GA4 attribúciós modellek a gyakorlatban: Így látod a valós ROI-t a magyar piacon

SEO Title: GA4 attribúciós modellek összehasonlítása: Így torzít a Google adatvezérelt modellje a magyar e-commerce-ben

Meta leírás: Hogyan alakítják át a GA4 új attribúciós szabályai a magyar webshopok büdzséjét? Gyakorlati útmutató haladóknak valós hazai példákkal, CPC adatokkal és akciótervvel.

A Google Analytics 4 (GA4) attribúciós modelljeinek radikális átalakítása – különösen a hagyományos szabályalapú modellek (First click, Linear, Time decay, Position-based) kivezetése – nem technikai egyszerűsítés, hanem a Google tudatos stratégiai lépése. A marketingszakma kényszerűen behódolt a Data-Driven (adatvezérelt) modellnek, miközben a napi döntéshozatal során a legtöbb magyar e-commerce szereplő még mindig a Last Click (utolsó kattintás) szemüvegén keresztül nézi a világot. Ez a kettősség súlyos allokációs hibákhoz, elégetett milliókhoz és tévesen leállított kampányokhoz vezet egy olyan piacon, ahol a konverziós költségek nominálisan is drasztikusan emelkednek.

A hazai e-commerce piac 2026-ra elérte azt a telítettségi szintet, ahol az ügyfélszerzési költségek (CAC) növekedési üteme messze meghaladja az átlagos kosárérték (AOV) növekedését. Egy 200M és 500M HUF közötti éves árbevételű magyar webáruház esetében a Google Ads és Meta Ads CPC díjak az elmúlt két évben átlagosan 25-40%-kal emelkedtek. A lakberendezési, divat- és elektronikai szegmensekben a kattintási árak rutinszerűen átlépik a 150-250 HUF közötti sávot, míg a B2B szolgáltatásoknál a 600-1200 HUF közötti CPC sem ritka.

Ebben a környezetben a vakattribúció közvetlen profitveszteséget jelent. A Consent Mode v2 bevezetése óta a hazai webshopok látogatóinak 15-30%-a nem ad hozzájárulást a követéshez (hard opt-out), ami miatt a GA4 gépi tanulási modellekkel próbálja "foltozni" a hiányzó adatokat (behavioral modeling). Ha egy marketing vezető vagy egy havi 250 000 HUF fix díjért dolgozó PPC ügynökség vakon bízik a GA4 alapértelmezett Data-Driven Attribution (DDA) dashboardján megjelenő számokban, akkor valójában egy fekete doboz által generált, részben becsült valóságra alapozza a negyedéves büdzséelosztást.

A probléma súlyát növeli, hogy a hazai kkv-szektor jelentős része még mindig az elavult hirdetési fiók szintű riportálásnak hisz. Amíg a Meta Ads Manager 7 napos kattintás és 1 napos megtekintés (7-day click, 1-day view) alapú modellben mutatja a konverziókat, addig a GA4 DDA-ja ezek jelentős részét az organikus, a direkt vagy a Google brand kampányok javára írja. Az ebből fakadó feszültség mindennapos a megbízó és az ügynökség között, és gyakran vezet rossz stratégiai döntésekhez: csatornák indokolatlan leállításához vagy túlárazott kampánytípusok túlfinanszírozásához.

---

A GA4 felületén jelenleg két érdemi választásunk maradt a jelentési beállításokban (Attribution settings): az adatvezérelt (Data-Driven) és az utolsó kattintás (Paid and organic last click). A kettő közötti különbség nem elméleti, hanem kőkeményen átírja a csatornák megtérülési mutatóit (ROAS).

Az adatvezérelt attribúció elméletileg a felhasználó teljes útja során történt interakciók konverziós valószínűségre gyakorolt hatását elemzi a kooperatív játékelméletből ismert Shapley-érték alapján. A gyakorlatban azonban van egy rendszerszintű torzítás: a Google algoritmusai a saját érdekcsatornáikat részesítik előnyben.

