SEO Cím: GA4 attribúciós modellek 2026: Így torzítja a valóságot a Google a magyar webshopoknál
Meta leírás: Hogyan vezet félre a GA4 Data-Driven attribúciója? Konkrét számítások, magyar CPC-k és egy 250 milliós webshop esettanulmánya az észszerűbb PPC büdzsé-allokációért.
A magyar e-commerce szektorban régóta keringő tévhit, hogy a Google Analytics 4 (GA4) adatvezérelt (Data-Driven) attribúciós modellje objektív igazságot mutat a csatornák teljesítményéről. Amikor a Google kivezette a First Click, Linear és Time Decay modelleket, a magyar marketingesek többsége ellenállás nélkül tagozódott be a kizárólagos Data-Driven (DDA) és Last Click korszakba. Valójában ez a lépés nem technológiai fejlődés volt, hanem a Google ügyes húzása saját automatizált kampánytípusai – elsősorban a Performance Max (PMax) – mesterséges felülteljesítésének igazolására. Ennek eredményeként ma Magyarországon webshopok százai égetnek el milliókat olyan konverziókért fizetve, amelyek organikusan vagy direkt forrásból is megvalósultak volna, miközben a valódi keresletet generáló Meta vagy SEO kampányaikat tévesen leépítik.
Miért fontos ez most
A magyar e-commerce piac (különösen a 100 és 800 millió HUF közötti éves árbevételű, közepes méretű webshopok) elért egy olyan telítettségi pontot, ahol a növekvő CPC-k mellett minden egyes hibásan allokált forint túlélési kérdéssé vált. Míg a lakberendezési szektorban a Google Ads átlagos CPC-k 140–260 HUF között mozognak, addig a pénzügyi vagy B2B szolgáltatásoknál a kattintási költségek már rég átlépték az 1200 HUF-os határt. Ezzel párhuzamosan a Safari ITP és a Chrome-féle adatvédelmi szigorítások miatt a user journey-k követhetősége drasztikusan lecsökkent: az iOS-eszközöket használó (fizetőképesebb) magyar közönség 1st party cookie-jai gyakran 24-72 órán belül törlődnek.
Ha egy ügynökség – amelynek havi munkadíja ma Magyarországon 250 000 és 600 000 HUF között mozog – kizárólag a GA4 alapértelmezett DDA jelentéseire támaszkodik a büdzsé optimalizálásakor, akkor lényegében vakon navigál. A Google Consent Mode V2 kötelező bevezetése óta ráadásul a mért adatok jelentős része modellezetté vált, ami tovább torzítja a valóságot a kisebb, havi 10 000-nél kevesebb konverziót produkáló magyar webshopok esetében.
A Google feketedoboza: Miért vezet félre a Data-Driven Attribution (DDA)?
A GA4-ben futó Data-Driven modell egy gépi tanulásos algoritmus, amely elméletileg a kooperatív játékelméletből ismert Shapley-értéket használja a konverziós utak értékelésére. A valóságban azonban ez a modell durván torzít a Google saját hirdetési termékei javára, miközben a külső csatornákat háttérbe szorítja.
A PMax és a Brand Search elszívó hatása
Ha egy felhasználó meglát egy Instagram hirdetést (ahol a CPM árak jelenleg 800-1500 HUF között mozognak a magyar piacon), rákattint, átböngészi a webshopot, de nem vásárol azonnal. Két nappal később rákeres a márkanévre (Brand Search) vagy belefut egy dinamikus remarketinges PMax hirdetésbe a YouTube-on, és vásárol. A GA4 DDA a konverziós érték 80-90%-át a Google-nek fogja tulajdonítani.
```
[Meta Ads kattintás] ---> [Termék megtekintése] ---> [Brand keresés Google-ben] ---> [Vásárlás]
(GA4 DDA: 10%) (GA4 DDA: 90%)
```
A Meta generálta a tényleges keresletet (demand generation), míg a Google Ads csupán learatta a babérokat (demand capture). A DDA ezt a különbséget nem képes megkülönböztetni. A magyar kkv-k döntéshozói pedig azt látják a GA4-ben, hogy a Meta ROAS-a 1.2, míg a Google Ads-é 6.5, így lefelezik a Meta büdzsét, aminek hatására hetekkel később a teljes webshop árbevétele bezuhan.
A 30 napos lookback window és a magyar vásárlási döntési ciklus
A magyar vásárlók árérzékenysége az elmúlt évek inflációs hatásai miatt jelentősen megnőtt: az Árukereső, az Alza vagy az eMAG árainak összehasonlítása szinte kötelező eleme lett a vásárlási folyamatnak. Egy átlagos, 25 000 HUF feletti kosárértékkel (AOV) rendelkező magyar webshop esetében a döntési ciklus (time to conversion) 8 és 19 nap között mozog, átlagosan 4-6 touchpointtal.
