Shopping-sökfrågerapporten Google inte ger dig

En kund ställde mig en gång en fråga som borde gå att besvara med ett klick. Någon sökte på ”sladdlös dammsugare under 200”, klickade på Shopping-annonsen, och kontot betalade för det. Vilken av de 5 000 produkterna i feeden landade det klicket på? Jag öppnade sökfrågerapporten, sedan produktrapporten, och det fanns inget sätt att koppla ihop dem. Det går fortfarande inte. Google visar dig sökfrågan, Google visar dig produkten, men aldrig båda samtidigt.

För flera år sedan gav det gamla AdWords-API:et dig exakt den här kopplingen. Sedan försvann den i tysthet, och ingen inställning, ingen rapport och inget API-fält kan återskapa den. För en webbutik är den luckan inte kosmetisk. Kopplingen mellan sökfråga och produkt är där den verkliga optimeringen sitter: den visar om dina titlar matchar verklig efterfrågan, vilka produkter som drar skräptrafik och varför en produkt får klick men aldrig konverterar.

Tolv år av arbete med Google Ads API har lärt mig att när Google lägger ner en rapport kommer den inte tillbaka. Därför återskapade jag rapporten själv. Lösningen är nästan pinsamt enkel: en URL-parameter. Inom en vecka ger GA4 dig ett sökfråga × produkt-par för varje betalt klick, med sessioner, konverteringar och intäkt. Det tar några minuter att sätta upp; resten av den här artikeln handlar om vad du gör med resultatet.

Fixen: en parameter, två GA4-dimensioner

Auto-tagging och den manuella UTM:en krockar inte med varandra. Parametern gclid fortsätter att hantera källa, medium och kampanj; din UTM innehåller bara produkt-ID:t.

Vad du får (och vad du inte får)

Att dra ut rapporten ur GA4

Öppna Explore i GA4-gränssnittet och bygg en tabell i fritt format. Dimensionerna är Session manual ad content och Session Google Ads query. Mätvärdena är sessioner, nyckelhändelser (tidigare konverteringar) och köpintäkt. Filtrera på session source/medium som har värdet google / cpc.

För allt seriöst vill du ha Data API:t, för den här rapporten hör hemma i en dashboard eller en BigQuery-join, inte i en webbläsarflik:

from google.analytics.data_v1beta import BetaAnalyticsDataClient
from google.analytics.data_v1beta.types import (
    RunReportRequest, DateRange, Dimension, Metric, FilterExpression, Filter
)

request = RunReportRequest(
    property=f"properties/{GA4_PROPERTY_ID}",
    dimensions=[
        Dimension(name="sessionManualAdContent"),  # product ID
        Dimension(name="sessionGoogleAdsQuery"),    # search term
    ],
    metrics=[
        Metric(name="sessions"),
        Metric(name="keyEvents"),
        Metric(name="purchaseRevenue"),
    ],
    date_ranges=[DateRange(start_date="30daysAgo", end_date="today")],
    dimension_filter=FilterExpression(filter=Filter(
        field_name="sessionSourceMedium",
        string_filter=Filter.StringFilter(value="google / cpc"),
    )),
)

Koppla sessionManualAdContent till din produktfeed (id → titel, pris, kategori), så är rapporten komplett. Sökfråga, produkt, titel, konverteringar och intäkt i en och samma tabell.

Verifierat, inte teori

Vi rullade ut det här på live-kontot hos en tjeckisk elektronikåterförsäljare med 22 aktiverade Shopping-kampanjer. Sju dagar senare kollade jag GA4:

Nu den roliga delen: vad paren berättar för dig

1 · Titelgapet

Sätt sökfrågorna bredvid titeln och beskrivningen de utlöste. Felmatchningen sticker ut direkt:

Planen för produktfeeden skriver sig själv. Jag har ägnat de senaste två åren åt att bygga ett AI-verktyg som berikar produktfeeds. Om jag ska vara ärlig är svagheten i hela kategorin att effekten är svår att bevisa. Den här rapporten löser det. Skriv om titeln så att den matchar efterfrågan du just har belagt, och följ sedan hur CTR och konverteringsgrad förändras per sökfråga. AI-baserad berikning av produktfeeds slutar vara något du måste lita på utan belägg och blir en mätbar process.

2 · Vem mer syns på ”din” sökfråga, och med vilken produkt

En sak du inte kan göra är att lägga till negativa sökord per produkt. Google ger dig ingen sådan möjlighet i Shopping eller PMax. Så när ett sökfråga × produkt-par underpresterar leder frågan om hur du exkluderar det ingenvart. Den produktiva frågan är varför det underpresterar.

