Case: rebuild feedu Merchant Center — +220% Shopping

Case: rebuild feedu Merchant Center — +220% Shopping przychód w 6 miesięcy. E-commerce elektronika użytkowa, 1800 SKU, pre-rebuild: Shopping generowało 18% Google Ads przychód ze stagnującym trendem. Problem diagnostyczny: feed był „nieoptymalny” (generic titles, brak custom labels, 35% SKU bez GTIN), ale nikt nie wiedział jak poprawnie rebuild. Post-rebuild (6 miesięcy): Shopping wzrost +220%, ROAS Shopping z 3.8:1 na 8.9:1, udział Shopping w przychód Google Ads z 18% na 54%.

Część case studies marketing 2026. Powiązane PPC: Performance Max, Google Ads e-commerce. Kontrast SEO: SEO e-commerce B2B.

Spis treści

1. Klient i problem
2. Audyt feeda – 5 głównych problemów
3. Filar 1: Rewrite titles
4. Filar 2: Product taxonomy
5. Filar 3: Custom labels
6. Filar 4: GTIN coverage
7. Filar 5: Image quality
8. Wpływ na Performance Max
9. Narzędzia i automatyzacja
10. Finalne liczby
11. FAQ
12. Co dalej

Klient i problem

Klient: e-commerce elektroniki użytkowej (smartphones, akcesoria mobile, smart home, audio), 1800 SKU, 3 lata działalności, ~6 mln PLN rocznego przychód. Główne kanały: Google Ads (55%), Allegro (25%), organic SEO (15%), social media (5%).

Sytuacja przed

• Google Ads miesięczny spend: 42k PLN.
• Shopping kampania przychód: 45k PLN/mies = 18% Google Ads przychód.
• ROAS Shopping: 3.8:1 (margin pressed).
• Merchant Center status: 340 disapprovals, 1460 active (81% eligibility).
• Kampanie: 2 Shopping (Standard + Smart Shopping), 4 Performance Max.

Biznesowy problem

Shopping powinno być leading kanałem dla e-commerce elektroniki, nie 18% udziału. Stagnacja 12 miesięcy sugerowała problem strukturalny, nie cykliczny. Pozostałe Google Ads (Search + Display) też underperform’owały, bo Smart Bidding Performance Max nie miał dobrych Product data do optymalizacji. Więcej o tym zagadnieniu opisujemy w case.

Audyt feeda – 5 głównych problemów

Problem 1: Generic titles

• Przykład: „iPhone 15 Pro Max” – brak GB, color, nowość/używany.
• 81% SKU miało titles < 40 znaków (Google preferuje 100-150).
• Impression share dla Shopping: 34% (tracenie przez niski match quality).

Problem 2: Brak product taxonomy

• Wszystko w kategorii „Electronics > Mobile Phones”.
• Brak sub-kategoryzacji (Apple, Samsung, Xiaomi).
• Brak custom product_type mapowania.

Problem 3: Zero custom labels

• 5 custom labels dostępnych, wszystkie puste.
• Brak margin tier, sezon, stock level, new/sale, brand tier.
• Google Ads nie mogły segmentować kampanii per margin.

Problem 4: GTIN coverage 65%

• 35% SKU bez GTIN (głównie accessories bez producenta EAN).
• Google Shopping penalizuje (niższy impression share, często disapproval).

Problem 5: Low-quality images

• Standardowe zdjęcia producenta, resolution 800×800.
• Brak lifestyle shots, tylko white-background product.
• Brak multi-angle photos dla premium SKU.

Filar 1: Rewrite titles

Nowy format tytułu

[Marka] [Model] [Specyfikacja kluczowa] [Color/Storage] [Opcjonalne feature] — [Typ]

Przykłady before / after

Before	After
iPhone 15 Pro Max	Apple iPhone 15 Pro Max 256GB Natural Titanium – nowy, 24 mies gwarancji
Słuchawki Sony	Sony WH-1000XM5 bezprzewodowe z ANC, czarne – 30h baterii
Galaxy Watch 5	Samsung Galaxy Watch 5 44mm LTE Graphite – smartwatch z GPS, Health Tracker

Implementacja

• Użycie DataFeedWatch z rules: concatenation brand + model + specs + color.
• Manual QA dla top 200 SKU (highest przychód).
• Auto-generation dla reszty 1600 SKU z templates per kategoria.
• Czas: 3 tygodnie pracy feed specialist.

