A GA4 attribúciós csapdája: Így mérd a valós konverziós utakat a magyar e-kereskedelemben

URL: https://ctr.hu/analytics/ga4-uj-attribucios-modellek-gyakorlati-utmutato

Meta cím: GA4 attribúció 2026: Így kerüld el a Google Ads torzításait BigQuery-vel

Meta leírás: Google Analytics 4 attribúciós modellek mélyelemzése. Hogyan torzít a Data-Driven algoritmus, és hogyan építs saját BigQuery modelleket a valós magyar e-commerce ROI mérésére?

A Google Analytics 4 (GA4) bevezetése óta a magyar e-commerce és performance marketing szféra folyamatos bizonytalanságban él a konverziók valódi forrását illetően. Azzal, hogy a Google végleg kivezette a szabályalapú attribúciós modelleket (Linear, Time Decay, Position-Based, First Click), és gyakorlatilag kizárólagos választásként a Data-Driven Attribution (DDA) modellt erőlteti a felhasználókra, egy olyan fekete dobozt hozott létre, amely szisztematikusan a Google saját hirdetési ökoszisztémája felé lejt. Ha vakon bízol a GA4 alapértelmezett riportjaiban, akkor a marketingbüdzséd jelentős részét olyan csatornákra költöd, amelyek valójában csak learatják a babérokat, de nem generálnak valódi inkrementális növekedést. Ez a cikk nem egy újabb felületes összefoglaló a GA4 gombjairól; bemutatjuk, hogyan működik a DDA matematikai torzítása a magyar piacon, és hogyan építhetsz saját, független mérési rendszert.

A magyar piacon a hirdetési költségek (CPC és CPM) az elmúlt két évben átlagosan 25-40%-kal emelkedtek. Egy tipikus hazai e-commerce szegmensben – például a divat és lakberendezés kategóriában – a Google Ads átlagos CPC-k a korábbi 60-90 HUF közötti sávból mára elérték a 120-220 HUF szintet, miközben a B2B és pénzügyi szektorban nem ritka az 1500-2500 HUF közötti kattintási díj sem. Ebben a feszített környezetben egy 50-500 millió HUF éves árbevételű magyar webshop egyszerűen nem engedheti meg magának azt a luxust, hogy havi 1,5-4 millió HUF közötti hirdetési keretét rosszul allokálja.

A helyzetet tovább nehezíti a Consent Mode V2 kötelező alkalmazása, a Safari ITP (Intelligent Tracking Prevention) szigorodása, valamint a harmadik féltől származó cookie-k végleges agóniája. Egy átlagos magyar webáruháznál a felhasználók 35-45%-a nem ad hozzájárulást a marketing célú követéshez, vagy olyan böngészőt használ, amely 1-7 nap után törli a cookie-kat. A GA4 erre a "hiányra" a modellezett konverziókkal (behavioral and conversion modeling) válaszol. Ez a modellezés azonban egy fekete doboz: a Google saját gépi tanulási algoritmusa dönti el, hogy a "sötétben maradt" konverziókat melyik csatornához társítja. Vajon egy független algoritmus dönt, vagy az, amelyik érdekelt a Google Ads bevételeinek maximalizálásában? A válasz nyilvánvaló.

A hazai ügynökségi piacon az ügynökségi díjak (amelyek egy havi 3 millió HUF költésű ügyfélnél jellemzően 250 000 - 450 000 HUF között mozognak) gyakran a GA4-ből vagy a Google Ads-ből kinyert ROAS (Return on Ad Spend) számokon alapulnak. Ha a GA4 DDA modellje mesterségesen felduzzasztja a Google Ads teljesítményét a Meta Ads vagy az Árukereső rovására, akkor nemcsak a büdzsédet égeted rossz helyen, de az ügynökségedet is olyan eredmények után prémiumizálod, amelyek a valóságban nem léteznek.

---

A Google által propagált Data-Driven Attribution elvben a kooperatív játékelméletből ismert Shapley-értéken alapul. A koncepció zseniális: az algoritmus megvizsgálja az összes konverziós és nem-konverziós utat, majd kiszámítja az egyes csatornák marginális hozzájárulását a vásárláshoz. A valóságban azonban ez a modell több strukturális sebből vérzik, amelyek közvetlenül torzítják a magyar kkv-k döntéshozatali folyamatait.

