Miksi Google Shopping -liikenne ei näy GA4-raporteissa entiseen tapaan?
Google Analytics 4 ei enää erottele Performance Max -kampanjoiden kautta tulevaa Google Shopping -liikennettä omaksi kanavakseen oletusraporteissa. Tämä data suodatetaan automaattisesti uuteen Cross-Network-luokkaan.
Muutos hämmentää monia verkkokauppiaita. Ongelma ei ole datan katoaminen vaan sen muuttunut ryhmittelyperuste hakukonoraporteissa.
Tästä on tullut kauhistelua, miten shoppingista saatu liikenne on kuollut täysin. Se ei ole, vaan tämä on muuttunut eri muotoon raportoinnissa.
Kannattaa siis huomioida, etteivät mainoksesi ole oikeasti lakanneet toimimasta tai että kuluttajat olisivat lopettaneet tuotteidesi klikkaamisen Google-haun tuoteriveiltä. Kyse on puhtaasti siitä, miten uuden sukupolven analytiikkaohjelmisto käsittelee ja ryhmittelee Googlen eri mainosverkostoista tulevaa dataa.
Google Analytics 4 käyttää uutta lähestymistapaa, jossa useissa eri kanavissa samanaikaisesti toimivat kampanjatyypit eristetään omaksi kokonaisuudeksi. Kun siirrytään perinteisistä hakusanamainoksista ja tavallisista Shopping-kampanjoista kohti automaatiota, myös analytiikan on muututtava.
Tämä luo tarpeen ymmärtää uutta järjestelmää, jotta mainonnan tuottavuutta voidaan arvioida oikein.
Tututstu lisää Google hakumarkkinoinnin palveluumme!
Mitä Cross-Network-ilmiö tarkoittaa Google Analytics 4 -alustalla?
Cross-Network on GA4-alustan oletuskanavaryhmä, joka kerää useassa eri verkostossa samanaikaisesti näkyvien kampanjoiden liikenteen. Tähän ryhmään kuuluvat erityisesti Performance Max- ja Smart Shopping -kampanjat. Alusta ei jaa näiden kampanjoiden tuottamaa liikennettä erikseen hakuun, YouTubeen tai ostoskanaviin yleisissä raporteissa.
Kun tarkastelet GA4-omaisuutesi oletuskanavaryhmittelyä (Default Channel Grouping), törmäät nopeasti termiin Cross-Network. Tämä luokka on luotu ratkaisemaan modernin mainonnan mukanaan tuoma haaste, jossa yksi ja sama mainoskampanja voi näkyä useassa eri muodossa ja palvelussa.
Käytännössä Cross-Network kerää talteen kaiken liikenteen, joka on peräisin seuraavista lähteistä:
Performance Max (PMax) -kampanjat
Älykkäät Shopping-kampanjat (Smart Shopping)
Discovery-kampanjat (nykyisin Demand Gen)
Tietyt YouTube- ja Display-verkoston yhdistelmät
Kun käyttäjä klikkaa Performance Max -kampanjan kautta näkyvää tuotemainosta Google-haussa, GA4 ei sijoita tätä klikkausta "Paid Shopping" tai "Paid Search" -kategorioihin. Alusta tunnistaa kampanjatyypin ja ohjaa liikennetiedon suoraan Cross-Network-sateenvarjon alle.
Tämän seurauksena tavallinen verkkokauppias luulee Shopping-liikenteensä loppuneen, vaikka todellisuudessa se on vain vaihtanut nimeään raportoinnissa. Tästä tulee myös turhaa huomautettavaa liikennetiimille, joka on jo tietoinen datan muutoksesta.
Mike Rhodes on aikoinaan tuottanut varsin pätevän Scriptin Pmaxin sisällön läpivalaisuun. Suosittelemme tutkimaan sillä.
Miten Performance Max -kampanjat vaikuttavat datan siirtymiseen?
