Audience Signals w Performance Max: jak podpowiadać AI Google odpowiednich odbiorców

Audience signals performance max, czyli sygnały odbiorców, to jeden z najbardziej nierozumianych elementów tej kampanii. Połowa reklamodawców wrzuca do pola „sygnały” przypadkowe segmenty „fashion lovers” i „tech enthusiasts”, druga połowa zostawia je puste i liczy, że algorytm sobie poradzi. W obu wypadkach efekt jest podobny — PMax wchodzi w długi learning period z CPA dwukrotnie wyższym niż cel. Ten artykuł pokazuje, jak audience signals faktycznie działają, jaką rolę pełnią first-party data i dlaczego źle dobrane sygnały odbiorców potrafią spalić budżet sprawniej niż jego brak.

Czym są audience signals i czym różnią się od targetowania?

Pierwsza rzecz do zrozumienia: w Performance Max nie istnieje targetowanie w takim sensie, jak w klasycznej kampanii Display. Kiedy dodajemy segment „miłośnicy sportu” jako sygnał odbiorców, nie mówimy algorytmowi „pokaż reklamę wyłącznie miłośnikom sportu“. Mówimy mu: „zacznij szukać konwersji w tej grupie, ale jeśli zobaczysz je gdzie indziej — idź tam”. To zasadnicza różnica w porównaniu z kampaniami sieci reklamowej, w których segment działał jako twardy filtr.

Sygnały są podpowiedzią startową dla modelu uczenia maszynowego. Algorytm dostaje z nich pierwszą mapę — kogo szukać, jak wygląda „dobry klient“, jakie zachowania poprzedzają konwersję. Im mocniejszy sygnał, tym szybciej model buduje własne lookalike’y i kieruje reklamy do osób spoza sygnału, ale z podobnym wzorcem zachowań. W praktyce sygnał odbiorców działa jak pierwsze 50-100 odnalezionych konwersji, które algorytm dostaje „z góry” zamiast zbierać je przez trzy tygodnie uczenia.

Warto też rozróżnić sygnały od listy wykluczeń. Wykluczenia (np. demograficzne, lokalizacyjne) to twarde filtry — algorytm nigdy nie wyświetli reklamy komuś z wykluczonej grupy. Sygnały są elastyczne. Dlatego niedobra strategia „wykluczmy wszystkich poza 30-40-latkami”, zaimportowana z Displaya, w PMax nie ma sensu — jeśli algorytm znajdzie 28-letniego klienta gotowego kupić, i tak go pominie, tracąc konwersję.

Cztery źródła sygnałów — od Customer Match po segmenty niestandardowe

Google dzieli sygnały odbiorców w PMax na cztery kategorie, z których każda daje algorytmowi inne dane wejściowe. Znajomość różnic między nimi decyduje o tym, czy sygnał skróci learning period, czy go przedłuży.

• Dane o interakcjach z firmą (first-party data) — listy klientów z CRM, subskrybenci newslettera, użytkownicy aplikacji, odwiedzający stronę zapisani przez tag Google. To najmocniejszy typ sygnału, ponieważ opiera się na realnym zachowaniu, a nie modelowaniu Google’a.
• Customer Match — szczególny podtyp first-party data: zaszyfrowane listy e-maili lub numerów telefonu istniejących klientów, które Google dopasowuje do zalogowanych kont. Dla e-commerce z bazą 10 000+ klientów Customer Match jest zwykle najmocniejszym pojedynczym sygnałem, jaki można dostarczyć.
• Segmenty niestandardowe (custom segments) — budowane na podstawie słów kluczowych wpisywanych przez użytkowników w Google, URL-i odwiedzanych stron, nazw aplikacji. Sygnał średniej mocy, przydatny, gdy nie mamy jeszcze dużego first-party data.
• Segmenty zainteresowań i intencji Google (affinity / in-market) — gotowe grupy z katalogu Google: „w trakcie zakupu: elektronika“, „afinitet: fitness”. Najsłabszy typ sygnału, czasem wręcz wprowadzający algorytm w błąd, bo segmenty są zbyt szerokie i obejmują miliony użytkowników bez realnej intencji.

Najlepsze wyniki daje miks pierwszych dwóch kategorii — Customer Match plus listy remarketingowe z GA4 — uzupełniony o jeden precyzyjny segment niestandardowy (np. „użytkownicy wpisujący nazwy konkurencyjnych marek w Google”). Same sygnały afinitetowe zostawiamy na koniec, jeśli w ogóle.

Jak dobre sygnały skracają learning period w polskim e-commerce

W jednej z kampanii dla sklepu modowego z 35 000 aktywnych klientów testowaliśmy dwa warianty startu PMax: wariant A — bez sygnałów, wariant B — Customer Match plus lista użytkowników z GA4, którzy w ostatnich 90 dniach dodali produkt do koszyka, ale nie kupili. Budżet w obu 12 000 zł miesięcznie, strategia Max wartości konwersji bez celu ROAS. Wariant A osiągnął stabilny CPA 178 zł po 42 dniach. Wariant B doszedł do CPA 94 zł już po 19 dniach. Różnica — jeden wieczór pracy nad importem listy klientów i konfiguracją Customer Match.

