GA4 attribúció a gyakorlatban: Hogyan torzít az adatvezérelt modell a magyar kkv-knál?

SEO Cím: GA4 Attribúciós Modellek 2026: Így kerüld el a Google Ads túlköltekezést

Meta leírás: A GA4 adatvezérelt (DDA) hibrid modellje és a szabályalapú attribúciók kivezetése torzítja a konverziós adatokat. Gyakorlati útmutató haladó magyar marketingeseknek BigQuery integrációval.

A magyar e-kereskedelmi szektorban jelenleg is zajló csendes tragédia, hogy a döntéshozók többsége vakon bízik a Google Analytics 4 (GA4) alapértelmezett Adatvezérelt (Data-Driven - DDA) attribúciós modelljében, miközben az szisztematikusan átcsoportosítja a konverziós érdemeket a Google saját, zárt ökoszisztémájába, különösen a Performance Max (PMax) kampányok javára. Ez a torzítás közvetlenül vezet ahhoz, hogy a Meta Ads büdzséket indokolatlanul megvágják, a drága Google keresési hirdetések tCPA-céljait pedig mesterségesen magasan tartják, ami havi szinten több százezer forint felesleges marketingköltést eredményez. A szabályalapú modellek (Linear, Time Decay, Position-Based) Google általi egyoldalú kivezetése nem technológiai evolúció volt, hanem egy tudatos üzleti döntés a hirdetési bevételek maximalizálására. Ahhoz, hogy egy magyar webáruház reális képet kapjon a csatornái valódi inkrementális értékéről, túl kell lépnie a GA4 felületén található "fekete doboz" jelentéseken, és saját kezébe kell vennie az adatok kiértékelését.

A magyar e-kereskedelmi piac 2026-ra elérte azt a telítettségi pontot, ahol az átlagos konverziós arányok 1,2% és 1,8% között stagnálnak, miközben a kattintási költségek (CPC) az olyan kompetitív szegmensekben, mint a divat, a lakberendezés vagy a műszaki cikkek, már tartósan a 120–350 HUF közötti sávban mozognak. A harmadik féltől származó cookie-k végleges korlátozása és a Consent Mode v2 szigorú alkalmazása miatt a mért adatok zajszintje hatalmasra nőtt.

Az OTP Mobil (SimplePay) és a Barion fizetési kapuk tranzakciós adatainak és a GA4 által jelentett vásárlásoknak az összevetésekor a hazai webáruházak átlagosan 15-25%-os adatvesztéssel küzdenek. Ha egy évi 200 millió HUF árbevételű webshop marketingvezetője a GA4 alapértelmezett, modellezett konverziókat is tartalmazó DDA modelljére hagyatkozik a büdzsé tervezésekor, akkor havonta minimum 300 000 – 600 000 HUF közötti összeget allokál rossz csatornákra. A tét immár nem a "szép riportok" gyártása, hanem a túlélés egy olyan piacon, ahol az Alza, az eMAG és a Temu agresszív árazása miatt a hazai kkv-k árrése minimálisra zsugorodott.

---

A Google marketingkommunikációja szerint az Adatvezérelt Attribúció (DDA) a gépi tanulás csúcsa, amely a kooperatív játékelméletből származó Shapley-értéket használja a konverziós útvonalak elemzésére. A valóságban azonban ez a modell egy zárt, ellenőrizhetetlen rendszer, amely strukturálisan kedvez a Google-specifikus érintkezési pontoknak.

A GA4 adatvezérelt modellje hajlamos figyelmen kívül hagyni azokat az utakat, amelyeknél az első és az utolsó interakció között 30 napnál több telt el, még akkor is, ha a konverziós ablak elméletileg 90 napra van állítva.

