GA4 attribúciós modellek a gyakorlatban: Hogyan ne égess el milliókat téves riportok miatt?

SEO Cím: GA4 attribúciós modellek: Így kerüld el a hibás ROAS döntéseket

Meta leírás: Hogyan torzítja a GA4 adatvezérelt (DDA) modellje a magyar PPC kampányok valós teljesítményét? Gyakorlati útmutató, számítások és akcióterv haladó marketingeseknek.

A Google Analytics 4 (GA4) bevezetésével és a klasszikus attribúciós modellek (lineáris, időbeli lecsengés, pozícióalapú) kivezetésével a magyar e-kereskedelmi döntéshozók és PPC specialisták egy eddig példátlan sötét folttal szembesültek. A hirdetők többsége kritikátlanul elfogadta a Google által preferált Adatvezérelt Attribúciós (DDA) modellt, miközben nem veszik észre, hogy az szisztematikusan torzít a Google saját hirdetési termékei (különösen a Performance Max és a Brand Search) javára. Ez a vakbizalom havonta több millió forintos téves költségallokációhoz vezet a hazai piacon, ahol a korlátozott büdzsék mellett minden egyes forint hatékonysága kritikus. A valóság az, hogy a GA4 DDA modellje nem egy objektív igazságszolgáltató, hanem egy olyan fekete doboz algoritmus, amely a Google ökoszisztémáját védi a konkurens hirdetési platformokkal (például a Meta Ads-szel) szemben.

A magyar e-kereskedelmi piacon a verseny az elmúlt két évben brutálisan intenzívvé vált. Az olyan regionális óriások, mint az Alza vagy az eMAG agresszív árazási és licitálási stratégiája miatt a kattintási költségek (CPC) az e-gekbe szöktek. Míg 2021-ben egy átlagos magyar webshop (például lakberendezési vagy divat kategóriában) 60-90 HUF közötti CPC-vel tudott releváns forgalmat vásárolni, ma már a 180-290 HUF közötti CPC számít alapértelmezettnek, míg a pénzügyi vagy B2B szektorban a 600-1200 HUF-os kattintási díjak sem ritkák.

Ebben a környezetben egy 150-500 millió HUF éves árbevételű magyar webshop nem engedheti meg magának azt a luxust, hogy vakon bízzon a GA4 alapértelmezett számaiban. A harmadik féltől származó cookie-k (third-party cookies) kivezetésének elhúzódó, de megállíthatatlan folyamata, valamint az Apple Safari ITP (Intelligent Tracking Prevention) szigorításai miatt a felhasználói utak követhetősége drasztikusan lecsökkent. Ha egy magyar vásárló meglát egy Meta hirdetést a mobilján, majd három nappal később közvetlenül (Direct) vagy egy Google keresés után vásárol az irodai desktop gépén, a GA4 az esetek 80%-ában képtelen lesz összekötni ezt a két interakciót. Az eredmény? A Meta kampányok ROAS-a papíron katasztrofálisnak tűnik, míg a Google Search és a PMax kampányok szárnyalnak. A marketinges leállítja a "rosszul teljesítő" Meta kampányt, majd értetlenül nézi, hogy két héttel később a webshop teljes organikus és közvetlen forgalma – és ezzel együtt a teljes árbevétel – 30-40%-kal bezuhan.

A GA4-ben jelenleg két fő attribúciós irányvonalat tudunk használni a riportokban: a csatornaszintű hirdetés-attribúciót és a jelentéskészítési attribúciót. Az egyik legnagyobb félreértés a hazai szakmában, hogy a marketingesek nincsenek tisztában azzal, hogy az egyes riportok melyik modellt használják.

A Google szerint a DDA (Data-Driven Attribution) a gépi tanulás segítségével pontosan meghatározza, hogy az egyes érintkezési pontok mekkora mértékben járultak hozzá a konverzióhoz. A valóságban azonban ez a modell egy statisztikai becslés, amely kooperatív játékelméleti modelleken (Shapley-érték) alapul.

