тижні все ще незрозуміло — почніть зі структурної гіпотези (вона найбільш керована), і якщо не допомогло — переключайтесь на контекстну стратегію (зменшення бюджету і перенаправлення).

Межі застосування PCC

Будь-яка класифікаційна рамка має точні межі, в яких вона працює. Ось межі PMax Crash Classification — щоб ви розуміли, де метод дає точну відповідь, а де потрібна адаптація.

PCC точно працює, коли:

• Акаунт має щонайменше 12 місяців історії і 50+ активних PMax-кампаній.
• Доступні дані рівня campaign × item_id × week (експорт «Товари в Покупках» з Google Ads).
• e-Commerce з SKU-рівневим обліком (для лідогенерації — окрема адаптація).

PCC треба адаптувати, коли:

1. У вас менше 6 місяців даних. Класифікаційна логіка та сама, але розподіл 68/20/4 — це портрет акаунту, на якому я її розробила, не норматив. Ваш розподіл буде свій. Метод універсальний — пропорції контекстні.
2. У вас 5–10 кампаній. Метод працює, але вибірка замала, щоб бачити статистично значущі патерни. Користуйтесь PCC для класифікації окремих падінь, не для виведення «розподілу класів».

«Чорні місяці» завжди контекстні. На цьому акаунті системні провали мали відомі причини — квітень 2025 (скорочення бюджету клієнтом) і січень 2026 (реструктуризація фіду). На вашому акаунті — інші причини. Сигнал «обсяг акаунту впав ≥25%» працює універсально, інтерпретація причини — завжди ваша робота.

Diversity — один з трьох сигналів, не єдиний. PCC побудована на двох діагностичних осях (account-level + top-3 SKU). Повний моніторинговий dashboard включатиме ще тренд impressions по SKU і ROAS spread між топ-3 і рештою. Я свідомо обмежилась найдоступнішими сигналами — повна версія dashboard буде в наступній статті.

Висновок

Поріг «50+ conv/міс» — корисна точка відліку, не зона безпеки. Ви ще не маєте достатньо даних для tROAS, поки не пройшли його. Але ви ще не маєте структурно стійкої кампанії, навіть коли пройшли. Це різні рівні.

Реальний індикатор зрілості PMax — комбінація трьох сигналів: 1. Обсяг конверсій — чи має алгоритм на чому вчитися 2. Diversity-метрика — чи побудована кампанія на широкій основі (топ-3 ≤ 25%, ≥10 SKU з ≥3 conv) 3. Динаміка топ-SKU — чи стабільні позиції, на яких тримається кампанія

Метрика обсягу одна без діагностики структури — це як йти до лікаря, який вимірює лише температуру. Щось скаже, але не все. І точно не скаже, чи готовий організм до навантаження.

PMax Crash Classification (PCC) дає рамку, в якій кожне падіння кампанії можна точно віднести до одного з трьох механізмів — системного, структурного або контекстного — і обрати адекватну реакцію замість загального «треба щось зробити».

Якщо у вас 5+ PMax-кампаній — пройдіться по них за моєю інструкцією і подивіться на свій акаунт очима цих трьох сигналів, не тільки одного. Знайдете цікаві патерни — напишіть. Я збираю кейси для наступного дослідження, в якому планую перевірити: – чи розподіл класів 68/20/4 утримується на ширшій вибірці акаунтів – як змінюється картина при перерахунку через POAS (Profit on Ad Spend) замість виручки — це окрема стаття

PMax — складна система. Він заслуговує на діагностику складнішу, ніж одна цифра.

FAQ

• ‍✅ Скільки конверсій справді потрібно PMax-кампанії?

  Залежить від класу ризику, який ви хочете контролювати. Для статистичного навчання Smart Bidding — 50–60 conv/міс реально потрібно. Для структурної стійкості — це необхідна, але не достатня умова. Реальна зрілість досягається коли в кампанії є мінімум 10 SKU з ≥3 конверсіями і топ-3 не перевищують 25–30% обсягу. Перше і друге — різні параметри.

• ‍✅ Що таке «структурне падіння» і як його розрізнити?

  Один з трьох класів PMax Crash Classification. Це падіння кампанії на ≥50% при тому, що загальний обсяг конверсій акаунту в той же місяць не змінився суттєво. Найчастіша причина — топ-3 SKU цієї кампанії зникли з фіду або перестали отримувати конверсії. Розрізнити можна по двох сигналах одночасно: account-level volume + impressions топ-SKU.

• ‍✅ Чи завжди концентрація на топ-3 SKU = ризик?

  Не завжди. Якщо топ-3 — стабільні non-сезонні товари, які постійно в стоку (наприклад, базовий каталог) — концентрація менш критична. Ризик зростає, коли топ-3 — сезонні, розпродажні, залежні від конкретної промо-події або від одного постачальника. Перевіряйте не тільки частку, а й ризики самих позицій.

• ✅ Чи Maximize Conversions безпечніший за tROAS на маленьких кампаніях?

  Іноді так. На переходах між сезонами, після out-of-stock або після зникнення топ-SKU — tROAS душить алгоритм там, де Maximize Conversions дає шанс перенавчитись на новому асортименті. Але це тимчасовий хід, не постійна стратегія. Як тільки нова структура стабілізувалась і дала 30+ conv/міс — повертайтесь на tROAS.

• ✅ Як часто моніторити diversity?

  Тижнево — мінімум. На передсвяткових сезонах (листопад–грудень для більшості e-commerce) — двічі на тиждень. Після кожного редагування фіду (додали/прибрали SKU, змінили категорії, мігрували платформу) — обов’язково перевірте через тиждень.

• ✅ Це працює тільки для e-commerce?

  Фокус статті — e-commerce, бо там очевидні SKU. Для лідогенерації логіка та сама, але «SKU» = типи лідів / категорії послуг / форми. Diversity по типах лідів — теж робочий сигнал, просто рахувати трохи складніше.

• ✅ Що таке PMax Crash Classification (PCC)?

  Це класифікаційна рамка, яку я розробила на основі аналізу 131 PMax-кампанії за 16 місяців. Вона розрізняє три механізми падіння PMax-кампаній — системний (68% катастроф у моєму дослідженні), структурний (20%) і контекстний (4%) — щоб для кожного типу можна було обрати адекватну реакцію замість загального «треба щось зробити». Класифікація + рекомендовані дії — у розділах 5 і 8.