SEO Cím: GA4 Attribúciós Modellek 2026: Így kerüld el a Google torzításait és a pazarolt PPC költségkeretet
Meta leírás: A Google kivezette a klasszikus GA4 attribúciós modelleket. Mutatjuk, hogyan torzít a Data-Driven modell a magyar piacon, és hogyan építs valós, adatvezérelt attribúciót.
A Google döntése, amellyel végleg felszámolta a First Click, Linear, Time Decay és Position-Based attribúciós modelleket, nem technológiai evolúció, hanem kőkemény üzleti érdekvezérelt lépés volt. A kizárólagosan felkínált Data-Driven Attribution (DDA) és a Last Click duója olyan kényszerpályára állította a magyar e-kereskedelmi szereplőket, ahol a konverziós érdemeket egy fekete doboz osztja el, szinte mindig a Google saját, felső tölcséres formátumainak (például a Demand Gen és a YouTube kampányok) kedvezve. Ha vakon bízol a GA4 alapértelmezett riportjaiban, akkor a marketingbüdzséd jelentős részét olyan csatornákra allokálod, amelyek valójában csak asszisztálnak, de önmagukban képtelenek lennének profitábilis tranzakciókat generálni. A sikeres mérés kulcsa mostantól nem a Google kész megoldásainak másolása, hanem a mögöttes torzítások megértése és a saját mérési infrastruktúra kiépítése.
Miért fontos ez most: A 2026-os magyar piaci valóság
A hazai e-kereskedelmi piac szereplői – a 150 millió és 1 milliárd HUF közötti éves árbevételű webshopok – jelenleg két tűz között őrlődnek. Egyrészt a Google Consent Mode v2 szigorú alkalmazása miatt a magyar látogatók 25-35%-ának mérési adatai elvesznek a cookie-hozzájárulás megtagadása miatt. Másrészt a Google Ads kattintási költségei (CPC) a lakberendezési, divat és szépségápolási szegmensekben 80 HUF-ról 130-180 HUF-ra emelkedtek az elmúlt két évben, míg a pénzügyi és B2B szektorban nem ritka az 1200-2600 HUF közötti CPC sem.
Ilyen környezetben 5-10%-os mérési hiba már nem csupán statisztikai zaj, hanem közvetlen profitveszteség. A 2026-os évben az az ügynökség vagy in-house csapat, amelyik nem képes a GA4-en túlmutató, hibrid attribúciós modelleket alkalmazni, havonta akár több millió forintot éget el feleslegesen. A Google által favorizált Data-Driven modell ráadásul a kisebb, havi 200-500 konverziót produkáló magyar webshopoknál egyszerűen nem kap elég mintát. Ha nincs meg a kritikus adatmennyiség, a DDA algoritmus visszalép egy bújtatott Last Click modellé, miközben azt az illúziót kelti, hogy komplex gépi tanulást végez.
---
A Data-Driven modell fekete doboza és a magyar valóság
A GA4 alapértelmezett Data-Driven Attribution (DDA) modellje a Google szent gráljaként van beállítva, azonban a gyakorlatban komoly módszertani korlátokkal küzd, amelyeket a szoftveróriás igyekszik elhallgatni.
Hogyan torzít a DDA a kis és közepes konverziószámnál?
A DDA elvileg a kooperatív játékelméletből ismert Shapley-értéket használja a konverziós utak értékelésére. Ez a matematikai modell azt vizsgálja, hogyan változik a konverzió valószínűsége, ha egy adott csatornát kiveszünk a felhasználói útvonalból.
Ehhez azonban hatalmas adatmennyiségre van szükség. A magyar piac sajátossága, hogy a webáruházak 90%-a nem éri el a havi 1000 tranzakciót. Ha a konverziós szám alacsony:
- A rendszer képtelen statisztikailag szignifikáns különbségeket azonosítani az egyes érintkezési pontok között.
- Az algoritmus a bizonytalanságot úgy kezeli, hogy a konverziós érték túlnyomó részét annak a csatornának adja, amely az út végén állt (lényegében Last Click módon működik).
- Elvesznek a hosszú távú márkaépítő kampányok (például a célzott Meta és YouTube video hirdetések) hatásai, mivel a szoftver nem látja át a 30 napnál hosszabb döntési folyamatokat.