• A Performance Max (PMax) dominanciája: A PMax kampányok természetüknél fogva a teljes tölcsért lefedik (Search, Shopping, YouTube, Display, Discover). Mivel a DDA modell rendkívül érzékeny a sűrű érintési pontokra, a PMax által generált olcsó display és Gmail "megtekintések" vagy véletlen mikro-kattintások a konverziós érték aránytalanul nagy részét szippantják el.
• A Brand Search kisajátítása: Ha egy felhasználó meglát egy Meta hirdetést, majd rákeres a márkanévre (Brand Search) a Google-ben, és rákattint egy fizetett hirdetésre, a DDA a konversió értékének akár 70-80%-át is a Google Ads márkakampánynak adhatja, háttérbe szorítva az igényt valójában generáló közösségi média hirdetést.

Gyakori tévedés a haladó szakemberek körében is, hogy nem tesznek különbséget a GA4 különböző szintű dimenziói között. A GA4-ben háromféle forrás/médium dimenzió létezik, amelyek eltérő attribúciót használnak:

| Dimenzió típus | Példa | Alkalmazott attribúciós modell | Mire használjuk? |

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

| Első felhasználói (User-scoped) | Első felhasználói forrás/médium | Mindig First Click (az első látogatás forrása örökre rögzül) | Új vevők akvizíciójának mérése (LTV elemzéshez) |

| Munkamenet (Session-scoped) | Munkamenet forrása/médiuma | Last Non-Direct Click (a munkamenetet indító utolsó közvetett csatorna) | Kampányok azonnali forgalomterelő hatásának vizsgálata |

| Esemény szintű (Event-scoped) | Forrás/médium | A tulajdon szinten beállított modell (pl. Data-Driven) | A konkrét konverziók (vásárlások) értékének elosztása tölcsérszinten |

Ha a jelentésekben a `Munkamenet forrása/médiuma` dimenziót használjuk, de a tulajdon beállításaiban a `Data-Driven` van megadva, a GA4 a felületen egy hibrid, nehezen értelmezhető adatot fog mutatni. Ezért a csatornák tiszta teljesítményének összehasonlításához mindig az esemény szintű dimenziókat (egyszerűen `Forrás` / `Médium`) kell vizsgálni a Konverziók (Conversions) riportokban.

---

Magyarországon a hirdetési piac duopóliumra épül: a kkv-k marketing büdzséjének 85-90%-át a Google Ads és a Meta Ads (Facebook/Instagram) viszi el. Ez a szűk keresztmetszet felerősíti az attribúciós modellek közötti torzításokat.

```

Felhasználói út példa:

[Meta Ads Prospecting] ---> [Meta Retargeting] ---> [Google Search (Organic)] ---> [Google Brand Ads] ===> Vásárlás (32 000 HUF)

Hogyan osztják el a modellek a 32 000 HUF-ot?

• Last Click: Google Brand Ads (100%)
• GA4 DDA (becsült): Meta (15%), Organic (15%), Google Brand Ads (70%)
• Valós hatás: Meta Ads (60% - igényteremtés), SEO (30% - bizalom), Brand Ads (10% - navigáció)

```

A Meta saját attribúciós motorja önkiszolgáló és önigazoló. Ha egy divatáru webshop (AOV: ~18 000 HUF) futtat egy dinamikus termékhirdetést (DABA), a Meta minden olyan konverziót magának tulajdonít, ahol a felhasználó a vásárlást megelőző 7 napban rákattintott a hirdetésre, vagy 1 napon belül látta azt a hírfolyamában (még ha nem is kattintott).

Ezzel szemben a GA4 (még a DDA modellel is) csak a kattintás alapú látogatásokat méri. Ha a felhasználó meglátja a kreatívot Instagramon, de nem kattint, hanem 2 órával később beírja a böngészőbe a webshop nevét (Direct), a GA4 100%-ban a Direct csatornához írja a vásárlást. Tapasztalataink szerint a magyar e-commerce szektorban a Meta hirdetésekből származó konverziók 40-60%-a "elveszik" a GA4-ben, és Direct vagy Organic csatornaként jelenik meg.

A keresőoptimalizálás (SEO) hosszú távú, magas beruházási költségű csatorna (egy prémium hazai SEO ügynökség havidíja 250 000 HUF-tól indul, és könnyen elérheti a 600 000 HUF-ot). A SEO teljesítményét a GA4 DDA szisztematikusan alulértékeli a tranzakciós fázisokban.

