Google Merchant Center i AI performance insights: jak czytać nowe dane o skuteczności produktów

Google Merchant Center AI performance insights to nowy raport dla sprzedawców, który ma pokazywać, jak marka i produkty pojawiają się w zakupowych doświadczeniach AI Google: AI Mode, AI Overviews w wyszukiwarce oraz aplikacji Gemini. Nie jest to jeszcze pełna analityka sprzedaży z AI ani zamiennik GA4, Google Ads czy klasycznych raportów produktowych. To raczej pierwsza warstwa pomiaru widoczności produktów w środowisku, w którym użytkownik nie wpisuje już tylko krótkiej frazy, ale pyta AI: „jakie buty do biegania dla początkującego z szeroką stopą?”, „jaki krem SPF pod makijaż?” albo „który ekspres do małej kuchni będzie najcichszy?”.

Najważniejsze jest właściwe odczytanie danych. Wysoki udział w widoczności AI nie oznacza automatycznie wzrostu sprzedaży, a niski wynik nie zawsze oznacza problem z kampanią. Raport pokazuje, czy produkty mają szansę pojawiać się w konwersacyjnych ścieżkach zakupowych. Dopiero po połączeniu tych danych z feedem, GA4, Google Ads, marżą, stanami magazynowymi i konwersjami można ocenić, co naprawdę wymaga optymalizacji.

TL;DR

• AI performance insights w Merchant Center pokazuje widoczność produktów w zakupowych powierzchniach AI Google. Chodzi m.in. o AI Mode, AI Overviews i Gemini, a nie o cały internet ani wszystkie systemy AI.
• Raport jest wdrażany stopniowo. Rollout obejmuje m.in. USA, Kanadę, Australię, Indie i Nową Zelandię; brak dostępu w panelu nie musi oznaczać błędu konfiguracji sklepu.
• Najważniejsze moduły to Share of Voice, Shopping Funnel Performance, Product Term Insights i Product Attributes Insights. Razem pokazują, gdzie marka pojawia się w AI, na jakim etapie ścieżki i przy jakich terminach produktowych.
• Największe ograniczenie to brak pełnej ścieżki kliknięcia i sprzedaży. Dane o widoczności trzeba łączyć z Google Ads, GA4, Merchant Center, CRM i danymi e-commerce.
• Optymalizacja polega na poprawie danych produktowych. Znaczenie mają opisy, atrybuty, warianty, dokumenty, FAQ produktowe, powiązane produkty, cena, dostępność, opinie i kompletność feedu.

Jakie zmiany wprowadza AI performance insights w Merchant Center?

Do tej pory e-commerce analizował skuteczność produktów głównie przez klasyczne raporty: kliknięcia, wyświetlenia, CTR, konwersje, ROAS, koszty kampanii, udział w aukcjach i jakość feedu. To działało w świecie, w którym użytkownik wpisywał frazę, klikał reklamę lub wynik zakupowy i przechodził na stronę sklepu.

Zakupowe powierzchnie AI zmieniają ten model. Użytkownik może zadać długie pytanie, doprecyzować potrzeby w kolejnej wiadomości, poprosić o porównanie produktów, a następnie dostać rekomendacje bez przechodzenia przez klasyczną listę wyników. Produkt może być widoczny jako część odpowiedzi AI, ale nie zawsze da się to odczytać z dotychczasowych raportów.

AI performance insights to raport w Google Merchant Center, który ma pomóc sprzedawcom zrozumieć, jak ich produkty są odkrywane w doświadczeniach zakupowych AI Google. Raport obejmuje widoczność w AI Mode, AI Overviews w wyszukiwarce oraz aplikacji Gemini.

Największa zmiana polega na tym, że widoczność produktowa w AI zaczyna być mierzalna z poziomu narzędzia należącego do Google. Nadal jest to wczesna warstwa raportowania, ale dla sklepów internetowych jest ważna, bo przenosi analizę z pytania „ile kliknięć wygenerował produkt?” na pytanie „czy produkt w ogóle pojawia się w konwersacyjnej ścieżce zakupowej?”.

Jak czytać cztery główne moduły raportu?

Raport nie powinien być czytany jak klasyczny raport kampanii. To nie jest lista słów kluczowych z kliknięciami i kosztem. Lepiej traktować go jako mapę widoczności produktu w AI.

