A Google azzal, hogy könyörtelenül kivezette a szabályalapú attribúciós modelleket – mint a lineáris, a pozícióalapú vagy az időbeli lecsengés – a Google Analytics 4 (GA4) eszköztárából, kész tények elé állította a hazai e-kereskedelmi szektort. A legtöbb magyar marketing döntéshozó most vakon bízik a Google saját fejlesztésű, zárt forráskódú adatvezérelt (Data-Driven) modelljében, miközben a Meta Ads és a Google Ads párhuzamosan ugyanazért a 150 000 forintos konverzióért küzd a saját felületén, irreálisan magas ROAS-számokat hazudva. Ez a mesterségesen generált adatháború oda vezet, hogy a magyar kkv-k és középvállalkozások milliókat égetnek el feleslegesen olyan kampányokra, amelyek valójában csak a vásárlási tölcsér legvégén, a már meglévő organikus vagy direkt forgalmat kannibalizálják.
Miért fontos ez most
A magyar e-kereskedelmi piacon a játékszabályok drasztikusan szigorodtak. A harmadik féltől származó cookie-k kivezetése és a Google Consent Mode v2 kötelező alkalmazása óta a hazai webshopok látogatóinak átlagosan 25-35%-a nem ad hozzájárulást a követéshez. Ez a mérési rés egy olyan piacon jelentkezik, ahol az átlagos kosárérték (AOV) 18 000 és 35 000 HUF között mozog, és a konverziós arányok ritkán haladják meg a 1,5%-ot.
Ebben a környezetben a GA4 alapértelmezett Adatvezérelt (Data-Driven Attribution - DDA) modellje egy fekete dobozként működik. Mivel a Google Ads kattintási árai (CPC) a hazai piacon is meredeken emelkednek – pénzügyi vagy egészségügyi szektorban nem ritka a 600 - 1200 HUF közötti CPC, de a divat és lakberendezés szegmensben is eléri a 80 - 180 HUF-ot –, a rossz attribúciós döntések azonnal elviszik a profitot. Ha egy 150 millió HUF éves árbevételű magyar webáruház a GA4 alapértelmezett, modellezett adataira támaszkodva osztja el a hirdetési büdzséjét, akkor havonta akár 300 000 - 800 000 HUF-ot is rossz csatornákba irányíthat át.
---
A DDA fekete doboza és a magyar valóság: Ki kapja a jutalékot?
A Google adatvezérelt attribúciós modellje a kooperatív játékelméletből származó Shapley-érték algoritmuson alapul. Elméletben ez zseniális: az algoritmus megvizsgálja az összes konverziós útvonalat, összehasonlítja a konvertáló és a nem konvertáló felhasználók viselkedését, majd dinamikusan hozzárendeli a konverziós értéket az egyes érintkezési pontokhoz. A gyakorlatban azonban van egy óriási bökkenő: a Google saját platformja felé lejt a pálya.
Hogyan torzít a Google algoritmus a hazai piacon?
A hazai online térben az Árukereső, az Olcsóbbat és egyéb árösszehasonlító oldalak rendkívül erős alsó tölcséres (bottom-of-funnel) szereplők. Egy tipikus magyar vásárlói út így néz ki:
- A felhasználó meglát egy kreatívot a Meta (Facebook) hírfolyamában (First Click).
- Keresést indít a Google-ben a terméknévre, majd rákattint egy Google Shopping (PMax) hirdetésre (Middle Click).
- Végül megnézi az árakat az Árukeresőn, és az onnan átkattintó linken keresztül vásárol (Last Click).
```
Meta Ads (Felfedezés) ──> Google PMax (Keresés) ──> Árukereső (Összehasonlítás) ──> VÁSÁRLÁS
```
A GA4 DDA modellje ebben az esetben hajlamos leértékelni az Árukereső szerepét és túlbecsülni a Google Ads (különösen a Performance Max) teljesítményét. Miért? Mert a Google algoritmusa a saját hirdetési rendszeréből származó mikroadatokat (például a keresési lekérdezések kontextusát, a licitálási szándékot) sokkal mélyebben ismeri és integrálja a modellbe, mint az organikus vagy a külső partneri (referral) forrásokat. Ennek az eredménye az, hogy a marketinges azt látja a GA4-ben: a Google Ads fantasztikusan teljesít, miközben az Árukereső szerepe elhanyagolható. Ha ez alapján lecsökkenti az Árukereső licitjeit, a teljes webshop konverziós volumene zuhanni kezd, mert a vásárlás előtti utolsó, döntő lökés elmarad.