• A DDA működési feltétele: Az algoritmusnak óriási mennyiségű adatra van szüksége ahhoz, hogy valóban pontosan tudjon súlyozni. Ha egy magyar webshopban nincs meg havonta a minimum 3000-4000 konverzió (ami a hazai kkv-k 90%-ára igaz), a GA4 DDA-ja gyakorlatilag egy némileg módosított, utolsó kattintásos (Last Click) modellként viselkedik.
• A Last Non-Direct Click öröksége: Bár a GA4 felületén a "Fizetett és organikus csatornák utolsó kattintása" (Last Non-Direct Click) modell még kiválasztható a beállításokban, a Google folyamatosan igyekszik a hirdetőket a DDA felé terelni. A Last Non-Direct Click az utolsó olyan csatornának adja a konverzió 100%-át, amely nem közvetlen (Direct) látogatás volt. Ez a modell sokkal tisztább képet ad az akvizíciós csatornákról, mint a DDA, mert nem próbálja meg utólagosan, egy láthatatlan képlet alapján "szétosztani" a tizedesjegyeket.

Kevesen tudják, de az, hogy milyen attribúciós adatokat látunk a GA4-ben, drámai mértékben függ a kiválasztott jelentéskészítési azonosítótól (Reporting Identity). Három opció áll rendelkezésre:

• Blended (Kevert): Felhasználói azonosító (User ID), Google Signals, Eszközazonosító és modellezett adatok.
• Observed (Megfigyelt): Ugyanaz, mint a Blended, de modellezett adatok nélkül.
• Device-only (Csak eszköz): Kizárólag az eszközazonosítót (cookie-t) használja.

Szakmai kritika: Ha a "Blended" opciót használod bekapcsolt Google Signals mellett, a GA4 úgynevezett "adatküszöbölést" (thresholding) alkalmaz. Ha az adott időszakban alacsony a látogatószám, a GA4 egész egyszerűen elrejti a riportokból a sorok egy részét (például bizonyos forrás/médium kombinációkat vagy keresési kifejezéseket), hogy megvédje a felhasználók személyes adatait. Ez ahhoz vezet, hogy a riportjaidban kevesebb konverzió fog szerepelni, mint amennyi valójában történt. Ha a "Device-only" opcióra váltasz, a küszöbölés azonnal megszűnik, és az adatok konzisztensek lesznek, még akkor is, ha ezzel lemondasz a cross-device követés egy részéről.

A magyar piacon a leggyakoribb média-mix a Meta Ads és a Google Ads duopoliumára épül. Az ügynökségek és a belsős marketingesek napi szinten küzdenek azzal a problémával, hogy a két platform adatai köszönőviszonyban sincsenek egymással.

| Platform / Riport | Attribúciós logikája | Hogyan kezeli a View-Through konverziókat? | Jellemző torzítás |

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

| Meta Ads Manager | 7 napos kattintás, 1 napos megtekintés (alapértelmezett) | Igen (teljes mértékben magának tulajdonítja) | Túlbecsüli a saját szerepét (főleg remarketingnél) |

| GA4 DDA | Keresztcsatornás adatvezérelt (csak kattintások) | Nem (kivéve YouTube hirdetések korlátozottan) | Alulbecsüli a Meta-t, felülbecsüli a Google Search-öt |

| Google Ads felület | Google-specifikus DDA (csak Google kattintások) | Nem (csak a "Megtekintéses konverziók" oszlopban) | Kizárólag a saját hirdetések közötti utat vizsgálja |

A Meta Ads Manager azért mutat gyakran 2-3-szor több konverziót, mint amennyit a GA4 a Meta forrásnak tulajdonít, mert a Meta látja a megtekintéses (view-through) konverziókat is. Ha a felhasználó görgetés közben látta a kreatívot a Facebookon, nem kattintott rá, de 3 órával később beírta a Google-be a webshop nevét és vásárolt, a Meta magának fogja követelni a konverziót. A GA4 viszont a Google Paid Search-nek vagy a Direct csatornának fogja adni.

Ha kizárólag a GA4 DDA-ra hagyatkozol, szisztematikusan alulfinanszírozod a funnel tetején (Top of Funnel) lévő Meta kampányokat, ami hosszú távon a teljes növekedés leállását eredményezi.

Az alábbi valós adatokon alapuló esettanulmány bemutatja, hogyan vezetett egy téves attribúciós döntés súlyos profitveszteséghez, és hogyan javítottuk ki a mérési struktúrát.

A vizsgált e-kereskedő prémium női táskákat és kiegészítőket értékesít Magyarországon.

