Amikor a Google hivatalosan is kivezette a Google Analytics 4-ből a korábbi szabályalapú attribúciós modelleket (lineáris, időbeli lecsengés, pozícióalapú, első kattintás), a hazai e-commerce szektor jelentős része sokkot kapott, míg a PPC ügynökségek megkönnyebbülten legyintettek. Ez a lépés nem technológiai evolúció, hanem kényszerű válaszreakció a szigorodó adatvédelmi szabályozásokra (GDPR) és a cookie-k fokozatos kivezetésére. A marketingesek többsége ma kritika nélkül fogadja el a GA4 alapértelmezett Data-Driven (adatvezérelt) modelljét, miközben nem látják, hogy ez a modell módszeresen torzít a Google saját hirdetési termékei (különösen a Performance Max kampányok) javára. A valóság az, hogy a magyar piacon jelenleg használt attribúciós megközelítések többsége vakvágányra viszi a marketingbüdzsé elosztását.
Miért fontos ez most
A magyar e-commerce piac 2026-ra elérte azt a telítettségi pontot, ahol az ügyfélszerzési költségek (CAC) drasztikus növekedése mellett a hibahatár gyakorlatilag nullára csökkent. Egy átlagos, 50 és 500 millió HUF közötti éves árbevételű hazai webáruház már nem engedheti meg magának azt a luxust, hogy feleslegesen égessen el büdzsét olyan csatornákon, amelyek csak papíron konvertálnak. A hazai CPC árak a divat, lakberendezés és elektronika szektorokban 80 és 250 HUF között mozognak a Meta hálózatán, míg a Google Search hirdetéseknél a kompetitív kulcsszavakra (pl. "matrac akció", "női táska online") a kattintási költségek a 300–600 HUF-os tartományt is elérik.
Ebben a környezetben a Consent Mode v2 bevezetése óta a magyar webshopok átlagosan 25-40%-os cookie-elutasítási rátával szembesülnek. Ez azt jelenti, hogy a GA4 felületén látható adatok jelentős része nem mért, hanem modellezett adat. Ha egy marketing vezető egy 200 millió HUF-os webshopnál tisztán a GA4 alapértelmezett Data-Driven riportjaira támaszkodik a csatornák közötti költségvetés-tervezésnél, akkor havonta akár 1,5–2 millió HUF-ot is rossz helyre csoportosíthat át. A Google algoritmusa ugyanis hajlamos a konverziós utak végén álló, utolsó interakciókat (pl. brand keresések vagy remarketing hirdetések) felülértékelni a felső tölcséres, valódi keresletet generáló Meta kampányokkal szemben.
---
A Data-Driven Attribution (DDA) sötét oldala és a Google fekete doboza
A GA4 adatvezérelt attribúciós modellje (DDA) egy gépi tanuláson alapuló algoritmus, amely elméletileg a felhasználói utak millióit elemzi, és mindegyik érintkezési ponthoz (touchpoint) hozzárendeli a konverzióhoz való hozzájárulásának valós súlyát. A gyakorlatban azonban ez a modell egy átláthatatlan fekete doboz.
Hogyan torzít az algoritmus a magyar piacon?
A DDA működéséhez jelentős mennyiségű adat szükséges. Bár a Google hivatalosan eltörölte a korábbi adatmennyiségi korlátokat a DDA használatához, az algoritmus matematikai alapjai (a Shapley-érték és az együttműködő játékelmélet) nem változtak. Ha egy magyar webshop nem ér el havi legalább 400-500 konverziót csatornánként, az algoritmus nem képes statisztikailag szignifikáns mintákat azonosítani.
Ilyenkor a DDA visszalép egy kvázi Last Click (utolsó kattintás) logikára, de ezt úgy teszi meg, hogy a riportokban továbbra is "Data-Driven" címkével jelöli az adatokat. Ez a transzparencia teljes hiánya. A magyar PPC specialisták gyakran tapasztalják, hogy a Meta Ads Managerben jelentett vásárlások száma köszönőviszonyban sincs a GA4-ben látott adatokkal. Ennek oka, hogy a Google DDA-ja szisztematikusan leértékeli azokat a megtekintés-alapú (view-through) konverziókat, amelyek a Meta platformján a vásárlási döntést elindították, de a GA4-ben csak egy közvetlen (direct) vagy organikus keresési látogatásként realizálódtak.
A Performance Max (PMax) kampányok kivételezett helyzete
A Google PMax kampányai előszeretettel sajátítják ki a konverziókat. Mivel a PMax egyszerre fut a Search, Display, YouTube és Shopping felületeken, hatalmas elérést generál. A GA4 DDA modellje a PMax által generált minimális, akár véletlenszerű Display-megtekintéseket vagy YouTube-villanásokat is hajlamos konverziós hozzájárulásként értékelni, ha a felhasználó később organikus úton vásárolt.
