SEO Title: GA4 attribúciós modellek és BigQuery útmutató haladóknak
Meta Description: Hogyan torzít a GA4 Data-Driven Attribution (DDA) a magyar piacon? Gyakorlati útmutató haladó marketingeseknek BigQuery SQL-kóddal és egy 320M HUF-os esettanulmánnyal.
Amikor a Google könyörtelenül kivezette a szabályalapú attribúciós modelleket (First Click, Linear, Time Decay, Position-Based), a magyar e-commerce és performance marketing szakma kollektíven lépett rá egy olyan útra, ahol a konverziómérés feletti kontrollt szinte teljesen átengedte a Google fekete dobozának. A Google Analytics 4 (GA4) által erőltetett Data-Driven Attribution (DDA) nem egy semleges, objektív igazság, hanem egy matematikai kompromisszum, amely rendszerszinten torzít a Google saját hirdetési termékei javára. Azok a marketingvezetők és PPC specialisták, akik vakon bíznak a GA4 felületén látható alapértelmezett számokban, havonta milliókat égetnek el rosszul allokált Meta, TikTok vagy éppen Árukereső kampányokban.
Miért fontos ez most
A magyar digitális hirdetési piacon a túlélés a tét. A Safari ITP (Intelligent Tracking Prevention) szigorítása, a Consent Mode V2 kötelező bevezetése és a Chrome third-party cookie-k fokozatos kivezetése miatt a mérhető konverziós utak hossza drasztikusan lerövidült. A valóságban a magyar felhasználók döntési útvonala nem egyszerűsödött le: egy átlagos, 25 000 HUF kosárértékű lakberendezési vagy divat webshop esetében a vásárlást még mindig 3-5 különböző érintkezési pont előzi meg.
A hazai ügynökségi piac eközben komoly kihívásokkal küzd. A havi 250 000 és 600 000 HUF közötti átalánydíjas menedzsmentért dolgozó PPC ügynökségek jelentős része még mindig a GA4 "Last Click" (utolsó kattintás) vagy az alapértelmezett DDA jelentések alapján optimalizál. Ez azért veszélyes, mert a magyar piacon a CPC árak az elmúlt két évben brutálisan megemelkedtek:
- Divat és retail kategóriában a Meta CPC-k a korábbi 40-60 HUF-ról 95-150 HUF-ra nőttek.
- B2B és pénzügyi szektorban a Google Search CPC-k nem ritkán átlépik a 600-1100 HUF-os sávot.
- Az Árukereső és más árösszehasonlító oldalak átlagos CPC-je is 30-70%-kal drágult a kiemelt kategóriákban.
Ilyen költségszintek mellett a vakon futtatott attribúció egyenes út a negatív ROAS-hoz. Ha nem látod pontosan, hogy a 120 HUF-os CPC-vel futó Meta felső tölcséres (Prospecting) kampányod hogyan készíti elő a konverziót, amit végül a 30 HUF-os Brand Search kampányod vagy egy direkt látogatás húz be, akkor le fogod állítani a Meta büdzsét. Ezzel pedig elvágod a webshopod növekedési motorját.
---
A Data-Driven Attribution (DDA) hazugsága és a valóság
A GA4 adatvezérelt attribúciós modellje a kooperatív játékelméletből ismert Shapley-érték (Shapley Value) algoritmusán alapul. Elméletben ez gyönyörű: a rendszer megvizsgálja az összes konverziós utat, összehasonlítja azokat az utakat, amelyek tartalmaztak egy adott csatornát azokkal, amelyek nem, majd ennek alapján osztja ki a konverziós részarányokat.
A gyakorlatban azonban a Google DDA-nek van három olyan strukturális torzítása, amelyet minden magyar marketingesnek ismernie kell.
1. A Google-ökoszisztéma felé lejt a pálya
A GA4 natív módon és sokkal mélyebben integrálódik a Google Ads-szel, mint bármely más platformmal. A Google Ads képes átadni a gclid (vagy gbraid/wbraid) paramétereket, azonosítani a felhasználókat a Google saját hálózataiban, és figyelembe venni a YouTube megtekintéseket is (engaged view conversions). Ezzel szemben a Meta Ads, a TikTok vagy a helyi programmatic hálózatok adatai (pl. ETARGET, RTB House) kizárólag a statikus UTM paraméterekre hagyatkozhatnak. Ha a felhasználó egy Meta hirdetés megtekintése után nem kattint azonnal, de 2 órával később direktben vásárol, azt a GA4 100%-ban a Direct csatornának fogja tulajdonítani, míg a Meta saját pixelje (a View-Through attribúciónak köszönhetően) büszkén behúzza magának a konverziót.