Performance Max -kampanjat hyödyntävät Googlen koko mainosverkostoa aina YouTubesta ja Displaysta hakuun sekä Shopping-syötteisiin. Koska yksi kampanja toimii monessa kanavassa, GA4 luokittelee kaiken tämän liikenteen yhden Cross-Network-käsitteen alle. Tämä tekee perinteisestä kanavakohtaisesta analyysistä haastavaa ilman oikeita suodattimia.
Performance Max -kampanjatyypin ydinidea on antaa Googlen koneoppimisalgoritmille vapaus valita, missä ja milloin mainos näytetään parhaan mahdollisen konversion saavuttamiseksi. Kampanja käyttää samaan aikaan tekstimainoksia, videomainoksia, kuvamainoksia ja kauppaportaalin tuotesyötettä.
Tämä koneoppimisen ohjaama rakenne tekee mahdottomaksi sen, että GA4 voisi pelkän kampanjatunnisteen perusteella tietää, näkikö asiakas mainoksen YouTubessa vai ostosvälilehdellä. Koska järjestelmä pyrkii optimoimaan kokonaisuutta, se myös raportoi tulokset kokonaisuutena.
Tämä luo uudenlaisen haasteen markkinoijalle. Kun suuri osa budjetista siirretään PMax-kampanjoihin, perinteiset raportit näyttävät Paid Search- ja Paid Shopping -liikenteen vähenevän, samalla kun Cross-Network-liikenne kasvaa rajusti. Tämä ei tarkoita strategian epäonnistumista, vaan se on suora seuraus automaation ja koneoppimisen lisääntymisestä mainonnan hallinnassa.
Miten perinteinen seuranta eroaa uuden tekoälyajan raportoinnista?
Perinteinen Universal Analytics seurasi liikennettä tiukasti lähde- ja tulokanavaperusteisesti. GA4 puolestaan mukautuu koneoppimisen ohjaamiin monikanavakampanjoihin. Tämä vaatii markkinoijalta uudenlaista ajattelutapaa, jossa yksittäisen kanavan sijaan arvioidaan kokonaisvaltaista tekoälyn ohjaamaa ostopolkua ja sen tuottamaa kokonaisarvoa verkkokaupalle.
Seuranta-alustojen välinen ero on rakenteellinen ja filosofinen. Aikaisemmin markkinointia seurattiin siiloissa, joissa jokaiselle kanavalle haluttiin määrittää tarkka ja muuttumaton rooli. Nykyään painopiste on siirtynyt datan keräämisestä sen tulkintaan tekoälyavusteisessa ympäristössä.
Tämä muutos pakottaa meidät luopumaan ajatuksesta, että voisimme seurata jokaista pientä liikenneresurssia erillään muista. Koneoppiminen optimoi mainontaa reaaliaikaisesti useassa kanavassa, ja analytiikan tehtävä on näyttää tämän kokonaistyön tulos.
Miten kadonnut Google Shopping -data kaivetaan esiin?
Shopping-data ei ole lopullisesti kadonnut, vaan se vaatii tarkempien ulottuvuuksien käyttöä raporteissa. Voit palauttaa näkyvyyden käyttämällä Google Ads -kampanjatason raportteja tai luomalla mukautetun tutkimusraportin. Myös kampanjan nimeämiskäytäntö nousee keskeiseen rooliin datan oikeassa erottelussa.
Jos haluat nähdä tarkasti, mikä osuus Cross-Network-liikenteestä on todellisuudessa Google Shopping -mainonnan tuottamaa, sinun on sukellettava oletusraportteja syvemmälle. Esimerkiksi olemme saaneet itse esille shoppingin raportit Google Adsiin asennettavan scriptin avulla. Scriptin kautta on voinut nähdä, ettei shoppingin rooli ole muuttunut mihinkään heikompaan suuntaan.
