GA4 attribúciós káosz: Így mérheted a valós ROI-t a szabályalapú modellek halála után

A Google Analytics 4 (GA4) bevezetése óta a hazai e-kereskedők jelentős része vakon bízik a rendszer alapértelmezett, gépi tanulásra épülő (Data-Driven) attribúciós modelljében, miközben nem veszi észre, hogy a marketingbüdzséje felett a kontrollt átengedte egy olyan algoritmusnak, amely alapvetően a Google saját hirdetési termékeit részesíti előnyben. A klasszikus szabályalapú modellek – mint az első kattintás, a lineáris vagy a pozícióalapú – kivezetése nem technológiai evolúció volt, hanem egy tudatos üzleti döntés a techóriás részéről, amellyel elfedte a konverziós utak valódi komplexitását. Ez a változás közvetlenül érinti azokat a magyar középvállalkozásokat, amelyek havi 500 000 és 5 000 000 HUF közötti összeget költenek Google Ads és Meta hirdetésekre, hiszen a torzított riportok miatt százezreket csoportosítanak át olyan kampányokba, amelyek valójában nem generálnak inkrementális növekedést. Ha nem látunk a motorháztető alá, a GA4 riportjai alapján hozott stratégiai döntések nem növekedést, hanem rejtett profitveszteséget fognak eredményezni.

A digitális hirdetési piac soha nem látott nyomás alatt áll. A harmadik féltől származó cookie-k kivezetésének elhúzódó agóniája, a Consent Mode v2 kötelező alkalmazása és az Apple adatvédelmi szigorításai miatt a hagyományos mérés darabjaira hullott. Ezzel párhuzamosan a magyar piacon a médiainfláció brutális méreteket öltött: a Google Ads keresési CPC-k a kompetitív szektorokban (mint a lakberendezés, pénzügy vagy a divat) 35-50%-kal emelkedtek az elmúlt két évben.

Nézzük a konkrét magyar piaci számokat a kattintásonkénti költségek (CPC) terén:

• Otthon és Lakberendezés (pl. bútorok, matracok): 120 – 310 HUF CPC
• Pénzügy és Biztosítás (pl. személyi kölcsön, lakáshitel): 850 – 1900 HUF CPC
• Divat és Ruházat (női divat, cipők): 55 – 130 HUF CPC
• B2B szolgáltatások / Szoftverek: 400 – 1100 HUF CPC

Egy olyan környezetben, ahol a magyar online kereskedők átlagos kosárértéke (AOV) 15 000 és 28 000 HUF között mozog, és a webshopok nettó árrése ritkán haladja meg a 15-25%-ot, minden egyes hibásan allokált forint közvetlenül a profitot égeti. Ha egy 250M HUF éves árbevételű webshop havi 2 000 000 HUF-ot költ Google Ads és Meta hirdetésekre, és a GA4 attribúciós torzítása miatt mindössze 15%-kal becsüli felül a Google Ads a saját teljesítményét a valósághoz képest, akkor a cég évente 3 600 000 HUF-ot költ el teljesen feleslegesen olyan kampányokra, amelyek csak "lehalásszák" a konverziót, de nem hoznak új vásárlót. Az ügynökségi díjak (amelyek Magyarországon jelenleg havi fix 150 000 és 500 000 HUF között, vagy a költés 10-15%-os jutalékos rendszerében mozognak) szintén ezen torzított adatok alapján kerülnek elszámolásra, ami tovább növeli a rejtett költségeket.

A Google által dicsőített adatvezérelt (Data-Driven Attribution - DDA) modell lényegében egy fekete doboz. Míg a Universal Analytics (UA) idejében pontosan tudtuk, hogyan számol a "Last Non-Direct Click" (utolsó nem közvetlen kattintás) modell, addig a GA4 DDA esetében egy gépi tanulási algoritmus dönt arról, hogy az egyes érintkezési pontok mekkora szeletet kapnak a konverziós tortából.

A Google állítása szerint a DDA a kooperatív játékelméletből ismert Shapley-értéket használja a csatornák értékeléséhez. Ez elméletben gyönyörűen hangzik, de a gyakorlatban van egy hatalmas bökkenő: a modellt futtató infrastruktúra és az algoritmus a Google tulajdona.