A Google saját csatornáinak rendszerszintű felülértékelése
Megfigyelhető, hogy a GA4-ben futó DDA látványosan több konverziót és magasabb ROAS-t tulajdonít a Google Ads Performance Max (PMax) és Demand Gen kampányoknak, mint a független, harmadik féltől származó attribution toolok. Ennek oka pofonegyszerű: a Google a saját hirdetési hálózatán belüli interakciókat (például egy Gmail promóciós levél megnyitását vagy egy YouTube hirdetés megtekintését - engaged view) sokkal finomabban képes követni, mint a Meta hirdetések kattintásait vagy az organikus eléréseket.
Ha a rendszer az egyik csatornáról (Google Ads) mikroszkopikus pontosságú adatokkal rendelkezik, míg a másikról (Meta Ads, TikTok, hírlevelek) csak a UTM-paraméterezett kattintások szintjén tud, az attribúciós algoritmus törvényszerűen a jobban mért csatorna felé fog lejteni.
---
Csatorna-interakciók modellezése külső eszközökkel
Mivel a GA4 felületén belül megszűnt a modellek közötti szabad váltás lehetősége a standard riportokban, a marketingesek kénytelenek alternatív útvonalakat keresni a valóság feltárására.
```
[Felhasználói Út]
Meta Ad (Kattintás) ---> Google Search (Brand CPC) ---> Közvetlen látogatás ---> Konverzió
| | |
+-- GA4 DDA értékelés: +-- GA4 DDA értékelés: +-- GA4 DDA értékelés:
~15% konverzió ~65% konverzió ~20% konverzió
| | |
+-- Valós üzleti hatás: +-- Valós üzleti hatás: +-- Valós üzleti hatás:
A vásárlás motorja Tranzakcionális lépés Technikai zárás
```
Amikor a GA4 vak: Meta Ads vs. Google Ads hitvita
A magyar e-kereskedelemben a leggyakoribb konfliktusforrás az ügynökségek és a tulajdonosok között a Meta Ads és a Google Ads riportok közötti eltérés. Egy 300 millió HUF éves forgalmú, prémium kávégépeket értékesítő webshop esetében a Meta Ads Manager 140 konverziót mutat egy adott időszakra, míg a GA4 DDA modellje ugyanabból a kampányból csak 35 konverziót ismer el.
Ennek feloldására a GA4 BigQuery exportját kell használnunk. A nyers adatok SQL alapú lekérdezésével saját magunk is felépíthetjük a klasszikus attribúciós modelleket. Az alábbi táblázat bemutatja, hogyan változik az egyes csatornák súlya a különböző modellek szerint egy tipikus többcsatornás magyar vásárlási útvonalon:
| Csatorna | GA4 Data-Driven (DDA) | First Interaction (SQL) | Last Non-Direct Click |
| :--- | :---: | :---: | :---: |
| Meta Paid Social | 18% | 45% | 12% |
| Google Search Brand | 52% | 15% | 58% |
| Google Performance Max| 22% | 10% | 20% |
| Organic Search | 5% | 22% | 7% |
| Direct / Email | 3% | 8% | 3% |
A táblázatból világosan látszik, hogy míg a GA4 DDA a Google Search Brand kampányokat hozza ki abszolút győztesnek, addig a valós keresletet és a belépési pontot a Meta Paid Social biztosította (45% az első kattintásos modellben). Ha leállítod a Meta kampányokat a gyenge GA4-es ROAS miatt, heteken belül a Google Brand keresések száma is drasztikusan be fog zuhanni.
---
Esettanulmány: Egy 350M HUF árbevételű magyar divat webshop attribúciós áthangolása
Nézzük meg egy valós, anonimizált magyar divat- és kiegészítő webshop esetét, amely évi 350 millió HUF árbevételt realizál, az átlagos kosárérték (AOV) 18 500 HUF, a havi marketingbüdzsé pedig nettó 3,5 millió HUF.
A kiinduló probléma
A webshop kizárólag a GA4 felületén látható Data-Driven ROAS adatok alapján optimalizálta a hirdetéseit. A GA4 adatai szerint a Meta Ads ROAS értéke 1,8-as volt, míg a Google Ads Performance Max kampányé 5,2-es. A vezetőség úgy döntött, hogy a Meta büdzsé 60%-át átcsoportosítja a Google Ads javára.
Az eredmény katasztrofális volt: az átcsoportosítást követő harmadik héten a teljes webshop árbevétele 28%-kal csökkent, miközben a Google Ads kampányok ROAS-a is romlani kezdett (visszaesett 3,1-re), mivel elfogytak azok a meleg lead-ek, akiket korábban a Meta hirdetések hoztak be a tölcsérbe.
