Optymalizacja feedu produktowego Google Merchant Center w 2026

Optymalizacja feedu produktowego to najmniej spektakularna, a najbardziej efektywna dźwignia poprawy wyników w Google Ads. W audytach kont e-commerce regularnie widzimy sytuację: reklamodawca inwestuje czas w strategie biddingu i kreację, a feed ma tytuły wzięte wprost z URL-i sklepu — „nazwa produktu bez kontekstu”. Poprawa samych tytułów potrafi dać 20-35% więcej wyświetleń w Shopping przy tym samym budżecie. W 2026 roku, gdy Performance Max i AI Overviews korzystają z tych samych danych feedu co klasyczny Shopping, optymalizacja feedu przestała być tematem technicznym — stała się warunkiem brzegowym skutecznej reklamy produktowej.

Anatomia feedu produktowego — atrybuty, które muszą być poprawne

Feed produktowy Google Merchant Center składa się z kilkudziesięciu atrybutów, z których kilkanaście jest obowiązkowych, a reszta — opcjonalnych, ale znacząco wpływających na widoczność. Atrybuty obowiązkowe dla produktów fizycznych w Polsce:

• id — unikalny identyfikator produktu (zwykle SKU).
• title — tytuł produktu, do 150 znaków; najważniejszy atrybut pod kątem matchingu do zapytań.
• description — opis produktu, do 5000 znaków; drugi co do ważności atrybut dla AI Overviews.
• link — URL karty produktu.
• image_link — URL głównego zdjęcia produktowego; minimum 800×800 px.
• price — cena z walutą (dla PL: 99.99 PLN).
• availability — status magazynowy (in stock / out of stock / preorder).
• brand — marka producencka.
• condition — stan produktu (new / refurbished / used).
• gtin — kod EAN/UPC (dla większości produktów fizycznych).
• mpn — identyfikator producencki (jeśli brak gtin).

Atrybuty opcjonalne, które w 2026 stały się de facto obligatoryjne dla kampanii PMax w konkurencyjnych niszach: google_product_category (pełna ścieżka kategorii), product_type (własna kategoria sklepu), color, size, material, gender, age_group, additional_image_link (3-10 dodatkowych zdjęć), custom_label_0 do custom_label_4 (flagi do segmentacji). Kompletność atrybutów jest z kolei podstawą do wygenerowania wzbogaconych kart produktowych w AI Overviews — omówienie, jak to działa od strony AI, zawieramy we wpisie o analizie cen produktów w Google Merchant Center.

Tytuły produktowe — największa dźwignia CTR w Shopping i PMax

Atrybut title odpowiada za 60-70% decyzji algorytmu, czy wyświetlić produkt na dane zapytanie. Zasada działa analogicznie do meta title w SEO, ale z innymi ograniczeniami i oczekiwanym formatem. Rekomendowany schemat konstrukcji tytułu dla e-commerce:

Dla AI Overviews, które pojawiły się na polskim SERP w drugiej połowie 2025, schematy dodatkowo zyskują na kontekście użycia: „do biegania długich dystansów“, „na rower górski”, „do domowego biura“. Tytuły bez kontekstu użycia łapią klasyczne Shopping, ale przegrywają w AI-generowanych rekomendacjach, gdzie zapytanie użytkownika brzmi „jakie buty na pierwszy maraton” a nie „buty Nike rozmiar 44″. Różnica w widoczności dla marek, które przerobiły tytuły pod AI-aware schemat: 25-40% więcej wyświetleń w okresie październik 2025 — luty 2026.

Czego unikać w tytułach: sloganów reklamowych („najlepsze buty w promocji“), emoji, wielkich liter przez cały tytuł, powtórzeń słowa („buty buty sportowe”), dat i informacji o wyprzedaży (do tego służą atrybuty sale_price i promotion_id). Google agresywnie filtruje tytuły z elementami marketingowymi i obniża rank produktu w Shopping.

Opisy produktowe — niedoceniany atrybut dla AI Overviews

O ile w klasycznym Shopping opisy produktowe miały drugorzędne znaczenie (użytkownik widział tytuł i cenę, opis klikał dopiero na karcie), o tyle w AI Overviews pełny opis jest praktycznie równorzędnym atrybutem. AI-generated odpowiedź korzysta z opisu produktu jako źródła informacji o zastosowaniach, grupach odbiorców, unikalności produktu — to materiał, który model Gemini bierze pod uwagę, generując sponsored suggestion w odpowiedzi.

