Donna Store
Google Ads · Checklist operacional · Abril 2026
28
Health score
2,1×
ROAS real (meta: 4,5×)
R$2.840
Desperdício ativo/mês
Investimento mensal
R$12.400
Budget: R$13.000/mês
ROAS reportado vs. real
3,2× vs. 2,1×
PMAX inflado com brand — aquisição real é 2,1×
Budget em PMAX sem sinais
73%
R$9.052/mês rodando sem audience signals configurados
Progresso do setup
0 / 8 concluídos
🔴 Crítico — resolver antes de qualquer ajuste de verba
3 itens
Crítico +15 pts health ⚡ Pode automatizar PMAX sem audience signals — Google aprendendo do zero
3 asset groups ativos sem nenhum audience signal configurado. Sem sinal, o PMAX leva 30–45 dias por ciclo de campanha para convergir — gastando verba em inventário de baixa qualidade até descobrir quem converte. Customer Match de compradores existe na conta mas não está vinculado a nenhum asset group. R$9.052/mês em budget sem direcionamento.
⏱ 1,5h Convergência 3× mais rápida
Passo a passo
  1. 1Campanhas → selecionar a campanha PMAX → Asset groups → editar cada asset group
  2. 2Scroll até Audience signals+ Adicionar audience signals → adicionar em camadas: (a) Customer Match de compradores últimos 90 dias, (b) In-market "Roupas e Acessórios de Moda", (c) Custom segment com termos de busca como "comprar vestido online", "moda feminina", URLs de concorrentes diretos
  3. 3Para cada asset group segmentado por categoria (ex: Vestidos, Calças, Acessórios): garantir que os signals reflitam a categoria — visitantes de /vestidos no signal do asset group de vestidos, não a audiência geral da loja
  4. 4Aguardar 14 dias e verificar em Insights → Audience insights se o Google está encontrando o público definido ou expandindo muito além
⚠️ Audience signals são sugestões, não filtros — o PMAX pode sair do público definido. O sinal serve para acelerar o aprendizado inicial, não para restringir alcance. ⚡ A skill pode verificar via API quais asset groups estão sem audience signals e listar em segundos.
Crítico +12 pts health ⚡ Pode automatizar PMAX canibalizando Shopping Standard — histórico de 8 meses desperdiçado
PMAX e Shopping Standard rodando em paralelo para as mesmas categorias. Análise de search terms mostra que o PMAX capturou 64% das queries de alta intenção que antes convertiam na Shopping (ex: "vestido midi preto festa" — 34 conversões em 90 dias na Shopping, 0 após o PMAX ser ativado). O algoritmo da PMAX reiniciou o aprendizado do zero, descartando 8 meses de histórico de conversão da Shopping Standard.
⏱ 1h R$1.240/mês recuperados
Passo a passo
  1. 1Confirmar quais categorias têm histórico forte na Shopping Standard: Shopping → Search terms → filtrar por conversões nos últimos 90 dias → exportar
  2. 2Para categorias com histórico: usar campaign labels no feed para criar prioridade — Shopping Standard como prioridade Alta para essas categorias, PMAX com prioridade Média para o restante
  3. 3Criar lista de negativas de marca e vincular à PMAX: Ferramentas → Biblioteca compartilhada → Listas de palavras negativas → + → adicionar variações do nome da marca
  4. 4Monitorar Auction Insights nas 4 semanas seguintes — Shopping Standard deve reconquistar as queries de alta intenção perdidas
⚠️ Nunca pausar PMAX abruptamente — o algoritmo precisa de transição gradual. Se for reduzir budget, diminuir 30% por semana. ⚡ A skill pode detectar via API sobreposição de search terms entre PMAX e Shopping ativa.
Crítico +10 pts health ⚡ Pode automatizar Listing groups flat — budget igual para margem de R$40 e R$380
Toda a loja em um único listing group "Todos os produtos" sem subdivisão. O PMAX distribui budget proporcionalmente entre um regata de R$49 (margem 18%) e um vestido de festa de R$380 (margem 62%). Resultado: 41% do budget gasto em SKUs com margem abaixo de 30%. Merchant Center tem o atributo google_product_category preenchido — segmentação é possível sem alteração de feed.