Efekt

• Impression share Shopping: 34% → 61%.
• CTR Shopping: 2.1% → 4.7%.
• Quality Score w Merchant Center: z „średni” na „wysoki” dla 78% SKU.

Filar 2: Product taxonomy

Google Product Category

• Pełna kategoryzacja zgodnie z Google taxonomy.
• Smartphones: „Electronics > Communications > Telephony > Mobile Phones”.
• Accessories: „Electronics > Mobile Phones > Accessories”.
• Wearables: „Electronics > Wearable Technology > Smart Watches”.

Własny product_type (3-poziomowy)

• Poziom 1: Główna kategoria (Smartphone, Audio, Wearable, Smart Home, Accessories).
• Poziom 2: Sub-kategoria (iPhone, Android flagship, Budżet phone, Headphones, Earbuds, Speakers).
• Poziom 3: Brand or detail (Apple, Samsung, Sony, Xiaomi, Bose, JBL).

Efekt

• Możliwość dedykowanych kampanii per kategoria (Smartphone vs Audio – różny ROAS, różna strategia).
• Performance Max łatwiej optymalizuje (Asset Groups per product_type).
• Shopping feed search matching precyzyjniejszy – fewer irrelevant impressions.

Filar 3: Custom labels

5 wdrożonych labels

• custom_label_0: margin tier (high > 20%, mid 10-20%, low < 10%).
• custom_label_1: sezon (evergreen, spring/summer, back-to-school, holiday).
• custom_label_2: stock level (healthy > 20 szt, medium 5-20, low < 5).
• custom_label_3: new/sale flag (new_arrival < 60 dni, on_sale, regular, clearance).
• custom_label_4: brand tier (premium_brand, mid_brand, budget_brand).

Użycie w kampaniach

• Kampania „High-margin premium”: filter custom_label_0=high + custom_label_4=premium_brand, tROAS 6:1.
• Kampania „Clearance”: filter custom_label_3=clearance, tROAS 2.5:1 (volume offload).
• Kampania „New arrivals”: filter custom_label_3=new_arrival, increased aggressive bidding (fresh content).

Automatyzacja

Custom labels generowane dynamicznie z backendu e-commerce + inventory management system. Aktualizacja co 24h. Brak ręcznej pracy po setup.

Filar 4: GTIN coverage

Problem

35% SKU (głównie accessories) nie miało GTIN. Google penalizuje takie SKU — niższy impression share, często auto-disapproval w Shopping.

Rozwiązanie

• Kontakt z dostawcami: 18% uzyskano oryginalnych GTIN.
• Dla remaining 17%: oznaczenie atrybutem „identifier_exists=false” (mandatory dla produktów bez GTIN).
• Własne wewnętrzne identifier kody generowane systemowo.

Efekt

• GTIN coverage: 65% → 83% (właściwe GTIN) + 17% poprawnie oznaczone „no GTIN”.
• Disapprovals w Merchant Center: z 340 do 38.
• Eligibility: 81% → 98%.
• Impression share Shopping (dla SKU bez GTIN wcześniej): +60%.

Filar 5: Image quality

Nowe standardy

• Minimum 1500×1500 resolution (vs 800×800 wcześniej).
• Dla top 300 SKU (80% przychód): minimum 4 zdjęcia – white-background + lifestyle + close-up detail + multi-angle.
• Dla pozostałych 1500: minimum 2 zdjęcia.

Produkcja

• Top 300 SKU: profesjonalna sesja (8 dni produkcji, 16k PLN).
• Pozostałe SKU: enhancement AI (upscaling, background removal) oraz zdjęcia z katalogów producentów (gdzie dostępne).
• Total czas: 6 tygodni.

Efekt

• CTR Shopping: dodatkowy +18% wzrost dla SKU z new photos.
• Conversion rate Shopping: +22% (users lepiej widzą produkt).
• Merchant Center „Image quality” metric: z „low-medium” na „high” dla 75% SKU.

Performance per kategoria produktowa

Nie wszystkie kategorie skorzystały równomiernie. Poniżej breakdown per kategoria 6 miesięcy po rebuild:

Smartphones (dominująca kategoria)

• Przychód wzrost: +180%.
• ROAS: 4.1:1 → 7.8:1.
• Kluczowe czynniki: GTIN coverage (100% smartphones producentów ma GTIN), better titles z storage + color + condition.
• Competitive niche — feed optymalizacja tu robi różnicę vs masa generic listings.

