A Google Analytics 4 (GA4) attribúciós modelljeinek radikális lefejezése – különösen az első kattintásos, a lineáris, az időbeli lecsengéses és a pozícióalapú modellek kivezetése – olyan űrt hagyott a magyar e-commerce döntéshozók eszköztárában, amelyet a Google által erőltetett, fekete dobozként működő adatvezérelt (Data-Driven Attribution - DDA) modell önmagában képtelen betölteni. A hazai marketingesek többsége vakon bízik a GA4 alapértelmezett beállításaiban, miközben a raktárkészlet-problémákkal és a zsugorodó reálbérek miatti fizetőképes kereslet-visszaeséssel küzdő magyar piacon minden egyes elpazarolt hirdetési forint a túlélés rovására megy. Ha egy cég tisztán a GA4 felületéről riportált adatok alapján allokálja a marketingbüdzsét, az olyan, mintha egy hibás GPS-re bízná a navigációt a kanyargós szerpentineken: a számok stimmelni fognak a végén, csak éppen a szakadékban köt ki a vállalkozás.
Miért fontos ez most
A magyar e-commerce piac 2026-ra elérte azt a telítettségi pontot, ahol a növekedést már nem az új vásárlók tömeges beáramlása, hanem a meglévő akvirálási csatornák könyörtelen és tűpontos optimalizálása hajtja. Egy átlagos, 50 és 500 millió forint közötti éves árbevételű magyar webshop esetében a konverziós utak hossza drasztikusan megnyúlt: a vásárlók átlagosan 4-7 érintkezési ponton mennek keresztül, mielőtt megnyomnák a "Fizetés" gombot.
Miközben a Meta Ads és a Google Ads CPC (kattintásonkénti költség) árai a hazai piacon is kilőttek – a divat és lakberendezési szektorban a 80-120 Ft-os CPC-k mára 180-260 Ft-ra kúsztak fel, míg a pénzügyi vagy B2B szolgáltatásoknál a 800-1200 Ft-os kattintási díj sem ritka –, a marketingesek nem engedhetik meg maguknak az attribúciós illúziókat.
A GA4 által preferált adatvezérelt modell (DDA) szisztematikusan túlbecsüli a Google saját csatornáinak (különösen a Performance Max kampányoknak és a kártyás/brand kereséseknek) a hatékonyságát, miközben háttérbe szorítja a felső tölcséres Meta, TikTok vagy organikus (SEO) érintkezési pontokat. Ez a torzítás közvetlenül vezet ahhoz, hogy a magyar kkv-k leállítják azokat a generikus, felfedező jellegű kampányokat, amelyek a tölcsér tetejét táplálják, ezzel pedig középtávon elvágják a saját növekedésük torkát.
---
A GA4 attribúciós valósága: Az adatvezérelt modell illúziója és a hibrid megközelítés szükségessége
Mi zajlik a Google fekete dobozában?
A Google GA4-ben futó adatvezérelt attribúciós modellje kooperatív játékelméleti koncepciókon (Shapley-érték) alapul. Papíron ez csodálatosan hangzik: az algoritmus megvizsgálja az összes konverziós utat, összehasonlítja azokat a felhasználói utakat, amelyek konvertáltak azokkal, amelyek nem, majd súlyozza az egyes csatornák tényleges hozzájárulását.
A valóságban azonban a modellnek van egy óriási strukturális torzítása: a Google tulajdonában lévő platformok felé lejt a pálya. Mivel a GA4 nem látja a Meta zárt rendszerén belüli view-through (megtekintéses) konverziókat, és a böngészők adatvédelmi korlátozásai (Safari ITP, Brave) miatt a sütik élettartama gyakran 1-7 napra korlátozódik, a hosszú konverziós utak töredezetté válnak.
Az eredmény? A kezdeti, igényteremtő Meta Discovery hirdetést a rendszer elfelejti, és a konverziós kredit 90%-át a Google Brand Search vagy a PMax kampány kapja meg.
Az utolsó kattintás (Last Click) makacs túlélése
Bár a Google marketingesei évek óta temetik az utolsó nem közvetlen kattintáson alapuló (Cross-channel Last Click) modellt, a magyar ügynökségi gyakorlatban és az e-commerce tulajdonosok fejében még mindig ez a domináns iránytű. Miért? Mert egyszerű, érthető, és a számlázási adatokkal (például a Barion vagy OTP SimplePay adminisztrációban látható tranzakciókkal) ez mutatja a legkisebb eltérést.
