GA4 attribúciós modellek a gyakorlatban: Hogyan mérjük a valós ROI-t a magyar piacon?

SEO Title: GA4 attribúciós modellek a gyakorlatban: Hogyan torzít a Google Data-Driven modellje a magyar e-kereskedelemben?

Meta leírás: Hogyan értékeljük túl a Google Ads-et a GA4 új attribúciós logikájával? Gyakorlati útmutató haladó magyar marketingeseknek, valós számokkal, PPC és SEO szinergiákkal.

A Google Analytics 4 (GA4) bevezetésével és a szabályalapú attribúciós modellek (Linear, Time Decay, Position-Based, First Click) kivezetésével a magyar e-kereskedelmi döntéshozók és PPC specialisták egy eddig soha nem látott fekete dobozzal találták szembe magukat. A Google által egyedüli üdvözítő útként propagált Data-Driven Attribution (DDA – adatvezérelt attribúció) algoritmusát úgy tervezték, hogy a háttérben futó gépi tanulási modellek határozzák meg az egyes érintkezési pontok értékét, ám ez a gyakorlatban súlyos rendszerszintű torzításokhoz vezet. Sok hazai webshopban a marketingbüdzsé átcsoportosítása kizárólag a GA4 riportok alapján történik, miközben a Google saját hirdetési rendszereit (különösen a Performance Max kampányokat) látványosan felülértékeli a független organikus, direkt vagy éppen a Meta csatornákkal szemben. Ha vakon bízunk a GA4 alapértelmezett beállításaiban, milliókat égethetünk el olyan kampányokra, amelyek valójában csak a már meglévő, konvertálni egyébként is hajlandó vásárlókat csatornázzák be újra.

A hazai e-kereskedelmi piacon a 2026-os évre a növekedési dinamika érezhetően lelassult, a fogyasztói kosárértékek nominális növekedése mögött gyakran csak az infláció áll, miközben az ügyfélszerzési költségek (CAC) drasztikusan megemelkedtek. Egy átlagos, 50 és 500 millió forint közötti éves árbevételű magyar webshopnak ma már minden egyes elköltött hirdetési forint helyét pontosan igazolnia kell. Ezt a helyzetet tovább nehezíti a harmadik féltől származó sütik (third-party cookies) végleges visszaszorulása, a Consent Mode v2 kötelező bevezetése, amely a magyar oldalakon átlagosan 20-35% közötti adatvesztést eredményezett a hozzájárulást meg nem adó felhasználók miatt.

A magyar ügynökségi piacon jelenleg az átlagos PPC menedzsment díjak havi 150 000 HUF és 450 000 HUF között mozognak (vagy a költés 10-15%-át teszik ki), és az ügynökségek teljesítményét szinte mindenhol a GA4 által jelentett ROAS (hirdetési kiadások megtérülése) alapján mérik. Ha a mérési modellünk torzít, akkor nemcsak a büdzsét osztjuk el rosszul, hanem az ügynökségi ösztönzőket és a belső KPI-okat is teljesen téves adatokra alapozzuk. Az Alza vagy az eMag méretű óriások saját attribúciós modellezést építenek BigQuery alapon, de a közepes méretű magyar szereplők kénytelenek a GA4 felületére hagyatkozni – ezért kritikus megérteni, mi zajlik a motorháztető alatt.

---

A Google hivatalos narratívája szerint a Data-Driven attribúció a legigazságosabb módszer, mivel a konverziós és a nem-konverziós útvonalakat is elemzi, majd a konverzió valószínűségét növelő érintkezési pontokhoz rendel értéket. Ez elméletben jól hangzik, de a gyakorlatban komoly módszertani sebekből vérzik, amelyeket a Google igyekszik elhallgatni.

A Google mint hirdetésszolgáltató és mint mérőeszköz-tulajdonos egy személyben testesíti meg a bírót és a játékost. A DDA modell algoritmusának részletei nem nyilvánosak; nem tudhatjuk, hogy a súlyozás során a Google Ads kattintások miért kapnak szisztematikusan nagyobb prioritást, mint például a Meta organikus vagy fizetett elérések.