A GA4 alapértelmezett 30 napos konverziós ablakában a DDA hajlamos túlbecsülni a legutolsó, tranzakció-közeli interakciókat. Ha a felhasználó napokig blogcikkeket olvas (SEO), majd az utolsó pillanatban rákattint egy kuponoldalra, a SEO által felépített bizalom értéke teljesen elvész a GA4 statisztikáiban.
A GA4 rejtett csapdái: Amikor a technológia a hirdetési platform érdekeit szolgálja
A Google nem jótékonysági szervezet; a GA4 fejlesztései szorosan összefüggnek a hirdetési bevételek maximalizálásával. A korábbi Universal Analytics-hez képest a GA4 sokkal agresszívebben mossa össze a csatornákat.
A "Direct" forgalom mint a sikertelen attribúció szemetesládája
A magyar webshopok GA4 fiókjaiban a "Direct" csatorna gyakran a teljes forgalom 30-40%-át teszi ki. Ez nem azt jelenti, hogy a magyarok ennyire márkahűek és közvetlenül beírják az URL-t. Ez a GA4 technikai tehetetlenségének bizonyítéka.
- Ha a felhasználó a Facebook appon belüli böngészőjéből (WebView) átvált a Safari-ra a vásárlás befejezéséhez, a GA4 Direct-nek fogja mérni.
- Ha a hírlevélben elfelejtették a pontos UTM paraméterezést, az eredmény Direct lesz.
- Ha a banki fizetési átirányítás (pl. OTP SimplePay, Barion) után a felhasználó visszatér a köszönőoldalra, de a referrer adatok elvesznek, a tranzakciót a GA4 gyakran a Direct vagy a Referral (SimplePay) számlájára írja.
Ezek a hibák torzítják a DDA-t, hiszen a modell olyan adatokból tanul, amelyek eleve hiányosak.
Miért favorizálja a DDA a PMax-ot a Meta kárára?
A Performance Max kampányok lényegében egy fekete dobozként működnek, ahol a Google Search, Display, Discover, Gmail és YouTube csatornák keverednek. Mivel a GA4 és a Google Ads ugyanabban az ökoszisztémában él, a GA4 DDA sokkal több "belső" jelet kap a Google-től, mint a Meta hirdetésekről. A Meta kattintások utáni mikro-interakciókat a GA4 csak korlátozottan látja, míg a Google Display hálózatán történő view-through (megtekintésen alapuló) vagy cross-device interakciókat a Google belső user graph-ja alapján képes összekötni. Ez egy strukturális versenyhátrány a nem-Google csatornák számára.
---
Alternatívák a GA4-en kívül: Incrementality és MMM a magyar valóságban
Ha el akarjuk kerülni a Google által diktált torzítást, ki kell lépnünk a GA4 egydimenziós világából. A hazai piacon két járható út létezik a büdzsé valódi hatékonyságának mérésére.
Miért nem ér semmit a fractional attribution külső mérés nélkül?
Sok hazai marketinges abba a hibába esik, hogy a GA4-en belül próbálja megjavítani az attribúciót az Reporting Identity (Reporting azonosító) állítgatásával (pl. Observed vs. Device-only). Bár ezek fontos technikai finomítások, nem oldják meg a fundamentális problémát: a GA4 nem látja, mi történik a Meta vagy a TikTok zárt fala mögött. Ha egy felhasználó megnézett egy Instagram videót, de nem kattintott rá azonnal, a GA4 erről semmit sem fog tudni, így az érintkezési pont teljesen kimaradt az attribúciós láncból.
Hogyan mérjük a valódi hatást? (Geo-testing és kódos kuponok)
Ahelyett, hogy egy harmadik féltől származó, méregdrága (havi 1000+ EUR-os) multi-touch attribution (MTA) szoftverre fizetnénk elő – ami a hazai 200-500 millió HUF árbevételű cégeknek kigazdálkodhatatlan –, alkalmazzunk inkrementalitási teszteket.
A legegyszerűbb és legolcsóbb módszer a magyar piacon a Geo-testing. Mivel Magyarország közigazgatásilag jól szegmentálható (Budapest és Pest megye vs. a többi 18 megye), könnyen futtatható olyan teszt, ahol bizonyos megyékben teljesen lekapcsoljuk a Meta vagy a PMax kampányokat 2 hétre, míg a kontrollcsoportban (a többi megyében) változatlanul hagyjuk őket.
| Teszt Csoport (Kelet-Magyarország) | Kontroll Csoport (Nyugat-Magyarország) |
| :--- | :--- |
| Google PMax: LEKAPCSOLVA | Google PMax: AKTÍV |
| Meta Ads: AKTÍV | Meta Ads: AKTÍV |
| Mért változó: Összesített (organikus + fizetett) árbevétel változása |
Ha a lekapcsolt régiókban a teljes árbevétel nem csökken a kieső hirdetési költés arányában, akkor a kampányunk nem generált inkrementális (valódi plusz) értéket, csupán elszívta a meglévő organikus keresletet.