Audio (słuchawki, głośniki)

• Przychód wzrost: +320% (najwyższy).
• ROAS: 3.2:1 → 9.8:1.
• Powód: audio miało największą lukę title quality vs konkurencja + dobre marże umożliwiły aggressive tROAS.

Smart home (kamery, zamki, asystenci)

• Przychód wzrost: +190%.
• ROAS: 4.5:1 → 8.1:1.
• Custom labels szczególnie przydatne (różne przypadki użycia – security, convenience, energy).

Accessories (kable, ładowarki, etui)

• Przychód wzrost: +140% (najniższy).
• ROAS: 3.5:1 → 6.2:1.
• Powód: accessories wielu SKU (700+) — feed optymalizacja pomaga, ale commoditized niche ogranicza premium performance.

Wearables (smartwatche, fitness trackers)

• Przychód wzrost: +270%.
• ROAS: 4.8:1 → 10.2:1.
• Images miały największy impact – wearables kupuje się wizualnie, lifestyle shots kluczowe.

Wpływ na Performance Max

Przed rebuild

4 Performance Max kampanie miały slaby performance. Asset Groups luźno segmentowane, algorytm nie miał dobrej data do optymalizacji.

Po rebuild feed

• Podział na 8 Performance Max kampanii, każda z custom labels filtering.
• Asset Groups per brand tier + margin tier.
• Audience signals: customer match + site visitors z high-intent.
• ROAS Performance Max: 4.2:1 → 9.6:1.
• Przychód Performance Max: 38k PLN/mies → 112k PLN/mies.

Synergy effect

Feed + PMax razem dały 3.5x wzrost przychód (vs feed alone 2x). Właściwy feed „odblokował” potencjał Performance Max, który wcześniej był zablokowany słabymi danymi input.

Narzędzia i automatyzacja

Stack

• DataFeedWatch – feed transformation rules, title rewrites, custom labels logic. ~150 USD/mies.
• Channable – alternative, również good, ~200 USD/mies.
• GoDataFeed – tańsza alternatywa, ~80 USD/mies.
• Merchant Center Feed Rules — darmowe, limited functionality.
• Productsup — enterprise, 1000+ USD/mies.

Automatyzacje

• Inventory sync co 4h – stock levels → custom_label_2.
• Price monitoring – competitive prices vs own prices → alert dla pricing team.
• Feed validation – daily check przed push do Merchant Center.
• Disapproval monitoring — daily email raport z new disapprovals.

Monitoring Merchant Center

• Weekly review: disapproval reasons, eligibility trends.
• Monthly: full feed audit, titles refresh dla underperformers.
• Quarterly: strategic review – czy struktura custom labels nadal optymalna?

Timeline 6 miesięcy – krok po kroku

Miesiąc 1: Audyt i plan

• Pełny audyt obecnego feeda (manual review 100 top SKU, scripted analysis reszty).
• Identyfikacja top 5 problemów (title quality, taxonomy, labels, GTIN, images).
• Priorytetyzacja per przychód impact.
• Setup narzędzi: DataFeedWatch trial, Merchant Center diagnostic tools.
• Plan 6-miesięczny z milestones.

Miesiąc 2: Titles + taxonomy

• Manual rewrite top 200 SKU titles (80% przychód).
• Template-based auto-rewrite reszty 1600 SKU w DataFeedWatch.
• Google Product Category – full mapping 1800 SKU.
• Custom product_type 3-levels taxonomy design.
• QA check: 15% random SKU manual review.
• Deploy do Merchant Center, monitor errors 72h.

Miesiąc 3: Custom labels + GTIN

• Custom labels logic w DataFeedWatch (margin tier, sezon, stock, new/sale, brand tier).
• Integracja z inventory system dla real-time custom_label_2 (stock level).
• Integracja z backend dla custom_label_0 (margin tier).
• GTIN outreach do dostawców (18% uzupełnione).
• „identifier_exists=false” flag dla SKU bez GTIN.
• Deploy + monitor — impression share measurable improvement w 2 tygodnie.

Miesiąc 4: Images (część 1)

• Brief dla photographer: top 300 SKU requirements.
• Sesja studia: 8 dni produkcji, 300 SKU × 4 zdjęć = 1200 finalnych shots.
• Post-production (background removal, color correction, resize).
• Replace w Merchant Center.
• Lifestyle shots dla top 30 SKU — dodatkowe 3 dni produkcji.

