GA4 attribúciós modellek a gyakorlatban: Hogyan torzítják a magyar webshopok adatait az új szabályok?

A Google Analytics 4 (GA4) bevezetése óta a hazai e-commerce és performance marketing szakma folyamatosan küzd a konverziós adatok és a valóság összehangolásával. Miután a Google kivezette az olyan klasszikus, többérintéses attribúciós modelleket, mint a Linear, a Time Decay vagy a Position-Based, a magyar marketingesek jelentős része tehetetlenül nézi, hogy a hirdetési rendszerek riportjai és a GA4 adatai közötti szakadék még mélyebbé vált. Az alapértelmezett, adatalapú (Data-Driven) modell és az utolsó kattintásos (Last Click) logika közötti ingázás nem csupán elméleti vita: 15-30%-os eltéréseket eredményez a marketingcsatornák büdzséallokációjában, ami közvetlenül égeti a profitot. Ez a gyakorlati útmutató bemutatja, hogyan kell navigálni a GA4 megmaradt attribúciós architektúrájában úgy, hogy a döntések mögött valódi üzleti érték, ne pedig a Google fekete dobozának torzításai álljanak.

A hazai e-commerce piac növekedési ütemének lelassulása és az akvizíciós költségek (CAC) folyamatos emelkedése miatt a magyar webshopok nem engedhetik meg maguknak a pontatlan méréseket. Egy átlagos hazai, 150-500 millió HUF éves árbevételű webáruháznál a marketingköltségvetés hatékony elosztása határozza meg a túlélést. A Temu és az Alza agresszív piaci jelenléte miatt a kattintási költségek (CPC) a divat, a lakberendezés és az elektronikai kategóriákban 80-180 HUF közé emelkedtek, miközben a konverziós arányok sok helyen 1-1,5% alá süllyedtek.

Ha egy marketingvezető vakon bízik a GA4 alapértelmezett Data-Driven attribúciójában, komoly csapdába eshet. A Google saját algoritmusa – érthető módon – hajlamos felülértékelni a Google Ads kampányokat (különösen a Performance Max és a márka alapú keresési kampányokat), miközben alulértékeli az olyan felső tölcséres (upper-funnel) csatornákat, mint a Meta (Facebook/Instagram) organikus és fizetett elérések, vagy a TikTok. Ez a torzítás közvetlenül vezet ahhoz, hogy a döntéshozók leállítják a növekedést generáló keresletgeneráló kampányokat, és túlköltik a márka-keresési vagy remarketing kampányokat, amelyek egyébként is konvertálnának.

A mérések pontosságát tovább nehezíti a harmadik féltől származó cookie-k végvonala, az iOS14+ korlátozások utóhatásai, valamint a magyar piacon is kötelezővé vált Consent Mode v2 szigorú implementációja. Utóbbi miatt a magyar webshopok látogatóinak 20-35%-a elutasítja a sütik használatát. Ennek következtében a GA4-nek modelleznie kell a hiányzó adatokat, ami az attribúciós modelleket még bizonytalanabbá teszi, ha nem megfelelően konfiguráljuk a rendszert.

---

A GA4 az adatalapú attribúciót (Data-Driven Attribution) hirdeti a marketing analitika megváltójaként. A valóságban azonban ez a modell egy zárt, nem transzparens algoritmuson alapul, amely a magyar kkv-szektor adatmennyisége mellett gyakran tévutakra vezet.

A DDA modell pontos működéséhez jelentős mennyiségű adat szükséges. A Google hivatalos dokumentációja szerint bizonyos konverziós küszöbértékek felett válik igazán stabillá a gépi tanulás. Egy havi 500-1000 konverziót produkáló, 200 millió HUF árbevételű magyar webshop esetében az adatok nem elégségesek ahhoz, hogy a Google neurális hálózata pontosan azonosítsa az attribúciós súlyokat a komplex, többcsatornás vásárlási utak során. Az algoritmus ilyenkor kénytelen általánosított mintákra támaszkodni, ami elfedheti a lokális piaci sajátosságokat (például a fizetési és szállítási módok hatását a kosárelhagyásra).

A gyakorlatban végzett tesztek és auditok során rendszeresen megfigyelhető, hogy a GA4 Data-Driven modellje a Meta hirdetésekből érkező közvetlen és közvetett konverziók jelentős részét átcsoportosítja a Google Ads javára.

| Csatorna | Last Non-Direct Click Konverzió (db) | Data-Driven Konverzió (db) | Eltérés (%) |

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

| Meta Ads / Paid Social | 420 | 310 | -26,2% |

| Google Ads / Paid Search | 380 | 445 | +17,1% |

| Direct / Email | 200 | 245 | +22,5% |

Ez a jelenség azért veszélyes, mert a Meta hirdetések gyakran a vásárlási folyamat elején (First Touch / Assist) játsszák a legfontosabb szerepet. Ha a DDA leértékeli ezeket a pontokat, a marketinges csökkenti a Meta büdzsét, aminek következtében 45-60 napon belül a teljes keresési volumen (és így a Google Ads hatékonysága is) drasztikusan visszaesik.

