GA4 attribúciós modellek a gyakorlatban: Hogyan torzít az adatvezérelt modell a magyar e-kereskedelemben?

Amikor a Google kivezette a Linear, Time-decay és Position-based attribúciós modelleket a Google Analytics 4-ből, a hazai ügynökségi szféra kollektív pánikba esett, pedig a valódi probléma nem a választási lehetőségek szűkülése, hanem a megmaradt Data-Driven Attribution (DDA) fekete doboza. Miközben a magyar marketingvezetők és PPC specialisták többsége vakon bízik a GA4 alapértelmezett, algoritmus-alapú elosztásában, a színfalak mögött a rendszer szisztematikusan a Google saját hirdetési csatornái (különösen a Performance Max kampányok) felé torzítja a konverziós krediteket. A valóság az, hogy a DDA nem egy pártatlan bíró, hanem egy olyan algoritmus, amely a Google hirdetési bevételeinek maximalizálására van optimalizálva, háttérbe szorítva az olyan organikus és fizetett csatornákat, mint a Meta Ads, az Árukereső vagy az e-mail marketing.

A hazai e-commerce piac 2026-ra elérte azt a telítettségi pontot, ahol az akvizíciós költségek (CAC) emelkedése drasztikusan meghaladja a kosárérték (AOV) növekedési ütemét. Egy átlagos, 150 és 500 millió HUF közötti éves árbevételű magyar webshop esetében a Google Ads CPC árak az olyan kompetitív szegmensekben, mint a divat, lakberendezés vagy lakásfelszerelés, már tartósan a 120–280 HUF közötti sávban mozognak. Ebben a környezetben a hibás attribúciós adatokon alapuló büdzséallokáció szó szerint milliókat éget el.

Ha egy marketing döntéshozó kizárólag a GA4 alapértelmezett DDA riportjaira támaszkodik, a következő torzulásokkal fog szembesülni a napi operatív munka során:

• A PMax dominancia túlbecsülése: A Google mesterséges intelligencia alapú kampányai agresszíven azonosítják be azokat a felhasználókat, akik már a vásárlási tölcsér legvégén járnak (pl. márka-keresések, remarketing listák tagjai), és kisajátítják a konverziót az első érintkezést fázisát biztosító csatornáktól.
• A Meta Ads és egyéb non-Google csatornák alulértékelése: A iOS 14+ és a harmadik féltől származó cookie-k végleges kivezetése után a GA4 alapból nehezen követi le a cross-domain és cross-device Meta interakciókat. A DDA modell mindezt úgy bünteti, hogy a Meta kampányoknak gyakran 40-60%-kal kevesebb konverziós értéket tulajdonít, mint amennyit a Meta Conversion API (CAPI) valójában mér.
• Az Árukereső torzítás: A hazai e-commerce specifikuma, hogy az Árukereső.hu a forgalom 10-25%-át is adhatja. A DDA hajlamos ezt a csatornát pusztán egy technikai "utolsó kattintás" fázisnak tekinteni, háttérbe szorítva azt a tényt, hogy a magyar vásárló sokszor az Árukeresőn végzi a tényleges termék-összehasonlítást.

A magyar ügynökségi piac is reagált a helyzetre: a vezető Performance ügynökségek havidíjai (melyek ma már 250 000 és 600 000 HUF + áfa között mozognak egy közepes webshop esetében) egyre inkább tartalmazzák a GA4 mellett egy másodlagos, szerveroldali analitikai rendszer üzemeltetését is, éppen a konverziós adatok validálása miatt.

---

A Google drasztikus egyszerűsítése után lényegében két fő megközelítés maradt a GA4 felületén: a Data-Driven (adatvezérelt) és a Last Click (utolsó kattintás) modellek. Azonban az ördög a technikai részletekben rejlik, és abban, hogy a GA4 melyik riportban melyik modellt kényszeríti ránk.

A Google DDA modellje a kooperatív játékelméletből ismert Shapley-érték (Shapley Value) algoritmuson alapul. Elméletben ez egy igazságos modell: a rendszer megvizsgálja az összes olyan útvonalat, amely konverzióhoz vezetett, és azokat is, amelyek nem, majd összehasonlítja őket. Ha egy csatorna jelenléte az útvonalon statisztikailag növeli a konverzió valószínűségét, akkor az a csatorna nagyobb kreditet kap.