Miesiąc 5: Images (część 2) + kampania restructure

• AI enhancement dla pozostałych 1500 SKU (upscaling, basic enhancement).
• Restructure Performance Max: 4 → 8 kampanii z custom labels filtering.
• Asset Groups per brand tier + margin tier.
• Audience signals refresh (customer match + high-intent visitors).
• tROAS targets per kampania (różne dla premium vs clearance).

Miesiąc 6: Fine-tuning i optymalizacja

• Daily monitoring top 20 SKU performance.
• A/B test titles dla underperforming SKU (2 variants).
• Fine-tune custom_label_0 thresholds.
• Image quality check dla bottom 10% performerów (czy images są issue?).
• Stable performance achieved, rutyny miesięcznej optymalizacji.

Finalne liczby (po 6 miesiącach)

Metryka	Baseline	Po rebuild	Zmiana
Shopping przychód	45k PLN/mies	144k PLN/mies	+220%
Udział Shopping w GAds	18%	54%	+36 pp
ROAS Shopping	3.8:1	8.9:1	+134%
Impression share Shopping	34%	72%	+112%
CTR Shopping	2.1%	5.3%	+152%
Merchant Center eligibility	81%	98%	+17 pp
Disapprovals	340	38	-89%
Przychód Google Ads total	250k PLN/mies	410k PLN/mies	+64%

ROI projektu

• Inwestycja: 28k PLN setup (feed tool, image production) + 4k PLN/mies running tools.
• Dodatkowy przychód Google Ads: +160k PLN/mies.
• Dodatkowa marża (20% profit): ~32k PLN/mies.
• Payback period: 5 tygodni.
• ROI 1-year: ~15x projektu setup.

Maintenance feeda — praktyki bieżące

Feed nie jest „set and forget”. Po rebuild potrzeba stałej disciplinej pracy dla utrzymania performance.

Rytuały dzienne

• Monitoring Merchant Center — nowe disapprovals, warnings.
• Inventory sync check – czy stock levels uaktualnione.
• Top 10 SKU performance — czy przychód stabilne.

Rytuały tygodniowe

• Feed health check — titles, categories, labels aktualne dla nowych SKU.
• Top 50 SKU review – opportunities, issues.
• Competitive prices check – czy jesteśmy konkurencyjni (wpływa na quality score).
• New SKU onboarding – standard checklist dla każdego nowego produktu.

Rytuały miesięczne

• Pełny feed audit – random 50 SKU deep review.
• Custom labels refresh – czy progi (margin tiers, sezon) nadal aktualne.
• Underperformers analysis – dlaczego bottom 5% SKU mimo feed quality.
• Competitive pricing strategy review.

Rytuały kwartalne

• Strategic review struktury — czy 5 custom labels nadal optymalne.
• Major SKU lifecycle – które kończą się, które zaczynają (stock management).
• Season planning – 60 dni przed każdym sezonem refresh relevant labels.
• Agency/internal team review.

5 kluczowych lekcji

1. Feed jest fundamentem, nie opcją

Bez dobrego feeda nic innego w Shopping/PMax nie zadziała – algorytm jest tak dobry, jak dane, które dostaje.

2. 5 filarów działa synergicznie

Title rewrite sam: +40% impact. All 5 filarów razem: +220%. Synergy effect wyraźnie obecny, nie chodzi tylko o sumę.

3. Custom labels są underutilized

90% e-commerce w Polsce nie używa custom labels. To największa „easy win” w feed optymalizacja.

4. GTIN to nie „nice to have”

35% SKU bez GTIN = 35% przychód potencjału pominięte przez algorytm. Priorytetyzować.

5. Images matter

Technical feed data optymalizacja daje +40% wzrost. Dodanie quality images: kolejne +30%. Nie lekceważyć wizualnego aspektu.

Błędy po drodze – co przeoczono

Błąd 1: Zbyt długie titles

Miesiąc 2: titles rewrite dał titles średnio 140 znaków. Google wskazał 15% z nich jako „za długie” – ucinał je w displayed SERP. Fix: refactor na max 120 znaków, kluczowe info w pierwszych 70 znakach.

Błąd 2: Custom labels zbyt granularne

Początkowe custom_label_0 miało 7 margin tiers (very_high, high, mid_high, mid, mid_low, low, very_low). Efekt: Performance Max nie mogło efektywnie grouped (za mało data per tier). Fix: uproszczenie do 3 tiers.

