Labelizer

Un brand italiano del settore Home Furniture & Design con un catalogo di oltre 40.000 referenze ha attivato il canale Google Ads sul mercato spagnolo registrando performance contenute. Il problema non era la domanda – la categoria era cercata – ma la struttura: campagne troppo larghe, prodotti con margini molto diversi trattati allo stesso modo, budget disperso su SKU non strategici. La sfida era massimizzare il ROAS senza espandere il budget pubblicitario, lavorando in profondità sul feed e sull'architettura delle campagne Performance Max. Il caso è interessante perché evidenzia un punto cieco comune nei retailer con catalogo ampio: il paid search funziona "a sentimento" se non viene supportato da un layer di intelligenza dei dati.

#Il Problema

In uno scenario con 40k prodotti, l'algoritmo di Google Ads tende a privilegiare i bestseller già consolidati, lasciando in ombra l'80% del catalogo che potrebbe avere margini interessanti ma volumi inferiori. Le performance storiche sul mercato Spagna evidenziavano un Conversion Rate basso e un ROAS distante dagli obiettivi commerciali, con difficoltà evidente nel governare le priorità: il team Adv non aveva strumenti per indicare al sistema quali cluster di prodotti spingere e quali frenare. La situazione di partenza era quella di un budget pubblicitario completamente in mano all'algoritmo, senza meccanismi di indirizzo strategico.

Manca un layer di intelligenza tra il feed grezzo (Merchant Center) e l'algoritmo di bidding: i custom_label di Google sono pochi, statici e gestiti manualmente. Aggiornarli su 40.000 SKU ogni settimana è impraticabile senza automazione. Ed è esattamente qui che la maggior parte dei progetti e-commerce si arena: si capisce che servirebbe un sistema, ma non si trova il vendor che lo sappia costruire end-to-end, integrando dati di vendita, dati di campagna e logiche di marginalità in un'unica pipeline.

Aggiungiamo il contesto del mercato spagnolo: country in cui il brand non aveva ancora una notorietà consolidata, quindi nessun "scudo" di traffico branded che mascherasse i problemi del catalogo. Ogni euro speso doveva produrre conversioni misurabili. Senza un sistema di clustering, le campagne PMax convergevano sui pochi prodotti già performanti, sottoutilizzando una larga porzione del catalogo che a margine pieno avrebbe potuto contribuire al ROAS.

#La Soluzione WMR Intelligence

Abbiamo progettato un sistema di Smart Product Clustering chiamato Labelizer. Partendo dalle fonti dati incrociate – GA4, Merchant Center e la Business Intelligence del cliente – abbiamo segmentato l'intero catalogo di 40k prodotti in 7 cluster di performance, calcolati combinando ROAS atteso, margine e velocità di vendita.

Ogni cluster viene mappato su una struttura di campagne Google Ads (Performance Max) speculare alla segmentazione: le risorse pubblicitarie seguono il valore reale dei prodotti, non le scelte di default dell'algoritmo. Il team Adv del cliente può intervenire autonomamente sulle soglie dei cluster (es. spostare la soglia ROAS da 4 a 4.5) senza dover toccare il feed: la riassegnazione dei prodotti avviene in automatico.

Il delivery operativo è un feed supplementare aggiornato settimanalmente che si appoggia al Merchant Center con i nuovi custom_label. Niente migrazioni invasive, niente lock-in: il sistema convive con qualunque setup esistente e si integra in pochi giorni. Questo è un punto critico per chi valuta un progetto del genere: spesso la paura non è il costo del progetto, è il rischio di interruzione delle campagne attive. Con il feed supplementare il rischio è zero, perché il feed primario rimane intoccato.

Sotto il cofano, Labelizer combina tre elementi tecnici: un sistema di ingestion che legge GA4 e Merchant Center via API, un motore di clustering parametrico che consente di ridefinire le soglie senza riscrivere codice, e un'orchestrazione che produce e carica il feed supplementare al Merchant Center. Il tutto è monitorato con un cruscotto di health check che segnala anomalie (es. prodotti che cambiano cluster troppo spesso).

#Implementazione

Fase 1 – Audit: in due settimane abbiamo analizzato lo storico GA4 e BI per identificare le metriche di clustering più predittive sul settore home & furniture. Fase 2 – Modellazione: abbiamo definito le 7 fasce di performance e validato i cluster con il team commerciale, includendo dimensioni come stagionalità del prodotto e tempo medio di sell-through. Fase 3 – Deploy: connessione al Merchant Center e prima esecuzione del feed supplementare. Fase 4 – Restructuring campagne: la struttura PMax è stata riallineata ai nuovi cluster, con asset group dedicati per ciascuna fascia di performance.

Il go-live è avvenuto il 14 maggio 2025. La misurazione è stata fatta sui 30 giorni successivi con un confronto rigoroso vs. il mese precedente, isolando per quanto possibile gli effetti stagionali. Abbiamo monitorato in parallelo il dato BI lato cliente e il dato Google Ads, proprio per quantificare il gap di tracking che spesso confonde i marketer al momento del bilancio.

#Risultati & KPI

Nel periodo 14/05/2025 – 12/06/2025 abbiamo registrato:

• +49% Conversion Rate su Google Ads — segno che il traffico veniva instradato verso prodotti effettivamente convertenti.
• +32% Fatturato misurato dalla BI del cliente — il dato più importante, perché passa per il sistema gestionale.
• +10% Valore Conversioni rilevato da Google Ads — coerente, ma volutamente più contenuto del dato BI.

La differenza tra il +32% del fatturato BI e il +10% del valore conversioni Ads è una lezione tecnica importante: dimostra quanto il tracking cookie-based sottostimi sistematicamente il contributo reale del paid search. Solo incrociando i dati lato server (BI/gestionale) si capisce davvero che cosa ha funzionato.

#Cosa abbiamo imparato e replicabilità

Labelizer funziona bene quando ricorrono tre condizioni: catalogo ampio (oltre 5.000 SKU), marginalità eterogenea fra prodotti, attivazione su Performance Max o Shopping. Lo abbiamo replicato in più verticali (vedi il nostro case Product Data Optimization su Scarpamondo) e funziona bene anche su mercati dove la concorrenza paid è alta e i CPC sono in crescita. Il pattern è particolarmente efficace nei settori dove il margine medio per prodotto varia significativamente: arredamento, elettronica di consumo, fashion premium.

Il vantaggio strutturale è che il team marketing del cliente acquisisce uno strumento di governo: non deve più aspettare il prossimo intervento dell'agenzia per cambiare priorità. Le soglie sono parametriche, l'aggiornamento è settimanale, la logica è trasparente. È un cambio di paradigma rispetto al "black box" tipico dei progetti di consulenza: il cliente capisce esattamente perché un prodotto sta ricevendo budget o no.

Una seconda lezione riguarda la misurazione: il delta fra dato Ads e dato BI deve essere monitorato come KPI a sé stante. Più il delta è ampio, più significa che il sistema sta convertendo utenti che il tracking non riesce a tracciare correttamente. Per i CMO è una metrica fondamentale per giustificare investimenti in attribuzione server-side.

Se gestisci un e-commerce con un catalogo ampio e senti che Google Ads sta lavorando "alla cieca" sul tuo feed, è probabile che ci sia un problema di clustering. Ti aiutiamo a misurarlo e a costruire una struttura che metta i prodotti giusti davanti agli utenti giusti, partendo dai dati che hai già a disposizione.