---

Miután a Google eltávolította a többutas statikus modelleket, a marketingesek eszköztára beszűkült, de nem vált használhatatlanná. Jelenleg két fő megközelítés maradt a GA4 felületén belül: az adatalapú (Data-Driven) és az utolsó kattintásos (Paid and Organic Last Click) modellek, valamint ezek variációi a csatornacsoportok szintjén.

Ez a klasszikus modell minden konverziós értéket annak a legutolsó csatornának tulajdonít, amelyre a felhasználó rákattintott a vásárlás előtt (kiiktatva a közvetlen látogatást, kivéve, ha az az egyetlen interakció).

• Előnye: Determinisztikus, könnyen érthető, és tökéletesen egybevág a backend (pl. Shoprenter, Unas, Shopify) értékesítési adatok darabszámával.
• Hátránya: Teljesen figyelmen kívül hagyja a tölcsér tetejét. Egy 15 000 HUF CPC-jű, generikus kulcsszóra futó Google hirdetés, amely elindította a folyamatot, nulla hitelt kap, míg a 50 HUF-os hírlevél-kattintás megkapja a 100%-os elismerést.

Ez a modell a konverziót az utolsó olyan Google Ads interakciónak tulajdonítja, amely a vásárlási úton történt. Ha nem volt Google Ads interakció, akkor visszalép a Paid and Organic Last Click modellre.

• Kritikus észrevétel: Ez a beállítás a Google saját önigazoló eszköze. Kizárólag arra alkalmas, hogy a Google Ads fiók ROAS és CPA mutatóit kozmetikázza. Használata ügynökségi szinten etikai kérdéseket vet fel, ha a megrendelő felé ezzel igazolják a kampányok teljesítményét. Kerülendő a mindennapi stratégiai döntések során.

Ahelyett, hogy egyetlen modell mellett köteleznénk el magunkat, a GA4 Advertising (Hirdetés) menüpontja alatt található Model Comparison riportot kell használni heti rendszerességgel. Itt közvetlenül összehasonlítható az adatalapú és az utolsó kattintásos modell közötti különbség. Ha a Meta Ads esetében a DDA 20%-nál nagyobb eltérést mutat negatív irányba a Last Clickhez képest, akkor a kampányok kreatívjait és célzásait érdemes mélyebben elemezni, mert a Meta valószínűleg csak "tűzoltó" (utolsó érintéses) szerepet játszik, és nem hoz be új, cold traffic usereket.

---

Vizsgáljunk meg egy valós magyar piaci példát. Egy prémium lakberendezési kiegészítőket értékesítő, évi 250 millió HUF realizált nettó árbevételű webshop (átlagos kosárérték: 28 000 HUF, átlagos CPC a szektorban: 120-160 HUF) komoly kihívásokkal küzdött a profitabilitás terén.

A webshop marketingbüdzséje havi 3 500 000 HUF volt. Ebből:

• Google Ads (Performance Max + Search): 2 200 000 HUF
• Meta Ads (DABA + Prospecting + Retargeting): 1 300 000 HUF

A GA4-ben az alapértelmezett Data-Driven attribúció volt beállítva. A riportok azt mutatták, hogy a Meta Ads ROAS-a mindössze 1,8-es értéken mozog, miközben a Google Ads 5,6-os ROAS-t produkál. Az akkori külsős PPC ügynökség (akiknek a havi fix díja 180 000 HUF + áfa volt) javaslatára a Meta hirdetések büdzséjét lecsökkentették havi 400 000 HUF-ra, és a felszabaduló 900 000 HUF-ot átcsoportosították a Google Performance Max kampányaiba.

A módosítást követő 30 napban a webshop bevétele nem növekedett, hanem 28%-kal visszaesett, miközben a Google Ads kampányok CPC-je 142 HUF-ról 185 HUF-ra emelkedett. A PMax kampányok ROAS-a 5,6-ról 3,2-re zuhant vissza. Mi történt?

A diagnózis a GA4 mélyebb elemzésével

A GA4 Conversion Paths (Konverziós utak) riportjának elemzése során kiderült, hogy a vásárlások 64%-a olyan többcsatornás útvonalon valósult meg, ahol a Meta Ads volt az első interakció (First Touch), amelyet 3-5 nap késéssel követett egy Google Organic vagy egy Google Paid Search (gyakran brand keresés formájában, pl. "[Márkanév] kupon" vagy "[Márkanév] vélemények") kattintás.

