I en travl e-handelsverden er det altafgørende at forstå, hvordan dine priser påvirker kundernes adfærd – det, vi kalder priselasticitet. Google Merchant Center (GMC) tilbyder en relativt ny funktion: prisforslag. Den lover flere kliks på dine produkter ved at justere salgspriserne automatisk. Men er der reelt penge at tjene på det? I dette blogindlæg gennemgår vi et konkret eksperiment, hvor vi tester Google Merchant Centers prisforslag på 113 produkter i én dansk webshop.
Vi går i dybden med:
• Hvordan du finder og aktiverer prisforslag i GMC
• Forberedelse af dataudtræk og produktudvælgelse
• Beregninger af rentabilitet og break-even
• Automatisering af prisændringer med et simpelt AI-værktøj
• Opsætning af et dashboard til løbende overvågning
Formålet er at give dig et hands-on indblik i arbejdet med priselasticitet og vise, hvordan du kan måle effekten præcist – helt uden store manuel-arbejde.
Hvad er prisforslag i Google Merchant Center?
Hvor finder du prisforslagene?
Prisforslagene ligger i dit Merchant Center under navigationen:
• Forslag → Tilbudspriser
Her opdeler Google sine anbefalinger i tre niveauer:
1. Lav chance for kliks (f.eks. +5–10 %)
2. Middel chance for kliks (f.eks. +15–25 %)
3. Høj chance for kliks (f.eks. +30 % eller mere)
Formålet er at sende flere brugere til produktsiden ved at reducere prisen med et anbefalet beløb eller procent.
Hvad lover Google?
Google understreger, at prisforslag kan øge antallet af kliks, men de garanterer ikke flere ordrer. Eksempelvis kan et par T-shirts ændres fra 129 kr. til 121 kr. – en reduktion på 8 kr. Google forventer, at prissænkningen øger klikraten, men om det gør din samlede omsætning og dækningsbidrag større, afhænger af:
• Din nuværende konverteringsrate
• Produktets dækningsbidrag per enhed
• Kundernes prisfølsomhed på netop de produkter
Forberedelse af eksperimentet
Inden du kaster dig ud i at aktivere prisforslag i stor skala, bør du sikre dig et solidt datagrundlag og filtrere de produkter fra, der ikke giver mening at teste.
Udtræk og forbered data
1. Log ind i GMC og download “Tilbudspriser”-CSV’en.
2. Sikr, at CSV’en indeholder: varenummer, nuværende pris, foreslået pris, kliks-stigning (i %).
3. Hent en liste over kostpriser eller indkøbspriser fra dit webshop-regneark.
4. Samkør (VLOOKUP eller merge) CSV’en med dine kostpriser, så du kan se dækningsbidraget for både nuværende og foreslået pris.
Afgrænsning af produkter
Det er sjældent rentabelt at sænke alle priser. Vi valgte at:
• Filtrere på produkter med “Høj chance” for mindst +30 % flere kliks.
• Frasortere produkter, hvor det nye dækningsbidrag ville være lavere end et fastsat minimum (f.eks. 50 kr. per enhed).
Dermed stod vi tilbage med 113 produkter, hvor en prisnedsættelse både ville øge trafikken markant og potentielt bevare en rimelig fortjeneste per enhed.
Beregning af rentabilitet
For at sikre, at eksperimentet går i plus, skal du regne på dækningsbidrag og break-even.
Dækningsbidrag og break-even
1. Dækningsbidrag_nu = Salgspris_nu – Kostpris
2. Dækningsbidrag_ny = Salgspris_ny – Kostpris
3. Forventet omsætningstilvækst = Baseline-omsætning × (1 + kliks-stigning%)
4. Forventet salg_ny = Forventet omsætningstilvækst × Konverteringsrate
5. Forventet dækningsbidrag_ny_total = Forventet salg_ny × Dækningsbidrag_ny
Sammenlign med baseline (omsætning × dækningsbidrag_nu). Hvis nettoeffekten er positiv, går produktet videre i testen.