Mivel az információs keresések (pl. "melyik a legjobb matrac gerincfájásra") korai fázisban történnek, az organikus forgalom megszerzi a felhasználót, aki később már fizetett remarketing (Google Display, Meta) vagy közvetlen (Direct) úton konvertál. A DDA a konverziós érték minimális töredékét rendeli a korai fázisú organikus látogatáshoz. Ha egy marketing vezető csak a GA4 DDA alapján számol SEO megtérülést, tévesen arra a következtetésre juthat, hogy a keresőoptimalizálás nem termel profitot, miközben az a teljes tölcsér üzemanyaga.

---

Az alábbiakban egy valós, anonimizált esettanulmányt mutatunk be. A "BútorTrend" (fiktív név) prémium lakberendezési termékeket és kiegészítőket értékesít a magyar piacon.

• Éves árbevétel: 350 000 000 HUF
• Átlagos kosárérték (AOV): 42 000 HUF
• Havi marketing büdzsé: 4,5M HUF (Fizetett hirdetések + ügynökségi díjak)
• Csatornamix: Google Ads (PMax + Search), Meta Ads (Prospecting + Advantage+ Catalog Ads), SEO (belső munkatárs + külső tanácsadó), Hírlevél (Klaviyo).

A marketing vezető az ügynökség javaslatára a GA4 DDA modelljét használta a büdzsé optimalizálására. A GA4 felülete alapján a Meta Ads ROAS mutatója folyamatosan az elvárt 3,0-as szint alatt maradt (átlagosan 1,4-es GA4 ROAS-t mutatott), míg a Google Ads PMax kampányai szárnyaltak (6,2-es GA4 ROAS).

Ennek hatására a tulajdonos úgy döntött, hogy a Meta Ads havi 1,8M HUF-os keretét lecsökkenti 500 000 HUF-ra, és a fennmaradó 1,3M HUF-ot átcsoportosítja a Google Ads Performance Max kampányokba.

• Google Ads költés: 2,2M HUF-ról -> 3,5M HUF-ra nőtt.
• Google Ads GA4 ROAS: 6,2-ről -> 3,1-re esett vissza (a megnövekedett büdzsé miatt a PMax elkezdett rosszabb minőségű közönségeket és márkás kulcsszavakat célozni).
• Összbevétel: Havi 29,1M HUF-ról -> 20,4M HUF-ra zuhant (-30%).
• Új vásárlók száma: 42%-kal csökkent.

Ahhoz, hogy megértsük a katasztrófát, az adatokat összevetettük egy backend szinten implementált, első kattintást és kohorsz-analízist használó egyedi mérési modellel (SQL-alapú belső adatbázis + Google BigQuery export).

A vizsgálat kimutatta, hogy a Meta Ads kampányok voltak a legfőbb "igénygenerátorok" (Demand Generation). A vásárlók 58%-a először egy Meta videós hirdetésen keresztül találkozott a márkával. Mivel a bútorvásárlás döntési ciklusa hosszú (átlagosan 18-24 nap a magyar piacon), a felhasználók az első érintés után többször is visszatértek: organikus kereséssel, direct módon, majd végül a vásárlás napján rákattintottak a mindenhova benyomuló Google PMax shopping hirdetésekre.

A GA4 DDA modellje a konverziós érték 82%-át a Google Ads-nek adta, mert az volt az utolsó és legagresszívabb csatorna a vásárlási döntés pillanatában. Amikor a Meta büdzsét elvágták, elapadt a tölcsér teteje (Top of Funnel). Új emberek nem ismerték meg a márkát, és bár a PMax még 2-3 hétig hatékonyan konvertálta a meglévő meleg közönséget (retargeting), a tölcsér kiürülése után a teljes értékesítési gépezet összeomlott.

