复合案例：从黑箱 PMax 回退到 Shopping，再迁出高价值 Search

案例说明：本文为复合虚拟案例，由多个常见运营情境抽象重组，不对应任何真实品牌、站点、账号、客户或单一项目；名称、过程与数据均为虚拟示意，不可用于反推来源。

这次迁移成功的关键不是找到“更强 campaign”，而是先用更可读的结构找证据，再让每种 campaign 只承担一个角色。

先做判断

一个多商品账户的 PMax 花费指数保持在 100 左右，平台收入指数在约 85—105 间波动。团队能看到少数商品持续成交，却无法解释其他商品为何几乎没有有效流量；品牌与非品牌也混在一起。直接加预算或重建 Asset Group 都缺少证据。

初步判断：先恢复商品与查询可读性，而不是继续优化黑箱平均值。

迁移过程

第一阶段冻结原 PMax，不改目标与页面，抽出一组代表性商品进入小规模 Standard Shopping 对照。商品按库存、毛利和业务角色分组，避免全目录一起测试。观察一个完整转化周期后，团队发现部分“低表现商品”其实曝光不足，另一些商品虽然点击多，却因标题与落地变体错位带来低质流量。

第二阶段修 Feed 与页面，只改商品表达和默认变体，不同时改出价。修复组的点击后行为指数改善，说明问题主要在输入与承接，而不是 campaign 类型本身。

第三阶段从 Shopping 查询中识别高价值、意图明确且能稳定承接的主题，将其迁到 Search，以便控制文案、页面和查询所有权。其余长尾保留在商品流量中探索。已验证赢家商品再进入范围受限的 PMax 扩量，品牌边界单独设置。

最终，账户总收入指数不是瞬间跳升，而是在约 110—125 区间逐步稳定；更重要的是，非品牌订单和贡献利润的波动收窄。迁移逻辑可对照PMax、Shopping、Search 组合指南，具体执行见三类 campaign 迁移手册。

决策框架：可读性是中间产物

回退到 Shopping 不是终点，而是为了回答三个问题：哪些商品有需求、哪些查询值得控制、哪些问题来自 Feed/页面。答案清楚后再决定保留、迁移或放大。若对照证明 PMax 已经带来更好增量，就没有必要为了“手动控制”强行回退。

每次迁移都保留基线和回退路径。先迁商品子集，再迁查询角色，最后才调整预算；这样即使某一步失败，也能知道失败发生在哪一层。

常见误判

• 把回退 Standard Shopping 当作反自动化立场，而不是诊断手段。
• 全目录一次迁移，促销、学习和商品结构同时变化。
• 从查询报告看到订单就立刻建 Search，没有验证意图与利润能否重复。
• 修 Feed、页面和出价同时进行，无法知道改进来自哪里。

验证清单

• 原结构的花费、订单、品牌与商品基线已保存。
• 对照商品按库存、毛利和角色选择，范围可回退。
• Feed、页面、出价与结构变更分阶段执行。
• 高价值查询在迁入 Search 前已验证意图、利润和可承接页面。
• PMax 只接收已定义的探索或放大任务与商品边界。
• 当前竞价和路由规则已从官方资料回查。

适用边界

该案例适合商品数量较多、PMax 可解释性不足且有足够流量做对照的账户。极低量账户可能无法同时维持多个对照容器，应缩小商品范围或延长周期。不同市场、季节和平台规则会影响结果，不能把案例中的指数区间当作目标或门槛。