Búcsú a lineáris modelltől: Így torzít a GA4 Data-Driven attribúció a magyar PPC kampányokban

SEO Cím: GA4 Attribúciós Modellek: Így Kerüld El a PPC Veszteségeket 2026-ban

Meta Leírás: A GA4 Data-Driven attribúciója tévútra viszi a magyar webshopokat a cookie-k utáni korszakban. Valós 350M HUF esettanulmány, BigQuery trükkök és mérhető akcióterv marketingvezetőknek.

A Google Analytics 4 (GA4) alapértelmezett, adatvezérelt attribúciós modellje (Data-Driven Attribution - DDA) mögött húzódó hirdetői vakhit tízmillió forintokat éget el a hazai piacon havonta. Sok marketingvezető abban a tévhitben él, hogy a Google gépi tanulása zökkenőmentesen és pártatlanul osztja fel a konverziós érdemeket a Meta Ads, a Google Ads, az organikus keresés és a hírlevelek között. A valóságban a harmadik féltől származó cookie-k végleges ellehetetlenülése, az iOS 17 Link Tracking Protection (LTP) korlátozásai és a Consent Mode V2 szigorodása óta a DDA egy átláthatatlan, fekete dobozos becslési mechanizmussá silányult. Ha kizárólag a GA4 felületén látott adatok alapján allokálod a marketingbüdzsédet, szinte biztosan alulfinanszírozod a keresletgeneráló, felső tölcséres Meta kampányaidat, miközben túlköltesz a Google Performance Max vagy Brand Search kampányokban.

A magyar e-commerce szektorban az olló drasztikusan nyílik: a mintegy 15 000 aktív hazai webáruház közül csak a felső 5% – a 500 millió HUF feletti éves árbevétellel rendelkező prémium szegmens – engedheti meg a saját fejlesztésű vagy méregdrága, külső attribúciós szoftverek használatát. A középmezőny (50 és 500 millió HUF közötti éves árbevétel) kénytelen a GA4 ingyenes felületére támaszkodni. Eközben a magyar CPC (Click-per-Cost) árak az elmúlt 24 hónapban exponenciálisan emelkedtek az intenzív piaci verseny, az eMAG és az Alza dominanciája, valamint a Temu és a Trendyol agresszív, tőkeerős piaci nyomulása miatt.

| Szektor (Magyar Piac) | Átlagos CPC Tartomány (HUF) | Jellemző Akvizíciós Költség (CPA, HUF) |

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

| Divat és Ruházat | 80 - 160 Ft | 2 500 - 4 500 Ft |

| Otthon és Kert | 180 - 320 Ft | 4 500 - 8 500 Ft |

| B2B és SaaS / Pénzügy | 650 - 1 800 Ft | 12 000 - 35 000 Ft |

| Szépségápolás / Kozmetikum | 90 - 210 Ft | 2 200 - 5 000 Ft |

Ebben a környezetben egyetlen rossz attribúciós döntés – például egy 120 Ft-os CPC-vel futó Meta kampány leállítása, mert a GA4 szerint „nem hoz konverziót” – azonnali dominóeffektust indít el. A látogatók száma beesik, az organikus márkeresések (brand organic search) visszaesnek, a PMax kampányok hatékonysága pedig látszólag nő, miközben a raktárkészlet beragad.

A Consent Mode V2 hazai bevezetése óta a magyar webshopok látogatóinak átlagosan 20-35%-a elutasítja a cookie-k használatát. Ennek a kieső tömegnek a konverzióit a GA4 „modellezett konverziókkal” pótolja. Ez a modellezett réteg azonban strukturálisan a Google saját ökoszisztémájának (főként a Google Ads bejelentkezett felhasználói hálózatának) kedvez, mivel tőlük kapja a legtöbb determinisztikus jelet. A független mérési modellek hiánya miatt a magyar hirdetők vakon tolják át a költségvetést a Meta-ból a Google Ads-be, miközben a teljes üzleti profitabilitásuk (Contribution Margin) romlik.

---

Az Universal Analytics (UA) korszakában megszokott, fix szabályokon alapuló modellek (Linear, Time Decay, Position-Based) 2023-as kivezetése után a Google kényszerpályára tette a felhasználókat. Jelenleg két érdemi választás maradt a riportálási beállítások között: a Data-Driven (adatvezérelt) és a Last Click (utolsó kattintás).