A GA4 DDA modelljének matematikai háttere nem publikus. Nem tudjuk, milyen súllyal veszi figyelembe az egyes interakciók közötti időt (time decay), és hogyan kezeli a cross-device (eszközök közötti) útvonalakat ott, ahol nincs User ID alapú azonosítás. A magyar piacon a mobilról indított, majd desktopon befejezett vásárlások aránya eléri az 55-65%-ot. Ha a felhasználó nem lép be a fiókjába mindkét eszközön, a GA4 két külön felhasználóként kezeli őket.

A DDA ilyenkor a rövidebb, desktopos utat részesíti előnyben (ami gyakran direct, brand search vagy hírlevél), míg a mobilról indított, felfedező jellegű Meta vagy non-brand Google Ads kampányt teljesen leértékeli.

```

Hagyományos út:

[Meta Mobil Ad] ──(3 nap szünet)──> [Google Search Desktop] ──> Vásárlás (10 000 HUF)

GA4 DDA észlelés (User ID nélkül):

• út (Mobil): [Meta] ──> Kosárelhagyás (Érték: 0 HUF)
• út (Desktop): [Google Search (Brand)] ──> Vásárlás (Érték: 10 000 HUF) -> Attribúció: 100% Google

```

A legdurvább torzítás a Google Ads Brand kampányoknál érhető tetten. Ha futtatsz saját márkanevedre keresési kampányt (ami a versenytársak kizárása miatt sokszor indokolt), a GA4 DDA hajlamos a konverziós érték akár 80-90%-át is ennek a kampánynak tulajdonítani, ha az szerepelt a vásárlási út végén.

A valóságban a vásárló már régen elköteleződött a márkád mellett (pl. egy Meta videós kampány vagy egy organikus SEO cikk hatására), és a Brand hirdetésre kattintás csupán egy navigációs lépés volt. A DDA mégis a Google Ads performance mutatóit javítja vele, te pedig abban a hitben ringatod magad, hogy a fizetett keresés termeli a profitot.

---

Ha ki akarsz törni a Google DDA szorításából, az egyetlen járható út a nyers adatok szintjére való leereszkedés. A GA4 ingyenes BigQuery exportja nem egy extra funkció, hanem a professzionális marketing alapfeltétele. Ha napi szinten nem futnak SQL lekérdezéseid a konverziós utakra, akkor vakrepülésben irányítod a cégedet.

A GA4 felhasználói felülete (UI) több szempontból is korlátozott:

• Adat-aggregáció és küszöbölés (Thresholding): Ha a látogatottságod vagy a konverziós számod egy-egy szegmensben alacsony, a Google adatvédelmi okokból elrejti az adatokat (szürke felkiáltójel a riportok tetején). A BigQuery-ben nincs ilyen küszöbölés.
• Cardinality limit: Ha túl sok egyedi dimenziód van (pl. egyedi termékazonosítók paraméterekben), a GA4 a ritkábban előforduló értékeket egy közös "(other)" kategóriába mossa össze.
• Zárt attribúciós logika: A UI-n nem tudsz saját, egyedi súlyozású modellt definiálni (pl. 40% First Click, 20% Middle, 40% Last Click - úgynevezett U-alakú modell).