2. A minimális adatmennyiség korlátja
Bár a Google hivatalosan azt állítja, hogy a GA4-ben a DDA-nek már nincs szigorú adatmennyiségi korlátja (szemben a Universal Analytics korábbi 600 konverziós limitjével), a valóságban a gépi tanulási algoritmusoknak szükségük van mintákra. Ha egy magyar webshop havi szinten 100-150 tranzakciót generál (ami egy 100-250M HUF éves árbevételű niche B2B vagy prémium B2C shop esetében teljesen reális), az algoritmusnak egyszerűen nincs elég matematikai varianciája ahhoz, hogy megbízható Shapley-értékeket számoljon. Ilyenkor a GA4 visszalép egy burkolt utolsó kattintásos modellhez, miközben a felületen azt állítja, hogy DDA-t használ.
3. A cross-device azonosítás hiányosságai
A magyar piacon a vásárlások jelentős része mobilon kezdődik (pl. a villamoson utazva a Meta feedben), de asztali gépen fejeződik be. Ha a látogató nincs bejelentkezve a Google-fiókjába mindkét eszközön, és a webshop nem küld egyedi `user_id`-t a GA4-nek a vásárlói fiókokon keresztül, a GA4 ezt két teljesen különálló látogatónak fogja látni. Az első (Meta mobil) örökre elveszik a "Direct/None" vagy "Organic" homályában, a konverziót pedig az asztali "Google / Organic" vagy "Google / CPC" kapja meg.
---
Útmutató az egyedi és hibrid attribúciós modellezéshez GA4 alatt
Ha nem bízhatunk meg vakon a GA4 alapértelmezett riportjaiban, hogyan hozhatunk jó üzleti döntéseket? A megoldás a hibrid attribúciós keretrendszer kialakítása, amely három szintből áll:
```
[ GA4 UI (Adatvezérelt) ] <---> [ BigQuery SQL (Markov-lánc / Egyedi szabályok) ] <---> [ MER / POAS / MMM ]
```
1. A Reporting Identity (Jelentéskészítési azonosító) finomhangolása
A GA4 felületén háromféle jelentéskészítési azonosító közül választhatunk az Adminisztráció -> Adatmegjelenítés -> Jelentéskészítés azonosítója menüpont alatt:
- Vegyes (Blended): User ID, Device ID, Google Signals és modellezett adatok.
- Megfigyelt (Observed): User ID, Device ID és Google Signals (modellezés nélkül).
- Csak eszköz (Device-only): Kizárólag a cookie-alapú Device ID.
Szakmai tipp: Ha a Meta hirdetéseid és a GA4 adataid között óriási a szakadék, próbáld meg átállítani a tulajdont "Csak eszköz" (Device-only) módra. Miért? A Google Signals bekapcsolása óta a Google hajlamos aggregálni az adatokat (Thresholding - adatküszöbök alkalmazása), ami miatt a kisebb forgalmú, de értékes kampányok adatai egyszerűen eltűnnek a riportokból, vagy a "Direct" kategóriába sorolódnak. A "Csak eszköz" beállítás nem törli az adatokat, bármikor visszaállítható "Vegyesre", de azonnal tisztább képet kapsz a valós UTM-alapú forgalomról.
2. A BigQuery integráció: az egyetlen út a tiszta adatokhoz
Egy havi 20-30 millió HUF feletti forgalmat bonyolító webshop esetében a GA4 ingyenes BigQuery exportjának beállítása nem opció, hanem alapkövetelmény. A BigQuery-ben tárolt nyers, eseményszintű adatokból saját magunk építhetjük fel az attribúciós modelleket, kiküszöbölve a Google fekete dobozát.
Íme egy egyszerűsített SQL lekérdezés, amellyel kinyerheted a konverziós utakat a BigQuery-ből, hogy lásd, valójában hány lépésből áll egy vásárlás a magyar piacon:
```sql
WITH user_journey AS (
SELECT
user_pseudo_id,
event_timestamp,
event_name,
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'page_location') AS page_url,
COALESCE(
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'source'),
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'traffic_source.source')
) AS source,
COALESCE(
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'medium'),
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'traffic_source.medium')
) AS medium
FROM
`your-project-id.analytics_123456789.events_*`
WHERE
_TABLE_SUFFIX BETWEEN '20251101' AND '20251130'
),
conversions AS (
SELECT
user_pseudo_id,
event_timestamp AS conversion_time
FROM
user_journey
WHERE
event_name = 'purchase'
)
SELECT
uj.user_pseudo_id,
ARRAY_TO_STRING(ARRAY_AGG(CONCAT(uj.source, ' / ', uj.medium) ORDER BY uj.event_timestamp), ' -> ') AS path,
COUNT(1) AS touchpoints
FROM
user_journey uj
JOIN
conversions c ON uj.user_pseudo_id = c.user_pseudo_id AND uj.event_timestamp <= c.conversion_time
GROUP BY
uj.user_pseudo_id
```
Ez a lekérdezés megmutatja a valós konverziós utakat (pl. `facebook / cpc -> google / cpc -> direct / none`). Ha ezt lefuttatod a saját adataidra, meg fogsz döbbenni: a tranzakciók akár 35-45%-ánál a Meta vagy az Organic keresés volt az első érintkezési pont, amit a GA4 felülete végül teljesen a Google Ads-nek vagy a Directnek tulajdonított.