Błąd 3: Image quality refresh all at once

Wymiana wszystkich zdjęć w 1 tygodniu spowodowała Google re-crawl i 48h disruption w Shopping (niektóre SKU temporarily disapproved). Fix: staged rollout, 15-20% SKU daily, pełen update w 7 dni bez disruption. Pełen obraz tematu znajdziesz w kompletnym przewodniku case studies marketingu cyfrowego 2026.

Błąd 4: Ignorowanie seasonal prep

Black Friday zbliżał się w miesiącu 5, ale feed „sezonowy” tags nie były przygotowane. Fix: dodanie custom_label_3 = „black_friday_promo” dla 200 SKU, ale z opóźnieniem (idealnie powinno być 60 dni przed BF).

Błąd 5: Zbyt agressive tROAS

W miesiącu 5 ustawienie tROAS 10:1 dla wszystkich PMax – volume zduszony o 60%. Fix: tROAS per kampania (6:1 dla clearance, 8:1 dla mid, 10:1 dla premium), volume wrócił, ROAS utrzymany.

Gdzie ten framework NIE działa

Marketplace sellers

Dla sprzedawców na Allegro/Amazon (nie własny sklep) — Merchant Center feed rebuild daje ograniczone impact, bo marketplace ma własne feeds. Strategia tam: marketplace-specific optymalizacja (Allegro SEO, Amazon Listing Optymalizacja).

Firmy z < 200 SKU

Koszt rebuild narzędzi (DataFeedWatch ~150 USD/mies) nie zwraca się przy małym katalogu. Dla < 200 SKU: manual optymalizacja w Merchant Center native rules, bez dedicated feed tool.

Service businesses

Usługi nie mają standardowego Shopping integration. Google Ads dla services wymaga innych formatów (Local Services Ads, Search kampanie). Framework feed optymalizacja nie ma tu zastosowania.

High-ticket luxury

Produkty > 5000 PLN z długim consideration cycle – Shopping działa, ale marginalnie. Ludzie nie kupują luxury impulsywnie z Shopping ad. Dla luxury: display + remarketing + content marketing bardziej efektywne.

FAQ

Ile czasu zajmuje pełen rebuild feeda?

Dla 1000-2000 SKU: 4-8 tygodni przy 1 feed specialist + 1 developer part-time. Dla 5000+ SKU: 10-16 tygodni. Priorytety: top 200 SKU manual optymalizacja w pierwszych 2 tygodniach (80% przychód), reszta automation.

Czy DataFeedWatch jest konieczny?

Dla małych feeds (< 500 SKU) – Merchant Center native rules wystarczą. Dla 500-5000 SKU — DataFeedWatch/Channable to game-changer. Dla 5000+ SKU – Productsup lub enterprise solutions.

Co robić z SKU, które nie mają GTIN?

3 opcje: (1) kontakt z producentem o GTIN, (2) kupienie GTIN z GS1 dla własnej marki, (3) oznaczenie „identifier_exists=false” – Google zaakceptuje, ale lower priority. Opcja 1 najlepsza, opcja 3 akceptowalna.

Czy rebuild działa dla każdej niszy?

Dla e-commerce z produktami konkretnymi (elektronika, fashion, home) — tak. Dla usług, B2B SaaS, real estate — nie, Shopping nie jest primary kanał. Dla e-commerce z shipping-heavy products (meble) – działa, ale z dodatkowymi nuances (dimensions, weight).

Jak mierzyć sukces rebuilda?

Primary: Shopping przychód, ROAS, impression share. Secondary: PMax performance, overall Google Ads przychód, conversion rate. Leading indicators: Merchant Center eligibility, disapprovals, feed quality score. Mierz tygodniowo pierwszych 8 tygodni, potem miesięcznie.

Czy można zrobić to in-house?

Tak, ale wymaga: (1) feed specialist z doświadczeniem (inaczej 3x dłużej), (2) dostęp do photography (budżet lub in-house resource), (3) developer dla inventory sync automation. Dla firm bez tych kompetencji – agency. Dla firm z – in-house przy dobrym managemencie daje lepsze rezultaty.

Replikacja – co z tego case’u zastosujesz u siebie

Quick wins w 2 tygodnie

• Rewrite titles top 50 SKU (1-2 dni pracy feed specialist).
• Dodanie 1-2 custom labels (margin tier + new/sale).
• Check GTIN coverage, uzupełnij brakujące dla top 100 SKU.
• Manual review Merchant Center disapprovals — fix 80% z nich.
• Expected impact: +15-25% Shopping przychód.