A gyakorlati tapasztalatok azt mutatják, hogy ha a felhasználó konverziós útvonala tartalmaz egy Google Ads keresési hirdetést (különösen egy brand keresést), egy Meta Prospecting hirdetést és egy közvetlen (Direct) látogatást, a GA4 DDA algoritmusa hajlamos aránytalanul nagy súlyt rendelni a Google Ads interakcióhoz. Miért? Mert a Google-nek elemi üzleti érdeke, hogy a hirdetési platformjának hatékonyságát (ROAS) magasabbnak mutassa, ezzel ösztönözve a marketingvezetőket a büdzsé növelésére.

A legnagyobb zavar a magyar marketingesek fejében a GA4 különböző hatókörű (scope) dimenzióinak keveréséből adódik.

• Felhasználó-szerzési riportok (First User): Ez a dimenzió azt mutatja meg, hogyan talált rá a weboldalra a látogató legelső alkalommal (lényegében egy merev, élettartamra vetített First Click modell).
• Munkamenet-szerzési riportok (Session): Ez az adott látogatást elindító csatornát méri (hagyományosan Last Non-Direct Click alapon).
• Konverziós riportok (Esemény-alapú): Itt érvényesül a tulajdon (Property) szinten beállított attribúciós modell, ami alapértelmezetten a Data-Driven.

Ha egy PPC specialista a Munkamenet-szerzés riport alapján optimalizálja a Meta kampányokat, miközben a konverziós céloknál a GA4 DDA-t nézi, két teljesen eltérő valóságot fog látni. Ez a kettősség gyakran vezet oda, hogy az ügynökség és a belső marketingcsapat között komoly feszültség alakul ki, mivel a Meta Ads Manager 8,5-ös ROAS-t mutat, a GA4 Session riportja 2,1-et, a GA4 DDA pedig 4,3-at ugyanarra az időszakra vonatkozóan.

Bár a Google hivatalosan a Data-Driven modellt erőlteti, a standard GA4-es forgalomszerzési jelentések (Traffic Acquisition) továbbra is a Last Non-Direct Click modellt használják a munkamenetek szintjén. Ez azt jelenti, hogy ha egy vásárló szombat este meglát egy hirdetést a Facebookon (Meta Ads), átkattint, de nem vásárol, majd vasárnap reggel közvetlenül (Direct) beírja a webshop nevét és vásárol, a GA4 a konverziót a Meta javára írja jóvá.

Ugyanakkor, ha a fizetési folyamat során a látogatót átirányítjuk egy magyar fizetési kapura (pl. OTP SimplePay, Barion), majd a sikeres fizetés után visszatér a weboldalra, és a referral kizárások nincsenek megfelelően beállítva, a GA4 a konverziót a `simplepay.hu / referral` forrásnak fogja tulajdonítani. Ez a hiba jelenleg a magyar webshopok legalább 40%-ánál aktívan torzítja az adatokat.

Az alábbi valós esettanulmány bemutatja, hogyan vezet a GA4 alapértelmezett attribúciójának vak követése hibás üzleti döntésekhez, és hogyan lehet ezt szisztematikus elemzéssel korrigálni.

A vizsgált partnerünk egyedi tervezésű női ruhákat értékesítő magyar e-kereskedő, éves szinten 250 000 000 HUF nettó árbevétellel. A havi marketingköltésük átlagosan 1 800 000 HUF volt, megosztva a Google Ads (főként PMax és Brand Search) és a Meta Ads (Prospecting és Retargeting) között.

A Google Ads fiókban a ROAS mutatók szárnyaltak: a PMax kampányok 650%-os, míg a Brand Search kampány 1200%-os megtérülést mutatott. A GA4 Data-Driven riportjai szintén megerősítették ezt a sikert, a Google Ads csatornát jelölve meg a konverziók 60%-áért felelős forrásként. Ennek ellenére a webshop tulajdonosa azt tapasztalta, hogy bár a hirdetési költéseket 20%-kal megemelték az előző negyedévhez képest, a bankszámlán lévő szabad cash-flow és a Számlázz.hu-ból kinyert valós nettó árbevétel stagnált, sőt, a futárcégek (GLS, Packeta) által visszautalt utánvétes összegek csökkenő tendenciát mutattak.