• Éves árbevétel: 350 000 000 HUF
• Átlagos kosárérték (AOV): 24 500 HUF
• Havi marketingkeret: 3 000 000 HUF (1 800 000 HUF Meta Ads, 1 200 000 HUF Google Ads)
• A belső célkitűzés: Minimum 4.0-es Blended ROAS elérése.

A webshop tulajdonosa a GA4 alapértelmezett Adatvezérelt (DDA) jelentéseit vizsgálva azt látta, hogy a Meta Ads ROAS értéke mindössze 1.8x, míg a Google Ads PMax és Search kampányok együttes ROAS-a 6.2x-es értéket mutat. A tulajdonos úgy döntött, hogy az ügynökség javaslata ellenére a Meta büdzsét lecsökkenti havi 600 000 HUF-ra, a felszabaduló 1 200 000 HUF-ot pedig átcsoportosítja a kiválóan teljesítő Google PMax kampányokba.

• A Google Ads költés 1 200 000 HUF-ról 2 400 000 HUF-ra nőtt.
• A Google Ads felületén jelentett ROAS 6.2-ről visszaesett 3.1-re (a megnövekedett büdzsé miatt a PMax elkezdte a gyengébb minőségű, olcsóbb display és video elhelyezéseken is pazarolni a pénzt).
• A teljes webshop havi árbevétele 29 160 000 HUF-ról 18 500 000 HUF-ra zuhant.
• A Blended ROAS a korábbi 4.1-ről 2.5-re esett vissza.

A hiba nyilvánvaló volt: a Meta Ads generálta az új vásárlók (New Customer Acquisition) iránti igényt. A vásárlók meglátták a prémium táska videóját az Instagramon, de mivel egy 24 500 HUF-os termékről van szó, a döntés nem volt azonnali. Később rágugliztak a márkanévre (Brand Search) vagy egy PMax hirdetésre kattintva fejezték be a vásárlást. A GA4 DDA a konverziós érték 85%-át a Google-nek adta, miközben a Meta nélkül a keresési igény meg sem született volna.

Hogy bizonyítsuk ezt, bevezettük a Marketing Efficiency Ratio (MER) és a NC-CPA (New Customer CPA) mutatók napi szintű követését, valamint átállítottuk a GA4 mérési modelljét.

Kiszámoltuk a csatornák közötti valós átfedést egy BigQuery export segítségével, ahol a felhasználói utakat (user journeys) elemeztük raw adatok alapján.

```sql

-- SQL példa a felhasználói utak hosszának és érintkezési pontjainak lekérdezésére BigQuery-ben

SELECT

user_pseudo_id,

ARRAY_AGG(STRUCT(

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

) ORDER BY event_timestamp) AS path,

COUNTIF(event_name = 'purchase') AS purchases

FROM

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

WHERE

_TABLE_SUFFIX BETWEEN '20260101' AND '20260131'

GROUP BY

user_pseudo_id

HAVING

purchases > 0

LIMIT 100;

```

A BigQuery adatok elemzése során kiderült, hogy azon vásárlók esetében, akik végül a Google Brand Search hirdetésre kattintva vásároltak, a felhasználók 72%-a rendelkezett legalább egy Meta hirdetés-kattintással az előző 14 napban.

A következő táblázat mutatja be, hogyan változott a havi 3 000 000 HUF-os költés mellett az egyes csatornák teljesítménye a különböző modellek szerint, miután visszaállítottuk az eredeti büdzséarányokat, de már az új mérési szemléletet használtuk:

| Csatorna | GA4 DDA által mutatott bevétel | BigQuery hibrid modell (First-Click hangsúlyos) | Valós MER (Költés / Teljes Bevétel arányában) | Javasolt stratégiai lépés |

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

| Meta Ads | 3 240 000 HUF (ROAS: 1.8) | 7 560 000 HUF (ROAS: 4.2) | 16.6% (Költés a teljes bevételre vetítve) | Skálázás, kreatív tesztelés |

| Google PMax | 11 160 000 HUF (ROAS: 9.3) | 6 120 000 HUF (ROAS: 5.1) | 10.0% (Költés a teljes bevételre vetítve) | Kizárólag nem-brand kulcsszavak és szigorú cél-ROAS |

| Google Brand Search | 5 400 000 HUF (ROAS: 18.0) | 1 080 000 HUF (ROAS: 3.6) | N/A | Licitcsökkentés, organikus SEO dominancia erősítése |

| Direct / Organic | 9 360 000 HUF | 14 400 000 HUF | N/A | Márkaépítés folyamatos fenntartása |

A hibrid modell bevezetése után világossá vált, hogy a Meta Ads a növekedés motorja. Amint visszaállítottuk a Meta büdzsét 1.8M HUF-ra, és a Google Ads-et visszafogtuk 1.2M HUF-ra (szigorú brand kizárások mellett a PMax kampányokban), a webshop havi bevétele stabilizálódott 31 000 000 HUF felett, 4.3-as Blended ROAS mellett.

