Co działało. Co nie. Dlaczego.

Punkt wyjścia · baseline

Z jakiego terenu wystartowaliśmy

Sektor: fashion DTC z asortymentem z górnej półki cenowej, średni koszyk w segmencie premium. Klient prowadził sklep na Shopify od dwóch lat, ze stabilnym ruchem 18–24 tysięcy sesji miesięcznie i konwersją w okolicach 1.1–1.4%. Sprint AI zakontraktowano z jednym celem ilościowym: zwiększyć liczbę leadów handlowych (rejestracje do newslettera + dodania do koszyka z dokończonym formularzem) o minimum 60% w 30 dni, bez dotykania budżetu reklamowego Google i Meta. Ograniczenia twarde: katalog 1000–1500 SKU musiał pozostać niemodyfikowany w bazie, integracja z magazynem (Subiekt) blokowała szybkie testy cenowe, a zespół po stronie klienta dysponował jedną osobą od marketingu w połówce etatu. Punkt wyjścia był na granicy zdrowej — sklep nie miał problemu z ruchem, ale ścieżka decyzyjna od pierwszego kontaktu do dodania do koszyka cierpiała na rozpadanie się intencji w drugim ekranie.

Pierwsze 14 dni · wczesny pivot

Co pokazały pierwsze dane

W pierwszym tygodniu uruchomiliśmy nowy hero na stronie głównej z hookiem skupionym na storytellingu marki i niedostępności kolekcji. CTR z reklam Meta i Google spadł o 12–18% względem baseline w ciągu pierwszych dziewięciu dni. Bounce rate na hero podskoczył z 32% do 41–46%. Ruch organiczny nie zmienił się — czyli problem nie był na poziomie atrakcyjności wejścia, tylko spójności obietnicy. Dane z Hotjar pokazały rzecz prostą: użytkownicy klikający w reklamy z konkretną sztuką odzieży trafiali na hero opowiadający historię o filozofii marki. Rozjazd intencji był binarny. Zamiast bronić nowego kierunku albo pisać klientowi „daj nam jeszcze dwa tygodnie", zatrzymaliśmy budżet płatny na 48 godzin i zwołaliśmy redakcję na czwartek.

Decyzja zmiany strategii

Co konkretnie zmieniliśmy

Pivot zatwierdziła właścicielka marki i jej manager e-commerce w trakcie 35-minutowego callu, na podstawie dwóch wykresów: rozkład intencji wyszukiwania w Google Search Console (commercial 71%, brand 12%, informational 17%) i ścieżka konwersji z GA4 (drop na hero +28 punktów procentowych). Zmiana: porzucamy hero brand-first, wprowadzamy karty produktowe na hero z trzema bestsellerami sezonu, price-anchor pokazujemy obok ceny (cena katalogowa przekreślona, cena aktualna z drobnym oznaczeniem dostępności w magazynie). Sprint redaktorski na karty potrwał 72 godziny. Po wdrożeniu zaplanowaliśmy 7 dni obserwacji kontrolnej, podczas których nie wolno było ruszać ani copy, ani kreacji reklamowych — to było twarde zobowiązanie pisemne, żeby uniknąć kolejnego pivotu z paniki.

Wynik końcowy · 30 dni vs cel

Co dostarczyliśmy vs cel

Po pełnych 30 dniach liczby z panelu wyglądały następująco: leady handlowe zamknęły się w przedziale +85 do +95% nad baseline, co realizowało cel ilościowy z naddatkiem. Konwersja sklepu wzrosła do 1.7–2.0%, średni koszyk pozostał płaski. CTR z reklam wrócił do baseline w 18. dniu po pivocie, a od 22. dnia był 6–9% nad baseline (efekt lepiej dopasowanego match między reklamą a hero). Najważniejsze: klient widział oba okresy — dno dołka i wynik końcowy — z wykresem dziennym, nie z agregatem miesięcznym. Decyzja o przedłużeniu na retainer zapadła w dniu 29., z budżetem dwukrotnie większym niż w Sprincie. Ta liczba nie pojawiła się w naszej rekomendacji — wynikła z rozmowy o tym, co bylibyśmy w stanie zrobić w kolejnych 90 dniach, gdyby ścieżka zakupowa nadal się porządkowała.

Co poszło nie tak · 5 lekcji

Pięć obserwacji z terenu

1. 01

   Brand-first hero przeciwko commercial intent to gwarantowany rozjazd

   Jeśli 70% ruchu płatnego ma intencję commercial (konkretna sztuka, konkretny rozmiar, konkretna dostępność), hero opowiadający historię marki jest dla nich szumem. Sprawdzaj rozkład intencji w GSC zanim zaproponujesz redakcję strony głównej, a nie po dwóch tygodniach spadku CTR.