Szakmai álláspontom szerint azonban az utolsó kattintásra épülő optimalizálás 2026-ban egyenlő a lassú öngyilkossággal. Ha kizárólag azt a csatornát jutalmazzuk, amelyik a kapuba rúgta a labdát, akkor le fogjuk igazolni a tizenegyedik csatárt is a csapatba, miközben a középpályát és a védelmet teljesen felszámoljuk.
Az ID-összefűzés és az User-ID alapú mérés korlátai
Ahhoz, hogy a GA4 attribúciója egyáltalán minimálisan megbízható legyen, túl kell lépni az eszközalapú (Device ID) mérésen. Ha a magyar felhasználó reggel az 1-es villamoson utazva a telefonján (Safari) kattint egy Instagram hirdetésre, délben az irodai laptopján (Chrome) tovább kutat a Google-ben, majd este az otthoni iPadjén vásárol, a GA4 ezt három különálló látogatónak fogja érzékelni, és az attribúciós lánc megszakad.
A megoldás az User-ID funkció agresszív implementálása: minden olyan ponton (hírlevél feliratkozás, kosárba helyezés, törzsvásárlói programba lépés), ahol a felhasználó azonosíthatóvá válik, az egyedi, hashelt ügyfél-azonosítót át kell adni a GA4-nek.
---
Csatorna-konfliktusok a magyar piacon: Meta vs. Google vs. Hírlevél
A PMax mindent elszívó hatása
A Google Performance Max (PMax) kampányai a magyar e-commerce szektorban is mindent letaroltak. Egy 100-300 millió forintos éves forgalmú webshopnál a PMax gyakran a Google Ads költésének 70-80%-át teszi ki.
A gond az, hogy a PMax egy igazi "csatorna-ragadozó". Ha nem zárjuk ki belőle patikamérlegen a márkaneves kifejezéseket (brand search terms), akkor a PMax rátelepszik azokra a keresésekre, amelyeket a felhasználók egyébként is organikusan tennének meg (például közvetlenül a cég nevére keresve).
A GA4 adatvezérelt modellje ezt látva örömmel jelenti be a PMax zsenialitását, miközben a marketinges valójában olyan konverziókért fizet darabonként 150-250 Ft-os CPC-t, amelyek ingyen is megvalósultak volna.
| Csatorna | Átlagos Magyar CPC (HUF) | Tipikus szerep az attribúciós láncban | GA4 DDA Torzítási Hajlam |
| :--- | :--- | :--- | :--- |
| Meta Ads (Prospecting) | 120 - 220 Ft | Első érintkezés, igényteremtés | Erősen alulértékelt (30-50%-os veszteség) |
| Google Search (Generikus) | 250 - 450 Ft | Középső tölcsér, összehasonlítás | Semleges / Enyhén alulértékelt |
| Google PMax (Brand-del) | 80 - 150 Ft | Alsó tölcsér, konverziós zárás | Erősen felülértékelt (akár 200%-os túlzás) |
| Hírlevél (Klaviyo / Webshippy) | ~0 Ft (saját lista) | Megtartás, ismételt vásárlás | Rendszerszinten felül/alulértékelt (kattintási ablak függő) |
| Árukereső / Árgép | 40 - 90 Ft | Árérzékeny, közvetlen vásárlás | Reális értékelés (utolsó kattintás domináns) |
A Meta "Önkiszolgáló" Riportálása
Aki futtatott már párhuzamosan Meta Ads és Google Ads kampányokat, az ismeri a klasszikus anomáliát: a Meta Ads Manager azt állítja, hogy hozott 50 konverziót, a Google Ads állítja, hogy hozott 40-et, miközben a GA4 összesen mér 60 darab valós tranzakciót.
A Meta alapértelmezett 7 napos kattintásos és 1 napos megtekintéses (7-day click, 1-day view) attribúciós ablaka rendkívül megengedő. Ha egy felhasználó meglátott egy képet az Instagram feedjében, nem kattintott rá, de 12 órával később beírta a Google-be a webshop nevét és vásárolt, a Meta magának fogja követelni a konverziót.