Moduł raportu	Co pokazuje	Jak interpretować	Główne ograniczenie
Share of Voice	udział widoczności marki na powierzchniach AI względem podobnych marek	czy marka pojawia się w rozmowach zakupowych częściej czy rzadziej niż konkurencja	benchmark zależy od metodologii i grupy porównawczej
Shopping Funnel Performance	widoczność na etapach Discovery, Evaluation i Purchase	gdzie produkt znika ze ścieżki: przy odkrywaniu, porównaniu czy finalnej intencji zakupu	nie mówi samodzielnie, dlaczego użytkownik nie kliknął lub nie kupił
Product Term Insights	popularne terminy produktowe i udział marki dla tych terminów	jakie języki, potrzeby i określenia użytkowników warto uwzględnić w feedzie	terminy nie są tym samym co klasyczne słowa kluczowe z Google Ads
Product Attributes Insights	cechy produktów, których użytkownicy szukają w rozmowach z AI	które atrybuty warto uzupełnić, np. materiał, kolor, styl, pojemność, certyfikat	wymaga uporządkowanych danych produktowych i interpretacji biznesowej

Share of Voice nie powinien być rozumiany jako udział w rynku. To udział widoczności w określonym środowisku AI i w określonej grupie porównawczej. Wysoki wynik może oznaczać mocną obecność w odpowiedziach, ale sam w sobie nie potwierdza sprzedaży.

Shopping Funnel Performance jest szczególnie przydatny, bo dzieli widoczność według etapu ścieżki. Jeśli marka dobrze pojawia się w fazie Discovery, ale słabo w Evaluation, problem może leżeć w braku porównań, opinii, parametrów technicznych lub argumentów różnicujących. Jeśli widoczność spada przy Purchase, problemem może być cena, dostępność, koszty dostawy, zaufanie do sklepu albo brak danych transakcyjnych.

Dlaczego klasyczne raporty nie wystarczają przy zakupach konwersacyjnych?

Klasyczne raporty produktowe są nadal potrzebne. Merchant Center, Google Ads i GA4 pokazują dane, których AI performance insights nie zastępuje: kliknięcia, koszty, konwersje, przychody, produkty z problemami, statusy feedu i skuteczność kampanii. Problem polega na tym, że te raporty słabiej opisują etap przed kliknięciem w środowisku AI.

W wyszukiwaniu konwersacyjnym użytkownik nie zawsze zaczyna od nazwy produktu. Częściej opisuje sytuację, ograniczenia i preferencje. Przykład: „potrzebuję lekkiego wózka do małego mieszkania, który łatwo złożyć jedną ręką”. Taki prompt nie wygląda jak klasyczna fraza „wózek dziecięcy lekki składany”. AI musi rozpoznać intencję, cechy produktu, warianty i ograniczenia.

GEO (Generative Engine Optimization) w e-commerce oznacza optymalizację danych produktowych i treści tak, aby systemy generatywne mogły łatwo zrozumieć, kiedy produkt pasuje do potrzeby użytkownika. Nie chodzi o dopisanie kilku fraz do opisu. Chodzi o precyzyjne, kompletne i spójne dane: cechy, zastosowania, warianty, kompatybilność, materiały, rozmiary, dokumenty, opinie, FAQ i relacje między produktami.

Dlatego nowe raporty trzeba czytać razem z feedem. Jeśli użytkownicy pytają o „wodoodporne buty miejskie na zimę”, a produkty mają tylko ogólny opis „modne buty damskie”, AI ma mniej powodów, aby dopasować je do zapytania. Jeśli feed zawiera materiał, membranę, ocieplenie, przeznaczenie, sezon, rozmiary i warianty, szansa na trafne dopasowanie rośnie.

Jak działa raport technicznie?

W klasycznym wyszukiwaniu użytkownik wpisuje zapytanie, system dopasowuje wyniki, a raportowanie opiera się na wyświetleniach i kliknięciach. W AI Mode lub Gemini proces jest bardziej złożony. Model analizuje wielowątkowe pytanie, rozbija je na potrzeby i cechy produktu, przeszukuje dostępne dane produktowe, a następnie generuje odpowiedź z rekomendacjami.