2. 02

   Dno dołka po 9 dniach to nie jest sygnał do paniki, tylko do stopu

   Klasyczny błąd to ratować spadające metryki dosypywaniem zmian. Drugi klasyczny błąd to bronić pierwotnej hipotezy przez kolejne dwa tygodnie. Trzecia droga — zatrzymać budżet na 48 godzin, przeanalizować dane bez emocji, zaprosić klienta do decyzji — kosztuje 48 godzin i ratuje miesiąc.

3. 03

   Price-anchor obok karty produktowej działa silniej niż jakikolwiek hook tekstowy

   Cena katalogowa przekreślona obok aktualnej, drobny komunikat o dostępności w magazynie i jeden numeryczny dowód społeczny (liczba sprzedanych w tym miesiącu) przebił wszystkie warianty copy nagłówkowego. Wniosek powtarzalny: użytkownik w segmencie premium chce sygnałów wartości, nie poetyki.

4. 04

   7 dni kontrolnej obserwacji bez zmian to twarde zobowiązanie pisemne

   Po pivocie pojawia się nieuchronnie pokusa kolejnych mikro-zmian z paniki — szczególnie u klienta śledzącego dashboard codziennie. Zobowiązanie pisemne, że przez 7 dni nikt z naszej strony i klienta nie ruszy ani copy, ani kreacji, jest tym, co odróżnia obserwację od spekulacji. Trzeba to dokumentować na piśmie, nie ustnie.

5. 05

   Raport finalny musi pokazywać dno dołka, nie tylko wynik końcowy

   Klient, który zobaczył spadek w dzień 9. i zaakceptował pivot w dzień 14., ma w głowie pełną trajektorię projektu. Próba sprzedaży końcowego wskaźnika +85–95% bez dnia 9. jest zaproszeniem do podejrzliwości — bo on i tak pamięta. Pełny wykres dzienny w raporcie 30-dniowym buduje zaufanie sześciokrotnie szybciej niż dowolny opis narracyjny.

Punkt wyjścia · baseline

Z jakiego terenu wystartowaliśmy

Sektor: instalacje przemysłowe HVAC oraz wentylacja przemysłowa dla obiektów o powierzchni 1000–5000 metrów kwadratowych. Klient — firma instalacyjna z osiemnastoletnim stażem, zespół 22 osoby, region południowo-zachodniej Polski. Roczny obrót w segmencie B2B, sprzedaż realizowana głównie poprzez polecenia oraz przetargi. Sprint zakontraktowano na 90 dni z konkretnym celem: zbudować równoległy kanał pozyskiwania zapytań handlowych przez Google Ads Performance Max, target ROAS 3× w pierwszym miesiącu. Ograniczenia twarde: brak historycznych danych konwersji w Google Ads (poprzednie kampanie były wyłącznie wyszukiwarkowe, bez ścieżek konwersji), produkt z 6–12-tygodniowym cyklem sprzedażowym i ticket pomiędzy kilkudziesięcioma a kilkuset tysiącami w polskiej walucie. Już na briefingu ostrzegliśmy klienta, że target 3× w pierwszym miesiącu jest niemożliwy do zrealizowania ze strukturalnego powodu — uczenie modelu PMax wymaga minimum 30–50 konwersji, a klient miał ich łącznie 7 w ostatnich 12 miesiącach w Google Analytics.

Pierwsze 30 dni · dlaczego PMax potrzebuje czasu

Co pokazały pierwsze dane

Miesiąc pierwszy zamknął się ROAS w przedziale 1.1–1.3× — czyli wyraźnie poniżej targetu, ale dokładnie w przedziale, który przewidzieliśmy na briefingu (1.0–1.5×). PMax licytował tani ruch informacyjny: zapytania typu „jak działa rekuperacja", „instrukcja montażu wentylacji", „cena wentylatora przemysłowego". Click-through z reklam był wysoki (4.2–5.1%), ale ścieżka konwersji się sypała — użytkownicy z intencją informacyjną nie pytają o ofertę instalacji, pytają o instrukcję DIY. Klient widział na dashboardzie ROAS 1.1× i naturalnie wszedł w fazę niepokoju. Zamiast łamać przedziały, które zakontraktowaliśmy na briefingu, przesłaliśmy klientowi wykres trajektorii uczenia PMax z dokumentacji Google (30–50 dni do pierwszej fazy stabilizacji) i poprosiliśmy o cierpliwość do dnia 45. Najtrudniejsze nie było wytłumaczenie modelu — najtrudniejsze było obronić pierwotny plan przed klientem, który po dwóch tygodniach widzi „niski ROAS" i chce eskalować zmianę.