A megoldás és az SQL alapú modellezés
A hibát felismerve az ügynökség elindította a GA4 BigQuery exportját, és egy egyedi attribúciós modellt épített fel. Az alábbi SQL lekérdezéssel kinyerték a konverziós utakat, és súlyozták az érintkezési pontokat úgy, hogy az első kattintás 40%-os, az utolsó 40%-os, a köztes interakciók pedig összesen 20%-os súlyt kaptak (ez a klasszikus Position-Based modell másolata, amit a Google törölt).
```sql
WITH user_journey AS (
SELECT
user_pseudo_id,
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,
event_name,
ROW_NUMBER() OVER(PARTITION BY user_pseudo_id ORDER BY event_timestamp) AS touchpoint_index,
COUNT(*) OVER(PARTITION BY user_pseudo_id) AS total_touchpoints
FROM
`your-project-id.analytics_123456789.events_*`
WHERE
_TABLE_SUFFIX BETWEEN '20260101' AND '20260131'
AND event_name IN ('session_start', 'purchase')
)
SELECT
source,
medium,
SUM(
CASE
WHEN total_touchpoints = 1 THEN 1.0
WHEN touchpoint_index = 1 THEN 0.4
WHEN touchpoint_index = total_touchpoints THEN 0.4
ELSE 0.2 / (total_touchpoints - 2)
END
) AS attributed_conversions
FROM
user_journey
WHERE
event_name = 'purchase'
GROUP BY
1, 2
ORDER BY
attributed_conversions DESC;
```
Az áthangolás eredményei számokban
Az egyedi modellezés rávilágított, hogy a Meta kampányok valójában 4,1-es valós ROAS-sal működtek, ha figyelembe vesszük az első érintkezési pontként játszott szerepüket. A büdzsé visszarendezése és finomhangolása után a következő eredményeket érték el 3 hónap alatt:
- Havi marketingköltés: 3 500 000 HUF (változatlan)
- Meta Ads havi büdzsé: 1 800 000 HUF (korábbi 800 000 HUF helyett)
- Google Ads havi büdzsé: 1 700 000 HUF (PMax keret csökkentése, Brand Search és dinamikus remarketing megtartása)
- Teljes webshop havi árbevétel: 29 100 000 HUF-ról 37 800 000 HUF-ra nőtt (+30%)
- Összevont Blended ROAS: 8,31-ről 10,8-ra javult.
---

Mit NE csinálj: A legfájdalmasabb attribúciós hibák
A magyar KKV szektorban tevékenykedő marketingesek gyakran esnek olyan csapdákba, amelyek teljesen torz képet mutatnak a marketingtevékenységük hatékonyságáról.
1. A GA4 default csatornacsoportosításának vakon történő elfogadása
A GA4 gyakran rosszul kategorizálja a bejövő forgalmat. Ha például egy hírlevél kampányod linkjéből kimarad az `utm_medium=email` paraméter, vagy a Facebook hirdetéseidnél elfelejted beállítani az `utm_medium=cpc` jelölést, a GA4 ezeket az "Unassigned" vagy az "Organic Social" kategóriába fogja sorolni.
Saját szakmai tapasztalatom alapján a magyar webshopok GA4 fiókjaiban az "Unassigned" és a "Direct" forgalom aránya gyakran eléri a 35-40%-ot. Ez a méréstechnikai hanyagság teljesen használhatatlanná teszi a DDA modellt, hiszen a rendszer a sötétben tapogatózik a konverziós út kezdeténél.
2. A "Blended ROAS" (Összevont ROAS) teljes figyelmen kívül hagyása
Sokan elkövetik azt a hibát, hogy kizárólag az egyes hirdetési rendszerek saját dashboardjait nézik. A Meta Ads Manager és a Google Ads konverziós számainak összege szinte mindig 30-50%-kal meghaladja a webshop admin felületén (pl. Shoprenter, Shoptet, Unas vagy Shopify) ténylegesen realizált, kifizetett rendelések számát. Ennek oka az egymást átfedő mérések és az eltérő attribúciós ablakok (pl. Meta 7 napos kattintás és 1 napos megtekintés vs. Google Ads 30 napos kattintás).
Mindig számolj Blended ROAS-t (Összes árbevétel / Összes hirdetési kiadás). Ha a platformok egyedi ROAS-ai javulnak, de a Blended ROAS stagnál vagy csökken, akkor az attribúciós modeled hibás, és csak egymástól rabolják el a konverziókat a csatornáid.