---
Hogyan hasonlítsuk össze a csatornákat: Google Ads vs. Meta Ads vs. GA4
Az attribúciós káosz leginkább a heti vagy havi riportok összeállításakor ütközik ki, amikor a Google Ads és a Meta Ads felületein látható konverziók összege 1.5-szerese a GA4-ben ténylegesen realizált tranzakcióknak. Ez a klasszikus "double counting" (kétszeres elszámolás) problémája.
| Szempont | Google Ads (Konverziós követés) | Meta Ads (Képpont + CAPI) | GA4 (Data-Driven Reporting) |
| :--- | :--- | :--- | :--- |
| Attribúciós ablak | Alapértelmezett: 30 napos kattintás, 3 napos elkötelezett megtekintés | Alapértelmezett: 7 napos kattintás, 1 napos megtekintés | Beállítástól függő (pl. 30/90 napos kulcsfontosságú események) |
| Mérési módszertan | Saját hálózaton belüli utolsó interakció | View-Through és Click-Through hibrid | Multi-channel keresztcsatornás DDA |
| Cross-Device követés | Kiváló (Google bejelentkezések alapján) | Kiváló (Facebook/Instagram ID alapján) | Korlátozott (Signals és User-ID függő) |
| offline / CAPI támogatás | Van (Offline Conversion Import) | Van (Conversions API - kiemelten fontos) | Van (Measurement Protocol v2) |
A helyes megközelítés az, ha elfogadjuk: mindegyik platform hazudik, de mindegyik máshogy.
- A Meta Ads felülete a kampányok optimalizálásához kell. Ha a Meta nem látja a saját 1 napos megtekintéses konverzióit, az algoritmusa nem fogja tudni, milyen típusú embereknek mutassa a hirdetést. Nem szabad leállítani egy Meta kampányt csak azért, mert a GA4 szerint alacsony a közvetlen ROAS-a, ha közben a webshop globális bevétele (MER - Marketing Efficiency Ratio) korrelál a Meta költéssel.
- A GA4-et használjuk "békéltetőként" (arbitrageur). A feladata nem az abszolút igazság megállapítása, hanem a csatornák közötti relatív arányok követése.
---

Esettanulmány: Hogyan mentettünk meg 1,2 millió HUF felesleges ad spendet egy 350M HUF-os magyar divat webshopnál
A következőkben egy valós, 2025-ös esetet mutatunk be. Ügyfelünk egy 350 millió HUF éves árbevétellel rendelkező, prémium női táskákat és kiegészítőket értékesítő magyar e-commerce márka.
A kiinduló helyzet:
- Havi ad spend: 2 800 000 HUF (1 800 000 HUF Meta Ads, 1 000 000 HUF Google Ads).
- AOV (Átlagos kosárérték): 32 000 HUF.
- Probléma: A GA4 DDA modellje szerint a Meta ROAS-a mindössze 1.4-es volt, míg a Google Ads ROAS-a az egekben járt (5.8-as érték). Az akkori marketing menedzser javaslata az volt, hogy csökkentsék a Meta büdzsét havi 800 000 HUF-ra, és a felszabaduló 1 000 000 HUF-ot tolják át a Google Ads Performance Max (PMax) és Brand Search kampányokba.
Az elemzés fázisa:
Mielőtt végrehajtottuk volna a költségátcsoportosítást, összekötöttük a GA4-et a BigQuery-vel, és lefuttattunk egy egyedi Markov-lánc alapú attribúciós elemzést. Emellett bevezettük a MER (Marketing Efficiency Ratio) mérését napi szinten (Összes Bevétel / Összes Hirdetési Költség).
Az adatok mélyére ásva a következőket találtuk:
- A Google Ads konverziók 72%-át a Brand Search (márkanévre történő keresés) és a PMax kampányok hozták.