A nyers eseményadatokból (raw event data) kiindulva másodpercre pontosan rekonstruálhatjuk a felhasználók útját. Az alábbi SQL lekérdezési minta bemutatja, hogyan építhetsz fel egy egyedi, időhöz kötött First-Click és Last-Click összehasonlító modellt BigQuery-ben, amely független a Google saját DDA algoritmusától:

```sql

WITH user_touchpoints AS (

SELECT

user_pseudo_id,

event_timestamp,

PARSE_DATE('%Y%m%d', event_date) AS event_date,

(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'page_referrer') AS referrer,

traffic_source.source AS source,

traffic_source.medium AS medium,

traffic_source.name AS campaign,

event_name,

ROW_NUMBER() OVER(PARTITION BY user_pseudo_id ORDER BY event_timestamp ASC) AS touchpoint_asc,

ROW_NUMBER() OVER(PARTITION BY user_pseudo_id ORDER BY event_timestamp DESC) AS touchpoint_desc

FROM

`your-gcp-project.analytics_123456789.events_*`

WHERE

_TABLE_SUFFIX BETWEEN '20260101' AND '20260131'

),

conversions AS (

SELECT

user_pseudo_id,

event_timestamp AS conversion_time,

(SELECT value.int_value FROM UNNEST(event_params) WHERE key = 'value') AS conversion_value

FROM

`your-gcp-project.analytics_123456789.events_*`

WHERE

event_name = 'purchase'

AND _TABLE_SUFFIX BETWEEN '20260101' AND '20260131'

)

SELECT

ut.source,

ut.medium,

ut.campaign,

COUNT(DISTINCT CASE WHEN ut.touchpoint_asc = 1 THEN c.user_pseudo_id END) AS first_click_conversions,

COUNT(DISTINCT CASE WHEN ut.touchpoint_desc = 1 THEN c.user_pseudo_id END) AS last_click_conversions,

SUM(CASE WHEN ut.touchpoint_asc = 1 THEN c.conversion_value ELSE 0 END) AS first_click_value,

SUM(CASE WHEN ut.touchpoint_desc = 1 THEN c.conversion_value ELSE 0 END) AS last_click_value

FROM

user_touchpoints ut

JOIN

conversions c ON ut.user_pseudo_id = c.user_pseudo_id AND ut.event_timestamp <= c.conversion_time

GROUP BY

1, 2, 3

ORDER BY

first_click_value DESC;

```

Szakmai észrevétel: Ez a lekérdezés megmutatja a kőkemény valóságot. Ha összehasonlítod a `first_click_value` és `last_click_value` oszlopokat, azonnal látni fogod, mely csatornák működnek "felfedezőként" (magas első kattintás érték, alacsony utolsó kattintás), és melyek csupán "learatni" járnak a konverziós tölcsér végén.

Sokan félnek a BigQuery-től a felhő alapú költségek miatt. Egy havi 300 millió HUF árbevételű, havi 150 000 munkamenettel rendelkező magyar webshop GA4 BigQuery exportja naponta körülbelül 5-10 MB adatot generál. Ez messze alatta marad a Google Cloud ingyenes keretének (10 GB tárhely és havi 1 TB lekérdezési limit ingyenes).

A fenti elemzés futtatásának valós költsége így gyakorlatilag 0 HUF, miközben milliókat spórolhat meg a marketing-allokációnál.

---

Nézzük meg egy valós, anonimizált magyar esetet. A webáruház lakberendezési kiegészítőket árusít, az átlagos kosárérték (AOV) 24 000 HUF. A havi marketingköltés 2,5 millió HUF, amely az alábbiak szerint oszlott meg:

• Meta Ads (Prospecting & Retargeting): 1 200 000 HUF
• Google Ads (PMax, Search & Brand): 1 000 000 HUF
• Árukereső: 300 000 HUF

Az ügynökség havonta prezentálta a GA4 alapú DDA riportokat, amelyek alapján a Google Ads kiemelkedő, 450%-os ROAS-t produkált, míg a Meta Ads látszólag haldoklott a maga 120%-os mutatójával. Az ügynökség a Meta büdzsé lefelezését és a Google Ads PMax kampányok megtolását javasolta.

Mielőtt az ügyfél jóváhagyta volna a keret átcsoportosítását, elvégeztünk egy BigQuery alapú több-érintéses (Multi-Touch) attribúciós elemzést, különös tekintettel a vásárlási utak hosszára. Az adatokból kiderült, hogy a vásárlói döntési út átlagosan 14 nap volt, és átlagosan 4.2 érintkezési pontot tartalmazott.

Összehasonlítottuk a GA4 DDA-t egy egyedi Markov-lánc alapú valószínűségi modellel és a Last-Click adatokkal:

| Csatorna | Havi költés | GA4 DDA Jelentett Bevétel | GA4 DDA ROAS | Markov-lánc szerinti Bevétel | Valós Inkrementális ROAS |

| :--- | :--- | :--- | :--- | :--- | :--- |

| Meta Ads | 1 200 000 HUF | 1 440 000 HUF | 120% | 3 720 000 HUF | 310% |

| Google Ads (PMax) | 700 000 HUF | 3 150 000 HUF | 450% | 1 960 000 HUF | 280% |

| Google Ads (Brand)| 300 000 HUF | 1 800 000 HUF | 600% | 240 000 HUF | 80% |

| Árukereső | 300 000 HUF | 900 000 HUF | 300% | 1 050 000 HUF | 350% |

A GA4 DDA a konverziós érték oroszlánrészét a Google Ads Brand és PMax kampányoknak adta oda. A PMax kampányok agresszív dinamikus remarketinggel célozták meg azokat a látogatókat, akik korábban a Meta Ads hirdetésekből érkeztek a webshopba, de nem vásároltak azonnal.