Gyakori hibák: Mit NE csinálj a GA4-ben

Az elmúlt évek auditálási tapasztalatai alapján a magyar piacon elkövetett mérési hibák 90%-a ugyanarra a néhány rossz berögződésre vezethető vissza.

Sokan azért kapcsolják be a Google Signalst, mert szeretnének demográfiai adatokat (kor, nem, érdeklődési kör) látni a GA4-ben.

A valóság: A Google Signals bekapcsolása azonnal aktiválja az adatküszöbölést (thresholding) a riportjaidban, ha nem használsz User ID alapú bejelentkezést a webshopban. Ez azt jelenti, hogy a GA4 elkezdi eltitkolni előled az adatokat. Ha a napi látogatószámod nem éri el az 1000 főt, a Google Signals több kárt okoz, mint amennyi hasznot hoz. Ha mindenképpen szükséged van demográfiai adatokra, gyűjtsd azokat elsődleges forrásból (pl. hírlevél feliratkozáskor vagy vásárlás utáni kérdőívekből).

A GA4 alapbeállítása szerint az akvizíciós eseményekre (pl. first_open, user_engagement) 30 napos, míg az egyéb konverziós eseményekre (pl. purchase) 90 napos attribúciós ablak vonatkozik.

• Ha a magyar piacon megszokott módon futtatsz "azonnali döntést igénylő" villámakciókat (pl. Glamour-napok, Black Friday), a 90 napos attribúciós ablak teljesen torzítani fogja a kampányértékelést.
• Az akció után 60 nappal történő vásárlásokat is a GA4 visszaírhatja a Black Friday kampány javára, ha az volt a legelső érintkezési pont. Ez tévesen azt hiteti el veled, hogy a kampány hosszú távon is nyereséges volt, miközben csak a természetes vásárlási ciklus realizálódott.

A mai napig találkozni olyan 100+ millió HUF árbevételű magyar webshopokkal, ahol a hírlevelekben vagy a social media posztokban nincsenek megfelelően beállítva az UTM paraméterek, vagy ami még rosszabb, manuálisan hibásan írják be őket (pl. `utm_source=facebook` és `utm_source=Facebook` külön sorként jelenik meg a GA4-ben a kis- és nagybetű érzékenység miatt).

A GA4 szigorú szabályrendszer alapján sorolja be a forgalmat az alapértelmezett csatornacsoportokba (Default Channel Grouping). Ha elgépelsz egy UTM paramétert (pl. `utm_medium=cpc-fb`), a GA4 nem a Paid Social, hanem az "Unassigned" (Hozzá nem rendelt) kategóriába fogja dobni. Ezzel teljesen megsemmisíted a csatornaszintű attribúció pontosságát.

Ha szeretnéd, hogy a mérési rendszered ne félrevezessen, hanem valódi döntéstámogató eszközként működjön, hajtsd végre a következő lépéseket a GA4 fiókodban.

Lépj be a GA4 adminisztrációs felületére: Adminisztráció -> Adatmegjelenítés -> Jelentéskészítési azonosító.

Alapértelmezetten a "Kevert" (Blended) van kijelölve. Kattints az alul megjelenő "Az összes lehetőség megjelenítése" gombra, és válaszd a "Csak eszköz" (Device-only) lehetőséget.

• Mérhető eredmény: Ezzel azonnal megszünteted az adatküszöbölést (thresholding), és a riportjaidban újra megjelenni fognak a korábban "eltűnt" konverziós sorok és UTM források. Ezt a beállítást bármikor visszaállítheted, az adatok nem vesznek el retroaktívan sem.

Menj az Adminisztráció -> Adatmegjelenítés -> Attribúciós beállítások menüpontba.