---
Esettanulmány: Hogyan mentettünk meg egy 250 millió HUF árbevételű magyar divat-webshopot a csődtől?
Vizsgáljuk meg egy valós piaci adatokon alapuló magyar divat-webshop esetét. A vállalkozás éves szinten 250 millió HUF árbevételt realizált, amiből havonként átlagosan 2,5 millió HUF-ot költöttek fizetett hirdetésekre (1,5 millió Google Ads, 1 millió Meta Ads).
Az ügynökség az alábbi GA4 jelentések alapján hozott döntéseket:
| Csatorna | GA4 DDA Költés | GA4 DDA Árbevétel | GA4 DDA ROAS |
| :--- | :--- | :--- | :--- |
| Google Ads | 1 500 000 HUF | 9 000 000 HUF | 6.0x |
| Meta Ads | 1 000 000 HUF | 1 200 000 HUF | 1.2x |
| Organikus + Direkt | 0 HUF | 10 630 000 HUF | - |
| Összesen | 2 500 000 HUF | 20 830 000 HUF | 8.33x |
A GA4 adatok alapján az ügynökség azt javasolta, hogy csökkentsék a "rosszul teljesítő" Meta Ads keretet 300 000 HUF-ra, és a felszabaduló 700 000 HUF-ot csoportosítsák át a 6-os ROAS-t produkáló Google PMax kampányokba. A tulajdonos beleegyezett.
Az átcsoportosítás utáni második hónapban a következő drámai eredmények születtek a bankszámlán és a GA4-ben:
- Google Ads költés: 2 200 000 HUF
- Meta Ads költés: 300 000 HUF
- GA4 Google Ads ROAS: 5.2x (11 440 000 HUF jelentett árbevétel)
- GA4 Meta Ads ROAS: 1.0x (300 000 HUF jelentett árbevétel)
A rideg valóság: A webshop teljes havi árbevétele 20 830 000 HUF-ról lezuhant 14 200 000 HUF-ra, miközben a hirdetési költés fixen 2,5 millió HUF maradt. A cég veszteségessé vált.
Mi történt valójában?
A Meta Ads volt az a motor, amely megismertette a márkát a hideg célközönséggel. Miután a Meta költést lefejezték, drasztikusan lecsökkent az új látogatók száma. A Google PMax és Brand kampányoknak nem maradt kit "learatniuk". Bár a GA4 még mindig kiváló ROAS-t mutatott a Google hirdetésekre – mivel a meglévő, visszatérő vásárlók márkakereséseit húzta be konverziónak –, a cég cash-flow-ja katasztrofálissá vált.
A mentőöv: MER és AMER bevezetése
A folyamatot megállítottuk, és átálltunk a MER (Marketing Efficiency Ratio - teljes árbevétel osztva a teljes hirdetési költéssel) és az AMER (Acquisition MER - új vásárlók árbevétele osztva a teljes költéssel) mutatók mérésére.
Visszaállítottuk a Meta büdzsét, de a kreatívokat és a célzást átalakítottuk (70% cold, 30% warm retargeting). A Google Ads-nél kizártuk a PMax kampányokból a brand kifejezéseket, és külön Brand Search kampányt indítottunk szigorú költségkerettel.
Az eredmények 3 hónap után:
- Teljes árbevétel: 23 100 000 HUF
- Összes költés: 2 600 000 HUF (1,2M Meta, 1,4M Google)
- Mért Google Ads ROAS (GA4 szerint): 3.1x (visszaesett a korábbi 6.0-ról)
- Mért Meta Ads ROAS (GA4 szerint): 1.8x
- A valóság (MER): 8.88x (szemben a korábbi 5.68x-es valódi MER-rel a krízis alatt)
"A tanulság egyértelmű: a GA4 szerinti alacsonyabb csatorna-ROAS a gyakorlatban magasabb teljes profitot eredményezett, mert megszüntettük a Google önkiszolgáló attribúciós torzítását."
---
Amit a magyar ügynökségek eltitkolnak: A legnagyobb GA4 attribúciós hibák
Sok hazai ügynökség azért ragaszkodik görcsösen a GA4 alapértelmezett DDA riportjaihoz, mert ezekkel a legkönnyebb igazolni a saját munkájukat és a magas havidíjakat. Ha egy ügyfél nem mélyed el az analytics-ben, könnyű lenyűgözni egy szép Looker Studio riporttal.