- A PMax kampányok konverzióinak jelentős része olyan látogatókból állt, akik korábban már jártak az oldalon (retargeting).
- A konverziós utak vizsgálatakor kiderült, hogy az esetek 58%-ában az első érintkezési pont egy Meta Prospecting (Advantage+ Shopping) kampány volt. A felhasználó meglátta a táskát Instagramon, kattintott (CPC: 110 HUF), megnézte a terméket, de nem vásárolt azonnal. Három nappal később rákeresett a márkanévre Google-ben, és a Google Brand Search hirdetésre kattintva (CPC: 18 HUF) vásárolt.
A GA4 alapértelmezett DDA modellje ebben az esetben a konverzió 85%-át a Google Ads-nek adta, míg a Metának csak 15%-ot juttatott. A valóságban a Meta nélkül a keresés meg sem történt volna.
A beavatkozás és az eredmények:
Ahelyett, hogy csökkentettük volna a Meta büdzsét, a következőt tettük:
- Google Ads optimalizálás: Kizártuk a saját márkanevet a PMax kampányokból (külön Brand listával), és a Brand Search kampány napi keretét maximalizáltuk, csökkentett CPC-vel. Ezzel felszabadítottunk havi 450 000 HUF-ot a Google Ads-en belül, amit nem költöttünk el újra Google-re.
- Meta Ads finomhangolás: A Meta büdzsét szinten tartottuk, de átalakítottuk a kreatív stratégiát. Bevezettük az UTM_term paraméterbe a dinamikus `{{adset.name}}` és `{{ad.name}}` változókat, hogy pontosabban lássuk, melyik kreatív típus indítja el a vásárlási utat.
- Az eredmény: A Meta költés változatlan maradt (1.8M HUF), a Google Ads költés lecsökkent 550 000 HUF-ra (havi 450 000 HUF megtakarítás). A webshop teljes bevétele az ezt követő két hónapban nemhogy csökkent volna, de 12%-kal növekedett.
A korábbi 2.8M HUF összköltés helyett 2.35M HUF-ból hoztunk nagyobb árbevételt. A globális Blended ROAS 3.6-ról 4.4-re emelkedett. Ha az eredeti terv szerint lefelezzük a Meta büdzsét, a felső tölcsér kiszáradása miatt 3 hónapon belül a Google Ads konverziók is a felére estek volna vissza.
---
Amit SOHA ne tegyél: A 3 leggyakoribb attribúciós hiba a magyar gyakorlatban
A hazai webáruházak auditálása során rendszeresen találkozunk olyan súlyos beállítási és értelmezési hibákkal, amelyek teljesen használhatatlanná teszik a GA4 adatait.
1. Az Árukereső és OTP SimplePay "Self-Referral" hibája
Ez a leggyakoribb és legkárosabb technikai hiba Magyarországon. Amikor a vásárló eljut a fizetési fázisig, a webshop átirányítja őt az OTP SimplePay, a K&H, a Borgun vagy a Barion fizetési oldalára. Miután a fizetés sikeres, a bank visszairányítja a felhasználót a webáruház "köszönöm" oldalára.
Ha a GA4-ben nincsenek beállítva a nem kívánt hivatkozások (Unwanted Referrals), a GA4 ezt új munkamenetnek fogja tekinteni. A konverzió forrása így nem a Google Ads vagy a Meta lesz, hanem a `payment.simplepay.hu` vagy a `khb.hu`.
Hogyan javítsd?
Menj a GA4 -> Adminisztráció -> Adatfolyamok -> Válaszd ki a webhelyed -> Címkebeállítások konfigurálása -> Nem kívánt hivatkozások listázása menüpontba, és add hozzá az alábbi domaineket:
- `simplepay.hu`
- `sandbox.simplepay.hu` (teszteléshez)
- `barion.com`
- `khb.hu`
- `otpbank.hu`
- `payu.hu`
- `arukereso.hu` (ha az Árukereső Kosár szolgáltatást használod, különben óvatosan, de a sima átkattintásokat ne zárd ki!)
```
[ GA4 Admin ] -> [ Adatfolyamok ] -> [ Címkebeállítások ] -> [ Nem kívánt hivatkozások listázása ]
|
+--> simplepay.hu, barion.com, etc.