Decyzja zmiany strategii

Co konkretnie zmieniliśmy

W dniu 38. zatwierdziliśmy z dyrektorem handlowym klienta jedyną dużą zmianę całej kampanii: załadowanie do Google Ads listy Customer Match z poprzednich 240 klientów B2B (z e-maili wyciągniętych z CRM, po pisemnej zgodzie marketingowej każdego z nich). Customer Match w PMax działa jako sygnał audience signals — PMax używa tej listy do modelowania lookalike i przesuwa licytację w stronę użytkowników podobnych do realnych nabywców, nie do osób szukających instrukcji montażu. Ten ruch był naszą najmocniejszą interwencją w cały Sprint. 10 dni obserwacji kontrolnej, bez zmian w copy, bez zmian w stawkach, bez nowych kreacji. Próbka decyzji: 240 kontaktów Customer Match × 6–12 tygodni cyklu sprzedażowego = sygnał wystarczający, żeby PMax zaczął odróżniać tani ruch DIY od ruchu komercyjnego.

Wynik końcowy · 90 dni vs cel

Co dostarczyliśmy vs cel

Miesiąc trzeci zamknął ROAS w przedziale 3.8–4.2× — znacząco nad targetem początkowym 3×, na ostatecznej trajektorii wyraźnie nad oczekiwaniami klienta. Cykl zapytań handlowych z PMax podwoił się względem baseline historycznego z wyszukiwarki, a koszt pozyskania zapytania spadł o 38–44%. Najważniejsze obserwacje strukturalne: PMax potrzebował 50–60 dni od startu, żeby przejść z fazy uczenia tani-ruch-bez-konwersji do fazy stabilizacji commercial-intent. Customer Match list nie tylko poprawiła ROAS — zmieniła charakter ruchu. Klient w miesiącu trzecim podpisał trzy duże zlecenia z PMax, każde z sześciocyfrowym budżetem instalacyjnym, każde z cyklu, który wystartował między 5. a 8. tygodniem kampanii (czyli ze ruchu z dnia, gdy ROAS jeszcze mieścił się w przedziale 1.5–1.9×).

Co poszło nie tak · 5 lekcji

Pięć obserwacji z terenu

1. 01

   PMax bez audience signals to PMax licytujący najtańszy ruch

   Google PMax bez sygnału audience signals (Customer Match, dane z CRM, listy konwersji) optymalizuje pod CPC, a nie pod realny komercyjny rezultat. Wynik: tani ruch informacyjny, wysoki CTR, zero konwersji. Customer Match w produktach B2B z długim cyklem sprzedaży jest nie opcją, tylko warunkiem brzegowym.

2. 02

   50–60 dni to twarda granica uczenia modelu, nie miękka rekomendacja

   Dokumentacja Google mówi „minimum 30 konwersji w 30 dni". Dla produktu z cyklem 6–12 tygodni i ceną sześciocyfrową ta granica realnie wynosi 50–60 dni od pierwszego kliknięcia do pierwszej konwersji. Kontraktowanie targetu ROAS w miesiącu pierwszym jest zaproszeniem do nieuczciwej rozmowy z klientem już w drugim tygodniu kampanii.

3. 03

   Lista z CRM (po zgodzie marketingowej) jest najsilniejszym sygnałem dla PMax

   Customer Match z realnych klientów B2B przebił wszystkie inne sygnały — segmenty demograficzne, intencje wyszukiwania, listy podobne z YouTube. Powód: PMax uczy się na realnych ścieżkach decyzyjnych, a nie na proxy zachowań. Każda firma B2B ma tę listę i nie korzysta z niej w 90% przypadków.

4. 04

   Zarządzanie oczekiwaniami klienta w m1 jest częścią dostarczenia kampanii

   Większość kampanii PMax dla B2B z długim cyklem ginie nie z powodu konfiguracji, tylko z powodu paniki klienta po dwóch tygodniach „niskiego ROAS". Dokumentacja Google, wykres trajektorii uczenia, prognoza w SoW i mail z briefingu — wszystko musi to przewidywać przed startem, nie po fakcie. Inaczej kampania zostaje wyłączona, zanim zacznie uczyć się modelu.

5. 05

   Konwersje z 5–8. tygodnia kampanii są efektem ruchu z 2–3. tygodnia

   W produktach z 6–12-tygodniowym cyklem sprzedażowym konwersja w miesiącu trzecim jest opóźnionym efektem ruchu, który początkowo wyglądał na tani i pozbawiony intencji. Atrybucja oparta wyłącznie na ostatnim kliknięciu okłamuje raport miesięczny — model atrybucji data-driven w Google Ads jest tu obowiązkiem, nie ozdobą.