Ez egy torz öngerjesztő folyamatot indít el:
- A PMax "látszólag" kiválóan teljesít a GA4 DDA-ban.
- A marketinges több költségvetést ad a Google Ads-nek.
- A Google Ads ebből még több remarketing és brand típusú megjelenést vásárol.
- A valódi új ügyfelek száma (New Customer Acquisition) stagnál vagy csökken, miközben a marketingköltség/bevétel arány (MER) romlik.
---
A SimplePay és Barion csapda: Hogyan torzítják a magyar fizetési átjárók az attribúciót?
A magyar e-commerce specifikuma, hogy a tranzakciók jelentős része (gyakran 60-80%-a) online bankkártyás fizetéssel (OTP SimplePay, Barion, Borgun) vagy utánvéttel történik. Ha a technikai beállítások nem tökéletesek, ez teljesen tönkreteszi a GA4 attribúciós modelljét, függetlenül attól, hogy DDA-t vagy Last Click-et használunk.
A referral (hivatkozó) források problémája
Amikor a vásárló a kosárból átirányításra kerül a SimplePay (`sandbox.simplepay.hu` vagy `simplepay.hu`) vagy a Barion (`secure.barion.com`) fizetési oldalára, majd a sikeres fizetés után visszatér a webshop "köszönő" oldalára, a GA4 ezt a visszatérést gyakran új munkamenetként (session) értékeli.
Mivel az utolsó nem közvetlen kattintás (Last Non-Direct Click) elve érvényesül, a GA4 a konverzió 100%-át a fizetési átjárónak tulajdonítja. Így a riportokban a legértékesebb konverziós forrásként a `simplepay.hu / referral` fog megjelenni, míg a valódi vásárlást hozó Google Search vagy Meta kampány üres kézzel marad.
| Helytelen Forrás / Médium | Valódi Forrás / Médium | Hatás az attribúcióra | Megoldás |
| :--- | :--- | :--- | :--- |
| `simplepay.hu / referral` | `google / cpc` | PPC büdzsé alulértékelése | Nem kívánt hivatkozások listázása |
| `secure.barion.com / referral` | `facebook / cpc` | Meta kampányok leállítása | Referrer Exclusion beállítása a GA4-ben |
| `pay.szamlazz.hu / referral` | `organic / google` | SEO teljesítmény torzítása | Számlázó domainek kizárása |
Ha ez a hiba fennáll, az attribúciós modellek összehasonlítása teljesen értelmetlenné válik, hiszen az adatok alapjaiban sérültek. Egy 100 millió HUF forgalmú webáruháznál ez a hiba akár 30-40%-kal is alulmérheti a fizetett csatornák valós hatékonyságát.
---
Hogyan lépjünk túl a GA4 felületén? BigQuery és a Markov-modell
Aki komolyan akar attribúciót mérni, annak el kell fogadnia, hogy a GA4 standard felülete (UI) korlátozott. A megoldást a GA4 nyers adatok BigQuery-be történő exportálása jelenti. Ez a funkció ingyenesen elérhető minden GA4 tulajdonban (napi 1 millió eseményig, ami egy 500 millió HUF-os webshop esetében bőven elegendő).
A Markov-lánc alapú attribúció lényege
A Markov-lánc egy olyan valószínűségszámítási modell, amely a felhasználói útvonalakat állapotok (érintkezési pontok) sorozataként kezeli. A modell kiszámítja az úgynevezett "eltávolítási hatást" (Removal Effect). Ez azt mutatja meg, hogy ha egy adott csatornát (pl. hírlevél vagy Meta Ads) teljesen kivennénk a marketingmixből, mekkora valószínűséggel esne vissza a teljes konverziók száma.
Ez a megközelítés sokkal igazságosabb, mint a Google saját DDA-ja, mert:
- Csatorna-agnosztikus: Nem preferálja a Google saját hálózatait.
- Tranzakciós alapú: Nem csak a sikeres utakat nézi, hanem azokat a látogatási láncolatokat is elemzi, amelyek végül nem vezettek vásárláshoz.
- Saját tulajdonú adat: Az elemzés a saját BigQuery adattárházunkban fut, így a Google adatvédelmi modellezése nem torzítja az alapanyagot.
A BigQuery-be exportált adatokból SQL lekérdezésekkel kinyerhetők a teljes felhasználói utak, majd ezeket Python (pl. a `ChannelAttribution` könyvtár) segítségével elemezhetjük. Ez az a szint, ahol egy magyar e-commerce márka függetlenedni tud a tech óriások saját magukat igazoló riportjaitól.