A magyar fogyasztói magatartásra jellemző, hogy a magasabb kosárértékű (AOV > 25 000 HUF) termékeknél a döntési folyamat 14–24 napig is eltarthat, amely során a felhasználó többször találkozik a márkával:

• Első érintkezés egy Meta (Instagram) videós hirdetésből származik (mobilról).
• Második érintkezés egy organikus Google keresés (márkanévre).
• Harmadik érintkezés egy PMax remarketing banner.
• Végül a vásárlás közvetlen (Direct) látogatással történik desktopon.

A GA4 DDA ebben az esetben a konverziós érték akár 70-80%-át a Google PMax kampánynak fogja tulajdonítani, miközben a Meta Ads hatását leértékeli 10% alá. Ez azért történik, mert a Google algoritmusa nem látja megfelelően a cross-device és cross-browser utakat a szigorú iOS és Safari követési korlátozások (ITP) miatt, így a Meta hirdetést sokszor egy különálló, konvertálatlan útnak érzékeli, míg a Google Ads kattintást a saját bejelentkezési adatai (Google Signals) alapján sikeresen összeköti a későbbi vásárlással.

A klasszikus szabályalapú modellek (Linear, Time Decay, Position-Based) megszüntetésének hivatalos indoka az alacsony használati arány volt. A valós ok azonban az, hogy ezek a modellek transzparensek voltak. Egy Position-Based (Pozícióalapú) modell fixen 40%-ot adott a legelső (First Click) és 40%-ot a legutolsó (Last Click) csatornának, megmaradt 20%-ot pedig szétosztott a köztes fázisok között.

Ha ezt alkalmaztuk egy kampányban, feketén-fehéren látszott, hogy a Meta prospektáló (Top of Funnel) kampányai hozzák be az új látogatók tömegét. Azáltal, hogy a Google kötelezővé tette a DDA-t vagy a Last Click-et, a felső tölcséres, márkaépítő és keresletgeneráló kampányok számszerűsíthető megtérülése papíron drasztikusan visszaesett.

---

A probléma nem áll meg a riportálásnál. A legtöbb magyar PPC specialista elköveti azt a hibát, hogy a Google Ads fiókban a konverziós akció forrásaként a GA4-ből importált konverziókat használja, ráadásul Adatvezérelt attribúcióval párosítva.

| Attribúciós Beállítás | Google Ads tROAS Licitálás Viselkedése | Valós Hatás a Profitra |

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

| GA4 Import + DDA | Az algoritmus a tört konverziókra optimalizál. Ha a GA4 0.2 konverziót ad egy kulcsszónak, az Ads licitáló motorja leértékeli azt, és leállítja a licitet, csökkentve az elérést. | Negatív: Kikapcsolja a generikus, de hosszú távon konverziót hozó kulcsszavakat, szűkítve a tölcsér tetejét. |

| Google Ads Tag (Web) + DDA | Csak a Google Ads kattintások közötti utat nézi. Ha a felhasználó kattintott Search-re és utána PMax-ra, az Ads felosztja köztük a konverziót, de a külső csatornákat (Meta, Árukereső) teljesen figyelmen kívül hagyja. | Közepes: Mesterségesen felduzzasztja a Google Ads hatékonyságát, miközben a büdzsé elszívja a levegőt más csatornáktól. |

| Saját Első Kattintás (BigQuery) | Megmutatja, melyik fizetett csatorna indította el a felhasználót a vásárlási úton. | Pozitív: Lehetővé teszi a valódi ügyfélszerzési költség (CAC) optimalizálását a skálázáshoz. |

Amikor a Google Ads tROAS (Cél-ROAS) algoritmusa azt látja, hogy egy generikus keresési kampány (pl. "sarokkanapé vásárlás") csak 0,15-ös töredék-konverziókat kap a GA4 DDA-tól, elkezdi csökkenteni a liciteket az adott kulcsszóra. Idővel ez a kulcsszó teljesen kiesik a megjelenésekből.