Oikeilla raporteilla huomaat nopeasti, että data on tallella. Se vaatii vain hieman enemmän klikkauksia kuin vanhassa järjestelmässä, mutta tarjoaa samalla laajemman kuvan asiakkaan käyttäytymisestä.
Miksi koneoppimisen ymmärtäminen muuttaa mielikuvamarkkinoinnin strategioita?
Nykyaikainen digitaalinen markkinointi perustuu koneoppimisen ja algoritmien hyödyntämiseen suoraviivaisen kanavakohtaisen optimoinnin sijaan. Kuluttaja kohtaa brändin useissa eri kosketuspisteissä ennen ostopäätöstä. Älykäs strategia ruokkii algoritmia laadukkaalla datalla ja antaa tekoälyn rakentaa optimaalisen reitin asiakkaan luokse.
Kun hyväksymme sen, että analytiikka siirtyy erillisistä siiloista kohti Cross-Network-mallia, meidän on muutettava myös tapaamme rakentaa markkinointistrategoita.
Kyse ei ole enää siitä, kuinka paljon rahaa asetetaan hakusanoihin ja kuinka paljon Shopping-mainontaan. Kyse on siitä, miten opetamme Googlen algoritmia tunnistamaan parhaat asiakkaat.
Tutustu myös, miten Google ja uudelleenmarkkinointi pelaavat yhteen.
Mielikuvamarkkinointi ja tulospohjainen mainonta sulautuvat yhteen koneoppimisen kautta. PMax-kampanja saattaa näyttää videon YouTubessa käyttäjälle, joka myöhemmin klikkaa tuotemainosta haussa. Tämä on yhtenäinen ostopolku, ei kaksi erillistä suoritusta.
Tässä uudessa toimintaympäristössä menestyminen vaatii kolme asiaa:
Laadukkaat mainosvarannot (Creative Assets): Kone tarvitsee korkealaatuisia kuvia, videoita ja tekstejä, jotta se voi rakentaa toimivia yhdistelmiä eri verkostoihin.
Tarkka konversiodata: Jos syötät järjestelmään huonolaatuista dataa, koneoppiminen optimoi mainontaa vääriä asioita kohti. Ensimmäisen osapuolen datan ja konversioseurannan tarkkuus on ensiarvoisen tärkeää. Lue myös: Miksi konversioseuranta on Google Ads -mainonnan elinehto?
Liiketoimintatiedon jakaminen: Anna algoritmille tieto siitä, mitkä tuotteet ovat parhaan katteen tuotteita, jotta tekoäly voi keskittyä yrityksesi kannalta arvokkaimpaan liikenteeseen. Esimerkiksi POAS on tärkeää tietoa verkkokauppiaalle.
Miten data-driven attribuutio muuttaa tulosten arvioinnin verrattuna last-click-malliin?
Data-driven attribuutio jakaa konversioarvon kaikille ostopolun kosketuspisteille pelkän viimeisen klikkauksen sijaan. Tämä malli antaa Cross-Network-liikenteelle ja moderneille tekoälykampanjoille oikeudenmukaisen arvon raporteissa. Järjestelmä ymmärtää myös alkuvaiheen brändikohtaamisten, sekä tuoteselausten merkityksen lopullisen myynnin ja konversion synnyssä.
Perinteinen viimeisen klikkauksen malli (Last Click) toimii huonosti nykyisessä monikanavaisessa ympäristössä. Se antaa kaiken kunnian ostopolun viimeiselle suoritteelle, mikä vääristää raportointia ja johtaa usein virheellisiin budjettipäätöksiin.
Jos asiakas kohtaa yrityksesi Performance Max -kampanjan kautta esimerkiksi YouTubessa tai Shopping-välilehdellä, nämä kosketuspisteet rakentavat ostoaikeen. Mikäli asiakas myöhemmin palaa sivustolle suoralla haulla ja tekee tilauksen, vanha Last Click -malli antaa kaiken arvon suoralle liikenteelle. Mainonnan todellinen rooli ostopolun käynnistäjänä jää tällöin kokonaan näkymättömäksi.