A GA4 ezzel szemben ezt a tranzakciót jó eséllyel a Google keresésnek (vagy directnek) fogja adni. Ennek feloldására kötelező a GA4-ben a kampányok UTM paraméterezésének szigorú standardizálása.
---
Reporting identity és a Reporting Attribution beállítások finomhangolása
A GA4 adminisztrációs felületén két olyan kritikus beállítás található, amelyek alapjaiban változtatják meg a riportokban szereplő adatok arcát. Ezeket a legtöbb magyar marketinges érintetlenül hagyja, ami súlyos hiba.
Reporting Identity (Jelentéskészítési azonosító)
A GA4 háromféle módszert kínál a felhasználók azonosítására és az útjaik összefűzésére:
- Blended (Vegyes): User-ID, Google Signals, Device ID és modellezett adatok.
- Observed (Megfigyelt): User-ID, Google Signals, Device ID.
- Device-only (Csak eszköz): Kizárólag a cookie-alapú Device ID.
Szakmai ellen-véleményem: Bár a Google a "Blended" beállítást javasolja mint a legmodernebb opciót, a magyar piacon az esetek többségében érdemes átváltani az Observed vagy esetenként a Device-only opcióra a mindennapi elemzések során. Miért? A Google Signals használata és a "Blended" mód bekapcsolása aktiválja a GA4 hírhedt adatküszöbölési (thresholding) funkcióját.
Ha a webshop látogatottsága egy-egy szegmensben nem ér el egy kritikus tömeget (ami a napi 500-2000 látogatóval rendelkező magyar webáruházaknál szinte folyamatosan fennáll), a GA4 egyszerűen elrejti az adatokat a riportokból, nehogy "beazonosíthatóvá" váljon egy egyéni felhasználó. Ezzel a marketinges pont a legértékesebb nise adatoktól fosztja meg magát.
```
[Felhasználói interakciók]
│
├─► [User-ID átadva?] ──► IGEN ──► Összefűzés minden eszközön keresztül
│
└─► NEM ──► [Google Signals aktív?] ──► IGEN ──► Összefűzés demográfia alapján (Thresholding veszély!)
│
└─► NEM ──► [Device Cookie] ──► Csak az adott böngésző/eszköz követése
```
Reporting Attribution Model beállítások
A Property settings / Attribution settings menüpont alatt megadhatjuk, hogy a GA4 jelentései milyen modellt használjanak. Fontos kiemelni: ez a beállítás retrospektív, azaz bármikor átállítható, az adatok nem sérülnek meg, csak a vizualizáció változik meg a riportokban.
Itt két fő döntést kell meghozni:
- Csatornacsoportosítási szabályok: Mindig használjunk egyedi csatornacsoportokat (Custom Channel Groups), ha a magyar piacon erős forgalmat terelő specifikus forrásaink vannak (pl. Árukereső, hírlevél platformok egyedi paraméterezése), különben a GA4 ezeket beömleszti az "Organic Search" vagy az "Unassigned" kategóriákba.
- Konverziós ablakok hossza: Acquisition conversion eseményeknél (pl. first_open) ez fix, de minden más konverziós eseménynél állítsuk be a maximális 90 napot a kattintásokra (30 nap helyett), hogy a hosszabb döntési ciklusú, magasabb kosárértékű (AOV > 50 000 Ft) magyar hirdetők esetében is lássuk a valós előzményeket.
---
Esettanulmány: Egy 250M HUF éves árbevételű magyar divat-webshop esete
Nézzük meg egy valós, anonimizált magyar divat- és kiegészítő webáruház példáját. A cég éves árbevétele 250 000 000 Ft, az átlagos kosárérték (AOV) 18 500 Ft.
A marketingcsapat havi 2 500 000 Ft-ot költ hirdetésekre az alábbi megoszlásban:
- Meta Ads (Prospecting & Retargeting): 1 500 000 Ft
- Google Ads (PMax & Brand Search): 800 000 Ft
- Egyéb (Árukereső, hírlevél szoftver): 200 000 Ft
A kiinduló probléma
A marketingvezető a GA4 alapértelmezett, adatvezérelt (DDA) modellje alapján készítette a havi riportokat. A GA4 szerint a teljesítmény így festett:
- Google Ads: 11 200 000 Ft attribúciós árbevétel (ROAS: 14,0)
- Meta Ads: 4 500 000 Ft attribúciós árbevétel (ROAS: 3,0)
- Organikus keresés & Direct: 5 100 000 Ft
Ezen adatok alapján a tulajdonos úgy döntött, hogy a Meta büdzsét lecsökkenti havi 800 000 Ft-ra, az így felszabaduló 700 000 Ft-ot pedig átirányítja a Google PMax kampányokba, bízva a 14-es ROAS skálázhatóságában.