W uproszczeniu proces wygląda tak:

1. Użytkownik zadaje konwersacyjne pytanie zakupowe w AI Mode, AI Overviews lub Gemini.
2. Model analizuje intencję, ograniczenia i cechy produktu.
3. System korzysta z danych produktowych z Merchant Center oraz innych sygnałów Google.
4. W odpowiedzi AI pojawiają się produkty, marki, terminy lub atrybuty.
5. Merchant Center rejestruje widoczność jako dane do raportu AI performance insights.
6. Panel pokazuje udział widoczności, etapy lejka, terminy produktowe i luki w atrybutach.

W praktyce Share of Voice można opisać uproszczonym wzorem:

Share of Voice = wyświetlenia AI marki / wyświetlenia AI marki i porównywanych konkurentów × 100%

To oznacza, że Share of Voice jest metryką względną. Może rosnąć, gdy marka poprawia widoczność, ale także wtedy, gdy konkurencja traci ekspozycję. Może spadać mimo stabilnej liczby wyświetleń, jeśli konkurenci zwiększają obecność w AI szybciej.

Jakie znaczenie mają atrybuty konwersacyjne?

Google zapowiedziało także Conversational Attributes, czyli dane produktowe dopasowane do bardziej naturalnego sposobu wyszukiwania. Ich rola polega na tym, aby produkt był opisany nie tylko katalogowo, ale również w sposób pomagający AI odpowiedzieć na pytania użytkownika.

Atrybut / obszar danych	Co opisuje	Zastosowanie w AI Shopping	Praktyczna kontrola
question_and_answer	pytania i odpowiedzi dotyczące produktu	pomaga AI odpowiadać na wątpliwości w fazie Evaluation	dodać realne FAQ z obsługi klienta i kart produktu
related_product	produkty powiązane, akcesoria lub alternatywy	wspiera rekomendacje zestawów, zamienników i upsell	mapować akcesoria, warianty i kompatybilne produkty
document_link	instrukcje, certyfikaty, karty techniczne	daje AI źródła do cech technicznych i zgodności	linkować dokumenty dla produktów technicznych i regulowanych
variant_option	warianty produktu, np. rozmiar, kolor, pojemność	ułatwia dopasowanie konkretnej wersji do zapytania	uporządkować warianty w feedzie i na stronie
product attributes	materiał, kolor, styl, przeznaczenie, cechy	podstawa dopasowania do zapytań konwersacyjnych	uzupełnić brakujące atrybuty według raportu

Największy błąd to traktowanie atrybutów jako pola SEO do upychania fraz. Atrybuty powinny być prawdziwe, spójne z kartą produktu i użyteczne dla klienta. Jeśli produkt nie jest wodoodporny, nie powinien pojawiać się w danych jako „waterproof” tylko dlatego, że użytkownicy często o to pytają.

Jakie ograniczenia ma obecna wersja raportu?

Pierwsze ograniczenie to dostępność. Raport jest wdrażany stopniowo w USA, Kanadzie, Australii, Indiach i Nowej Zelandii. Dla sklepów działających w Polsce lub szerzej w Unii Europejskiej oznacza to, że funkcja może nie być jeszcze widoczna w panelu. Strategię można przygotowywać wcześniej, ale nie należy zakładać natychmiastowego dostępu do danych.

Drugie ograniczenie to brak pełnych danych kliknięć i transakcji. Raport koncentruje się na widoczności produktów w AI. Nie odpowiada samodzielnie na pytania: ile sesji przyszło z AI, ile transakcji wygenerowały powierzchnie AI, jaki był ROAS i które kliknięcia doprowadziły do zakupu.

Trzecie ograniczenie to metodologia porównania. Share of Voice zależy od tego, jak Google definiuje podobne marki, powiązane zapytania i powierzchnie AI. Z punktu widzenia analityki oznacza to konieczność ostrożnego porównywania wyników miesiąc do miesiąca.

Czwarte ograniczenie to integracje. Obecna wersja raportu ma ograniczenia w automatyzacji i nie daje pełnego dostępu przez Merchant API. Jeśli analiza wymaga masowego eksportu, własnych dashboardów i połączenia z BI, może być potrzebna praca ręczna lub rozwiązania pośrednie.

Jak mierzyć skuteczność optymalizacji w AI performance insights?

Najlepszy pomiar łączy raport AI z danymi biznesowymi. Widoczność w AI jest początkiem diagnozy, a nie końcem analizy.