Vizsgáld felül az attribúciós ablakokat. Ha a termékeid átlagos döntési ideje rövid (alacsony kosárérték, pl. 15 000 HUF alatt), csökkentsd a konverziós ablakokat.

• Állítsd be az "Összes többi konverziós esemény" opciót 30 napra a 90 nap helyett. Ez közelebb fogja hozni a GA4 adatait a valósághoz a gyors lefolyású promóciók esetében.

A magyar piac sajátossága a helyi média (pl. Telex, Index, 24.hu display hirdetések, vagy helyi affiliate hálózatok, mint a Dognet). A GA4 ezeket gyakran a "Referral" vagy az "Organic Search" kategóriába sorolja tévesen.

Hozz létre egy saját csatornacsoportot az Adminisztráció -> Adatmegjelenítés -> Csatornacsoportok menüpontban.

• Definiáld külön a "Paid Social Meta", "Paid Social TikTok", "Hírlevél", és "Affiliate" csatornákat a pontos UTM paraméterek alapján. Így elkerülheted, hogy a fizetett és az organikus közösségi forgalom egybemosódjon.

Ne hagyatkozz kizárólag a GA4 UI-ra. Menj az Adminisztráció -> Termékösszekapcsolások -> BigQuery-kapcsolatok menüponthoz.

Kapcsold össze a GA4-et egy ingyenes Google Cloud Sandbox projekttel. Állítsd be a napi (Daily) exportot.

• Mérhető eredmény: Ezzel megkezdődik a nyers, mintavételezés nélküli (non-sampled) adatok mentése. Még ha ma nem is tudsz SQL-ül írni, az adatok felhalmozódnak, és ha 6 hónap múlva felbérelsz egy adatelemzőt, vagy bevezetsz egy fejlett BI eszközt (pl. Looker Studio), visszamenőleg meglesz a tiszta adatbázisod. Egy 350M HUF-os webshop havi BigQuery tárolási költsége jellemzően nem haladja meg az 1500 - 3000 HUF-ot, ami elhanyagolható tétel.

Készíts egy egyszerű Looker Studio riportot, amely nem a GA4 API-ból húzza az adatokat közvetlenül, hanem manuálisan vagy szinkronizálva összesíti a következőket egy Google Sheetből:

• Összesített marketingköltés (Google Ads + Meta Ads + TikTok Ads + Hírlevél küldés díja) egy adott napon/héten.
• A webshop adminisztrációs felületén (pl. Shopify, Shoptet, Unas, Shoprenter) realizálódott tényleges nettó árbevétel (szállítási díjak nélkül).
• Határozd meg a MER mutatót: $MER = \frac{\text{Webshop nettó árbevétel}}{\text{Összes marketing költés}}$.
• Törekedj arra, hogy a MER értéked stabilan a célszámod felett maradjon (pl. ha a MER 5.0, akkor a teljes költésed a bevétel 20%-a). Ha a MER elkezd csökkenni, miközben a GA4 szerint a PMax kampányaid "szárnyalnak", azonnal tudd, hogy a Google csak a meglévő organikus forgalmadat kannibalizálja.

A technikai mérések tökéletlenségét (cookie blokkolók, iOS korlátozások) ellensúlyozd kvalitatív adatokkal. Építs be a rendelés köszönőoldalára (Thank You Page) egy kötelezően megválaszolandó, egykérdéses felmérést: "Hogyan hallottál rólunk először?"

A válaszlehetőségek legyenek tiszták: Facebook/Instagram hirdetés, Google keresés, Ismerős javasolta, Influencer (név szerint), TikTok.

• Mérhető eredmény: Hasonlítsd össze a kérdőív eredményeit a GA4 attribúciós riportjával. Ha a vásárlók 40%-a azt mondja, hogy az Instagramon látott először, miközben a GA4-ben a Meta csak a konverziók 10%-át kapta, tudni fogod, hogy a Meta büdzsédet nem csökkenteni, hanem növelni kell a felső tölcséres fázisban.

Az attribúció soha nem lesz 100%-os pontosságú tudomány. A legnagyobb hiba, amit elkövethetsz, ha egyetlen szoftver (a Google tulajdonában lévő GA4) egyetlen, automatizált modelljére bízod a céged növekedési stratégiáját és a marketing büdzsé elosztását. Használj hibrid szemléletet, mérd a Blended mutatókat, és tartsd kontroll alatt a saját adataidat.