Datapohjainen mallinnus (Data-driven attribution) ratkaisee tämän ongelman seuraavilla tavoilla:
Se käyttää koneoppimista tilisi jokaisen yksittäisen konversiopolun analysointiin.
Se vertaa konvertoituneiden ja ei-konvertoituneiden käyttäjien polkuja reaaliaikaisesti keskenään.
Se tunnistaa ne mainoskohtaamiset, joilla on suurin tilastollinen vaikutus ostopäätökseen.
Se jakaa konversioarvon suhteellisesti kaikille polun varrella olleille kanaville.
Tämä tekee Cross-Network-ilmiön ymmärtämisestä huomattavasti helpompaa.
Kun käytössä on datapohjainen malli, GA4 osaa antaa arvoa tekoälykampanjoille myös silloin, kun ne toimivat ostopolun alku- tai keskivaiheilla.
Tämä estää hätäiset johtopäätökset siitä, että jokin kanava ei toimisi, ja auttaa optimoimaan markkinointibudjetin todellisen kokonaisvaikutuksen perusteella.
UKK – Usein kysytyt kysymykset
Miksi Google Shopping -liikenne ei enää näy omana kanavanaan Google Analytics 4 -raporteissa?
Google Analytics 4 (GA4) ei enää erottele Performance Max -kampanjoiden kautta tulevaa Google Shopping -liikennettä omaksi kanavakseen oletusraporteissa. Tämä johtuu siitä, että alusta suodattaa tämän datan automaattisesti uuteen Cross-Network-luokkaan.
Kyse on siis muuttuneesta raportoinnin ryhmittelyperusteesta, ei siitä, että liikenne olisi todellisuudessa loppunut tai kadonnut.
Mitä Cross-Network tarkoittaa GA4-alustalla?
Cross-Network on GA4-alustan oletuskanavaryhmä (Default Channel Grouping), joka kerää yhteen sellaisten kampanjoiden liikenteen, jotka näkyvät samanaikaisesti useassa eri Googlen mainosverkostossa.
Alusta ei jaa näiden monikanavaisten kampanjoiden tuottamaa liikennettä erikseen hakuun, YouTubeen tai ostoskanaviin yleisissä raporteissa, vaan niputtaa ne yhden sateenvarjon alle.
Mitkä kampanjatyypit kuuluvat Cross-Network-kanavaryhmään?
Cross-Network-luokka kerää käytännössä kaiken liikenteen, joka on peräisin seuraavista koneoppimista ja automaatiota hyödyntävistä lähteistä:
Performance Max (PMax) -kampanjat
Älykkäät Shopping-kampanjat (Smart Shopping)
Discovery-kampanjat (nykyisin Demand Gen)
Tietyt YouTube- ja Display-verkoston yhdistelmät
Onko Google Shopping -mainonta kuollut tai lakannut toimimasta GA4-muutoksen myötä?
Ei ole. Mainokset toimivat edelleen ja kuluttajat klikkaavat tuoterivejä entiseen malliin.
Harhaluulo liikenteen kuolemisesta johtuu puhtaasti siitä, miten uuden sukupolven analytiikkaohjelmisto käsittelee ja ryhmittelee dataa. Liikenne on vain vaihtanut nimeään ja paikkaansa raporteissa.
Miksi Performance Max -kampanjoiden liikennettä ei eritellä automaattisesti eri kanaviin?
Performance Max -kampanjat hyödyntävät Googlen koko mainosverkostoa tekoälyn ja koneoppimisen ohjaamana.
Koska yksi ja sama kampanja käyttää samanaikaisesti tekstiä, videoita, kuvia ja tuotesyötteitä eri kanavissa, GA4 raportoi tulokset yhtenäisenä kokonaisuutena.