Filterlogik i regneark
Brug regnearksfunktioner:
• IF-formler: Marker produkter, hvor (Dækningsbidrag_ny_total – Baseline_dækningsbidrag) > 0
• Sortér og filtrér automatisk med Google Sheets’ Filter Views eller Excel-tabeller.
Outputtet er en klar liste på 113 produkter med varenummer, gammel pris, ny pris, og forventet fortjenesteændring.
Automatisering med AI-værktøj
Når du først har udvalgt produkterne, er det tidskrævende at lægge tilbudspriser manuelt ind på webshoppen. Her kan et lille AI-assistent-script hjælpe.
Kommunikation med “manus” (AI-assistent)
Vi har udviklet en prompt-struktur til vores AI-værktøj (“manus”):
• Prompt: “Tag listen over 113 produkter med feltet ‘ny pris’ og opdatér webshoppen, så feltet ‘tilbudspris’ svarer til Google Merchant Centers forslag. Fjern eventuelle eksisterende tilbud.”
AI-værktøjet kan integreres via API eller som en lokal Python-script, der kalder webshop-API’en.
Dashboard-opsætning
For at følge testens udvikling laver vi et simpelt, men overskueligt dashboard i Google Data Studio eller Excel:
1. Faneblad “Google Merchant Center test”
2. Tabel med kolonner: Varenummer, Navn, Gammel pris, Ny pris, Baseline-omsætning, Testperiode-omsætning, Baseline-ordrer, Test-ordrer, Konverteringsrate_forskel, Dækningsbidrag_forskel
3. Automatisk dataopdatering dagligt kl. 05:00 (via script eller Google Sheets-tilslutning).
Kørsel af eksperimentet
Tidsplan og nøgletal
• Baselineperiode: 1.–29. marts (28 dage)
• Testperiode: 1.–20. april (20 dage)
• Produkter i test: 113 varer
Nøgletallene, vi overvåger:
– Daglig omsætning
– Antal ordrer
– Gennemsnitlig ordreværdi
– Konverteringsrate
– Dækningsbidrag per produkt og samlet
Overvågning i dashboard
Hver morgen kl. 05:00 hentes data fra webshop og Google Analytics/E-commerce-API. Dashboardet viser:
• Procentvis stigning/fald i omsætning vs. baseline
• Procentvis ændring i antal ordrer
• Dækningsbidragsændring i kr. og %
På den måde kan du hurtigt spotte, om testperioden samlet set er rentabel.
Evaluering og løbende optimering
Når du når testperiodens afslutning, går du i gang med evalueringen.
1. Træk nøgletallene ud for hele perioden.
2. Beregn samlet nettofortjeneste i test vs. baseline.
3. Identificér “vindere” og “tabere” blandt de 113 produkter.
Hvis nogle varer har medført lavere fortjeneste (negativ effekt), bør du:
• Skifte dem tilbage til den oprindelige pris
• Evt. genkøre en mindre test på dem med en anden prisstrategi
Hvis grupper af produkter (f.eks. bestemte kategorier) klarer sig ekstraordinært godt, kan du overveje at forlænge tilbuddet eller sænke prisen yderligere.
Konklusion og take-aways
Eksperimentet med prisforslag i Google Merchant Center viste, at:
• Prisfordelinger kan løftes målbart – men kun hvis du prioriterer de produkter med højt dækningsbidrag og god forventet klik-stigning.
• En strømlinet data-workflow (CSV-udtræk + regneark + AI-script) sparer timer af manuelt arbejde.
• Det er afgørende at følge op med et enkelt dashboard, så du hurtigt ser, om rentabiliteten virkelig stiger.
Næste skridt: Vi planlægger en opfølgende case-video den 25. april, hvor vi gennemgår resultaterne på detaljeret niveau og diskuterer læringspunkter.
H2: 9. Call to Action
• Abonner på vores kanal eller blog for løbende opdateringer på testresultaterne.
• Skriv en kommentar med dine erfaringer med priselasticitet og Google Merchant Centers prisforslag.
• Del dette indlæg med dine netværk – så kan vi sammen optimere prissætning i e-handel.
Er du klar til at sætte strøm til din priselasticitet? Kom i gang med at teste prisforslag i Google Merchant Center i dag!