Azonban a valóságban ez a kulcsszó volt a felhasználók belépési pontja, akik 5 nappal később már a márkanevet beírva vásároltak az oldalon. A generikus kulcsszó kikapcsolásával megszűnik az új látogatók áramlása, a PMax kampány pedig elkezdi a már meglévő, visszatérő vagy direkt látogatókat "learatni" remarketinggel, látszólag zseniális, 800%-os ROAS-t produkálva, miközben a cég teljes árbevétele csökken.

---

A vizsgált partner egy lakberendezési és lakásdekorációs webáruház, amelynek éves árbevétele 250 millió HUF, az átlagos kosárérték (AOV) 18 500 HUF. A marketing büdzsé havi 3 000 000 HUF volt, amelyet 65%-ban a Google Ads (főként PMax és Search), 35%-ban pedig a Meta Ads (Facebook/Instagram prospektáló és katalógus hirdetések) között osztottak meg.

A webáruház tulajdonosa azzal a problémával keresett meg minket, hogy bár a Google Ads fiókban a tROAS hirdetések átlagosan 450%-os megtérülést mutattak, a cég bankszámláján lévő profit nem növekedett, sőt, a Meta büdzsé lefelezése után a havi teljes árbevétel 18%-kal csökkent, annak ellenére, hogy a Google Ads "hozta a számait".

A GA4 DDA riportokat elemezve az alábbi mintát vettük észre a konverziós utaknál:

```

[Meta Prospektáló Hirdetés] (Mobil) -> 1. Nap

│

▼

[Szerves Google Keresés (márkanév)] -> 3. Nap

│

▼

[PMax Remarketing Banner] -> 6. Nap (Konverzió: 18 500 Ft)

```

A GA4 alapértelmezett Adatvezérelt modellje a konverzió értékéből:

• Google Ads (PMax): 14 800 HUF-ot (80%) kapott.
• Organikus keresés: 2 775 HUF-ot (15%) kapott.
• Meta Ads: 925 HUF-ot (5%) kapott.

Ezen adatok alapján az ügynökség korábban azt javasolta, hogy a Meta Ads büdzsét csökkentsék havi 1 050 000 HUF-ról 400 000 HUF-ra, és a felszabaduló összeget csoportosítsák át a Google PMax kampányokba. Ez a klasszikus "PMax kannibalizációs csapda".

Mivel a GA4 felületén nem lehet visszaállítani a szabályalapú modelleket, az adatokat kiküldtük raw formátumban a Google BigQuery-be. Írtunk egy SQL lekérdezést, amely újraalkotta a Pozícióalapú (Position-Based / U-Shape) attribúciós modellt, ahol az első interakció (First Touch) 40%-ot, a konverziót lezáró utolsó interakció (Last Touch) 40%-ot, a köztes csatornák pedig egyenlő arányban osztoztak a maradék 20%-on.

Szintén bevezettünk egy "Kizárólagos Első Kattintás" (First-Click-Only) modellt, hogy lássuk, melyik csatorna indította el a kosárértéket.

Az SQL lekérdezés logikai sémája a következő volt:

```sql

WITH user_journey AS (

SELECT

user_pseudo_id,

event_timestamp,

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

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

event_name,

ROW_NUMBER() OVER (PARTITION BY user_pseudo_id ORDER BY event_timestamp ASC) as touchpoint_rank,

COUNT(*) OVER (PARTITION BY user_pseudo_id) as total_touchpoints

FROM

`project-id.analytics_123456789.events_*`

WHERE

_TABLE_SUFFIX BETWEEN '20251101' AND '20251130'

AND event_name IN ('session_start', 'purchase')

)

-- Konverziós utak azonosítása és az értékek súlyozott kiosztása...

```

A BigQuery alapú elemzés megdöbbentő eredményt hozott. A vásárlások 42%-ánál a legelső érintkezési pont a Meta Ads hirdetés volt. Amikor a Meta büdzsét korábban lefelezték, elvágták azt a csatornát, amely a látogatók több mint 40%-át vitte be a tölcsérbe.