Średnioterminowe wins w 2-3 miesiące

• Pełen rewrite titles wszystkich SKU.
• Dodanie 5 custom labels.
• GTIN coverage > 90%.
• Performance Max restructure per custom labels.
• Expected impact: +60-120% Shopping przychód.

Długoterminowe wins w 6 miesięcy

• Image quality refresh top 300 SKU (professional photography).
• Full automation (inventory sync, competitive pricing feed).
• Advanced PMax setup z audience signals.
• Expected impact: +150-250% Shopping przychód (jak w case).

Koszt replikacji

• Minimum (quick wins only): 5-10k PLN jednorazowo + agency hours.
• Standard (avg e-commerce): 25-50k PLN + 4-8k PLN/mies running (tools + maintenance).
• Premium (like this case): 80-150k PLN + 10-15k PLN/mies.

Expected ROI

Dla większości e-commerce z Google Ads spend > 25k PLN/mies, feed rebuild ROI jest 5-15x w pierwszym roku. Payback typowo 1-3 miesiące. To jeden z najlepszych ROI projektów w marketing performance.

Najczęstsze przeszkody w implementacji

• Brak feed specialist kompetencji: najwięcej firm nie ma nikogo dedykowanego. Rozwiązanie: freelance feed specialist (400-600 PLN/h) lub agency specjalizująca w feeds.
• Inventory system integration: custom labels dla stock levels wymagają technical integration. Rozwiązanie: Shopify/Magento plugins, własne API, lub weekly CSV updates jako fallback.
• Photography budżet: dla firm, które nigdy nie inwestowały w profesjonalne zdjęcia, 15-30k PLN initial może być shock. Rozwiązanie: prioritize top 100 SKU only, potem stopniowo reszta.
• Opór organizacyjny: „feed działa, po co zmieniać?”. Rozwiązanie: pilot na podgrupie SKU (np. 1 kategoria), demonstracja results, potem skala.
• Niedostępność GTIN: dla small accessories suppliers nie zawsze dostępne. Rozwiązanie: kupienie GTIN z GS1 dla najważniejszych, „identifier_exists=false” dla reszty.
• Konflikt priorytetów: feed rebuild konkuruje z innymi marketing projects o uwagę i budżet. Rozwiązanie: business case z prognoza ROI, często wyższą niż alternative projects – decision becomes łatwa.
• Continuity po rebuild: firmy, które robią rebuild ale potem nie utrzymują discipline, tracą performance w 6-9 miesięcy. Rozwiązanie: proces maintenance (opisany wyżej), dedicated ownership (1 osoba odpowiedzialna za feed health).

Sygnały, że potrzebujesz rebuild

• Shopping przychód stagnuje lub spada > 3 miesięcy.
• Merchant Center pokazuje > 100 disapprovals.
• Impression share Shopping < 50%.
• Konkurenci w SERP-ie wyprzedzają z gorszymi produktami — ich feed jest lepszy.
• Performance Max kampanie mają inconsistent performance — oznaka weak feed input.
• Brak custom labels aktywnie używanych w segmentacji kampanii.
• Nowi SKU pojawiają się w feed z minimalnymi title / description (shortcut onboarding).
• CTR Shopping < 2% mimo dużej impression share – problem jest quality feed lub images.
• Merchant Center pokazuje „Feed quality” score w kategorii „low” lub „medium” przez dłuższy okres monitoringu.
• Zgłoszenia od sprzedaży i customer service o niewłaściwym opisie produktów w SERP.

Co dalej

Feed Merchant Center to najbardziej underleveraged asset większości e-commerce w Polsce. Ten case pokazuje, że systematyczna 5-filarowa przebudowa daje 3x wzrost Shopping przychód w 6 miesięcy — większość innych marketing activities nie ma takich multiplier effects. Pierwsze kroki: (1) audyt własnego feeda przez 5 filarów (titles, taxonomy, custom labels, GTIN, images), (2) priorytetyzuj top 3 największe luki, (3) zacznij od titles (najszybszy impact), (4) dodaj custom labels + GTIN w parallel, (5) mierz tygodniowo pierwszych 8 tygodni.

Powiązane case studies: Performance Max (następny krok po dobrym feedzie), pełny e-commerce case (w którym feed jest jednym z 6 filarów). Pełny obraz: case studies marketing 2026. Merchant Center feed nie jest glamourous – ale to operational foundation, na której rośnie cały Google Ads stack e-commerce.