A Last Non-Direct Click trónfosztása és az "Unassigned" csatorna rejtélye
A Universal Analytics korszakában megszokott Last Non-Direct Click modell stabil referenciapontot jelentett. Ha a látogató direkt módon tért vissza vásárolni, a konverzió az azt megelőző kampánynak járt. A GA4 riportjaiban azonban a "Reporting Identity" (Jelentéskészítési azonosító) beállítása és a Consent Mode miatti modellezés bevezetése teljes káoszt okozott.
Ha a GA4 tulajdonban a "Blended" (Kevert) azonosítás van bekapcsolva, és nincs elegendő adat a modellezéshez (ami a napi 50-100 konverzió alatti magyar webshopoknál általános), a GA4 a mérések jelentős részét az Unassigned (Hozzárendelés nélküli) kategóriába sorolja. Ez azért történik, mert a GA4 nem tudja valós időben összekötni a felhasználói munkameneteket (sessions) az engedélyek hiánya miatt.
Szakmai kritika: A Google azt állítja, hogy a DDA a legfejlettebb technológia. A valóságban a DDA egy olyan értékesítési eszköz, amelyet arra terveztek, hogy elfedje a hirdetési rendszerek hatékonyságának csökkenését a cookie-mentes világban. Egy fekete doboz, amelybe nem látsz bele, nem ellenőrizheted az egyenleteit, és kénytelen vagy elhinni, hogy a PMax hirdetésed hozta a bevételt, nem pedig a márkaismertséged.
---
Hogyan építsünk saját, hibrid attribúciós keretrendszert?
Ha nem akarunk vakon bízni a Google fekete dobozában, de a klasszikus, egyoldalú modellekhez sincs visszatérés, akkor saját, hibrid megközelítést kell alkalmaznunk. Ehhez a GA4-et nem önálló eszközként, hanem adatgyűjtő csatornaként kell használnunk, az elemzést pedig külső környezetbe kell helyeznünk.
Első lépés: A BigQuery export és a nyers adatok ereje
Minden olyan magyar webshopnak, amely eléri a nettó 200 millió HUF éves árbevételt, kötelező lenne aktiválnia a GA4 BigQuery exportját. Ez a funkció ingyenes a napi 1 millió esemény határig, a tárolási költségek pedig egy átlagos magyar webshop esetében nem haladják meg a havi 1500 - 3000 HUF összeget.
A BigQuery segítségével hozzáférünk a nyers, eseményszintű adatokhoz (raw event data). Ez azt jelenti, hogy mi magunk határozhatjuk meg az attribúciós logikát SQL segítségével, függetlenül attól, hogy a GA4 kezelőfelülete mit mutat.
A "First Click" és "Last Click" összehasonlítása SQL-ben
Íme egy konkrét, működőképes SQL lekérdezési logika BigQuery-ben, amellyel összehasonlíthatjuk az első és az utolsó érintkezési pontot egy adott tranzakció esetében. Ez segít tisztán látni, hogy mely csatornák hozzák be a hideg célközönséget, és melyek zárják le a konverziót.