Tapasztalataink szerint a GA4 DDA modellje a Google Performance Max (PMax) kampányoknak kedvez a legjobban. A PMax kampányok természetüknél fogva agresszíven célozzák a márkaneves kulcsszavakat (branded search) és a remarketing közönségeket. Ha egy felhasználó meglát egy hirdetést a Facebookon (Meta Ads), átkattint, tájékozódik, majd másnap beírja a Google-be a márka nevét, és a PMax által kiszolgált branded hirdetésre kattintva vásárol, a GA4 DDA a konverziós érték akár 80-90%-át is a Google Ads-hez fogja rendelni. A valóságban a vásárlási szándékot a Meta kampány generálta, a Google Ads csupán egy drága útdíjszedőként funkcionált az út végén.

A szabályalapú modellek megszűnésével a GA4-ben a konverziók száma tizedesjegyekkel jelenik meg a riportokban (pl. egy kampányhoz 14,3 konverzió tartozik). Ez a frakcionális attribúció. Bár matematikailag elegánsnak tűnik, a magyar kkv-szektorban, ahol a havi konverziószám sokszor nem éri el az 500-1000 darabot kategóriánként, a gépi tanulásos modell nem kap elegendő adatot a stabil működéshez.

Alacsony konverziószám mellett a DDA modell instabillá válik: a zajt méri a jel helyett. Ha egy webáruházban havonta 100 konverzió történik, a GA4 algoritmusának nincs elég statisztikai mintája a konverziós és nem-konverziós utak összehasonlítására. Ilyenkor a modell lényegében egy burkolt Last Click modellé esik vissza, vagy ami még rosszabb, véletlenszerűen súlyoz a Google Ads javára.

---

A magyar digitális hirdetési piac szűkös és rendkívül kompetitív. Az elmúlt években a CPC (kattintásonkénti költség) árak drasztikusan emelkedtek. Lássunk néhány reális magyar piaci CPC tartományt iparáganként, amelyek alapjaiban határozzák meg, hogy mekkora luxus a rossz attribúciós döntés:

| Iparág / Kategória | Átlagos CPC tartomány (HUF) | Jellemző konverziós ráta | Megengedhető maximális CPA (HUF) |

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

| Pénzügy / Hitel / Biztosítás | 350 - 900 HUF | 0.8% - 1.5% | 12 000 - 25 000 HUF |

| Bútor / Lakberendezés | 120 - 250 HUF | 0.5% - 1.2% | 8 000 - 15 000 HUF |

| Divat / Ruházat (e-commerce)| 45 - 95 HUF | 1.5% - 3.0% | 2 500 - 5 500 HUF |

| B2B Szolgáltatások / SaaS | 400 - 1200 HUF | 1.0% - 2.5% | 15 000 - 40 000 HUF |

Ha egy lakberendezési webshopban 180 HUF-os átlagos CPC mellett futtatunk Google Ads Search és Meta kampányokat, és a GA4 DDA torzítása miatt a Meta-nak tulajdonított konverziókat alulértékeljük, akkor le fogjuk állítani a felső tölcséres (prospecting) Meta hirdetéseket. Ennek eredményeképpen 30-45 napon belül a keresési volumen is vissza fog esni a Google-ben, hiszen senki sem fog keresni egy olyan márkára vagy egyedi termékre, amellyel nem találkozott korábban a közösségi médiában.

Sokan azt gondolják, hogy a GA4-ben a "Reporting attribution model" átállítása megoldja a problémát. Ez tévhit. A GA4 admin felületén (Admin > Data display > Attribution settings) kiválasztott modell csupán a standard riportok megjelenítését módosítja.