A gyakorlatban azonban van három óriási bökkenő, ami miatt ez a modell félrevezeti a magyar kkv-kat:

• Adatküszöbök: Bár a Google hivatalosan eltörölte a DDA használatához szükséges minimális konverziós számokat, az algoritmusnak mégis jelentős mennyiségű adatra van szüksége ahhoz, hogy pontosan számoljon. Ha egy webshop havi konverzióinak száma nem éri el a 300-500 darabot (ami egy 10-15 millió HUF havi forgalmú niche áruháznál teljesen megszokott), a DDA nem tud mintázatokat felismerni. Ilyenkor visszalép egy kvázi-utolsó kattintásos modellre, miközben a felületen büszkén hirdeti, hogy "Data-Driven" adatokat látunk.
• A "márka-kannibalizáció": Ha futtatsz Google Search Brand kampányt (saját márkanevedre licitálva), a DDA hajlamos lesz hatalmas súlyt adni ennek a kampánynak, mert a vásárlók szinte mindig átmennek rajta a konverzió előtt 5 perccel. Ezzel elfeded azt a tényt, hogy a felhasználót valójában egy 350 HUF-os CPC-vel futó Meta videós kampány hozta be a tölcsérbe két nappal korábban.
• Csatornák közötti vakfolt: A DDA csak azokat az interakciókat látja, amelyeket a Google Analytics scriptje rögzíteni tudott. Ha a felhasználó meglátott egy Meta hirdetést a telefonján, majd két nap múlva direktben beírta a webshop nevét a laptopján, a DDA a Direct csatornának fogja adni a 100% kreditet, teljesen kihagyva a képből a fizetett közösségi médiát.

A GA4-en belül nem egyetlen "Last Click" modell létezik, hanem három különböző variáns, amelyeket a marketingesek rendszeresen összekevernek:

| Modell neve | Hirdetési platformok hatása | Melyik riportban látható? | Javasolt használat |

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

| Paid and Organic Last Click (Hirdetési és organikus utolsó kattintás) | Minden csatornát egyenrangúan kezel. Ha az utolsó látogatás közvetlen (Direct), átugorja, és az azt megelőző nem-közvetlen csatornának adja a konverziót. | Standard Reports (pl. Traffic Acquisition) | Napi operatív csatorna-teljesítmény ellenőrzése. |

| Google Paid Channels Only (Csak Google fizetett csatornák) | Ha a konverziós útvonalon bárhol szerepel Google hirdetés, a konverziós kredit 100%-ban oda kerül, még akkor is, ha utána hírlevélből vagy organikus keresésből jött a vásárlás. | Advertising Workspace (Attribúciós riportok) | Szigorúan a Google Ads kampányok belső hatékonyságának vizsgálatára. |

| Direct Last Click (Közvetlen utolsó kattintás) | Nem alkalmazza a "közvetlen átugrása" szabályt. Ha a vásárló közvetlenül beírta az URL-t, a Direct kapja a kreditet. | API exportok, BigQuery nyers adatok | Technikai audit, tracking hibák kiszűrése. |

Szakmai véleményem szerint a Google Paid Channels Only modell alkalmazása a GA4 felületén a legnagyobb hiba, amit egy ügynökség elkövethet. Ez a beállítás mesterségesen felpumpálja a Google hirdetések hatékonyságát (ROAS), miközben elsorvasztja azokat a kiegészítő csatornákat, amelyek nélkül a Google Ads sem működne.

---

Ahhoz, hogy megértsük a GA4 korlátait, be kell látnunk, hogy a modern böngészők adatvédelmi szigorításai (Apple ITP, Firefox ETP) és a cookie-hozzájárulási bannerek (Consent Mode v2) miatt az adatok jelentős része modellezett. Magyarországon a Google Consent Mode v2 2024 tavaszi kötelező bevezetése óta a webshopok látogatóinak átlagosan 15-32%-a nem ad hozzájárulást a statisztikai cookie-k használatához.

A GA4 ezt a kieső 15-32%-nyi adatot gépi tanulással (machine learning modeling) igyekszik pótolni. Ez azt jelenti, hogy a GA4-ben látható konverziós számok egy része nem valós mérési eredmény, hanem a Google által végzett matematikai becslés.

Ha a te vállalkozásod havi 50 konverziót produkál, a Google modellezése gyakorlatilag használhatatlan, mert nincs elég alapmintája. Ezzel szemben egy eMAG méretű platformnál a modellezés rendkívül pontos lehet, de a kkv szektorban ez a bizonytalansági tényező gyakran vezet hibás üzleti döntésekhez.