Dobrze napisany opis produktowy dla 2026 roku zawiera trzy warstwy:

1. Warstwa techniczna (pierwsze 200 znaków). Materiał, wymiary, waga, kluczowe cechy produktowe. To fragment, który bierze klasyczny Shopping.

1. Warstwa problemowa (200-500 znaków). Dla jakiego scenariusza zakupowego produkt jest zoptymalizowany. „Buty przeznaczone do biegania na dystansach 10-42 km po utwardzonej nawierzchni. Amortyzacja ZoomX oferuje oddawanie energii na każdym kilometrze, polecane dla biegaczy wagi 70-85 kg.” To fragment, który najczęściej trafia do AI-generated answer.
2. Warstwa kontekstowa (500-1000 znaków). Porównania, kombinacje („świetnie pasują z koszulką techniczną o tym samym kroju”), przypadki użycia. To fragment, który wzmacnia ranking w AI Mode.

Dla sklepów z dużym asortymentem (1000+ SKU) pisanie takich opisów ręcznie jest niewykonalne. Standardowa ścieżka: użycie ChatGPT lub Gemini do wygenerowania opisów na podstawie atrybutów z feedu — koszt 30-60 zł za 1000 opisów API Gemini. Weryfikacja losowych 5-10% opisów przez człowieka pod kątem faktograficznych błędów. Całość zajmuje dla sklepu z 1500 SKU około 20-30 godzin pracy plus 100-200 zł kosztu API.

Custom labels i segmentacja — warstwa strategiczna feedu

Custom labels to pięć atrybutów (custom_label_0 do custom_label_4), w których reklamodawca sam definiuje, jak chce segmentować produkty na potrzeby kampanii. Google ich nie wykorzystuje do matchingu z zapytaniami — są czysto operacyjnym narzędziem do podziału kampanii i asset groups. W dobrze prowadzonych kontach mają kluczową rolę w strukturyzacji kampanii PPC.

Typowy schemat użycia custom labels:

• custom_label_0 — marża. Wartości: high (marża >40%), mid (20-40%), low (<20%). Podstawa do podziału PMax po marży.
• custom_label_1 — rotacja. Wartości: bestseller, standard, slow-mover. Podstawa do priorytetyzacji w asset groups.
• custom_label_2 — sezonowość. Wartości: jesień-zima, wiosna-lato, całoroczny. Do automatycznego przełączania kampanii.
• custom_label_3 — wiek stocku. Wartości: nowość (<30 dni), standard, wyprzedaż (>180 dni). Podstawa do kampanii clearance.
• custom_label_4 — własna dowolnie. Często: segment klienta docelowego lub kolekcja sezonowa.

Bez custom labels algorytm PMax nie ma jak rozróżnić, że bluza za 89 zł z marżą 15% różni się strategicznie od bluzy za 299 zł z marżą 45%. Traktuje oba SKU jak równoważne. Efekt: 60-70% budżetu idzie na tańsze produkty z niższą marżą — te, które algorytm łatwiej „wygrywa” w aukcjach. Poprawa custom labels i osobne kampanie per segment marży to zwykle największy pojedynczy przyrost ROAS, jaki widzimy w audytach — 30-50% poprawy w ciągu 60-90 dni. Powiązanie tej segmentacji z progiem opłacalności omawiamy we wpisie co to jest ROAS i jak go obliczyć.

Feedy uzupełniające i automatyzacja aktualizacji

Dla reklamodawców, którzy nie mogą zmienić tytułów produktowych w silniku sklepu (ograniczenia techniczne, brak budżetu deweloperskiego), feedy uzupełniające w Google Merchant Center dają drogę obejścia. Główny feed przychodzi z Shopify/Presta/WooCommerce z domyślnymi tytułami; feed uzupełniający nadpisuje tytuły dla wybranych produktów albo całego sklepu bez ruszania backendu.

Typowe architektury feedów w polskich sklepach:

Częstotliwość aktualizacji feedu ma bezpośredni wpływ na widoczność. Feed aktualizowany raz dziennie nie nadąża z odświeżaniem stanów magazynowych — algorytm regularnie wyświetla reklamy produktów, których nie ma w sklepie. Efekt: dezorientacja użytkownika, spadek CTR i rankingu w Shopping. Feed aktualizowany co godzinę albo przez Content API w czasie rzeczywistym rozwiązuje ten problem. Dla sklepów z budżetem 15 000+ zł miesięcznie inwestycja w Content API zwraca się w pierwszym kwartale działania.