⏱ 1h R$860/mês realocados
Passo a passo
  1. 1Campanha PMAX → Products → verificar se está em "Todos os produtos" sem subdivisão → clicar no ícone de subdivisão
  2. 2Criar subdivisão por Categoria de produto (usar atributo google_product_category): ao menos 4 grupos — Vestidos, Calças & Bermudas, Acessórios, Outros
  3. 3Para cada categoria: definir ROAS alvo proporcional à margem — categorias de alta margem com ROAS alvo menor (mais agressivo), baixa margem com ROAS alvo maior (mais conservador)
  4. 4Excluir do listing: produtos fora de estoque há mais de 7 dias (custom_label "sem_estoque") e SKUs com menos de 3 vendas nos últimos 90 dias
⚠️ Exige que o feed do Merchant Center tenha custom_label_0 ou google_product_category bem preenchidos — verificar qualidade do feed antes de segmentar. ⚡ A skill pode ler via API a estrutura de listing groups e identificar quais estão flat.
🟡 Atenção — resolver na semana 1
3 itens
Atenção +8 pts health ⚡ Pode automatizar Remarketing sem segmentação de funil — carrinho e homepage com mesmo bid
Uma única lista de remarketing cobrindo todos os visitantes (últimos 30 dias) com bid adjustment uniforme de +20%. Visitante de homepage (taxa de compra histórica: 0,4%), visitante de PDP (2,1%) e abandonador de carrinho (8,7%) recebem o mesmo lance. Budget de remarketing distribuído em público que não demonstrou intenção real — carrinho abandonado deveria receber pelo menos 3× mais bid.
⏱ 45min R$540/mês em remarketing
Passo a passo
  1. 1Ferramentas → Gerenciador de público → verificar listas existentes → checar URLs e janelas de cada lista
  2. 2Criar 3 públicos segmentados: Visitantes de homepage (URL contém /, últimos 30d), Visitantes de PDP (URL contém /produto, últimos 14d), Abandonadores de carrinho (URL contém /carrinho sem conversão, últimos 7d)
  3. 3Nas campanhas Shopping e PMAX: aplicar os públicos com bid adjustments escalonados — Homepage: +0%, PDP: +25%, Carrinho: +50%
  4. 4Na campanha Search: criar RLSA dedicado para carrinho abandonado com copy específico (ex: headline 3: "Ainda no carrinho? Frete grátis hoje")
⚡ A skill pode criar os públicos segmentados via API e aplicar os bid adjustments nas campanhas automaticamente.
Atenção +7 pts health Customer Match desatualizado — comprando de volta quem já é cliente
Lista de Customer Match existe na conta mas foi carregada há 4 meses e nunca atualizada. 38% dos e-mails da lista estão expirados no Google (TTL de 180 dias). Resultado: campanhas de aquisição prospectam ativamente clientes que já compraram 2–3 vezes (estimado: 22% do budget de aquisição). Sem cross-sell ativo — zero campanhas usando a lista para alcançar compradores com novas coleções.
⏱ 30min R$420/mês em aquisição
Passo a passo
  1. 1Exportar do e-commerce (Shopify / VTEX / Nuvemshop) e-mails e telefones de compradores dos últimos 180 dias → CSV com colunas: Email, Phone, First_Name, Last_Name
  2. 2Ferramentas → Gerenciador de público → Suas listas de dados → editar lista existente → fazer novo upload → ativar "Correspondência aprimorada de clientes" para aumentar match rate
  3. 3Adicionar a lista atualizada como exclusão nas campanhas de aquisição — parar de pagar para prospectar quem já é cliente ativo
  4. 4Criar campanha de cross-sell dedicada usando a lista como targeting com copy de reengajamento: "Nova coleção chegou", "Itens que combinam com o que você comprou"
⚠️ Configurar atualização automática mensal da lista: agendar exportação do CRM + upload na primeira semana de cada mês. Match rate médio é 60–70% — lista precisa de volume mínimo de 1.000 contatos para funcionar.
Atenção +7 pts health ⚡ Pode automatizar Brand + non-brand na mesma campanha — ROAS real de aquisição escondido
Search terms mostra que 34% das conversões vêm de queries de marca ("donna store", "donna vestidos"). Como brand e non-brand dividem o mesmo tCPA, o Smart Bidding usa as conversões fáceis de brand para justificar lances mais altos no non-brand — que sozinho teria CPA real de R$68, não os R$44 reportados. O ROAS "bom" que o cliente vê é 40% sustentado por tráfego que converteria de qualquer forma.
⏱ 30min R$560/mês em eficiência
Passo a passo
  1. 1Confirmar volume: Search terms → filtrar por nome da marca → se queries branded representam mais de 20% das conversões, separação é obrigatória
  2. 2Criar campanha Brand Search com exact e phrase match das variações da marca + CPA alvo separado (brand tem CPA 3–5× menor — não contaminar o non-brand com esse número)
  3. 3Adicionar todas as variações de marca como negativas [exata] e [phrase] na campanha original (non-brand) para segmentar o tráfego sem sobreposição
  4. 4Após 30 dias: apresentar ao cliente o ROAS real de aquisição (non-brand isolado) — preparar para número pior que o atual e explicar que é o número real da máquina de aquisição
⚠️ O ROAS total pode parecer pior após a separação — é esperado. O que melhora é a visibilidade: o cliente passa a saber exatamente quanto custa adquirir um cliente novo. ⚡ A skill pode detectar queries branded em campanhas mistas e quantificar o impacto antes de fazer a separação.