---

Nézzük meg egy valós, anonimizált magyar divat- és kiegészítő webáruház adatait. Az üzlet éves szinten 250 millió HUF árbevételt realizál, az átlagos kosárérték (AOV) 18 500 HUF. A marketingcsapat havi 3 500 000 HUF hirdetési büdzével gazdálkodik, amely a következőképpen oszlik meg:

• Meta Ads (Instagram/Facebook prospektálás és remarketing): 1 800 000 HUF (51%)
• Google Ads (PMax, Search, Shopping): 1 300 000 HUF (37%)
• Árukereső: 200 000 HUF (6%)
• Hírlevél (Klaviyo) és egyebek: 200 000 HUF (6%)

A konfliktus: Eltérő adatok a GA4 DDA és a Meta hirdetéskezelő között

A marketingvezető kétségbeesetten hívta fel az ügynökséget az alábbi számok láttán egy adott hónap végén:

• Meta Ads Manager jelentése: 4 200 000 HUF realizált bevétel (ROAS: 2.33)
• GA4 Data-Driven Attribution jelentése a Meta Ads csatornára: 1 850 000 HUF realizált bevétel (ROAS: 1.02)
• GA4 DDA jelentése a Google Ads csatornára: 7 800 000 HUF realizált bevétel (ROAS: 6.0)

A GA4 adatai alapján a Meta Ads veszteséges (ROAS < 1.5 a szrrés után), míg a Google Ads rendkívül profitábilis. Az ügynökség azonnali büdzsécsoportosítást javasolt: vegyenek el 1 millió forintot a Metától, és tegyék át a Google Performance Max kampányba.

Szerencsére a büdzsé átcsoportosítása előtt elvégeztünk egy mélyrehatóbb vizsgálatot a GA4 Path Exploration (Útvonal-felfedezés) riportjában. Megvizsgáltuk azokat az útvonalakat, ahol a konverzió értéke meghaladta az átlagos kosárértéket.

Kiderült az alábbi tipikus felhasználói viselkedési minta:

• 1. nap: A felhasználó meglát egy inspiráló Meta hirdetést a telefonján (Instagram), rákattint, megnézi a terméket, de nem vásárol. (Meta Ads elkönyvel egy "1-day click" interakciót).
• 3. nap: A felhasználó rákeres a termék nevére Google-ön. Megjelenik a Google Shopping hirdetés (PMax), rákattint, de még mindig bizonytalan.
• 5. nap: Megkapja a kosárelhagyó hírlevelet (Klaviyo), amiben van egy 10%-os kuponkód.
• 6. nap: Beírja a Google-be a webshop nevét + "kupon" szót, rákattint az első helyen lévő Google Search Brand hirdetésre, és vásárol 18 500 HUF értékben.

A GA4 DDA modell az alábbi módon osztotta el a konverziós hitelt:

• Google Ads (Brand Search + PMax): 72% (13 320 HUF)
• Hírlevél: 18% (3 330 HUF)
• Meta Ads (First Click): 10% (1 850 HUF)

Amikor a cég kísérleti jelleggel mégis 40%-kal csökkentette a Meta költségvetést, a következő hónapban a Google Ads bevételei is drasztikusan, 35%-kal visszaestek, annak ellenére, hogy oda több büdzsé jutott. Miért? Mert a Meta által generált új, hideg látogatók (top-of-funnel) elmaradtak, így a Google PMax nem tudott kit remarketezni, és a Brand keresések száma is bezuhant.

A webshop átállt a MER (Marketing Efficiency Ratio - Teljes marketing hatékonysági mutató) alapú vezérlésre. Nem az egyes csatornák elszigetelt GA4 ROAS mutatóit nézik, hanem az összesített marketingköltés és a teljes Shopify-ban realizált árbevétel arányát.

Emellett a GA4-ben bevezettek egy egyedi kalkulációt BigQuery-ben, ahol a konverziókat egy U-alakú (Position-Based) logikával kezdték el szoftveresen értékelni (40% First Click, 40% Last Click, 20% köztes csatornák elosztva), amíg a Google ezt engedte külső riportokban kinyerni. Így kiderült, hogy a Meta Ads valós hozzájárulása a konverziókhoz nem a GA4 által mutatott 10%, hanem stabilan 35% felett van.

---

Sokéves ügynökségi audit tapasztalat alapján az alábbi hibák okozzák a legnagyobb károkat a magyar e-commerce döntéshozatalban.

Sokan nem tudják, hogy az Admin / Data Display / Attribution Settings menüpontban átállított attribúciós modell nem változtatja meg véglegesen a nyers adatokat, csupán a standard riportok vizualizációját írja át a repülés közben (on-the-fly). Ennek ellenére a folyamatos állítgatás teljes káoszt okoz. Ha az egyik héten DDA-t nézel, a másikon Last Click-et, az összehasonlíthatóság teljesen megszűnik.