Wskaźnik	Co mierzy	Jak / gdzie mierzyć	Jak interpretować
Share of Voice AI	udział widoczności marki w powierzchniach AI	AI performance insights w Merchant Center	czy marka zyskuje lub traci ekspozycję względem podobnych marek
Funnel Visibility	widoczność na etapach Discovery, Evaluation i Purchase	moduł Shopping Funnel Performance	gdzie produkt wypada ze ścieżki zakupowej
Product Term Coverage	udział marki dla popularnych terminów produktowych	Product Term Insights	czy język feedu odpowiada temu, jak użytkownicy pytają AI
Attribute Completeness Score	kompletność atrybutów produktów	Product Attributes Insights i diagnostyka feedu	które braki w danych ograniczają dopasowanie produktów
AI-to-Business Impact	wpływ widoczności AI na sprzedaż, leady lub popyt brandowy	GA4, Google Ads, Merchant Center, CRM, raporty brand search	czy wzrost widoczności łączy się z ruchem, konwersją lub popytem

W praktyce warto stworzyć dashboard, który zestawia widoczność AI z danymi produktowymi. Jeśli Share of Voice rośnie, ale sprzedaż nie, można sprawdzić: cenę, dostępność, koszty dostawy, opinie, zdjęcia, pozycję konkurencji, jakość karty produktu i kampanie. Jeśli widoczność AI spada, a Attribute Completeness Score pokazuje braki, priorytetem staje się uzupełnienie feedu.

Jak używać danych do optymalizacji feedu?

Pierwszy scenariusz to niski Share of Voice dla ważnej kategorii. Oznacza to potrzebę porównania danych produktowych z konkurencją: tytułów, opisów, wariantów, atrybutów, cen, dostępności, opinii i zdjęć. Często problemem nie jest brak kampanii, tylko zbyt ubogi feed.

Drugi scenariusz to dobra widoczność w Discovery, ale słaba w Evaluation. Wtedy użytkownicy widzą markę na etapie ogólnego odkrywania, ale AI nie wybiera jej przy porównaniu. Pomagają tabele cech, przewagi produktowe, opinie, FAQ, parametry techniczne, certyfikaty i lepsze opisy zastosowań.

Trzeci scenariusz to dobra widoczność w Evaluation, ale słaba w Purchase. Tu warto sprawdzić elementy transakcyjne: cenę, promocje, dostępność, czas dostawy, opcje płatności, zwroty, zaufanie do sklepu, ocenę sprzedawcy i spójność informacji między feedem a stroną produktu.

Czwarty scenariusz to popularne Product Terms, których nie ma w opisach i atrybutach. Jeśli użytkownicy pytają o „bez niklu”, „dla alergików”, „do indukcji”, „do małej kuchni”, „z recyklingu” albo „dla początkujących”, a produkt faktycznie spełnia te cechy, dane powinny to jasno pokazywać.

Jak agentowe zakupy zmienią e-commerce?

AI performance insights jest częścią szerszej zmiany. Google rozwija Universal Commerce Protocol, Universal Cart, płatności przez Google Pay oraz scenariusze, w których użytkownik może przejść od rozmowy z AI do zakupu szybciej niż w klasycznym modelu wyszukiwania. Ten kierunek widać także w integracjach z markami i platformami takimi jak Nike, Sephora, Target, Walmart, Wayfair, Shopify, Fenty, Steve Madden, Affirm i Klarna.

Dla sklepów oznacza to rosnące znaczenie danych produktowych jako infrastruktury sprzedaży. Opis produktu przestaje być tylko tekstem na karcie produktu. Staje się zbiorem sygnałów dla AI: czym jest produkt, dla kogo jest przeznaczony, z czym jest kompatybilny, jakie ma ograniczenia, jakie pytania rozwiązuje i kiedy warto go polecić.

Nie oznacza to, że klasyczny sklep internetowy traci znaczenie. Strona produktu nadal musi konwertować, budować zaufanie i obsługiwać transakcję. Zmienia się jednak wcześniejszy etap ścieżki: część decyzji może zapadać w rozmowie z AI, zanim użytkownik trafi na stronę.

Co firma powinna zrobić teraz?

Najpierw należy sprawdzić, czy konto działa w Google Merchant Center Next i czy dane produktowe są kompletne. Nawet bez dostępu do AI performance insights można przygotować feed na konwersacyjne wyszukiwanie.