Järjestelmä pyrkii optimoimaan ostopolkua reaaliaikaisesti, minkä vuoksi perinteinen kanavakohtainen erottelu pelkän kampanjatunnisteen perusteella on mahdotonta.
Miten "kadonnut" Google Shopping -data voidaan kaivaa esiin GA4-alustalta?
Data ei ole kadonnut lopullisesti, vaan se vaatii oletusraportteja syvällisempää analyysia. Voit palauttaa näkyvyyden seuraavilla tavoilla:
Käyttämällä Google Ads -kampanjatason raportteja.
Luomalla mukautetun tutkimusraportin (Explorations) GA4:ssä.
Hyödyntämällä Google Adsiin asennettavaa scriptiä, jonka avulla Shopping-mainonnan todellinen rooli saadaan näkyviin.
Suosimalla tarkkaa ja johdonmukaista kampanjoiden nimeämiskäytäntöä.
Mitä tekoälyaikaan siirtyminen vaatii digitaalisen markkinoinnin strategialta?
Siirtyminen Cross-Network-malliin vaatii luopumista perinteisestä siilomaisesta kanavaoptimoinnista. Koska kuluttaja kohtaa brändin useissa eri pisteissä ennen ostopäätöstä, menestys vaatii kolmen asian optimointia:
Laadukkaat mainosvarannot (Creative Assets): Korkealaatuiset kuvat, videot ja tekstit, joista tekoäly voi rakentaa toimivia yhdistelmiä.
Tarkka konversiodata: Ensimmäisen osapuolen datan ja seurannan tarkkuus, jotta algoritmi oppii optimoimaan oikeita asioita.
Liiketoimintatiedon jakaminen: Algoritmille on annettava tieto parhaan katteen tuotteista, jotta se osaa keskittyä arvokkaimpaan liikenteeseen.
Miten datapohjainen attribuutio (Data-driven) eroaa vanhasta viimeisen klikkauksen (Last Click) mallista?
Perinteinen Last Click -malli antaa kaiken kunnian ostopolun viimeiselle kanavalle (esim. suoralle liikenteelle), mikä vääristää raportointia ja piilottaa mainonnan todellisen roolin ostoaikeen synnyttäjänä.
Datapohjainen attribuutio (Data-driven) puolestaan käyttää koneoppimista ja jakaa konversioarvon suhteellisesti kaikille ostopolun varrella olleille kosketuspisteille.
Tämä antaa Cross-Network- ja tekoälykampanjoille niiden ansaitseman oikeudenmukaisen arvon silloinkin, kun ne toimivat ostopolun alku- tai keskivaiheilla.
Loppuyhteenveto
Google Analytics 4 -alustan tuoma muutos Performance Max- ja Google Shopping -liikenteen raportointiin on aiheuttanut hämmennystä verkkokauppiaiden keskuudessa.
Data ei ole kadonnut, vaan se suodatetaan nyt automaattisesti uuden Cross-Network-sateenvarjon alle. Tämä muutos heijastaa modernin markkinoinnin siirtymistä erillisistä kanavasiiloista kohti tekoälyn ja koneoppimisen ohjaamia monikanavaisia ostopolkuja.
Mittaamisen ja strategian on muututtava mainonnan automaation mukana. Vaikka oletusraporteissa perinteinen Paid Shopping -liikenne näyttää laskevan, todellinen suorituskyky saadaan esiin hyödyntämällä GA4:n mukautettuja tutkimusraportteja, Google Ads -integraatioita tai erillisiä scriptejä.
Menestyminen tässä uudessa toimintaympäristössä vaatii laadukkaita mainosvarantoja, tarkkaa ensimmäisen osapuolen konversiodataa sekä datapohjaisen attribuutiomallin (Data-driven) hyödyntämistä, jotta mainonnan kokonaisvaltainen arvo ja tuottavuus kyetään arvioimaan oikein.