A Google PMax kampányok valójában nem generálták a keresletet, hanem "lehalászták" a Meta által behozott, már melegített látogatókat, akiknek a PMax dinamikus remarketing hirdetései megjelentek a YouTube-on vagy a Gmailben.

Szakmai észrevétel: A PMax egy kiváló konverziós motor, de kritikusan rossz keresletgenerátor. Ha nincs mögötte egy erős Top of Funnel motor (Meta, TikTok vagy erős SEO), a PMax egy idő után elkezdi saját magát kannibalizálni, és a meglévő direkt vásárlókat célozza meg, hogy teljesítse a fiókban beállított tROAS célt.

A kapott adatok alapján az alábbi módosításokat hajtottuk végre:

• Meta Ads büdzsé visszaállítása: Visszaemeltük a Meta büdzsét havi 1 200 000 HUF-ra, de szigorúan a felső tölcséres, széles célzású (Broad) videós kampányokra fókuszálva.
• Google Ads tROAS korrekció: A Google Ads kampányokban a tROAS celokat 450%-ról leengedtük 380%-ra. Ez elsőre ellentmondásosnak tűnhet, de ezzel engedtük meg az algoritmusnak, hogy újra licitáljon a magasabb CPC-jű generic kulcsszavakra, amelyek korábban a szigorú ROAS korlát miatt leálltak.
• PMax átalakítás: A PMax kampányokban kizártuk a saját márkanéves kifejezéseket (Brand Exclusion), megakadályozva, hogy a hirdetések olyan felhasználóknak jelenjenek meg, akik egyébként is az organikus márkanév keresésre kattintottak volna.

A 30 napos tesztidőszak utáni eredmények:

```

┌───────────────────────────────┐

│ TELJES ÁRBEVÉTEL │

│ +22% (20.8M Ft ➔ 25.3M Ft) │

└───────────────┬───────────────┘

│

┌─────────┴─────────┐

▼ ▼

┌──────────────┐ ┌──────────────┐

│ META ROAS │ │ GOOGLE ROAS │

│ +35% (vBP) │ │ -12% (396%) │

└──────────────┘ └──────────────┘

```

• A teljes webáruházi árbevétel 22%-kal növekedett (20,830,000 HUF-ról 25,380,000 HUF-ra).
• A Meta Ads által generált (de a GA4 DDA által korábban elfedett) közvetett konverziós érték 35%-kal nőtt.
• Bár a Google Ads saját jelentésében a ROAS visszaesett 450%-ról 396%-ra, a teljes cég profitabilitása (MER - Marketing Efficiency Ratio) javult, mivel a felesleges PMax remarketing költéseket (havi kb. 450 000 HUF-ot) átirányítottuk a valós ügyfélszerzést hozó Meta kampányokba.

---

A magyar piac korlátozott büdzséje és az ügynökségi kapacitáshiányok miatt számos olyan "bevett gyakorlat" kering a szakmában, amelyek súlyos mérési hibákhoz vezetnek.

Sokan úgy gondolják, hogy a GA4-ben beállított konverzió importálása a legegyszerűbb út. Ez igaz, de technikailag a legrosszabb megoldás.

Amikor a GA4-ből importálsz egy konverziót, a Google Ads kizárólag azt a konverziós töredéket kapja meg, amit a GA4 DDA modellje neki tulajdonít. Ha a GA4 szerint a Google Ads csak 0,3-at érdemel a konverzióból, akkor a Google Ads licitáló algoritmusa csak ezt a 0,3-as értéket fogja látni. Ez drasztikusan lecsökkenti a mintaméretet, és a "smart bidding" algoritmusok (Maximalizálás konverziók értékének növelésével, tROAS) működésképtelenné válnak, különösen az alacsonyabb tranzakciós számú (havi <150 konverzió) magyar webáruházaknál.