```
2. Csak a GA4 "Purchase" eseményre történő optimalizálás a Meta Pixel kihagyásával
Sok magyar fejlesztő és "félprofi" marketinges úgy próbálja optimalizálni a webshopot, hogy spórol a scriptekkel a gyors betöltődés érdekében. "A GA4-ben úgyis benne van a vásárlás, majd a GTM átküldi" - mondják. Ez óriási hiba. A Meta algorithmusának szüksége van a közvetlen, böngészőből és szerveroldalról (CAPI) érkező adatokra. Ha a Meta nem kapja meg a dedikált pixelen keresztül a vásárlási adatokat az egyedi `event_id`-val a dedublikációhoz, a hirdetési fiókod optimalizálási képessége 50-70%-kal fog visszaesni.
3. A "First User" és a "Session" dimenziók keverése a riportokban
A GA4 két teljesen különböző módon kezeli a forrás/médium adatokat, amit a magyar marketingesek rendszeresen összekevernek:
- Első felhasználó forrása/médiuma (First User Source/Medium): Ez a felhasználó legelső látogatásának forrása (akvizíciós szemlélet - LTV és kohorsz elemzéshez).
- Munkamenet forrása/médiuma (Session Source/Medium): Ez az adott látogatás forrása, amelyben a konverzió történt.
Ha egy kampány hatékonyságát elemzed, mindig győződj meg róla, hogy a megfelelő dimenziót használod. Ha a heti teljesítményt nézed, a Munkamenet szintű adatok kellenek neked. Ha azt akarod tudni, honnan jönnek a legértékesebb új vásárlóid, akkor az Első felhasználó dimenziót vizsgáld.
---
Akcióterv: 7 lépéses útmutató a pontos attribúcióhoz
Hajtsd végre az alábbi lépéseket a következő 30 napban, hogy visszanyerd az irányítást a hirdetési büdzséd felett:
- Azonnali Referral Exclusion audit: Ellenőrizd a GA4-ben a "Nem kívánt hivatkozások" listáját. Ha látsz banki domaineket a Munkamenet forrása / médium riportban konverzióval társítva, azonnal zárd ki őket az adminban. A javítás nem visszamenőleges hatályú, így minél előbb megteszed, annál jobb.
- Google Signals felülvizsgálat: Ha a webshopod havi látogatottsága 100 000 alatt van, teszteld a "Csak eszköz" (Device-only) jelentéskészítési azonosítót 7 napig. Hasonlítsd össze a riportjaidat a korábbi "Vegyes" beállítással – ha hirtelen eltűnik a "Thresholding" (adatküszöb) miatti adatvesztés, hagyd ezen a beállításon.
- UTM paraméterezési rend kialakítása: Vezess be egy kötelező, kisbetűs UTM sablont a teljes csapatban. Például: `utm_source=facebook&utm_medium=cpc&utm_campaign=prod_táskák_prospecting&utm_content=carousel_v1`. A GA4 érzékeny a kis- és nagybetűkre (a "Facebook" és a "facebook" két külön forrásnak fog látszani, ami szétzilálja a riportokat).
- Custom Channel Groups (Egyedi csatornacsoportok) beállítása: A GA4 alapértelmezett csatornacsoportosítása nem ismeri a magyar sajátosságokat. Hozz létre egy egyedi csatornacsoportot az Adminisztráció -> Adatmegjelenítés -> Csatornacsoportok menüpontban. Definiáld külön az Árukereső-t (ha a forrás tartalmazza az "arukereso" szót) és a Hírleveleket (ha a médium "newsletter" vagy "email"), különben a GA4 ezeket bedobja az "Organic Search" vagy "Unassigned" kategóriákba.
- BigQuery export aktiválása: Kapcsold be a napi szintű automatikus exportot a Google Cloud Platformba. Ha a webshopod havi szinten 10 000 tranzakció alatt van, a BigQuery tárolási és lekérdezési költsége nem fogja meghaladni a havi 1 500 - 3 000 HUF összeget. Az adatok viszont az első naptól kezdve gyűlnek, ami később aranyat ér.
- Mérd a MER-t (Marketing Efficiency Ratio): Kezdj el vezetni egy egyszerű Google Sheet-et, ahol naponta felírod a webshop teljes nettó árbevételét (ERP-ből vagy számlázóból származó adat, nem GA4!) és a teljes hirdetési költést (Meta + Google Ads + egyéb). Ha a MER értéke 4.0 felett van, az üzlet egészséges, függetlenül attól, hogy a GA4 éppen mit mutat az egyes kampányok szintjén.
- Attribution Model tesztelése a hirdetési rendszerekben: A Google Ads-ben állítsd át a konverziókövetést a külső GA4-alapú importról a natív Google Ads Conversion Tracking pixelre (Enhanced Conversions bekapcsolásával). Ez pontosabb képet ad a Google algoritmusa számára az optimalizáláshoz, míg a GA4-ben megmarad a független, keresztcsatornás elemzési lehetőséged.