A GA4 DDA modellje kooperatív játékelméleten (Shapley-érték) alapul. Az algoritmus elméletben azt vizsgálja, hogy egy adott csatorna jelenléte egy tölcsérben mennyivel növeli a konverzió valószínűségét az ahhoz hasonló, de az adott csatornát nélkülöző utakhoz képest.

Az elmélet zseniális, de a gyakorlatban három komoly strukturális hiba torzítja az eredményt:

• Adatmennyiségi limit: Ahhoz, hogy a Shapley-érték kalkuláció statisztikailag releváns legyen, konverziós típusonként legalább heti 400 konverzióra lenne szükség. Egy átlagos, évi 200-300 millió HUF forgalmú magyar webshop (amely jellemzően havi 300-800 tranzakciót bonyolít le összesen) nem rendelkezik elegendő adattal. Ebben az esetben a GA4 egy generikus, előre gyártott globális súlyozási sémát húz rá a fiókra, ami köszönőviszonyban sincs a lokális fogyasztói viselkedéssel.
• Kattintás-központúság: A GA4 alapértelmezésben nem méri a Meta vagy TikTok megjelenítésalapú (view-through) hatását. Ha egy felhasználó meglát egy Instagram videós hirdetést, nem kattint rá, de másnap rákeres a termékre a Google-ben és vásárol, az érdem 100%-ban a Google Ads-é lesz.
• A 30 napos ablak szűkössége: Bár a konverziós ablak maximális értéke 90 napra emelhető a GA4-ben, a cookie-vesztés miatt a böngészők (különösen a Safari ITP miatt) 1-7 nap után törlik a kliensoldali azonosítókat. Így a hosszú döntési folyamatú termékeknél (bútor, gépjármű-alkatrész, prémium elektronika) a GA4 a korábbi érintési pontokat egyszerűen képtelen összekötni a végső vásárlással.

A Position-Based (U-alakú) modell kivezetése volt a legnagyobb csapás a növekedési fázisban lévő e-commerce márkák számára. Ez a modell 40%-ot adott az első érintésnek (lead/felfedezés), 40%-ot az utolsónak (konverzió), és a maradék 20%-ot osztotta szét a köztes csatornák között.

Ez tökéletesen tükrözte a magyar vásárlók szokásait: a felfedező fázis jellemzően az Instagramon vagy a Facebook feedben futó dinamikus termékhirdetésekkel indul, majd az ár-összehasonlító oldalakon (Árukereső, Olcsóbbat) és a Google keresőben csúcsosodik ki. Ennek a modellnek a hiányában a felső tölcsér teljesítménye láthatatlanná válik a standard GA4 riportokban.

---

A magyar digitális ökoszisztémának megvannak a maga sajátosságai, amelyek felerősítik a GA4 mérési hibáit. Ha ezeket nem kezeled, téves döntések sorozatát fogod meghozni.

A magyar KKV hirdetők körében tipikus forgatókönyv: a Meta Ads Manager 3.5-ös ROAS-t mutat, míg a GA4 ugyanarra a kampányra 0.8-as ROAS-t riportál. A marketingvezető – engedve a tulajdonosi nyomásnak, aki csak a GA4-et hajlandó elfogadni igazságalapnak – lecsökkenti a Meta büdzsét, és átcsoportosítja a Google Ads javára.

Mi történik valójában a háttérben?

A Meta saját pixel és Conversion API (CAPI) adatai alapján dolgozik, és hajlamos a túl-attribúcióra (például magának tulajdonítja a konverziót, ha valaki csak átgörgetett egy hirdetés felett, majd 24 órán belül vásárolt). A GA4 viszont kizárólag a kattintás alapú, UTM-paraméterezett forgalmat látja.

Mivel a magyar vásárlók rendkívül árérzékenyek és gyanakvók, ritkán vásárolnak azonnal, első kattintásra egy Meta hirdetésből. Megnézik a terméket mobilon a buszon ülve (Meta kattintás), majd este otthon, asztali gépen beírják a böngészőbe a webshop nevét, vagy rákeresnek az Árukeresőn, hogy megnézzék a bolti értékeléseket.

```

[Meta Ad Mobilon] ──(Kattintás, de nincs vásárlás)──> [Safari / iOS]

│ (7 napon belüli ITP törlés)

▼

[Árukereső / Google Organic Co.] ──(Közvetlen vásárlás Desktopon)──> Kapcsolat megszakadt!