Helyette: A Google Ads saját követőkódját (Google Ads Conversion Tracking Tag) kell használni az oldalon a GTM segítségével, bekapcsolva a Kibővített Konverziókat (Enhanced Conversions). Ez a tag minden olyan konverziót rögzíteni fog a hirdetési fiókban, ahol a felhasználónak volt Google Ads interakciója az elmúlt 90 napban (akár első, akár köztes helyen), ezáltal elegendő adatot biztosítva az intelligens licitálónak.

2. A "Direct" forgalom torzításának figyelmen kívül hagyása

Sok magyar marketinges elfelejti, hogy a GA4 alapértelmezett nem-közvetlen utolsó kattintás (Last Non-Direct Click) modellje elméletileg kiszűri a Direct forgalmat a riportokból, de a valóságban a "Direct / None" mégis gyakran az első helyen szerepel a konverziós források között. Ez szinte minden esetben technikai hiba eredménye:

• A banki fizetési kapuk (SimplePay, Barion, OTP) nincsenek felvéve a nem kívánt hivatkozások listájára (Referral Exclusion List). Amikor a vevő visszatér a sikeres fizetés után a kosár köszönőoldalára, a GA4 új munkamenetet indít, és az érintett konverziót a banki hivatkozásnak vagy közvetlen látogatásnak tulajdonítja.
• A hírlevelekben (Mailchimp, Klaviyo) használt linkek nincsenek ellátva megfelelő UTM paraméterezéssel, így a levelekből érkező, de az alkalmazásokból (pl. Gmail app, Outlook app) megnyitott kattintások Direct látogatásként jelennek meg.

---

Ha nem rendelkezel BigQuery fejlesztői kapacitással, a GA4 felületén belül is elvégezhetsz olyan módosításokat, amelyek közelebb visznek a valósághoz.

Lépj be a GA4 tulajdonodba, majd navigálj az Adminisztráció -> Adatmegjelenítés -> Attribúciós beállítások (Attribution Settings) menüpontba.

```

┌────────────────────────────────────────────────────────┐

│ ATTRIBÚCIÓS BEÁLLÍTÁSOK │

├────────────────────────────────────────────────────────┤

│ Megosztási csatornák: │

│ (•) Google hirdetési csatornák │

│ ( ) Fizetett és organikus csatornák │

│ │

│ Konverziós ablakok: │

│ - Szerzéshez kapcsolódó események: 30 nap │

│ - Egyéb konverziós események: 90 nap │

└────────────────────────────────────────────────────────┘

```

• Reporting attribution model: Válaszd az "Adatvezérelt" (Data-driven) lehetőséget, de tudd, hogy ez torzít a Google javára. Használd a "Tervező" (Model Comparison Tool) jelentést a különbségek elemzésére.
• Channels that can receive credit: Itt van a legnagyobb trükk. Válaszd a "Google hirdetési csatornák" (Google paid channels) helyett a "Fizetett és organikus csatornák" (Paid and organic channels) opciót. Ha az előbbit választod, a GA4 a konverzióért kizárólag a Google Ads kampányoknak fog kreditet adni, ha azok szerepeltek az út során, teljesen törölve a Meta vagy organikus forrásokat a riportokból.
• Conversion window: A vásárlási (purchase) konverziók ablakát húzd fel a maximális 90 napra. Magyarországon a vásárlók árérzékenyek, sokat hasonlítanak össze, hosszabb ideig tart a döntés – a gyári 30 napos ablak elfedi a korai elérések hatásait.

---

Ha marketingvezetőként vagy PPC specialistaként tiszta képet akarsz látni és meg akarod állítani a költségpazarlást, hajtsd végre ezt az akciótervet a következő 30 napban.