A Meta Ads elvégezte a nehéz munkát: felkeltette az érdeklődést, behozta a releváns, hideg célközönséget. A PMax és a Brand keresés pedig egyszerűen "elállta az utat" a vásárlás előtt 10 perccel egy kuponos remarketing bannerrel vagy egy jól elhelyezett keresési hirdetéssel.

Saját, kritikus vélemény: Ha a webshop csökkentette volna a Meta Ads büdzséjét, ahogy azt az ügynökség javasolta, a tölcsér teteje (top of funnel) kiürült volna. Rövid távon (1-2 hét) a Google Ads megtartotta volna a jó számait a meglévő pixel-adatokból táplálkozva, de 3-4 hét után a teljes webshop forgalom és az abszolút árbevétel drasztikus zuhanásnak indult volna. Ez az e-commerce öngyilkosság klasszikus esete, amit a GA4 DDA aktívan támogat.

A büdzsé lefelezése helyett a következő lépéseket tettük:

• Google Ads Brand büdzsé limitálása: Napi 10 000 HUF-ról lecsökkentettük napi 2 000 HUF-ra a brand kampány licitjét, és szigorú kizáró kulcsszavakat állítottunk be.
• Meta Ads büdzsé átszervezése: A kreatívokat átalakítottuk, nagyobb hangsúlyt fektetve a Direct Response típusú, de edukatív jellegű videókra.
• Árukereső optimalizálás: Az Árukereső licitáló szoftverét átállítottuk úgy, hogy csak azokra a termékekre licitáljon agresszíven, ahol az árrésünk meghaladja a 35%-ot.

Az átalakítás eredményeként a következő negyedévben az átlagos kosárérték 24 000 HUF-ról 28 500 HUF-ra nőtt, míg a teljes marketingköltésre vetített globális MER (Marketing Efficiency Ratio - Összes Bevétel / Összes Marketingköltés) 4.5-ről 5.8-ra javult. Mindezt úgy, hogy a GA4 UI-n látható Google Ads ROAS "romlott", de a cég bankszámláján maradó profit érdemben növekedett.

---

Mit NE csinálj: A leggyakoribb attribúciós csapdák a magyar piacon

Több száz magyar GA4 fiók auditálása után kirajzolódik néhány visszatérő, súlyos hiba, amelyek teljesen használhatatlanná teszik a mérési adatokat.

Sokan, amikor rájönnek a DDA torzításaira, dacból visszaállítják a GA4 riportokat "Last Click" (utolsó kattintás) alapúra. Ez ugyanolyan veszélyes. A Last Click teljesen figyelmen kívül hagyja az ügyfélút elejét. Ha csak az utolsó kattintást méred, a hírlevelek és a direkt forgalom fognak dominálni.

Egyetlen magyar kkv sem tud növekedni kizárólag a meglévő bázis újra-targetálásából; szükség van a hideg forgalom folyamatos akvirálására, amit a Last Click módszeresen büntet.

Ha a GA4 fiókodban a "Direct" (Közvetlen) csatorna részesedése a konverziókból meghaladja a 30%-ot, ott komoly technikai probléma van. A Direct nem azt jelenti, hogy a felhasználók fejből beírták a URL-edet a böngészőbe. A valóságban ez a GA4 "szemetesládája".

Minden olyan forgalom ide kerül, ahol a követőkód (gclid, fbclid, utm paraméterek) elveszett. Ez leggyakrabban a következők miatt történik:

• Nem megfelelő HTTPS átirányítások (a http-ről https-re történő redirect során elvész a referrer).
• In-app böngészők (pl. amikor a Facebook vagy Instagram appon belül nyílik meg a webshopod, majd a felhasználó átvált külső böngészőre).
• Szerver-oldali GTM (sGTM) hiánya, ami miatt a reklámblokkolók (AdBlock, Brave böngésző) blokkolják a GA4 script futását.