---
Esettanulmány: Egy 350 millió HUF éves árbevételű magyar divat webáruház esete
Az alábbi valós adatokon alapuló esettanulmány bemutatja, hogyan változnak a számok és a stratégiai döntések az eltérő attribúciós modellek használata során.
A vizsgált időszak: 30 nap.
Összes marketing költés: 2 800 000 HUF.
- Meta Ads: 1 800 000 HUF
- Google Ads (Search + Shopping + PMax): 1 000 000 HUF
Mért összes bevétel: 11 500 000 HUF (AOV: 18 500 HUF).
A webáruház motorja: Shoprenter, a fizetési kapu: OTP SimplePay. A kiinduló állapotban a SimplePay nem volt kizárva a hivatkozások közül.
Az attribúciós modellek összehasonlítása (Bevétel HUF-ban)
| Csatorna | GA4 Last Click (Hibás méréssel) | GA4 Data-Driven (Javított) | Markov-lánc Modell (BigQuery) | Valós Üzleti Döntés |
| :--- | :--- | :--- | :--- | :--- |
| Meta Ads | 2 100 000 HUF | 3 800 000 HUF | 4 900 000 HUF | Alulértékelt, skálázandó |
| Google Ads | 3 400 000 HUF | 4 500 000 HUF | 3 900 000 HUF | Reális, finomhangolandó |
| SimplePay (Referral) | 3 200 000 HUF | 0 HUF (Kizárva) | 0 HUF (Kizárva) | Technikai hiba volt |
| Direct / Organikus | 2 800 000 HUF | 3 200 000 HUF | 2 700 000 HUF | Stabil bázis |
Kontextus és elemzés
Amikor a webáruház a GA4 Last Click modellt használta a hibás SimplePay méréssel, a marketing vezető komolyan fontolgatta a Meta Ads büdzsé csökkentését 50%-kal, mivel a ROAS (hirdetési kiadások megtérülése) látszólag mindössze 1,16 volt (2 100 000 HUF bevétel / 1 800 000 HUF költés). Ez a döntés katasztrofális lett volna.
A technikai hiba elhárítása (SimplePay kizárása) után a GA4 Data-Driven modell már lényegesen jobb képet mutatott a Meta teljesítményéről (3 800 000 HUF bevétel, ROAS: 2,11).
Azonban a valódi áttörést a BigQuery alapon futtatott Markov-lánc modell hozta meg. Ez kimutatta, hogy a Meta Ads eltávolítási hatása (Removal Effect) a legmagasabb. Ha leállították volna a Meta kampányokat, a teljes webshop forgalom nem a kieső 3,8 millióval, hanem közel 4,9 millió HUF-fal csökkent volna. Ennek oka, hogy a vásárlók 42%-a Meta hirdetésen keresztül találkozott először a márkával (first touch), majd később Google Search (gyakran brand név) vagy közvetlen látogatás útján konvertált.
A Google Ads esetében a DDA modell 4 500 000 HUF bevételt mutatott, míg a Markov-modell csak 3 900 000 HUF-ot. A különbség abból adódott, hogy a Google PMax kampányai elszipkázták a konverziókat a tölcsér végén azoktól a felhasználóktól, akiket a Meta már régen meggyőzött.
---
Gyakori hibák — Mit NE csinálj a magyar piacon
1. Ne hagyd figyelmen kívül a fizetési kapukat a kizárási listán
A leggyakoribb és legsúlyosabb hiba a magyar webshopoknál. Ha a `simplepay.hu`, `secure.barion.com`, `payment.cib.hu` vagy a `paypal.com` szerepel a GA4 "Hivatkozási források" (Referrals) listáján, az attribúciós adataid értéktelenek. Ezeket azonnal fel kell venni a "Nem kívánt hivatkozások listája" (List unwanted referrals) menüpontba a GA4 adatfolyam beállításaiban.
2. Ne hasonlítsd össze közvetlenül a Meta Ads Manager és a GA4 adatait
A Meta alapértelmezetten 7 napos kattintás és 1 napos megtekintés (7-day click, 1-day view) attribúciós modellt használ. Ez azt jelenti, hogy ha valaki meglátta a hirdetést a telefonján, nem kattintott rá, de másnap megvásárolta a terméket asztali gépről, a Meta magának fogja tulajdonítani a konverziót. A GA4 (ha nincs beállítva a Google Signals vagy a User ID mérés megfelelően) ezt két külön felhasználónak látja, és a konverziót Direct-nek vagy Google Organic-nak fogja mérni. A két rendszer közötti 30-50%-os eltérés teljesen normális, de ezt a döntéshozóknak is meg kell érteniük.