A probléma gyökerét a GA4 Konverziós útvonalak (Conversion Paths) riportjának mélyreható elemzésével tártuk fel. Az adatokat behúztuk egy egyedi BigQuery lekérdezésbe is, hogy lássuk a nyers, modellezetlen interakciókat.

| Konverziós Útvonal Típusa | Első Érintkezés (First Touch) | Köztes Érintkezések | Utolsó Érintkezés (Last Touch) | Konverziók Száma | Valós Üzleti Szerep |

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

| A típus | Meta Ads Prospecting | Instagram Organic | Google Ads Brand Search | 312 | Meta hozza a keresletet, Google lehalássza |

| B típus | Google Ads PMax | Direct | Direct | 145 | PMax generálja és zárja a konverziót |

| C típus | SEO (Organic Search) | Hírlevél (Mailerlite) | Google Ads Brand Search | 188 | SEO és hírlevél konvertálna, Google rátelepül |

Az elemzés feltárta, hogy az összes konverzió 35%-ánál (A és C típus) a Google Ads Brand Search kampánya volt az utolsó interakciós pont, közvetlenül a vásárlás előtt. A felhasználók már pontosan tudták, mit akarnak vásárolni (köszönhetően a Meta hirdetéseknek vagy a korábbi hírleveleknek), beírták a márka nevét a Google-be, és ahelyett, hogy az organikus találatra kattintottak volna, rákattintottak a legfelül megjelenő, fizetett Brand hirdetésre.

A GA4 DDA modellje ennek a Brand kampánynak tulajdonította a konverziós érték több mint 50%-át. A valóságban azonban ez a kampány nulla inkrementális értéket teremtett: ha a Brand hirdetés nem lett volna ott, a felhasználók 98%-a az első helyen lévő organikus SEO találatra kattintva ugyanúgy végrehajtotta volna a vásárlást.

• Brand kampány drasztikus visszafogása: A Google Ads-ben a Brand keresési kampány napi költségkeretét 5000 HUF-ról jelképes 500 HUF-ra csökkentettük (csak a közvetlen versenytársak agresszív hirdetési tevékenységének kivédésére).
• PMax kizárások: A Performance Max kampányból negatív kulcsszavas listával kizártuk a saját márkanevet, így kényszerítve a Google-t, hogy valódi új ügyfeleket (prospecting) szerezzen, ne pedig a visszatérő, márkát kereső látogatókat konvertálja újra.
• Egyedi Csatornacsoportok (Custom Channel Groupings) létrehozása: A GA4-ben különválasztottuk a `Google Ads - Brand` és a `Google Ads - Non-Brand (Generic/PMax)` forrásokat, hogy tisztán lássuk az egyes lábak valódi teljesítményét.

Három hónappal a beavatkozás után az alábbi változásokat regisztráltuk:

• Google Ads költés csökkenése: Havi 1 100 000 HUF-ról 700 000 HUF-ra csökkent (400 000 HUF közvetlen megtakarítás havonta, azaz összesen 1 200 000 HUF a negyedév alatt).
• Összbevétel változása: A webshop teljes árbevétele nemhogy nem csökkent, de 4%-kal növekedett a felszabadult büdzsé Meta Prospecting kampányokba történő átcsoportosításának köszönhetően.
• Valós (Blended) ROAS javulása: A marketingköltésre vetített teljes üzleti megtérülés (Meros / Blended ROAS) 4,2-ről 5,6-ra emelkedett.
• SEO organikus forgalom növekedése: A brand keresésekre érkező organikus kattintások száma 42%-kal nőtt, bizonyítva, hogy a fizetett brand hirdetések korábban a saját organikus forgalmat kannibalizálták.

A Consent Mode v2 2024 márciusi bevezetése óta a mérések pontossága Európában – és így Magyarországon is – drámaian visszaesett. Ha a látogató elutasítja a cookie-k használatát a felugró süti-elfogadó sávon (ami a hazai weboldalakon az új, agresszívebb elrendezések mellett is átlagosan 20-35% közötti elutasítási arányt jelent), a GA4 nem helyez el cookie-kat. Ehelyett úgynevezett "pöttyöket" (cookieless pings) küld a szervernek.

Az így kieső látogatók adatait a Google gépi tanulás útján, "modellezéssel" próbálja meg pótolni a GA4 felületén. A Google algoritmusa megnézi, hogyan viselkedtek az engedélyt megadó felhasználók, majd ezen mintázat alapján "lemodellezi" és kiegészíti a konverziós riportokat az engedélyt elutasítók adataival.