```

A GA4 az ITP korlátozások miatt nem tudja összekötni a mobil Safari látogatást az asztali Chrome vásárlással. Az eredmény: a Meta-nak nulla érdem jut, az Árukereső vagy a Google Search pedig megkapja a dicsőséget.

Ez a klasszikus, kizárólag a magyar és kelet-közép-európai piacra jellemző technikai hiba, ami teljesen romba dönti az utolsó kattintásos és adatvezérelt attribúciót egyaránt. Ha a webshop tagmenedzsmentje nincs megfelelően konfigurálva, a fizetési kapuból (SimplePay, Barion, Borgun, PayU, Stripe) visszatérő vásárlók új munkamenetet indítanak.

A GA4 az utolsó nem közvetlen kattintás elve alapján a konverziót a `simplepay.hu / referral` vagy a `secure.barion.com / referral` csatornának tulajdonítja.

Szakmai Kritika: Elképesztő, hogy a hazai ügynökségi auditok során még ma is a webshopok több mint 45%-ánál találkozunk ezzel a hibával. Ha a tranzakcióid forrása között a fizetési kapuk szerepelnek az első helyeken, akkor nemcsak az attribúciós modelled hibás, hanem az összes automatizált licitálási stratégiád (pl. Google Ads Target ROAS) torzított adatokból tanul. Ez közvetlenül növeli a CPA-dat, hiszen a Google Ads algoritmusai nem kapnak pontos visszacsatolást arról, melyik kulcsszó vagy kreatív hozta a valós vásárlót.

---

Nézzük meg egy valós, anonymizált hazai esetet. A "Kaland Outdoor" webáruház túrafelszereléseket és prémium ruházatot értékesít. Az átlagos kosárérték (AOV) 24 500 Ft.

A webshop havi marketingbüdzséje 2,5 millió HUF, amit a következőképpen osztottak fel a GA4 DDA adatai alapján, ahol a Google Ads 5.2x ROAS-t, a Meta Ads pedig 1.5x ROAS-t mutatott:

• Google Ads (főként PMax és Brand Search): 1,7 millió HUF / hó
• Meta Ads (Prospecting és Retargeting): 800 000 HUF / hó

A marketingcsapat az alacsonynak vélt Meta ROAS miatt a Meta büdzsét havi 300 000 HUF-ra csökkentette (csak dinamikus remarketingre hagyva meg), a felszabaduló 500 000 HUF-ot pedig rátolta a Google PMax kampányokra. A menedzsment arra számított, hogy a kiemelkedő Google ROAS mellett a bevételek és a profit növekedni fognak.

A valóság kíméletlen pofonként érkezett a következő 90 napban:

• A teljes havi árbevétel 29,1 millió HUF-ról 21,8 millió HUF-ra esett vissza (-25%).
• A Google Ads ROAS-a 5.2x-ről 3.1x-re zuhant vissza.
• Az organikus és közvetlen (Direct) látogatások száma 38%-kal csökkent.
• Az új látogatók aránya 62%-ról 38%-ra esett vissza.

A Meta kampányok végezték a tölcsér tetején a nehézmunkát (keresletgenerálás). Megszólították azokat a túrázókat, akik még nem kerestek aktívan márkát vagy konkrét terméket. Amikor ezt a csatornát elvágták, a keresési medence kiszáradt. A Google PMax nem talált új, meleg közönséget, így elkezdte a már meglévő, visszatérő vásárlókat és a saját brand kifejezésekre keresőket célozni, ami látszólag jó ROAS-t mutatott, de valójában nem generált inkrementális (új) növekedést.

A hiba felismerése után a webshop szakított a kizárólagos GA4 felületi riportálással. Bevezettünk egy egyedi mérést, amely a következő lépésekből állt:

• GA4 nyers adatok BigQuery-be történő exportálása. (Ez a GA4 ingyenes funkciója, a felhőalapú tárhely és lekérdezési költség ennél az adatmennyiségnél nem haladta meg a havi 8 dollárt, azaz körülbelül 3000 forintot).
• Egyedi SQL alapú First-Touch és Last-Touch hibrid modell felépítése.
• Post-Purchase Survey (vásárlás utáni kérdőív) integráció: A köszönőoldalon feltettük a kérdést: "Honnan hallottál rólunk először?"