A legnagyobb veszély az, hogy a Google Ads fiókunkba importált konverziók alapértelmezetten a GA4 adatvezérelt modelljét használják. Ha a Google Ads licitáló algoritmusa (Smart Bidding / Target ROAS / Maximize Conversions) olyan konverziós adatokból tanul, amelyeket a GA4 DDA mesterségesen felduzzasztott a márka-asszisztált kattintásokkal, a licitáló szoftver egyre több pénzt fog költeni azokra a felhasználókra, akik egyébként is vásároltak volna. Ez a klasszikus "márka-kannibalizáció".

---

Vizsgáljuk meg egy valós, anonimizált magyar divat és kiegészítő webáruház adatait. A webshop éves árbevétele 350 000 000 HUF, az átlagos kosárérték (AOV) 17 500 HUF. Ez évente körülbelül 20 000 konverziót jelent (átlagosan havi 1660 tranzakció).

A marketing büdzsé havi megoszlása:

• Meta Ads (prospecting + remarketing): 1 800 000 HUF
• Google Ads (PMax + Brand Search + DSA): 1 200 000 HUF
• SEO & Organikus közösségi média: 300 000 HUF (tartalomgyártás és optimalizálás költsége)
• Hírlevél (Klaviyo): havi fix 120 000 HUF szoftverdíj

A marketingvezető az alábbi eltéréseket tapasztalta a különböző riportok és modellek között egy 30 napos időszakban (összesen 1540 konverzió mellett):

| Csatorna | Meta Ads Manager (7d click/1d view) | GA4 Data-Driven (DDA) | GA4 Last Non-Direct Click | Valós, inkrementális konverzió (becsült)* |

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

| Meta Ads | 780 db | 340 db | 210 db | 510 db |

| Google Ads | - | 710 db | 580 db | 420 db |

| Organikus Keresés| - | 280 db | 430 db | 380 db |

| Hírlevél | - | 130 db | 220 db | 150 db |

| Direkt / Egyéb | - | 80 db | 100 db | 80 db |

\A valós inkrementális konverziót kontrollcsoportos teszteléssel (conversion lift) és a kuponkódok közvetlen követésével határoztuk meg.*

Ha a marketingvezető vakon hisz a GA4 Data-Driven (DDA) modellnek, akkor a Google Ads-et látja a legerősebb csatornának (710 konverzió), míg a Meta-t gyengének (340 konverzió). Ennek hatására a következő havi döntése az lett volna, hogy a Meta büdzséjéből átcsoportosít 500 000 HUF-ot a Google Ads PMax kampányaiba.

Miért lett volna ez katasztrofális hiba?

• A Meta elérések elhallgatása: A Meta hirdetések jelentős része mobil eszközön történik, ahol a felhasználók gyakran az alkalmazáson belüli böngészőben nyitják meg a webshopot. Ha nem vásárolnak azonnal, hanem később asztali gépről vagy közvetlenül a Safariból térnek vissza, a cross-device követés hiányosságai miatt a GA4 nem tudja összekötni a szálakat. A Meta 780 konverziót jelentett (amely tartalmazza a view-through, azaz a megtekintés utáni konverziókat is), miközben a GA4 DDA csak 340-et látott elkötelezett kattintásként.
• A PMax kannibalizálta az organikus keresést: Amikor közelebbről megvizsgáltuk a Google Ads 710 konverzióját, kiderült, hogy a GA4 DDA által a Google Ads-hez rendelt értékek 45%-a olyan konverziós utakból származott, ahol a felhasználó először organikus keresésből vagy direkt módon jött be, majd az utolsó lépésben a PMax brand hirdetésére kattintott.
• A hírlevél alulértékelése: A Klaviyo hírlevelek (hűségprogram, kosárelhagyó automatizmusok) az utolsó interakciós modellben (Last Non-Direct) 220 konverziót hoztak. A DDA ezt redukálta le 130-ra, mert a hírlevél kiküldése előtt a felhasználók gyakran kattintottak korábban futó Google Search hirdetésekre is. De vajon megvették volna a terméket a 10%-os kosárelhagyó kupon nélkül? Aligha. A DDA mégis a Google hirdetésnek adott nagyobb érdemet.