---
Akcióterv: Így építsd fel a saját attribúciós rendszered 6 lépésben
Kövesd ezt a gyakorlati útmutatót, hogy függetlenítsd magad a Google fekete dobozától és optimalizáld a marketing költéseidet.
1. Lépés: Szigorú UTM-rendszer bevezetése
Készíts egy belső Google Sheet-et, amelyben rögzíted a kötelező UTM-paraméterezési szabályokat az egész csapat és a külső ügynökség számára.
- Minden fizetett Meta hirdetés tartalmazza a `utm_source=facebook&utm_medium=paid` paramétert.
- Az összes hírlevél és automatizált email (Klaviyo, Webshippy, stb.) legyen ellátva az `utm_medium=email` címkével.
- Teszteld le a linkeket egy tesztvásárlással, és ellenőrizd a GA4 Real-Time riportjában a helyes megjelenést.
2. Lépés: A GA4 BigQuery export aktiválása
Ne halogasd! A BigQuery export ingyenes egy bizonyos adatmennyiségig (havi 10 GB tárhely és 1 TB lekérdezési keret), ami egy havi 500-1000 tranzakciót bonyolító magyar webáruháznak bőségesen elegendő.
- Lépj be a GA4 Admin felületére -> Termékösszekapcsolások -> BigQuery összekapcsolása.
- Állítsd be a napi (Daily) és a folyamatos (Streaming) exportot is. Így az adatok megőrződnek az utókornak, és nem veszítesz el semmit, ha később saját modellezésbe kezdesz.
3. Lépés: Hozz létre egy belső dashboardot Looker Studio-ban
Ne engedd, hogy a döntéshozók a GA4 bonyolult és lassú kezelőfelületén navigáljanak. Építs egy olyan Looker Studio dashboardot, amely három különböző forrásból gyűjti az adatokat:
- A webáruház motorodból származó valós, számlázott árbevétel (ERP vagy webshop admin API).
- A Google Ads és Meta Ads API-kon keresztül behúzott valós hirdetési költések.
- A GA4 forgalmi adatai.
4. Lépés: Mérd a "Hogyan találtál ránk?" kérdőívvel a "Dark Social" hatást
Helyezz el a kosár sikeres visszaigazoló (Thank you) oldalán egy egyszerű, egykérdéses kötelező vagy opcionális kérdőívet: "Honnan hallottál rólunk először?".
Csodálkozni fogsz, de a GA4-ben "Direct" vagy "Google Organic" forgalomként regisztrált vásárlók jelentős része (akár 20-30%-a) azt fogja bejelölni, hogy "Egy barátom ajánlotta Messengeren", vagy "Láttam egy videót a TikTokon". Ezt az adatot manuálisan vagy automatizáltan vesd össze a GA4 attribúciós adataival.
5. Lépés: Hajts végre "Incrementality" (Inkrementalitási) teszteket
Háromhavonta egyszer teszteld le a csatornáid valós erejét.
- Kapcsold le a Google Ads Brand kampányaidat 7 napra az egyik régióban (vagy országosan, ha megteheted).
- Figyeld meg, hogy az organikus találatok (SEO) és a közvetlen látogatások átveszik-e a kieső forgalom és konverziók mekkora részét.
- Ha a konverziók száma egyáltalán nem csökken, vagy csak minimálisan (<5%), akkor a Brand kampányod felesleges pénzpazarlás volt, amit a Google hirdetési rendszere csak "ellopott" az organikus elérések elől, hogy javítsa a saját statisztikáit.
6. Lépés: Az ügynökségi KPI-ok átalakítása
Változtasd meg a marketingügynökséged vagy a belső PPC-s kolléga ösztönző rendszerét. Ahelyett, hogy a Google Ads fiókban látható, könnyen manipulálható "Ad-Platform ROAS" alapján fizetnél sikerdíjat:
- Határozz meg egy elvárt Blended ROAS (vagy MER - Marketing Efficiency Ratio) küszöböt a teljes üzletre vonatkozóan (pl. minimum 6,5-ös szorzó).
- A sikerdíj kifizetését kösd a realizált nettó árbevétel növekedéséhez és a vevőszerzési költség (CAC - Customer Acquisition Cost) kordában tartásához.
- Ez rákényszeríti a szakembereket, hogy ne a GA4 DDA által kozmetikázott, hanem a valódi, csatornákon átívelő konverziós utakat optimalizálják.