Drugim krokiem jest audyt atrybutów. Dla każdej ważnej kategorii trzeba ustalić, jakie cechy realnie wpływają na decyzję użytkownika: materiał, zastosowanie, kompatybilność, rozmiar, kolor, wariant, sezon, certyfikat, pojemność, styl, energooszczędność, grupa docelowa, kraj produkcji lub sposób montażu.

Trzeci krok to aktualizacja opisów produktowych. Opisy powinny odpowiadać nie tylko na pytanie „co to jest?”, ale też „dla kogo to jest?”, „w jakiej sytuacji się sprawdzi?”, „z czym działa?”, „czym różni się od innych wariantów?” i „jakie ograniczenia trzeba znać przed zakupem?”.

Czwarty krok to uporządkowanie relacji między produktami. Powiązane produkty, akcesoria, zamienniki, warianty i zestawy pomagają AI proponować bardziej trafne rekomendacje.

Piąty krok to połączenie raportowania. AI performance insights powinno być analizowane razem z Merchant Center, Google Ads, GA4, danymi o sprzedaży, marży i dostępności. Sama widoczność w AI nie wystarczy, jeśli produkt nie jest dostępny, ma słabą cenę albo karta produktu nie buduje zaufania.

FAQ

Czym jest AI performance insights w Google Merchant Center?

To raport w Google Merchant Center, który ma pokazywać, jak marka i produkty są odkrywane w zakupowych powierzchniach AI Google, takich jak AI Mode, AI Overviews w wyszukiwarce oraz aplikacja Gemini.

Czy raport pokazuje kliknięcia i sprzedaż z AI?

Raport koncentruje się głównie na widoczności produktów, udziałach i etapach ścieżki zakupowej. Do oceny kliknięć, konwersji i przychodu nadal potrzebne są Google Ads, GA4, Merchant Center i dane e-commerce.

Jakie metryki są najważniejsze?

Najważniejsze są Share of Voice, Shopping Funnel Performance, Product Term Insights, Product Attributes Insights oraz Attribute Completeness Score. Razem pokazują widoczność marki, etap ścieżki, język użytkowników i braki w danych produktowych.

Jakie są nowe atrybuty konwersacyjne?

Do atrybutów konwersacyjnych należą m.in. question_and_answer, related_product, document_link, variant_option i popularity_rank. Ich zadaniem jest lepsze opisanie produktu dla konwersacyjnych zapytań AI.

Czy raport jest dostępny w Polsce?

Rollout obejmuje wybrane rynki, m.in. USA, Kanadę, Australię, Indie i Nową Zelandię. Brak potwierdzonej dostępności w Polsce oznacza, że lokalne sklepy powinny traktować raport jako nadchodzącą zmianę i przygotować dane produktowe z wyprzedzeniem.

Podsumowanie

Google Merchant Center AI performance insights pokazuje kierunek, w którym zmierza e-commerce: od klasycznego raportowania kliknięć do pomiaru widoczności produktów w rozmowach zakupowych z AI. To duża zmiana, ale nie powód do porzucenia dotychczasowej analityki. Nowy raport trzeba czytać jako dodatkową warstwę: widoczność w AI, udział marki, etapy lejka, terminy produktowe i kompletność atrybutów.

Największą wartość zyskają sklepy, które połączą te dane z praktyczną optymalizacją feedu. Konwersacyjne opisy, pełne atrybuty, dokumenty, FAQ produktowe, relacje między produktami, dostępność i spójne dane strukturalne będą coraz ważniejsze dla odkrywania produktów w AI Mode, AI Overviews i Gemini.

Najrozsądniejszy krok na teraz to przygotować fundamenty: Merchant Center Next, uporządkowany feed, kompletne atrybuty, lepsze opisy produktów i dashboard łączący widoczność AI z danymi sprzedażowymi. AI performance insights nie odpowie samodzielnie na pytanie, dlaczego klient kupił. Może jednak pokazać, czy produkt w ogóle pojawił się w rozmowie, która do zakupu prowadzi.

Źródła:

1. Insights for AI-powered shopping experiences coming soon
2. How we’re helping retailers thrive with new Universal Commerce Protocol features and AI tools on Google
3. Google launches AI Performance Insights and Conversational Attributes in Merchant Center
4. New Google Merchant Center AI Performance Insights
5. Merchant Center AI Performance Insights Pilot Explained
6. AI Performance Insights in Merchant Center
7. Google to add AI performance report to Merchant Center