Ha az átcsoportosítás megtörtént volna, a webshop látogatottsága és új vásárlóinak száma drasztikusan visszaesett volna, mert a Meta prospecting (új vevők behozása) leállításával elapadt volna a tölcsér teteje.

---

Az attribúciós modellek közötti navigálás során a magyar marketingesek gyakran esnek olyan csapdákba, amelyeket a platformok logikája szándékosan állít fel nekik.

1. Hiba: A GA4 default jelentések vakon történő elfogadása

A GA4 felületén a Reports > Attribution > Model comparison menüpont alatt látott adatok nem azonosak a standard Traffic acquisition jelentések adataival. A Traffic acquisition jelentések továbbra is a Last Non-Direct Click modellt használják a csatornák értékelésére, miközben a konverziós jelentések már a Data-Driven modellt alkalmazzák. Ha ezt a két riportot összemossuk, teljesen fals képet kapunk az ügyfélszerzési költségekről.

Szakmai tipp: Mindig különítsük el a "Session-level" (munkamenet-szintű) és a "User-level" (felhasználói szintű) dimenziókat. A Session source/medium azt mutatja meg, honnan jött az adott látogatás, míg a First user source/medium azt, hogy az ügyfél legelső alkalommal hogyan talált ránk. Az attribúció elemzését ne keverjük a session-szintű teljesítményméréssel!

Ha összeadjuk a Meta Ads Manager által jelentett konverziókat (pl. 500 db) és a Google Ads által jelentett konverziókat (pl. 600 db), miközben a webshop adminfelülete (Shoprenter, Unas, Shopify) összesen csak 800 valós tranzakciót mutat, akkor látható a "duplikáció".

Mindkét platform hajlamos 100%-ban magáénak tekinteni ugyanazt a konverziót. Ne próbáljuk meg a két felület számait kiegyenlíteni. Ehelyett használjunk egy külső, független igazságforrást (SSOT - Single Source of Truth), ami lehet egy megfelelően beállított BigQuery export vagy egy dedikált szerveroldali (server-side) mérési rendszer (pl. Stape.io segítségével beállított egyedi tracking).

A GA4 kivezette a klasszikus, jól átlátható asszisztált konverziós riportot, ami a Universal Analytics-ben megmutatta, hogy egy csatorna hányszor szerepelt segítőként az út során anélkül, hogy ő lett volna a végső konvertáló. Ezt most a Conversion paths riport helyettesíti. Ha csak az utolsó interakciókat nézzük, szisztematikusan ki fogjuk nyírni azokat a csatornákat (pl. TikTok Ads, Pinterest Ads, blog cikkek), amelyek a tölcsér tetején (TOFU) dolgoznak.

---

Ahhoz, hogy függetlenítsük magunkat a Google torzításaitól, és pontosan lássuk, hova érdemes fektetni a marketing büdzsét, hajtsuk végre az alábbi lépéseket.

Ne hagyjuk az alapértelmezetten felajánlott értékeket ellenőrzés nélkül. Menjünk a Gondnok (Admin) > Adatmegjelenítés (Data display) > Attribúciós beállítások (Attribution settings) menüpontba.

• Reporting attribution model: Állítsuk be a Data-driven modellt, de készítsünk egy egyedi Explorations (Felfedezés) jelentést, ahol összehasonlítjuk a Last Click és a Data-driven modellek közötti eltérést.
• Channels list: Használjunk egyedi csatornacsoportosítást (Custom Channel Grouping), hogy elkülönítsük a "Brand Google Search" és a "Non-Brand Google Search" forgalmat. Ha ezt nem tesszük meg, a Google Ads egy kalap alá veszi a márka nevünkre keresőket a hideg célzásokkal, elrejtve a PMax és a Search kampányok valós hatékonyságát.

```

Példa egyedi szabályra (Custom Channel Grouping):

• Brand Search: Source = google, Medium = cpc, Campaign name contains "brand" vagy "márkanév"
• Generic Search: Source = google, Medium = cpc, Campaign name NOT contains "brand"

```

A kliensoldali (böngésző alapú) mérések ideje lejárt. A Safari ITP (Intelligent Tracking Prevention) és a különböző reklámblokkolók miatt a cookie-k élettartama gyakran 24 órára korlátozódik.