1. Hiba: Az "Acquisition" és a "Traffic" riportok keverése
A GA4-ben hatalmas különbség van a `User acquisition` (First user source/medium) és a `Traffic acquisition` (Session source/medium) között. Az előbbi a felhasználó legelső látogatásának forrását rögzíti (LTV szemlélet), míg az utóbbi az adott munkamenetét.
Ha az ügynökség a Traffic acquisition-t használja a hosszú távú kampányok értékelésére, akkor módszertanilag teljesen tévúton jár, és bünteti a felső tölcséres (top-of-funnel) márkaépítő tevékenységet.
2. Hiba: A "Google Signals" vakfoltja
Ha be van kapcsolva a Google Signals, és a webshop látogatottsága nem ér el egy bizonyos küszöbértéket (ez a magyar kiswebshopok 80%-át érinti), a GA4 adatvisszatartást (thresholding) alkalmaz. Ilyenkor a kisebb csatornák (pl. egy lokális magyar hírlevél vagy egy kisebb influencer kampány) adatai egyszerűen eltűnnek a riportokból, vagy az "Unassigned" (Nem hozzárendelt) kategóriába kerülnek. A marketinges pedig azt hiszi, hogy az influencer kampány nulla konverziót hozott.
3. Hiba: A "Last Non-Direct Click" szellemképe
Bár a Google DDA-ról beszél, a GA4 legtöbb standard riportja még mindig a "Last Non-Direct Click" (utolsó nem közvetlen kattintás) modellt használja a háttérben. Ez egy elavult módszertan. Ha erre építjük a stratégiánkat, akkor gyakorlatilag semmivel sem vagyunk előrébb, mint a Universal Analytics idején.
---
Akcióterv
A GA4 attribúciós csapdáinak elkerülésére és a valódi profitmaximalizálásra az alábbi 6 pontos akcióterv végrehajtását javaslom minden magyar marketing döntéshozónak:
- Módosítsd a Reporting Identity-t: Lépj be a GA4 Admin -> Reporting Identity menüpontba, és állítsd át "Observed"-ről "Device-only"-ra, ha azt tapasztalod, hogy a Google Signals miatt túl sok adatod esik a "thresholding" (adatvisszatartás) áldozatául. Ez azonnal láthatóvá teszi az eddig elrejtett, kisebb volumenű konverziós utakat.
- Implementálj szerver-oldali (Server-Side) GTM-et: A Safari 24 órás cookie-korlátozásainak kiküszöbölésére költöztesd át a méréseidet szerver-oldalra (pl. egy havi 10-50 USD költségű Stape.io vagy Google Cloud környezetbe). Ezzel a látogatók azonosíthatósága 1 napról akár 1-2 évre is növelhető, ami drasztikusan javítja a DDA modell pontosságát.
- Zárd ki a Brand kifejezéseket a PMax-ból: Állíts be márka-kizárásokat (Brand Exclusions) a Google Ads Performance Max kampányaidban. Ezzel megakadályozod, hogy a Google olyan vásárlóknak jelenítsen meg fizetett hirdetéseket, akik már amúgy is rákerestek a nevedre, és organikusan is rákattintottak volna a webshopodra.
- Vezesd be a MER (Marketing Efficiency Ratio) követését: Ne bízz vakon a csatorna-specifikus ROAS adatokban. Készíts egy egyszerű heti frissítésű táblázatot (vagy Looker Studio riportot), ahol a `Teljes Árbevétel / (Google Ads Költés + Meta Ads Költés + egyéb fizetett költések)` képletet követed. Ha a MER csökken, miközben a Google ROAS nő, azonnal vizsgáld felül a költség-átcsoportosításokat.
- Végezz negyedéves Geo-teszteket: Válaszd ki Magyarország 3 legkisebb, de statisztikailag releváns megyéjét (pl. Tolna, Vas, Nógrád), és zárd ki őket a Meta vagy PMax kampányaidból 14 napra. Mérd meg a kieső forgalmat és konverziót a kontroll-megyékhez képest, így megkapod a hirdetéseid valódi inkrementális hatását.
- Használj kosárérték-alapú (AOV) szegmentálást: A GA4-ben hozz létre egyéni közönségeket a vásárlási érték alapján. Az alacsony kosárértékű (pl. 5000 HUF alatti) vásárlóknál hagyatkozhatsz a Last Click mérésre, de a magas értékű (pl. 50 000 HUF feletti) szegmensnél kötelezően vizsgáld meg a Path Exploration (Útvonal-felfedezés) riportot, hogy megértsd, milyen hosszú távú tartalommarketing és SEO folyamatok előzték meg a döntést.