🔵 Melhoria — após críticos resolvidos
2 itens
Melhoria +6 pts health Attribution window 30 dias — 2× maior que o ciclo real de decisão de moda
Relatório de lag de conversão mostra que 83% das compras ocorrem em até 14 dias após o primeiro clique (mediana: 8 dias). Com janela de 30 dias, a conta atribui crédito a cliques de 3–4 semanas atrás que não influenciaram a compra — sobrecontagem de assistidos que faz o Smart Bidding over-bider em palavras-chave que apenas apareceram no início do funil. Modelo de atribuição: Last Click (ignora pesquisas comparativas que precedem a compra).
⏱ 30min Sinal mais limpo
Passo a passo
  1. 1Confirmar ciclo real: Ferramentas → Atribuição → Relatório de lag de conversão → verificar em quantos dias ocorre 80% das compras
  2. 2Ferramentas → Medição → Conversões → abrir conversão "Compra" → editar → alterar Janela de conversão por clique do valor atual para o observado no relatório de lag (ex: 14 dias)
  3. 3Alterar Modelo de atribuição de Last Click para Data-Driven — obrigatório para e-commerce com ciclo de pesquisa comparativa. Se conversões < 300/mês: usar Linear como alternativa.
  4. 4Aguardar 21 dias sem julgamento de performance — o Smart Bidding vai recalibrar lances com base no novo modelo antes de mostrar resultados estáveis
⚠️ Reduzir a janela vai diminuir o número de conversões reportadas no curto prazo — são as atribuições anteriores saindo da janela. Avisar o cliente antes de fazer a mudança.
Melhoria +5 pts health ⚡ Pode automatizar Asset groups genéricos — mesmo copy para vestido de festa e moda íntima
1 único asset group para toda a loja com Ad Strength "Poor". Headlines genéricas como "Compre Moda Feminina Online" e "Qualidade e Estilo" sem nenhuma referência a categoria ou produto específico. 4 das 5 descriptions com rating "Low". O PMAX usa esses assets no Display, YouTube e Discovery — inventário de topo de funil sendo servido com copy de catálogo genérico que não converte. Diferenciação por categoria aumentaria CTR estimado em 2,1× nesses canais.
⏱ 1,5h +Ad Strength → -CPL
Passo a passo
  1. 1Campanha PMAX → Asset groups → verificar quantos grupos existem e o Ad Strength de cada um → identificar os com "Poor" ou "Good" (alvo: "Excellent")
  2. 2Criar ao menos 3 asset groups por categoria principal: Vestidos (headlines: "Vestidos para Todo Estilo", "Do Casual ao Festa", "Vestidos Entrega Rápida"), Calças & Shorts, Acessórios. O grupo genérico existente vira "Novidades / Outros"
  3. 3Para cada asset group: mínimo obrigatório — 5 headlines (incluindo 1 com a categoria explícita), 5 descriptions (incluindo 1 com benefício funcional: frete, troca, material), 3 imagens landscape, 1 portrait, 1 logo
  4. 4Vincular cada asset group ao listing group correspondente da mesma categoria — garantir que o copy e os produtos exibidos sejam coerentes
⚡ A skill pode verificar via API o Ad Strength de cada asset group e listar quais assets estão ausentes ou com rating Low — gerando um relatório de gaps de copy.
Impacto projetado — conforme itens concluídos
Receita recuperável / mês
R$5.200
Verba realocada + conversões desbloqueadas
Tempo economizado / mês
7,5h
Análise manual eliminada pela skill
Health score possível
98
Atual: 28 · Ganho máximo: +70 pts
Health score
28 atual 28
0 25 50 75 100
Contribuição por item
PMAX sem audience signals
+15 pts
· R$980/mês em convergência
PMAX canibalizando Shopping Standard
+12 pts
· R$1.240/mês recuperados
Listing groups flat — sem segmentação por margem
+10 pts
· R$860/mês realocados
Remarketing sem segmentação de funil
+8 pts
· R$540/mês em remarketing
Customer Match desatualizado
+7 pts
· R$420/mês em aquisição
Brand + non-brand — ROAS real escondido
+7 pts
· R$560/mês em eficiência
Attribution window 30d vs. ciclo real de 14d
+6 pts
· Sinal mais limpo
Asset groups genéricos — copy sem categoria
+5 pts
· R$320/mês via Ad Strength