• Állítsunk be egy server-side GTM konténert egy saját aldomainen (pl. `metrics.webshopunk.hu`). Ez egy magyar kkv esetében havi 10-30 USD plusz felhő költséget jelent (pl. Stape vagy Google Cloud), de segítségével az első féltől származó cookie-k (first-party cookies) élettartama akár 7-14 napra is növelhető.
• Ennek hatására a GA4 képes lesz összekötni a 3 nappal ezelőtti Meta kattintást a mai közvetlen vásárlással, csökkentve a DDA modell Google-felé történő torzítását.

Hogy kiderítsük, a Google Ads mennyi organikus tranzakciót kannibalizál, zárjuk ki a saját márkanevünket a Performance Max kampányokból (Brand Exclusion listák használatával).

• Futtassuk ezt a tesztet 14 napig.
• Mérjük, hogy a teljes (Google Ads + Organikus keresés) tranzakciós szám és bevétel csökken-e, vagy csupán az történik, hogy a Google Ads konverziók visszaesésével párhuzamosan az Organikus (SEO) konverziók száma megemelkedik.
• Ha a teljes bevétel nem változik, a Google Ads brand kampányai feleslegesen költötték a pénzt (pl. 80-150 HUF-os CPC-vel olyan kattintásokért, amelyek organikus találatként ingyen is megvalósultak volna).

A GA4 ingyenes BigQuery integrációjának köszönhetően a nyers, feldolgozatlan eseményadatok kis exportálással elérhetővé válnak.

• Kapcsoljuk be a napi BigQuery exportot a GA4 admin felületén.
• Írassunk egy SQL lekérdezést (akár ChatGPT segítségével), amely rekonstruálja a felhasználók konverziós útjait.
• Készítsünk egy saját, szabályalapú Position-Based (U-Shaped) modellt a BigQuery-ben, ahol a konverzió értékének 40%-át az első interakciónak (pl. Meta hirdetés), 40%-át az utolsó interakciónak (pl. Hírlevél), és a maradék 20%-ot a köztes lépéseknek adjuk. Ez a modell sokkal reálisabb képet ad a magyar piacon, mint a Google saját DDA modellje.

Mivel a GA4 szisztematikusan alulértékeli a Meta hatását, ne hagyatkozzunk kizárólag a GA4-re a Meta költségvetés meghatározásakor.

• Negyedévente egyszer futtassunk le egy Meta Conversion Lift tesztet (a Meta hirdetéskezelő kísérleti eszközök menüpontjában).
• Ez a teszt a célközönségünket felosztja egy tesztcsoportra (akik látják a hirdetéseket) és egy kontrollcsoportra (akik nem látják).
• A teszt végén láthatóvá válik az inkrementális konverziós növekedés. Ha a Meta Conversion Lift szerint a hirdetéseink 15% inkrementális növekedést hoztak, de a GA4 DDA szerint ez csak 5%, akkor a Meta Ads költségkeretét a Lift teszt eredményei alapján határozzuk meg, felülbírálva a GA4 adatait.

Ezen lépések bevezetése után határozzuk meg a siker mérőszámait (KPIs).

• Mérhető eredmény: A server-side követés és a márka-kannibalizáció kiszűrése után az átlagos ügyfélszerzési költségnek (Blended CAC - az összes marketingköltés osztva az összes új vásárló számával) legalább 15-25%-kal kell csökkennie, miközben a teljes bevétel stagnál vagy növekszik.
• Az ügynökségi riportokban vezessük be a MER (Marketing Efficiency Ratio) mutatót (Összes árbevétel / Összes marketingköltés), mint elsődleges KPI-t, kiváltva ezzel a könnyen manipulálható, platform-szintű ROAS mérőszámokat.