Az alábbi táblázat mutatja be a csatornák teljesítményének eltérését a különböző modellek szerint a döntés előtti hónapban:

| Csatorna | Havi költés (HUF) | Meta/Google UI Riportált ROAS | GA4 DDA ROAS | Valós Multi-Touch ROAS (BigQuery) |

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

| Meta Ads (Összes) | 1 800 000 | 4.2x | 1.4x | 3.1x |

| Google Ads PMax | 1 500 000 | 7.1x | 6.2x | 4.3x |

| Google Ads Search | 700 000 | 3.5x | 3.1x | 2.8x |

| Organic Search | 250 000 (díj) | - | 4.8x | 6.5x |

---

Mit NE csinálj: A leggyakoribb attribúciós tévutak

Sok PPC specialista elköveti azt a hibát, hogy a Google Ads kampányokat a Google Ads saját conversion tracking pixelével optimalizálja (amely belsőleg saját attribúciót használ), miközben az üzleti döntéseket a GA4 riportok alapján hozzák meg. A Google Ads pixel "mohó": ha a vásárló az elmúlt 30 napban bármikor kattintott Google hirdetésre, a pixel a teljes konverziót be fogja húzni a fiókba. Ez mesterségesen felduzzasztja a ROAS-t, elfedve azt a tényt, hogy a tranzakció valójában egy Meta hirdetés vagy egy hírlevél érdeme volt.

A magyar webáruházak jelentős részénél a Direct / None forgalom aránya meghaladja a 35-40%-ot. Ez szinte soha nem valódi direkt forgalmat (böngészősávba beírt URL) jelent. Ez a "sötét völgy" (Dark Traffic), ahová a követhetetlen kattintások hullanak be:

• In-app böngészők (pl. Messengerből, Viberből megnyitott linkek, ahol az UTM paraméterek elvesznek).
• iOS Link Tracking Protection által megcsonkított URL-ek.
• Helytelenül vagy egyáltalán nem UTM-paraméterezett hírlevelek (pl. egy rosszul beállított Mailchimp vagy Webshippy automatikus tranzakciós levél).

Ha a direkt forgalmat önálló csatornaként kezeljük, és nem próbáljuk meg feltárni annak valódi eredetét, tévesen azt fogjuk hinni, hogy a márkánk organikus ereje növekszik, miközben csak a mérési hibáink száma sokszorozódik.

A GA4 alapértelmezés szerint 30 napos kulcsfontosságú esemény-időablakot (key event window) használ az akvizíciós eseményekre, és legfeljebb 90 napot az egyéb konverziós eseményekre. Ha az értékesítési ciklusunk hosszú (például napelemes rendszerek, szoftver előfizetések, vagy prémium B2B szolgáltatások), a 30 napos korlát miatt az első érintési pontok teljesen kiesnek a rendszerből. Az eredmény: a hosszútávú tartalommarketing és a PR kampányok nullának fognak tűnni, a fizetett lead generálás pedig drágának.

---

Ha szeretné elkerülni, hogy a Google GA4-be épített fekete doboza tévútra vigye a marketing büdzséjét, hajtsa végre az alábbi lépéseket a következő 30 napban.

A tiszta attribúció alapja a hibátlan adatbemenet. Készítsen egy szigorú belső UTM-paraméterezési protokollt, és kényszerítse ki annak használatát minden csatornán.

• Minden hírlevél kampányban kötelező az `utm_source=klaviyo` (vagy az adott szoftver), `utm_medium=email`, `utm_campaign=[kampány_neve]` konzisztens használata.
• A Meta Ads hirdetésekben használjon dinamikus URL-paramétereket: `utm_source=facebook&utm_medium=cpc&utm_campaign={{campaign.name}}&utm_content={{ad.name}}`. Kerülje a kézi, ad-hoc elnevezéseket.
• Gondoskodjon róla, hogy a kis- és nagybetűk ne keveredjenek (a GA4-nek a `cpc` és a `CPC` két különböző médiumot jelent, ami széttöri a riportokat).

Lépjen be a GA4 felületére: Adminisztrálás -> Adatmegjelenítés -> Attribúciós beállítások (Attribution settings).

• Jelentéskészítési attribúciós modell: Tesztelje le, hogyan változnak a számai, ha átvált a Paid and organic last click modellre. Ez a "tisztább" kép megmutatja, mely csatornák képesek közvetlenül konverziót lezárni. Ha a DDA-hoz képest drasztikus visszaesést lát a Meta Ads vagy a SEO javára, akkor a tölcsér eleje erős, de a lezárást más csatorna végzi.
• Csatornák közötti nem közvetlen utolsó kattintás: Ez a legjobb beállítás a napi operatív munkához, mert kiszűri a Direct forgalom torzító hatását, és a konverziót az utolsó ismert, tényleges marketing interakciónak adja.