• Menj a GA4 Adminisztráció -> Adatgyűjtés és -kezelés -> Adatfolyamok -> Webes adatfolyam menüpontba.
• Kattints a Tag-beállítások konfigurálása -> Összes megjelenítése -> Nem kívánt hivatkozások listázása opcióra.
• Vigyél fel minden hazai fizetési kaput és banki domaint: `sandbox.simplepay.hu`, `secure.simplepay.hu`, `barion.com`, `payment.barion.com`, `pay.otppt.hu`, `khb.hu`, `cib.hu`.

• Szakítsd meg a GA4-ből importált konverziók elsődlegességét a Google Ads fiókban.
• Telepítsd a Google Ads Conversion Tracking tag-et a Google Tag Managerben.
• Aktiváld az Enhanced Conversions (Kibővített konverziók) funkciót a felhasználói e-mail és telefonszám hashelt (SHA-256) átadásával. Ez 8-15%-kal javítja a konverziók visszaírását a Safari felhasználóknál.

• Hozz létre egy server-side GTM észlelést (például Stape.io vagy Google Cloud Platform használatával).
• Irányítsd át a mérési jeleket a saját aldomainedre (pl. `metrics.webshopod.hu`). Ezzel megkerülheted a böngészők adblokkolóit és drasztikusan csökkentheted az iOS eszközökön az adatvesztést.

• Lépj be a Google Ads fiókba.
• A PMax kampány beállításaiban navigálj a "Márkakizárások" (Brand Exclusions) részhez, hozz létre egy listát a saját márkaneved változataival (pl. "Cégnév", "Cegnev webshop", "Cegnev hu"), és zárd ki őket.
• A márkás (brand) keresésekre indíts egy külön, alacsony költségvetésű Search kampányt kézi CPC licitálással, hogy kontrollálni tudd az erre elköltött összeget.

• A GA4 Adminisztrációban kattints a Termékösszekapcsolások -> BigQuery-kapcsolatok lehetőségre.
• Kapcsold össze a tulajdont egy Google Cloud projekttel.
• Állítsd be a Napi (Daily) és a Streaming exportot is. Ezzel az adatok elemzésre készen fognak állni egy külső, torzításmentes SQL környezetben.

• Hagyj fel azzal, hogy az egyes platformok (Google Ads, Meta Ads) saját felületén látható ROAS-t hasonlítod össze egymással.
• Vezesd be a MER (Marketing Efficiency Ratio) vagy más néven Blended ROAS mutatót, amely a következőképpen számolandó:

$$\text{MER} = \frac{\text{Összesített webáruházi árbevétel (ERP / SimplePay adatok alapján)}}{\text{Összesített marketing hirdetési költés (Meta + Google + egyéb)}}$$

• A marketingcsaládod egészségét ezentúl a MER változása alapján értékeld. Ha a Google hirdetési ROAS-od nő, de a MER-ed csökken, akkor a Google éppen kannibalizálja a többi konverziós csatornádat.

• Ha a belső csapatban nincs megfelelő adatelemző kapacitás, ne bízz meg olyan ügynökséget az attribúció beállításával, amely egyben a Google Ads fiókodat is kezeli (mivel ők érdekeltek a Google Ads sikeresnek mutatkozásában).
• Az auditra szánt egyszeri 250 000 – 400 000 HUF díj általában már az első két hónapban megtérül a felesleges remarketing és rosszul célzott prospektáló költések azonosításával.

---

A GA4 attribúciója nem egy objektív, tudományos igazság. Ez egy egyedi szabályrendszer szerint működő szoftver, amelyet a világ legnagyobb hirdetési hálózata fejlesztett ki, hogy támogassa a saját üzleti modelljét. Marketingvezetőként az a feladatod, hogy felismerd ezeket a torzításokat, saját tulajdonú nyers adatokból dolgozz, és a marketingbüdzsét ne a Google részrehajló algoritmusaira, hanem az üzleti növekedést támogató, kézzel fogható inkrementális bevételre optimalizáld.