Szakértői tanács: Válaszd a Paid and Organic Last Click beállítást az Adminban a standard riportokhoz. Miért? Mert ez az egyetlen modell, ami pontos képet ad arról, hogy melyik csatorna indította meg a tényleges tranzakciót az utolsó lépésben, és nem próbál meg jósolni egy átláthatatlan algoritmus alapján. Az attribúciós modellek összehasonlítására használd kizárólag a Model Comparison Tool felületét!

Ha a GA4-ben a konverziók több mint 30%-a a "Direct" csatornához van rendelve, ott nem a vásárlók lojalitása magas, hanem a mérés sérült. A leggyakoribb okok:

• Hiányzó UTM paraméterezés a hírlevelekben (Klaviyo, Mailchimp). A levelezőkliensek (pl. okostelefonos Mail appok) gyakran levágják a hivatkozásokat, így a kattintás Direct-ként landol a GA4-ben.
• Tranzakciós átirányítások (pl. OTP SimplePay, Barion). Ha a fizetési kapu után a felhasználó visszatér a webshop "köszönöm" oldalára, de nincs megfelelően beállítva a Referral Exclusion List (Ajánlási kizárások listája), a GA4 a fizetési kapunak (simplepay.hu vagy barion.com) vagy rosszabb esetben direct-nek tulajdonítja a vásárlást.

---

Kövesd ezt a lépésről-lépésre útmutatót, hogy az adataid végre a valóságot tükrözzék, és ne a Google marketingüzeneteit.

• Auditáld a Referral Exclusion listát:

Lépj be a GA4 Admin -> Data Streams -> Web Stream -> Configure Tag Settings -> Show All -> List Unwanted Referrals menüpontba. Add hozzá az összes magyarországi fizetési kapu domainjét (simplepay.hu, OTP, barion.com, khb.hu, paypal.com), valamint a saját webshopod domainjeit és aldomainjeit. Ez azonnal csökkenteni fogja a hamis Direct/Referral konverziók számát legalább 15%-kal.

• Kényszeríts ki szigorú UTM paraméterezési protokollt:

Ne engedd meg, hogy bárki "ad-hoc" módon linkeljen. Használj egységes kis- és nagybetű érzékeny címkézést. A Google Ads auto-tagging (gclid) mellett kötelezően alkalmazz dinamikus UTM paramétereket a Meta kampányaidban is az alábbi sablon szerint:

`utm_source=facebook&utm_medium=cpc&utm_campaign={{campaign.name}}&utm_content={{ad.name}}`

• Implementáld a Consent Mode v2 Advanced verziót:

Annak érdekében, hogy a Google jogilag tisztán modellezhesse azokat a felhasználókat, akik nem fogadták el a cookie-kat, szerveroldali GTM segítségével konfiguráld az Advanced Consent Mode-ot. Ezzel visszaszerezheted az elveszett konverziós adatok 10-20%-át.

• Használd a Model Comparison Toolt havonta egyszer:

Menj be az Advertising -> Attribution -> Model Comparison riportba. Válaszd ki a Paid and Organic Last Click és a Data-Driven modelleket egymás mellé. Figyeld meg az eltéréseket ( % Change). Ha azt látod, hogy a Meta Ads esetében a DDA 30%-kal kevesebb konverziót mutat, mint a Last Click, akkor tudod, hogy a Meta kampányaid főként a tölcsér elején (prospektálás) működnek jól. Ne kapcsold le őket!

• Vezesd be a MER (Marketing Efficiency Ratio) mutatót a riportálásba:

Számold ki hetente a következő képletet:

$$\text{MER} = \frac{\text{Összesített online árbevétel (HUF)}}{\text{Összes online hirdetési költés (HUF)} \times 100}$$

Ha ez a szám egyensúlyban van (pl. 400% és 600% között mozog a te iparágadban), akkor a média-mixed jól működik, függetlenül attól, hogy a GA4 éppen mit mutat egy-egy csatornánál.

• Készíts egyedi konverziós ablak beállításokat:

A GA4 Admin -> Attribution Settings alatt a konverziós ablakokat állítsd át a maximumra (személyes ajánlásom: Acquisition conversion eventekre 30 nap, minden egyéb konverzióra 90 nap). A magyar vásárló nem dönt azonnal: az átlagos mérlegelési idő az első látogatástól a vásárlásig 10 000 HUF feletti kosárértéknél hazánkban jelenleg 12-18 nap.