Az eredmények sokkoló eltérést mutattak a GA4 DDA csatornakiosztása és a valós fogyasztói visszajelzések között:

| Csatorna | GA4 DDA Riport Szerint (Bevétel részesedés %) | Vásárlás Utáni Kérdőív Szerint (% responzivitás) | Custom First-Touch BigQuery Modell (%) |

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

| Meta Ads (Paid Social) | 12.4% | 41.2% | 38.5% |

| Google Ads (Paid Search)| 54.1% | 22.1% | 24.8% |

| Közvetlen / Direct | 18.2% | 15.4% | 12.1% |

| Egyéb (Organic, Hírlevél) | 15.3% | 21.3% | 24.6% |

A BigQuery adatokból kiderült, hogy a vásárlók 38,5%-ánál az első fizetett interakció egy Meta hirdetés volt, és átlagosan 11 nap telt el a Meta kattintás és a Google Ads-en keresztüli végső vásárlás között.

Pénzügyi korrekció

A költségkeretet visszaállítottuk a korábbi arányra, sőt, a Meta büdzsét megemeltük havi 1,2 millió HUF-ra, de szigorúan a felső tölcséres (Prospecting, Advantage+ Shopping broad targeting nélkül) célzásokra fókuszálva. A Google Ads-ben leállítottuk a túlzottan költekező, tiszta márkanévre (Brand Search) futó kampányokat, mivel az organikus keresés ezeket a kattintásokat ingyen is lefedte.

A módosítások után 60 nappal a webshop havi bevétele új rekordot ért el 34,2 millió HUF-fal, miközben a teljes marketingköltés hatékonysága (MER - Marketing Efficiency Ratio) a korábbi veszteséges szintről stabilan 12% felett tarthatóvá vált.

---

Ha el akarod kerülni a hibás adatértelmezésből fakadó veszteségeket, az alábbi három hibás gyakorlatot azonnal fel kell számolnod az analytics munkafolyamataidban.

A GA4 admin felületén a Megjelenítési identitás háromféle lehet: Hibrid, Megfigyelt vagy Eszközalapú.

Sokan nem tudják, hogy az alapértelmezetten bekapcsolt Hibrid és Megfigyelt módok használják a Google Signals-t és a gépi tanulást (modellezést). Ha kis forgalmú mérésnél ezeket használod, a Google adatvédelmi küszöbértékei (thresholding) miatt a GA4 egyszerűen elrejti azokat a sorokat a riportokból, ahol kevés a felhasználószám. Így előfordulhat, hogy a niche kampányaid (például egy fontos influencer kampány UTM-je) teljesen eltűnnek a listáról, azt az illúziót keltve, hogy nem hoztak látogatót.

Az egyik legsúlyosabb strukturális hiba a GA4 riportok készítésekor.

Ha egy egyedi riportban a `First user source/medium` (Első felhasználó forrása/médiuma) dimenziót kombinálod a `Transactions` (Tranzakciók) vagy a `Conversions` metrikával, akkor egy kohorsz-alapú, élettartam (LTV) szemléletű attribúciót kapsz. Ez teljesen más számokat fog mutatni, mint a `Session source/medium` (Munkamenet forrása/médiuma), amely az adott vásárlást közvetlenül megelőző látogatás forrását méri.

Ha ezt a kettőt kevered a döntéshozatal során, fals adatokat kapsz a kampányok aktuális teljesítményéről.

```

Keverési hiba:

[Első Látogatás: Google Ads] ──> [Második Látogatás: Newsletter] ──> [Vásárlás]

GA4 User-Scoped riportban: 1 konverzió a Google Ads-nek jár.

GA4 Session-Scoped riportban: 1 konverzió a Newsletternek jár.

```

Soha ne várd el, hogy a Google Ads fiókodban látható konverziós számok megegyezzenek a GA4-ben látható számokkal.

A Google Ads alapértelmezésben a konverziót a hirdetésre való kattintás időpontjához írja vissza (at-click attribution). Ha a felhasználó hétfőn kattintott a hirdetésedre, de csak csütörtökön vásárolt, a Google Ads hétfőhöz fogja írni a konverziót. A GA4 viszont a vásárlás valós időpontjához rögzíti azt (at-event attribution), azaz csütörtökhöz.