A Data-Driven modell ezeknél az utaknál a konverziós érték 85%-át a Google Ads-nek rendelte hozzá, mert a keresési hirdetés kattintása közelebb volt az időbeli konverzióhoz. Miután a Meta büdzsét elvágták, a tölcsér teteje kiürült. Nem keletkezett új kereslet, így a Google Ads hirdetésekre is kevesebben kerestek rá. A PMax kampány kénytelen volt a meglévő, meleg közönséget újra és újra célozni, ami felsrófolta a belső frekvenciát és a CPC-t, miközben a konverziók száma radikálisan csökkent.

A struktúrát átalakítottuk:

• Visszaállítottuk a Meta büdzsét 1 300 000 HUF-ra, de szigorúan szétválasztottuk a Prospecting (hideg célzás, 80%) és a Retargeting (meleg célzás, 20%) kampányokat.
• A GA4-ben bevezettünk egy egyedi riportálási keretrendszert, amely a mérési modellek hibrid alkalmazásán alapul. Nemcsak a GA4 DDA-t néztük, hanem a Meta Conversion API (CAPI) elsődleges adatait, és egy Excel-alapú saját attribúciós táblát, amely 50-50%-os súlyt adott a First Touch (utolsó nem közvetlen kattintás szerint azonosított első forrás) és a Last Touch interakcióknak.
• A Google Ads-ben a brand keresési kampányok büdzséjét napi szinten limitáltuk, hogy a PMax ne tudjon "olcsó" brand konverziókat elszámolni magának.

```

[Meta Prospecting (Hideg)] ---> (Idő: 4 nap) ---> [Google Brand Search] ---> [Vásárlás: 28 000 HUF]

- GA4 DDA: Meta 3 200 HUF | Google Ads 24 800 HUF

- Hibrid modell: Meta 14 000 HUF | Google Ads 14 000 HUF

```

Az új szemlélet bevezetése után 60 nappal a webshop bevétele stabilizálódott, majd 18%-kal meghaladta a kiinduló szintet, miközben a teljes marketingköltés hatékonysága (MER - Marketing Efficiency Ratio) 11,2%-ról 15,8%-ra javult. Ezzel havonta több mint 1 100 000 HUF felesleges, rosszul allokált költést sikerült megmenteni.

---

A magyar piac sajátosságai és az erőforráshiány miatt a marketingesek gyakran esnek olyan csapdákba, amelyek teljesen torzítják az analitikai képet.

Sok hazai ügynökség javasolja az Advanced Consent Mode bevezetését anélkül, hogy tisztáznák annak következményeit. Ebben a módban a GA4 akkor is küld "pingeket" a Google szervereinek, ha a felhasználó elutasította a cookie-kat. A Google ezekből az adatokból mesterségesen modellezi a konverziókat.

• Hiba: Ha a havi tranzakciószámod nem éri el az 1000 darabot, a modellezés vad hallucinációkhoz vezethet. Látsz majd olyan "modellezett" konverziókat, amelyek a valóságban soha nem történtek meg a bankszámládon, miközben a hirdetési fiók büszkén jelent ROAS növekedést.
• Helyette: Kisebb webshopoknál maradj a "Basic" Consent Mode-nál, ahol nincs adatküldés elutasítás esetén. Így kevesebb, de 100%-ban valós adattal dolgozhatsz.

A GA4-ben a Reporting Identity (Jelentéskészítési identitás) alapértelmezetten a Blended (Kevert) opcióra van állítva. Ez megpróbálja összekötni a felhasználókat User ID, Google Signals, Device ID és modellezett adatok alapján.

• A bökkenő: A Google Signals használata miatt a jelentésekben megjelenik az adatok elszemélytelenítése (Thresholding / Küszöbértékek alkalmazása). Ha a napi látogatószámod alacsony, bizonyos kampányok adati egyszerűen eltűnnek a riportokból, mert nem érik el az egyéni azonosíthatósági küszöböt.
• Megoldás: Állítsd át a Reporting Identity-t Device-only (Csak eszköz) alapúra az Adminisztráció / Megjelenítési beállítások menü alatt. Ez az adatokat nem törli a háttérből, de megszünteti a küszöbérték-korlátozásokat a napi riportokban, így újra látni fogod a micro-szegmensek teljesítményét.

Az egyik leggyakoribb és legsúlyosabb technikai hiba a magyar webshopoknál. Ha a fizetési kapuk nincsenek felvéve a nem kívánt hivatkozások listájára (Unwanted Referrals), a tranzakciók jelentős része (akár 40-70%-a) a `simplepay.hu`, `secure.barion.com` vagy `paypal.com` hivatkozásnak lesz tulajdonítva.