Ta sökfrågan och skrapa resultatsidan den ger just nu. Jag använder endpointen serp/google/organic/live/advanced hos DataForSEO. En POST med sökfrågetexten och location_code för din marknad returnerar hela resultatsidan som strukturerad JSON: betalda annonser, shopping-block med handlarnamn och priser samt organiska resultat under. DataForSEO fakturerar per SERP, och en SERP täcker upp till 10 resultat. Med det aktuella baspriset på ungefär 0,002 $ per SERP kostar det runt 0,40 $ att kolla 200 sökfrågor med standarddjup, exklusive eventuella avgifter för avancerade parametrar.

Ett typiskt fynd: din sovsäck i mellanklassen får klick från en generell sökfråga. På samma sökning visas tre lågprismärken i samma kategori till halva ditt pris. Produkten är helt okej. I just den auktionen förlorar produkten på priset.

Nu har du verkliga alternativ. Prissätt om. Lyft fram det som särskiljer produkten i titeln (”dunfyllning, −15 °C komfort”). Flytta produkten till en kampanj med budgivning som matchar den faktiska marginalen. Eller acceptera sökfrågan som toppen av tratten och bedöm den utifrån assisterande mätvärden i stället för enbart utifrån attribuering till sista klicket.

3 · Struktur- och budgivningsbeslut

Produkter som drar sökfrågor med hög köpintention förtjänar egna tillgångsgrupper och budgetar. Produkter som bara samlar generisk trafik hör hemma i uppsamlingsgrupper med konservativa mål. Den här rapporten ger shopping-segmenteringen ett bevisunderlag i stället för magkänsla.

4 · En hälsokontroll för PMax

PMax berättar nästan inget om söktrafiken. Den här rapporten är det närmaste du kommer en granskning av vilken söktrafik PMax faktiskt köper åt dig, per produkt.

Följ med när jag går igenom en verklig export, steg för steg

Allt ovan är varför. Nu kommer hur: vad du laddar ner, vad du tittar på och vilket faktiskt resultat du får.

Uppgifterna i det här avsnittet kommer från ett andra konto, en medelstor tjeckisk webbutik i lågprissegmentet. Butiken är inte elektronikåterförsäljaren från GA4-rutan ovan. Jag valde den här butiken eftersom katalogen är bred nog för att alla mönster ska synas i full skala. Jag hämtade butikens råa Shopping-sökfrågerapport via Google Ads API och lade den i en lokal SQLite-tabell innan jag körde aggregeringarna nedan. Ett förbehåll först. Den råa rapporten visar vilken annons- eller produktgrupp sökfrågan kopplades till, inte den enskilda produkten. Det är precis den lucka som UTM-lösningen fyller. Men redan på produktgruppsnivå visar siffrorna nedan tydligt vart utgifterna faktiskt går.

Källa för varje siffra i det här avsnittet: Google Ads Shopping-sökfrågerapport från ett medelstort tjeckiskt webbutikskonto, ~22,6 miljoner rader, data som hämtades i april 2026. Beloppen är omräknade från CZK med kursen ~25 CZK/EUR.

Steg 1 · Hämta rårapporten och mät omfattningen

Exportera Shopping-sökfrågerapporten via Google Ads API (search_term_view) till ett system där du kan köra GROUP BY, till exempel SQLite eller BigQuery. Innan du kopplar ihop eller filtrerar något, kör ett rent COUNT(*) och ett par SUM:ar. Du behöver förstå hur stor den råa datamängden är och hur mycket brus den innehåller, för just det faktumet ställer om alla förväntningar som följer:

22,6 miljoner rader, 5,4 miljoner unika sökfrågor. Ingen människa läser det. De här två antalen har bara ett syfte: att avfärda tanken på manuell granskning rad för rad. Den enda vägen framåt är att aggregera datamängden efter den dimension som betalar räkningarna.

Steg 2 · Släng 96 % innan du analyserar något

Räkna raderna med noll klick och filtrera sedan bort dem. Shopping-sökfrågerapporten loggar varje sökfråga som din annons visades för, och de flesta av dem fick aldrig något klick. Rader med bara exponeringar kan inte kosta dig något och kan inte konvertera. De är brus som får tabellen att se skrämmande ut.

WHERE clicks > 0 krymper tabellen till 738 444 rader, en storlek du faktiskt kan jobba med.

96,7 % av den skrämmande siffran var aldrig något annat än brus. Filtrera fram rader med klick innan du analyserar något, så bygger alla följande aggregeringar på rader som faktiskt medför en kostnad.