3. Ne higgy vakon az "Unassigned" csatornának
Ha a GA4 riportjaidban az Unassigned (Nem hozzárendelt) csatorna aránya meghaladja a 10%-ot, az attribúciós modellek összeomlanak. Az Unassigned státusz azt jelenti, hogy a GA4 nem tudta beazonosítani a látogatás forrását a merev és előre definiált Default Channel Group szabályai szerint. Ez szinte mindig a hanyag vagy hibás UTM paraméterezés eredménye (pl. `utm_medium=Facebook` kisbetű-nagybetű érzékenység miatt hibás, mivel a GA4 csak a `social` vagy `cpc` pontos értékeket ismeri fel alapértelmezetten).
---
Akcióterv: 6 lépéses útmutató a pontos attribúcióhoz
Hajtsd végre az alábbi lépéseket a következő 14 napban, hogy tiszta képet kapj a marketingcsatornáid valós teljesítményéről.
1. Tisztítsd meg a hivatkozó forrásokat (Határidő: 1. nap)
Lépj be a GA4-be: `Adminisztráció` -> `Adatgyűjtés és -kezelés` -> `Adatfolyamok` -> Válaszd ki a webhelyet -> `Címkebeállítások konfigurálása` -> `Továbbiak` -> `Nem kívánt hivatkozások listázása`.
Add hozzá a következő domaineket (a magyar piac leggyakoribb szereplői):
- `simplepay.hu`
- `secure.barion.com`
- `pay.szamlazz.hu`
- `paypal.com`
- `tpay.com`
- `khb.hu`
- `bka.hu` (OTP Bank kártyás fizetés)
2. Standardizáld az UTM paraméterezést (Határidő: 3. nap)
Készíts egy belső Google Sheet sablont az UTM paramétereknek. Szigorúan kötelezd az ügynökséget vagy a belső PPC-st, hogy csak kisbetűket használjon. A Meta hirdetéseknél használd az alábbi dinamikus paraméterezést:
`utm_source=facebook&utm_medium=cpc&utm_campaign={{campaign.name}}&utm_content={{adset.name}}`
Ez biztosítja, hogy a GA4 a látogatásokat automatikusan a Paid Social csatornába sorolja be.
3. Aktiváld a Consent Mode v2 Advanced verzióját (Határidő: 5. nap)
Ha még nem tetted meg, válts át a "Basic" Consent Mode-ról az "Advanced" verzióra egy hitelesített Consent Management Platform (pl. Cookiebot, Consentmanager) segítségével. Ez lehetővé teszi a Google számára, hogy anonim módon gyűjtsön "pings" adatokat azoktól is, akik elutasították a cookie-kat. Így a GA4 gépi tanulási algoritmusa pontosabb modellezést tud végezni a DDA-hoz, és csökken a "sötét adat" aránya.
4. Kapcsold össze a GA4-et a BigQuery-vel (Határidő: 7. nap)
Hozz létre egy ingyenes Google Cloud Platform (GCP) projektet. A GA4-ben menj a `Termék-összekapcsolások` -> `BigQuery-kapcsolatok` menüponthoz. Állítsd be a napi (Daily) és a valós idejű (Streaming) exportot is. Ez a lépés ingyenes (a Google 10 GB ingyenes tárhelyet biztosít havonta), és biztosítja, hogy a nyers adataid megmaradjanak a későbbi Markov- vagy Shapley-modellezéshez.
5. Állítsd be a User ID mérést (Határidő: 10. nap)
Ha a webshopod lehetőséget ad regisztrációra és bejelentkezésre, küldd be a bejelentkezett felhasználók egyedi azonosítóját (User ID) a GA4-be a GTM-en (Google Tag Manager) keresztül. Ez drasztikusan javítja a cross-device (eszközök közötti) attribúció pontosságát, mivel a telefonon nézelődő, majd asztali gépen vásároló felhasználót egyetlen útként fogja értékelni a rendszer.
6. Ellenőrizd az attribúciós beállításokat a riportokban (Határidő: 12. nap)
Az `Adminisztráció` -> `Megjelenítés` -> `Attribúciós beállítások` menüpontban ellenőrizd az "Adatjelentési attribúciós modell" opciót. Alapértelmezetten válaszd az Adatvezérelt (Data-Driven) modellt, de havonta egyszer válts át kézzel az Utolsó kattintás (Reporting-only) modellre az összehasonlítás kedvéért. Ez segít azonosítani, hogy a felső tölcséres kampányaid (pl. Meta awareness) mekkora szerepet játszanak az első érintkezési pontok megszerzésében.