Ha a konverziós tölcséred nem zárul le a webshopban (például B2B lead generálás, vagy egyedi ajánlatkérés utáni offline számlázás Billingo-val vagy Számlázz.hu-val), akkor a GA4 online adatai félrevezetőek.

Ha nem küldöd vissza a sikeres offline kifizetéseket a GA4-be a Measurement Protocol segítségével a `user_pseudo_id` összekapcsolásával, akkor az algoritmusaidat olyan leadekre fogod optimalizálni, amelyek csak érdeklődnek, de sosem fizetnek.

---

Ha szeretnéd, hogy a marketing döntéseid valódi adatokon, és ne a Google marketing-vezérelt algoritmusain alapuljanak, hajtsd végre az alábbi akciótervet a következő 30 napban.

Ne várj vele holnapig. A BigQuery nem visszamenőleges hatályú; csak onnantól gyűjti az adatokat, hogy összekötötted a GA4 tulajdonoddal. Lépj be a GA4 Adminisztráció -> Termékösszekapcsolások -> BigQuery kapcsolatok menüpontba, és állítsd be a napi exportot. Válaszd a "Daily" és a "Streaming" opciókat is.

Hozz létre egy sGTM konténert egy saját aldomainen (pl. `metrics.sajatwebshopod.hu`). Ezzel a cookie-k élettartamát a Safari alatt 1-7 napról akár 2 évre növelheted (mivel 1st party cookie-ként fognak viselkedni), és kikerülheted az alapvető reklámblokkolókat. Ez azonnal 15-25%-kal pontosabb attribúciós utakat eredményez a BigQuery-ben.

Vezess be szigorú, kisbetűs UTM rendszert minden nem-organikus csatornán. A magyar piacon gyakori hiba a `utm_source=Facebook` és `utm_source=facebook` párhuzamos használata, ami szétforgácsolja az attribúciós riportokat. Használj dinamikus paramétereket Meta hirdetéseknél:

`utm_source=facebook&utm_medium=cpc&utm_campaign={{campaign.name}}&utm_content={{ad.name}}`

Bár a DDA az alapértelmezett, a GA4 Hirdetések (Advertising) -> Attribúció -> Modell-összehasonlítás menüpontjában vizsgáld meg havonta egyszer a "Data-driven" és a "Last-click" közötti eltéréseket. Ha a Meta Ads esetében a Last-click konverziós szám több mint 50%-kal elmarad a DDA-tól, az egyértelmű jele annak, hogy a Meta a tölcsér tetején működik, és nem szabad leállítani az "alacsony közvetlen ROAS" miatt.

Ez az egyik legsúlyosabb hiba. Soha ne használj UTM paramétereket a saját weboldaladon belüli belső bannerekhez (pl. főoldali csúszka promóció). Ha ezt teszed, az adott kattintással felülíródik a látogató eredeti forrása (pl. Google Ads), és az ezt követő vásárlás "Direct" vagy belső kampány forrásúnak fog látszódni. Belső promóciók mérésére kizárólag a GA4 `view_promotion` és `select_promotion` eseményeit használd!

Ha a vásárlásaid egy része törlésre kerül (pl. sikertelen OTP SimplePay fizetés, elállás a vásárlástól az átvételkor), ezeket a negatív tranzakciókat is küldd be a GA4-be Measurement Protocol-on keresztül. Egy 10-15%-os visszamondási arány teljesen torzítja a ROAS számokat, ha a GA4-ben csak a sikeresen leadott kosárértékek szerepelnek.

Ha a havi marketingköltésed eléri az 5-10 millió HUF-ot, lépj túl az egyéni kattintás-alapú méréseken. Kezdj el felső szintű korrelációs elemzéseket végezni (pl. heti szintű összes marketingköltés csatornánként vs. összes realizált nettó árrés). A statisztikai modellek (mint a Meta által nyílt forráskódúvá tett Robyn vagy a Google-féle LightweightMMM) nem függnek a cookie-któl és a böngészők korlátozásaitól, így a legpontosabb képet adják a makrogazdasági hatásokról és a valódi növekedésről.