Itt jelentkezik a legnagyobb magyar piaci anomália. A Google globális modellezési mintái és hipotézisei feltételezik, hogy a felhasználók viselkedése homogén. Azonban a magyar fogyasztók online vásárlási szokásai jelentősen eltérnek a nyugat-európai vagy amerikai mintáktól:

• Magas utánvét-arány (Cash on Delivery - COD): Magyarországon a vidéki lakosság körében az utánvétes fizetés aránya még mindig 55-70% között mozog. Ezek a vásárlók sokkal bizonytalanabbak, hosszabb döntési utat járnak be, mint az azonnal bankkártyával fizetők. A Google modellezése ezt a kulturális és gazdasági különbséget képtelen megfelelően lekövetni.
• Mobilhálózati szakadások: A kisebb magyar településeken a mobilinternet-lefedettség fluktuációja miatt a munkamenetek gyakrabban szakadnak meg, mint a sűrűn lefedett nyugati nagyvárosokban. Egy megszakadt munkamenet után a visszatérő látogatót a GA4 új Direct látogatónak fogja érzékelni, míg a modell megpróbálja ráhúzni az egységes látogatói profilt, ami téves attribúcióhoz vezet.

Hogyan azonosítsd a modellezett adatok torzítását?

Ha szeretnénk látni a tiszta valóságot a modellezett "fantomadatok" nélkül, össze kell hasonlítanunk a GA4 felhasználói felületén (UI) látható adatokat a BigQuery-be exportált nyers adatokkal. A BigQuery export ugyanis kizárólag a valós, megfigyelt (observed) adatokat tartalmazza, a Google modellezett konverzióit nem.

Ha a GA4 felületén egy adott időszakban 1200 tranzakciót látunk egy forrásból, de a BigQuery exportban csak 910 valós tranzakciós azonosító szerepel, akkor a Google 290 tranzakciót tisztán algoritmus alapján "talált ki" és rendelt hozzá a csatornákhoz. Ez a 24%-os eltérés már bőven felette van annak a hibahatárnak, amelyre biztonságosan alapozhatnánk egy havi több milliós marketingbüdzsé elosztását.

A GA4 bevezetése óta eltelt időszakban számos olyan visszatérő konfigurációs hibát azonosítottunk a magyar fiókok auditálása során, amelyek teljesen hiteltelenné teszik az attribúciós jelentéseket.

Sok marketinges automatikusan bekapcsolja a Google Signals funkciót, abban a hitben, hogy ezzel pontosabb cross-device (eszközök közötti) mérést kap. Azonban, ha a webshop forgalma nem ér el egy bizonyos szintet (jellemzően napi 500-1000 aktív látogató alatt), a Google adatvédelmi okokból bekapcsolja a Thresholding (adatküszöbölés) funkciót a riportokban.

Ilyenkor a GA4 egyszerűen elrejti azokat a sorokat a jelentésekből, amelyeknél a felhasználók száma túl alacsony. Ennek eredményeképpen a hosszú konverziós utak, a kisebb forgalmú, de magas konverziójú niche kampányok (pl. egyedi B2B kampányok vagy mikromarketing hírlevelek) teljesen eltűnnek a riportokból, mintha nem is léteznének, torzítva az attribúciós döntéseket.

Amikor a vásárló a kosár oldalon a fizetésre kattint, átirányításra kerül a fizetési szolgáltató oldalára (pl. `securepayment.otpsimple.hu`, `secure.barion.com`). Miután a fizetés sikeresen megtörtént, a bank visszairányítja a látogatót a webshop köszönő oldalára.

Ha a GA4 tulajdon beállításaiban nincsenek felvéve ezek a domainek a "Nem kívánt hivatkozások listájára" (Unwanted Referrals), a GA4 lezárja az eredeti munkamenetet (amit pl. egy Meta hirdetés indított el), és egy új munkamenetet indít, amelynek forrása a `referral` lesz. Az összes konverzió a fizetési kapu javára íródik jóvá, teljesen megvakítva a marketingest az eredeti forrást illetően.

Gyakori tévedés, hogy a Google Ads fiókban kizárólag a Google Ads saját konverziós követőkódját (Google Ads Conversion Tag) használják az optimalizáláshoz, és teljesen figyelmen kívül hagyják a GA4-ből importált tranzakciókat.

A Google Ads saját kódja egy zárt ökoszisztémában mér: ha a felhasználó rákattintott egy Google Ads hirdetésre a 90 napos konverziós ablakon belül, akkor a Google Ads az összes konverziós értéket magához fogja láncolni, teljesen függetlenül attól, hogy időközben a látogató még 5 alkalommal jött be hírlevélből vagy organikus keresésből. Ha csak ezt nézzük, a Google Ads ROAS-unk mesterségesen magas lesz, miközben a többi csatornát éheztetjük.

---

A GA4 attribúciós torzításainak kiküszöbölésére és a marketingköltések optimalizálására az alábbi strukturált lépéssor végrehajtása javasolt.