Az összeomlás
A büdzsé átcsoportosítása után 45 nappal a webshop teljes árbevétele nemhogy nőtt volna, de drasztikusan, 21%-kal visszaesett. A Google Ads ROAS-a a korábbi 14-ről lezuhant 5,8-ra, miközben a PMax költés megemelkedett. Mi történt?
A diagnózis a GA4 Custom Path exploratory és BigQuery export segítségével
Elvégeztünk egy mélyreható elemzést a GA4 Path Exploration (Útvonal-felfedezés) eszközével, valamint a BigQuery-be exportált nyers adatok segítségével.
A valós konverziós utak elemzése feltárta, hogy a vásárlások 68%-a az alábbi útvonalon valósult meg:
- Érintkezési pont: Meta Prospecting hirdetés (Mobil, Instagram - impulzus interakció)
- Érintkezési pont: Organikus visszatérés (felhasználó rákeresett a márkanévre Google-ben 3 nappal később)
- Érintkezési pont: Google PMax remarketing hirdetés (asztali gép, itt történt meg a konverzió)
A GA4 adatvezérelt modellje a 3. lépésben szereplő Google PMax-nak adta a konverziós érték 80%-át, míg a Meta Prospectingnek mindössze 10%-ot jutott.
Amikor lefelezték a Meta büdzsét, elvágták az 1. érintkezési pontot. Nem volt, aki belépjen a tölcsér tetején, így a PMax-nak nem maradt kit remarketeznie a tölcsér alján. A Google kampányok hatékonysága azért esett vissza, mert elfogyott a Meta által generált meleg közönség.
```
Hagyományos GA4 DDA Nézet:
[Meta Ads: 10%] ────► [Organic: 10%] ────► [Google PMax: 80% (Győztes)]
Valós Vásárlói Útvonal:
[Meta Ads (Igényt teremt)] ──► [Organic (Tájékozódik)] ──► [Google PMax (Lezárja a kaput)]
▲ ▲
└─────────────────── Ha ezt leállítod ──────────────────────┘
```
A megoldás és az új rendszer
Az attribúciós beállításokat és a döntéshozatali modellt átalakítottuk:
- Bevezettük a hibrid attribúciós modellt: a stratégiai büdzsé-allokációt nem a GA4 DDA alapján végezzük, hanem az első érintkezést (First Click / First User Medium) és a BigQuery-alapú egyenlő eloszlású (Linear) modellt is figyelembe vesszük.
- Szigorúan kizártuk a brand kifejezéseket a PMax kampányokból, átirányítva azokat egy kontrollált és olcsóbb Brand Search kampányba.
- Beállítottuk a Meta Ads-en belül a 1-day click modellre való optimalizálást a tisztább kép érdekében, és a GA4-ben külön csatornaként kezeltük a Meta Prospecting és Meta Retargeting forgalmat UTM paraméterek alapján (`utm_campaign=meta-prosp` vs `utm_campaign=meta-retg`).
Ezzel a megközelítéssel a Meta büdzsé visszaállítása után a webshop árbevétele nemcsak stabilizálódott, de az optimalizált, felesleges PMax-költések kiiktatásával a globális marketing-ROAS 4,2-ről 6,1-re emelkedett 3 hónapon belül.
---
Mit NE csinálj: A leggyakoribb attribúciós hibák a magyar gyakorlatban
- Ne hagyatkozz kizárólag a GA4 alapértelmezett "Unassigned" csatornáira. Ha a jelentéseidben az "Unassigned" (Nem hozzárendelt) vagy a "Direct" aránya meghaladja a 20%-ot, akkor az attribúciós adataid értéktelenek. Ez szinte mindig a hibás UTM paraméterezésből vagy az elrontott cookie-hozzájárulási bannerekből (Consent Mode v2 hibás implementáció) adódik.