Emellett a Google Ads kizárólag a saját hirdetési hálózatát látja a tölcsérben, így hajlamos minden konverziót magának tulajdonítani, amit akár csak egy kósza PMax Display megjelenítés is érintett.

---

Az alábbi, azonnal végrehajtható akcióterv segítségével rendbe teheted a méréseidet, és megvédheted a marketingbüdzsédet a téves allokációtól.

Nyisd meg a GA4-et: Adminisztrálás -> Adatgyűjtés és -módosítás -> Adatfolyamok -> Válaszd ki a webáramlást -> Címkebeállítások konfigurálása -> Továbbiak megjelenítése -> Nem kívánt hivatkozások listázása.

Adja hozzá a hazai fizetési átjárókat és az OTP/banki jóváhagyó oldalakat:

• `simplepay.hu`
• `barion.com`
• `payu.hu`
• `stripe.com`
• `otpbank.hu`
• `kh.hu`
• `cib.hu`

Célzott eredmény: Az átirányítási tranzakciók eltűnnek, a valós marketingcsatornák (PPC, SEO, Social) konverziós számai a helyükre kerülnek.

Lépj a Hirdetés (Advertising) -> Attribúció -> Modell-összehasonlítás (Model Comparison) menüpontba.

Állítsd be a vizsgált időszakot legalább 60 vagy 90 napra.

Hasonlítsd össze a Google fizetett csatornái (szabályalapú utolsó kattintás) és az Adatvezérelt modelleket.

Keresd meg azokat a kampányokat, ahol az adatvezérelt modell jelentősen nagyobb (legalább 20%-kal több) konverziót mutat, mint az utolsó kattintás. Ezek a te tölcsér teteji, értékteremtő kampányaid. Ezeknek a büdzséjét soha ne csökkentsd le kizárólag a Last-Click adatok alapján!

Ha a havi konverziószámod alacsony (500 alatti), teszt jelleggel állítsd át a Riportálási identitást: Adminisztrálás -> Megjelenítési identitás -> kattints a jobb alsó sarokban lévő "Összes megjelenítése" opcióra -> Eszközalapú (Device-only).

Ellenőrizd, hogy megjelentek-e olyan elrejtett UTM-paraméteres kampánysorok a riportjaidban, amelyek korábban a Google Signals küszöbértékek (thresholding) miatt "Missing" vagy "Other" kategóriába estek.

Megjegyzés: Ez a beállítás bármikor oda-vissza változtatható, nem módosítja a nyers adatokat, csak azok vizualizációját.

Ne halogasd, a GA4 nyers adatok gyűjtése nem visszamenőleges hatályú!

Hozz létre egy ingyenes Google Cloud Sandbox projektet a `console.cloud.google.com` oldalon.

Kapcsold össze a GA4-gyel: Adminisztrálás -> Termék-összekapcsolások -> BigQuery-kapcsolatok.

Kapcsold be a napi (Daily) exportot.

Ezzel biztosítod, hogy 6-12 hónap múlva, amikor külső ügynökséget vagy adatelemző szakembert vonsz be (akiknek az óradíja ma Magyarországon nettó 25 000 - 45 000 HUF között mozog), rendelkezésre álljon a teljes, mintavételezés nélküli historikus adatbázis a precíz egyéni attribúciós modellezéshez.

Ne becsüld alá a közvetlen ügyféli visszajelzést. Integrálj egy egyszerű, egykérdéses felugró ablakot a sikeres vásárlást igazoló köszönőoldalra (Thank you page).

Kérdés: "Hogyan hallottál rólunk először?"

Válaszlehetőségek (rotálva, hogy elkerüld a list-order torzítást):

• Facebook / Instagram hirdetés
• Google kereső (nem fizetett találat)
• Google hirdetés
• Ismerős / Családtag ajánlotta
• Hírlevélből
• Ár-összehasonlító oldal (Árukereső, stb.)
• Egyéb

Hasonlítsd össze ezt az adatcsoportot a GA4 adatvezérelt modelljével havonta egyszer egy marketingvezetői excelben. Ahol a kérdőíves adatok masszívan felülreprezentálnak egy csatornát a GA4-gyel szemben, ott a GA4 mérése technikai vagy böngészőoldali korlátozások miatt elvérzik. Ezt a csatornát (jellemzően a Paid Social-t) kezeld stratégiai prioritásként, függetlenül attól, hogy mit mutat a GA4 utolsó kattintásos ROAS mutatója.