Lépj be a GA4-ben az Adminisztráció -> Adatgyűjtés és -küldés -> Adatfolyamok menüpontba. Válaszd ki a webes adatfolyamot, majd kattints a Címkebeállítások konfigurálása -> Továbbiak -> Nem kívánt hivatkozások listája opcióra. Add hozzá az alábbi domaineket a gyufatípusoknál "A domain tartalmazza" beállítással:

• `simplepay.hu`
• `otpsimple.hu`
• `barion.com`
• `payu.hu`
• `bpoint.hu`
• `borgun.is`
• `szamlazz.hu` (számlázó szoftverek visszahívásai miatt)

Ha a GA4 riportok jobb felső sarkában egy kis felkiáltójelet vagy háromszöget látsz "Adatküszöb alkalmazva" felirattal, menj az Adminisztráció -> Tulajdon beállításai -> Jelentéskészítési azonosító menüpontba. Válts át a "Vegyes" (Blended) vagy "Megfigyelt" (Observed) beállításról az Eszközalapú (Device-only) azonosításra. Ez a lépés azonnal kikapcsolja a Google Signals alapú szűrést a jelentésekből, és újra láthatóvá teszi az összes elrejtett konverziós utat. (Megjegyzés: Ez a beállítás bármikor oda-vissza változtatható, nem módosítja a mögöttes adatbázist, csak a vizualizációt).

Különítsd el a Brand és Non-Brand kereséseket a pontosabb értékeléshez. Az Adminisztráció -> Adatok megjelenítése -> Csatornacsoportok menüpontban hozz létre egy új csoportot. Határozd meg a `Google Ads - Brand` szabályt: ha a forrás `google / cpc` ÉS a kampány neve tartalmazza a márkanevedet (pl. "brand", "márkanév"). Az összes többi Google Ads forrást sorold be a `Google Ads - Generic` kategóriába. Ezzel az egyszerű lépéssel tisztán fogod látni, mennyi konverziót hoznak a drága, új ügyfeleket célzó kampányok, és mennyit a már meglévő, téged kereső vásárlók.

A mérések függetlenítéséhez elengedhetetlen a nyers adatok birtoklása. Regisztrálj egy ingyenes Google Cloud Sandbox projektet, és kösd össze a GA4 tulajdonoddal (Adminisztráció -> Termékkapcsolatok -> BigQuery-kapcsolatok). Havi 10 GB aktív tárhely és 1 TB lekérdezési limit teljesen ingyenes, ami egy 500M HUF alatti éves árbevételű webshop teljes adatigényét tökéletesen és költségmentesen lefedi. Itt a modellezetlen, tiszta tranzakciós adatokat fogod látni.

Ne hagyatkozz kizárólag a Google Ads saját pixelére. Állíts be két konverziós célt a hirdetési fiókban:

• Elsődleges cél (Primary): A Google Ads saját konverziós tagje (ezzel biztosítod, hogy az algoritmus kapjon elegendő adatot az intelligens ajánlattételhez - Smart Bidding).
• Másodlagos cél (Secondary): A GA4-ből importált tranzakciós esemény (ez nem vesz részt az algoritmus optimalizálásában, de lehetőséget ad arra, hogy a Google Ads felületén közvetlenül összehasonlítsd a két mérés közötti különbséget). Ha a GA4 importált konverziók száma több mint 30%-kal elmarad a Google Ads saját tagjétől, a hirdetési büdzséd allokációja veszélyben van.

A magyar piacon gyakori hiba a nem egységes UTM paraméterezés (pl. kis- és nagybetűk keverése: `utm_source=Facebook` és `utm_source=facebook`). A GA4 ezeket külön forrásnak tekinti. Vezess be szigorú, kisbetűs UTM szabályzatot. Különösen figyelj a hírlevelekre (pl. `utm_source=mailerlite&utm_medium=email&utm_campaign=weekly_newsletter_2026_03`). Soha ne használj ékezetes karaktereket (á, é, ö, stb.) az UTM paraméterekben, mert a böngészők kódolása miatt ezek gyakran sérülnek, és a GA4 a konverziókat az `unassigned` (besorolatlan) kategóriába dobja.

---

SEO Cím: GA4 új attribúciós modellek: Így torzít a Google a saját javára

Meta leírás: GA4 attribúciós modellek haladó magyar marketingeseknek. Esettanulmányon keresztül mutatjuk be a Google Ads torzításait és a mérés javításának lépéseit.