Mechanizm tej różnicy jest prozaiczny. Algorytm Smart Bidding, który napędza PMax, potrzebuje sygnału, żeby ustalać stawki — opisujemy to szerzej we wpisie o strategiach remarketingowych typu RLSA. Kiedy dostaje listę realnych klientów, ma punkt odniesienia: „ludzie z tej listy w 14% kupili w ciągu 30 dni od kliknięcia, więc ich klony są warte więcej niż przeciętny ruch”. Bez sygnału musi tę wiedzę zebrać sam, konwersja po konwersji — w praktyce przez 4-6 tygodni.

Jest też drugi efekt, niewidoczny w raporcie — stabilność wyników. Kampania wystartowana bez sygnałów w pierwszym miesiącu potrafi mieć tygodnie z CPA w zakresie 80-260 zł, zanim algorytm ustabilizuje się na średniej. Kampania z mocnym first-party data wchodzi w „równy” CPA zwykle w drugim tygodniu, co oznacza, że oceny efektywności można zacząć robić miesiąc szybciej.

Błędy w doborze sygnałów, które spalają budżet

Najczęstsze problemy, które widzimy w audytach kont, nie dotyczą braku sygnałów — dotyczą ich jakości. Poniższa lista zbiera cztery wzorce, które powtarzają się w polskich e-commerce’ach na tyle regularnie, że zasługują na osobne omówienie.

• Zbyt szerokie segmenty afinitetowe jako główny sygnał. Segment „Fashion and Style Enthusiasts” w Polsce to kilka milionów użytkowników. Dla sklepu niszowego (np. ekskluzywna biżuteria) taki sygnał wprowadza algorytm w błąd — uczy go, że target to „każdy, kto lajkuje ubrania“, a nie „osoby o konkretnym profilu zakupowym”.
• **Lista remarketingowa z jednym wydarzeniem „wszyscy użytkownicy strony“.** Jeśli strona miała 200 000 wizyt, z czego 80% to niespokrewniony ruch SEO z informacyjnych fraz, sygnał jest rozmyty. Lepsze wejście daje wąska lista „użytkownicy, którzy przeszli minimum 3 strony i spędzili ponad 90 sekund”.
• Customer Match bez segmentacji RFM. Import surowej bazy 50 000 e-maili traktuje nowego klienta z jednym zamówieniem tak samo jak VIP-a z 20 zakupami. Dla PMax dużo mocniejszym sygnałem jest osobna lista „top 10% klientów według wartości zamówień z ostatnich 12 miesięcy”.
• Sygnały demograficzne jako jedyne źródło. Zostawienie samego zakresu wieku i płci to właściwie brak sygnału — algorytm i tak ma te dane z Google’owych profili.

Po zidentyfikowaniu takich wzorców w koncie pierwszy ruch to zwykle przebudowa segmentów — nie zmiana budżetu ani kreacji. Decyzje o sygnałach mają większy wpływ na PMax niż decyzje o strategii biddingu w pierwszych 60 dniach.

Jak zbudować mocne sygnały z first-party data

Dla większości polskich reklamodawców najszybsza droga do poprawy wyników PMax prowadzi przez uporządkowanie danych pierwszostronnych. Zanim zaczniemy, warto sprawdzić zgodność implementacji z Consent Mode v2 — bez poprawnej zgody użytkowników część sygnałów nie może trafić do Google Ads, a to co trafi, nie pokryje pełnej populacji. Sekwencja do wdrożenia w 2-3 tygodniowym sprincie wygląda następująco:

1. Eksport bazy klientów z podziałem RFM. Trzy listy: klienci VIP (top 10% wartości zakupów z 12 miesięcy), klienci aktywni (zakup w ostatnich 90 dniach) i klienci uśpieni (brak zakupu 180+ dni). Każda lista staje się osobnym sygnałem w PMax.

1. Integracja Customer Match z Google Ads. Hash SHA-256 e-maili, upload przez Data Manager lub API. Minimalna wielkość listy dla dopasowania — około 1 000 rekordów, stabilny efekt od 5 000.
2. Listy remarketingowe z GA4 z wysoką intencją. Koszyk porzucony (ostatnie 30 dni), widok karty produktu powtórnie (ostatnie 14 dni), użytkownicy z sesją powyżej 2 minut.
3. Jeden precyzyjny segment niestandardowy. Słowa kluczowe wpisywane w Google, które wskazują na gotowość do zakupu — nazwy konkurencji plus określenia komercyjne („cena“, „opinie”, „kod rabatowy” dla danej kategorii).
4. Weryfikacja i iteracja co 30 dni. Listy powinny być odświeżane (Customer Match z nowymi klientami, listy GA4 automatycznie), a po 60 dniach kampanii warto usunąć te sygnały, które w raporcie Insights wykazały mniejszą wartość od przeciętnej.

Dla sklepów współpracujących z nami w ramach kampanii PPC ten zestaw to standardowy punkt startowy — dopiero na jego bazie testujemy dalsze warianty sygnałów i strategie biddingu. Zamiana „pusto” na „Customer Match plus trzy listy z GA4″ daje zwykle większy przyrost jakości wyników niż wszystkie późniejsze iteracje kreacji razem wzięte.

Aktualizacja: kwiecień 2026.