• Következmény: A GA4 szerint a fizetési kapu hozta a vevőt, az eredeti forrás (pl. hírlevél vagy keresőoptimalizált tartalom) pedig nullázódik az attribúciós lánc végén.

---

A pontosabb mérés és a hatékonyabb büdzséallokáció érdekében hajtsd végre az alábbi lépéseket a GA4 fiókodban.

```

[Fizetési kapuk kizárása] ---> [Reporting Identity beállítása] ---> [Mérési időkeretek finomhangolása] ---> [UTM struktúra egységesítése] ---> [Heti modell-összehasonlító elemzés]

```

Zárd ki az összes hazai és nemzetközi fizetési átjárót, valamint a szállítási partnereket a mérésekből.

• Lépj ide: Adminisztráció > Adatgyűjtés és-kezelés > Adatfolyamok (Data Streams).
• Kattints a webes adatfolyamra, majd válaszd a Konfigurálás webhelybeállításokkal (Configure tag settings) lehetőséget.
• Kattints a Továbbiak megjelenítése (Show all) gombra, majd a Nem kívánt hivatkozások listázása (List unwanted referrals) menüpontra.
• Adj hozzá minden olyan domaint, amely a fizetési folyamat során átirányítja a felhasználót. Például:

* `sandbox.simplepay.hu` és `secure.simplepay.hu`

* `barion.com`

* `paypal.com`

* `payu.hu`

* `otpbank.hu`

* `kh.hu`

* `szepkartyasfizetes.hu`

Megszüntetjük a titokzatos adateltűnéseket (thresholding).

• Lépj az Adminisztráció > Megjelenítési beállítások > Jelentéskészítési identitás (Reporting Identity) menüpontba.
• Kattints a jobb alsó sarokban található kis Összes megjelenítése (Show all) feliratra (a Google elrejti az utolsó opciót!).
• Válaszd a Csak eszköz (Device-only) lehetőséget, majd mentsd el. (Megjegyzés: Ez a beállítás bármikor biztonságosan változtatható, nem módosítja a nyers adatbázist, csak a riportok vizualizációját.)

Alakítsd át a konverziós ablakokat a valós magyar vásárlási döntési időhöz. Ha nem egy lakás árú bútort árulsz, a látogatónak nincs szüksége 90 napra a döntéshez.

• Lépj az Adminisztráció > Megjelenítési beállítások > Attribúciós beállítások (Attribution settings) részre.
• A jelentéskészítési attribúciós modell maradjon Data-driven (vizsgálati alapnak), de az időkereteket szorítsd meg:

Acquisition conversion events (Szerzési konverziós események): Állítsd át 7 napra* a 30 nap helyett. Ez rákényszeríti a rendszert, hogy az aktív, friss látogatásokat értékelje.

All other conversion events (Minden egyéb konverziós esemény): Állítsd 30 napra* a 90 nap helyett. Ez drasztikusan csökkenti a torzítást, amit a nagyon régi, organikus látogatások okoznak a hirdetett kampányok rovására.

A GA4 rendkívül szigorú a csatornák besorolásánál. Ha nem a beépített szabályok szerint paraméterezed a linkeket, az adatok az "Unassigned" (Nem hozzárendelt) vagy "Other" kategóriába kerülnek, ami használhatatlanná teszi az attribúciós elemzést.

• Mindig használj kisbetűket: `utm_source=facebook`, nem pedig `utm_source=Facebook`.
• A hirdetési kampányok típusát (medium) pontosan definiáld:

* Fizetett Meta hirdetések: `utm_medium=cpc` vagy `utm_medium=paid`

* Hírlevelek: `utm_medium=email` (nem `e-mail`, nem `newsletter`)

* Affiliate partnerek: `utm_medium=affiliate`

Ne hozz stratégiai döntést kizárólag a GA4 felülete alapján. Készíts egy egyszerű heti riportot (akár Google Sheets-ben, amelyet a GA4 API-ból húzol be), ahol három adatforrást vetsz össze egymással:

• GA4 Last Non-Direct Click konverziós érték (ez mutatja a közvetlen hatást).
• GA4 Data-Driven konverziós érték (ez mutatja a Google szerinti asszisztált hatást).
• Hirdetési rendszerek saját mérései (Meta Pixel és CAPI adatsorok 1-day click modellel).

Ha a három adatforrás trendjei szétválnak (például a GA4 szerint csökken a Meta teljesítménye, de a Meta saját felületén stabil, és a webshop összkasszája – a MER – közben növekszik), akkor ne kapcsold le a Meta hirdetéseket. Az attribúció nem egzakt tudomány, hanem a kockázatkezelés és a mintázatfelismerés eszköze. Ha a marketingbüdzsé elosztásakor ezt a hibrid, kritikus szemléletet alkalmazod, hosszú távon versenyelőnyre teszel szert a magyar piacon.