- Ne hasonlítsd össze almát a körtével (Meta ROAS vs. GA4 ROAS). Soha ne hozz büdzsé-döntést úgy, hogy a Meta Ads Managerből kiolvasott 5-ös ROAS-t összeveted a GA4-ben látható Google Ads 8-as ROAS-szal. A Meta saját felülete mindig túloz a megtekintési ablakok miatt. Ha döntést hozol, mindig azonos platformon mért, azonos attribúciós modell szerinti adatokat hasonlíts össze.
- Ne kapcsold be a Google Signalst vakon, ha kicsi a forgalmad. Ha havi szinten 15 000-nél kevesebb látogatód van, a Google Signals aktiválása a Reporting Identity Blended módjával kombinálva azt fogja eredményezni, hogy a GA4 eltitkolja előled a konverziós adatok jelentős részét a thresholding miatt. Használj inkább "Device-only" vagy "Observed" beállítást.
---
Akcióterv: Az attribúciós mérés rendbetétele lépésről lépésre
Hajtsd végre az alábbi lépéseket a következő 14 napban, hogy tiszta képet kapj a marketingköltéseid valós megtérüléséről.
- Consent Mode v2 auditálása: Ellenőrizd, hogy a Google Tag Managerben (GTM) az Advanced Consent Mode megfelelően van-e beállítva. Ha a magyar látogatók elutasítják a cookie-kat, a GA4-nek jelzés nélküli pingeket (cookieless pings) kell kapnia, hogy a viselkedési modellezés működésbe léphessen. Mérhető eredmény: A "Direct" forgalom arányának csökkenése legalább 15%-kal a nem hozzájáruló felhasználóknál.
- Szigorú UTM Taxonómia bevezetése: Írj elő kötelező, kisbetűs sablont minden hirdetési platformra.
- Példa Meta hirdetésekre: `utm_source=facebook&utm_medium=paid-social&utm_campaign={{campaign.name}}&utm_content={{ad.name}}`
- Példa hírlevélre (Klaviyo): `utm_source=klaviyo&utm_medium=email&utm_campaign=black-friday-2026`
- Reporting Identity átállítása: Navigálj a GA4 Admin -> Product settings -> Reporting identity menüpontba. Állítsd át ideiglenesen Observed-re a Blended helyett. Figyeld meg, hogy a standard riportokban megjelennek-e olyan részletes adatok (pl. pontosabb kulcsszavak, kisebb kampányok teljesítménye), amelyek korábban a thresholding áldozatául estek.
- Custom Channel Groups létrehozása: Válaszd le az Árukeresőt, az Árgépet és a hírleveleket a default kategóriákról. Hozz létre egy egyedi csatornacsoportot (Admin -> Data representation -> Channel groups), ahol az `utm_source` tartalmazza az "arukereso" kifejezést, és rendeld hozzá a "Paid Product Listing" kategóriát. Mérhető eredmény: Tisztább képet kapsz arról, hogy a hazai árösszehasonlító oldalak mennyi konverziót hoznak valójában.
- Konverziós ablakok kitolása: Az Admin -> Attribution settings alatt állítsd át az "Acquisition conversion events" ablakát a maximális 30 napra, a "Key events" (korábban Conversion events) ablakát pedig 90 napra. Ez biztosítja, hogy a hosszabb döntési folyamatok is követhetők maradjanak a GA4-ben.
- Path Exploration riport készítése: Navigálj az Explore (Felfedezés) menüpontba, hozz létre egy új üres riportot, és válaszd a Path Exploration (Útvonal-felfedezés) sablont. Állítsd be végpontnak a `purchase` eseményt, és vizsgáld meg, hány érintkezési pontból áll a valós magyar vásárlási út. Ha az utak hossza átlagosan több mint 3 lépés, a Last Click alapú döntéshozatalt azonnal meg kell tiltani a cégnél.
- Brand kizárások beállítása a PMax-ból: Menj a Google Ads fiókodba, keresd meg a Performance Max kampánybeállításokat, és adj hozzá egy negatív kulcsszólistát, amely tartalmazza a márkaneved összes lehetséges magyar elírását (pl. "kisandor" és "ki sándor webshop"). Ezzel kényszeríted a PMax-ot, hogy valóban új látogatókat akviráljon, ne pedig a már meglévő, brandre kereső ügyfeleket fölözze le.