Steg 3 · Ställ den fråga som sätter kontot i ett nytt ljus

Sortera de klickade raderna i två grupper: ”konverterade minst en gång” och ”konverterade aldrig”. Summera sedan kostnaden för varje grupp. Det är den uppdelningen som förvandlar ”kontot är okej, ROAS är 6,8” till ”större delen av budgeten gör ingenting”. Beräkna den innan du överväger någon optimering:

85 % av budgeten gick till kombinationer av sökfråga och produktgrupp som aldrig konverterade.

Det är inget avrundningsfel du optimerar senare. Det är kontots största problem. Och du kunde bara se det eftersom du aggregerade varje sökfråga efter den produktgrupp som den kopplades till.

Steg 4 · Kolla om slöseriet är några få skurkar eller hela hopen

Sortera de klickade raderna efter kostnad, ta ut de översta 1 respektive 10 procenten och mät deras andel av den totala utgiften. Det här avgör din taktik. Om en handfull sökfrågor bränner budgeten pausar du dem och är klar. Om slöseriet är utspritt över många rader är det meningslöst att pausa sökfrågor; då behöver du strukturella förändringar:

Slöseriet är utspritt över många rader. De dyraste 1 % av raderna står för knappt en tiondel av utgiften, så att pausa 20 dåliga sökfrågor ändrar ingenting. I stället för att jaga enskilda sökfrågor, förbättra strukturen: bestäm vilka produkter som ska ligga i vilka kampanjer och med vilka mål. Och kom ihåg att Google ändå inte ens låter dig lägga till ett negativt sökord per produkt.

Steg 5 · Ta reda på varför långsvansen läcker: en sökfråga, många produkter

Räkna för varje sökfråga hur många distinkta produktgrupper den kopplades till. Det visar mekanismen bakom slöseriet. Shopping matchar en sökfråga utifrån signalerna i hela feeden, inte utifrån relevansen för en viss produkt. En enda sökfråga kan kopplas till orelaterade delar av katalogen, och du betalar för varje felmatchning.

Ett konkret fall från kontot. Sökfrågan ”antiskall-apparat” fortsatte bränna budget, så jag körde COUNT(DISTINCT ad_group) på den. Sökfrågan hade kopplats till 139 olika annons- och produktgrupper. Klicken kostade 39 € och gav i praktiken inga konverteringar. Sökfrågan ”lego technic” kopplades till 300 olika annons- och produktgrupper.

Nästan hälften av sökfrågorna är spridda över flera produktgrupper, och de värsta sökfrågorna kopplas till tusentals grupper. Det är därifrån kostnaden för trafiken utan konverteringar i steg 3 kommer. Och det är precis det du äntligen kan se när varje klick är kopplat till sitt produkt-ID.

Steg 6 · Granska de värsta felmatchningarna, för de är absurda

Hämta de dyraste raderna som aldrig konverterade och jämför varje sökfråga med den tillhörande produktgruppen. De aggregerade siffrorna visar problemets omfattning. Det är de här tre raderna du visar för chefen:

Sökfrågan ”hundträningshalsband” kopplades till gruppen Handväskor. Sökfrågan ”antiskall-apparat” kopplades till Babyprodukter. Produktgruppen har inget med sökfrågan att göra. Google kopplade sökfrågan till produktgruppen utifrån generella signaler från produktfeeden, registrerade klicket och debiterade kontot. Med sökfråga × produkt ser du det här med en enda blick; med Googles standardrapport kan du aldrig se det. (Kategorier översatta och anonymiserade.)

Steg 7 · Nu utdelningen: de 0,25 % som betalar för hela kontot

Gör motsatsen till steg 3. Isolera bara raderna som faktiskt konverterade och summera deras kostnad och intäkt. Det här är skälet till att hela övningen spelar roll. När du väl kan skilja vinnarna från raderna som belastar resultatet skyddar du vinnarna och stryper budgeten för resten.

En kvarts procent av raderna kör på 46,8× ROAS och bär i praktiken kontot. De andra 99,75 % drar ner den sammanvägda ROAS-siffran till 6,8×. Hela jobbet består i att hitta de 0,25 % av raderna, skydda deras budget och strukturera om resten så att det inte längre konkurrerar om samma pengar. Inget av det fungerar förrän varje rad anger vilken produkt annonsklicket gällde. Den uppgiften kommer från ett enda ställe: utm_content={product_id}, som du ställde in i början.

FAQ

CTA: Vilka av dina produkter förtjänar sina klick, och vilka kostar bara pengar? Lägg till parametern idag, så vet du om en vecka. Eller ge mig tillgång till ditt konto så läser vi rapporten tillsammans.