Hozzon létre egy szerveroldali mérési konténert (ennek felhőalapú futtatási költsége a Google Cloud Platformon vagy Stape.io-n keresztül havi 10 és 50 USD között mozog egy 100M-500M HUF árbevételű webshop esetében).

• A sGTM segítségével a sütiket első felesként (First-Party Cookie) állíthatja be a saját aldomainje alatt.
• Ez az iOS Safari böngészőkben a sütik élettartamát 1-7 napról akár 30 napra is meghosszabbítja (szemben a kliensoldali méréssel, amit az Apple ITP algoritmusa azonnal töröl).
• Ennek eredményeként a GA4 képes lesz összekapcsolni a 3 héttel ezelőtti első látogatást a mostani vásárlással, drasztikusan javítva a többcsatornás utak azonosítási arányát.

Ne hagyatkozzon kizárólag szoftveres mérésekre. Építsen be a webshop köszönőoldalára (Thank You Page) egy kötelező vagy erősen ajánlott egykérdéses felmérést: "Honnan hallottál rólunk először?"

• A válaszlehetőségek legyenek egyszerűek: Facebook/Instagram hirdetés, Google keresés, Ismerős javasolta, TikTok, YouTube videó, Egyéb.
• Hasonlítsa össze a kérdőív eredményeit a GA4 DDA számaival havonta egyszer. Ha a vásárlók 40%-a jelöli meg a Facebookot, miközben a GA4 DDA szerint a Meta csak a konverziók 10%-áért felelős, akkor egyértelmű, hogy a Meta kampányok implicit hatása óriási. Ez a legegyszerűbb módszer a "szürke zónás" konverziók felderítésére.

```

Példa összehasonlító havi riportra:

+------------------------+-----------------+-------------------+

| Csatorna | GA4 DDA Szerint | Vásárlói bevallás |

+------------------------+-----------------+-------------------+

| Meta Ads | 12% | 45% |

| Google Search | 48% | 22% |

| Közvetlen/Ajánlás | 30% | 28% |

| Egyéb | 10% | 5% |

+------------------------+-----------------+-------------------+

(Ha ilyen eltérést lát, a Google Ads büdzsé növelése a Meta rovására végzetes hiba lenne!)

```

Ha a webáruház éves árbevétele átlépi a 200M HUF-ot, a GA4 ingyenes felülete már nem elegendő a stratégiai döntésekhez. Kapcsolja be a GA4 mindennapos nyers adat-exportját a Google BigQuery-be (ez a tárhely/lekérdezési díjak minimális szintje miatt havi 1000-5000 HUF költséggel jár).

• Szerződtessen egy adatfeldolgozó szakembert (egyszeri fejlesztési díj átlagosan 150 000 - 350 000 HUF között van a magyar piacon) egy egyedi SQL attribúciós dashboard felépítésére (Looker Studio vizualizációval).
• Ennek segítségével Ön határozhatja meg a játékszabályokat: létrehozhat egy egyedi pozícióalapú (U-alakú) modellt, amely az első érintésnek (igényteremtés) 40%-ot, az utolsónak (lezárás) 40%-ot, a közbenső csatornáknak pedig 20%-ot ad. Ez a modell sokkal reálisabban tükrözi a modern vásárlói utakat, mint a Google saját DDA fekete doboza.

A harmadik feles sütik teljes alkonya után a jövő útja a Marketing-Mix Modeling. Ez egy statisztikai módszer, amely nem felhasználói szintű követésre épül, hanem a költési adatok és a teljes realizált árbevétel közötti matematikai korrelációt vizsgálja történeti alapon (idősoros regressziós elemzéssel).

• Ha hetente változtatja a Meta és Google büdzséket (pl. 2 hétig Meta heavy, 2 hétig Google heavy), az MMM szoftverek megmondják, hogy az össztársasági szintű árbevétel melyik változásra hogyan reagált.
• Ez a módszer teljesen védett az iOS követési korlátozásokkal és a hozzájárulások megtagadásával szemben, mivel kizárólag aggregált adatokat használ.

Valódi marketing intelligenciát csak az érhet el, aki hajlandó benézni a GA4 kényelmes, de torzító felülete mögé. Kezdje a rendszerszintű UTM auditálással, majd lépjen tovább a szerveroldali mérések felé — a versenytársai többsége még mindig a vak Last Click világában tévelyeg.