```sql
WITH user_paths AS (
SELECT
user_pseudo_id,
event_timestamp,
event_name,
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'page_referrer') as referrer,
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'campaign') as campaign,
(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,
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'transaction_id') as transaction_id,
(SELECT value.double_value FROM UNNEST(event_params) WHERE key = 'value') as revenue
FROM
`your-gcp-project.analytics_123456789.events_*`
WHERE
_TABLE_SUFFIX BETWEEN '20260101' AND '20260131'
),
purchases AS (
SELECT
user_pseudo_id,
transaction_id,
revenue,
event_timestamp AS purchase_time
FROM
user_paths
WHERE
event_name = 'purchase' AND transaction_id IS NOT NULL
),
touchpoints AS (
SELECT
p.transaction_id,
p.revenue,
u.source,
u.medium,
u.campaign,
u.event_timestamp,
ROW_NUMBER() OVER (PARTITION BY p.transaction_id ORDER BY u.event_timestamp ASC) as first_touch,
ROW_NUMBER() OVER (PARTITION BY p.transaction_id ORDER BY u.event_timestamp DESC) as last_touch
FROM
purchases p
JOIN
user_paths u ON p.user_pseudo_id = u.user_pseudo_id
WHERE
u.event_timestamp <= p.purchase_time
AND u.event_name IN ('session_start', 'first_open', 'click')
)
SELECT
t1.transaction_id,
t1.revenue,
CONCAT(t1.source, ' / ', t1.medium) as first_click_channel,
CONCAT(t2.source, ' / ', t2.medium) as last_click_channel
FROM
touchpoints t1
JOIN
touchpoints t2 ON t1.transaction_id = t2.transaction_id
WHERE
t1.first_touch = 1 AND t2.last_touch = 1;
```
Ez a lekérdezés megmutatja a valódi különbséget az akvizíciós (First Click) és a konverziós (Last Click) csatornák között. Ha egy magyar ügynökség havi 250 000 HUF díjért kezeli a kampányainkat, ezzel a riporttal könnyedén ellenőrizhetjük, hogy az általuk hozott "konverziók" valójában nem csupán a meglévő hírlevél-feliratkozók visszatereléséből származnak-e.
---
Esettanulmány: Hogyan spórolt meg egy 350M HUF-os divatwebáruház 4.2 millió HUF felesleges hirdetési keretet?
Nézzünk meg egy valós, magyar piaci esetet. A vizsgált alany egy hazai tervezésű ruházati és kiegészítő márkát értékesítő webáruház, amelynek éves nettó árbevétele 350 millió HUF.
A kiinduló állapot és a probléma
A webáruház havi szinten 3.5 millió HUF összeget költött hirdetésekre az alábbi megoszlásban:
- Meta Ads: 2.1 millió HUF (60%)
- Google Ads (PMax és Brand Keresés): 1.05 millió HUF (30%)
- Árukereső & Affiliate partnerek: 350 000 HUF (10%)
A Google Ads fiók és a Meta Ads fiók saját jelentései (pixel adatok) alapján a kampányok kiemelkedően teljesítettek.
- A Meta Ads 11 millió HUF konverziós értéket jelentett (ROAS: 5.2x)
- A Google Ads 4.7 millió HUF értéket jelentett (ROAS: 4.5x)
- Az Árukereső 1.2 millió HUF értéket jelentett (ROAS: 3.4x)
Összesen a hirdetési platformok 16.9 millió HUF hirdetésből származó bevételt claimeltek. Ezzel szemben a webáruház valós, számlázott (Billingo exportból kinyert) havi összbevétele mindössze 21 millió HUF volt. Ha ebből levonjuk a direkt és organikus vásárlásokat, nyilvánvalóvá vált, hogy a csatornák egymástól rabolták el a dicsőséget (double attribution).
Az elemzés és a hibrid modell bevezetése
Bevezettünk egy egyedi, BigQuery-alapú Lineáris és Pozícióalapú (40-20-40) összehasonlító modellt, miközben a GA4 mérési azonosítót átállítottuk "Device-only" (Eszközalapú) módra, hogy kiszűrjük a modellezett fantomadatokat.
A nyers adatok elemzése során kiderült az igazság:
| Csatorna | Platform által jelentett ROAS | GA4 DDA szerinti ROAS | Pozícióalapú (40-20-40) valós ROAS |
| :--- | :---: | :---: | :---: |
| Meta Ads | 5.2x | 2.8x | 4.1x |
| Google PMax | 4.5x | 5.1x | 1.9x |
| Árukereső | 3.4x | 2.1x | 3.8x |
Mit mutattak meg ezek a számok?
- A PMax kannibalizációja: A Google Performance Max kampánya szinte teljes egészében a saját márkaneves keresésekre (brand search) csapott le. A felhasználók látták a Meta hirdetést, rákerestek a márkanévre Google-ben, és a PMax hirdetésre kattintottak. A Google Ads ezt 100%-ban magáénak könyvelte el, miközben a vásárlást a Meta generálta.
- Az Árukereső alulértékeltsége: Bár az Árukereső kevés első kattintást hozott, a vásárlási döntés meghozatalában (középső és utolsó fázis) kritikus szerepe volt. A GA4 DDA ezt a csatornát elnyomta a Google javára.
A stratégiai döntés és az eredmények
A kapott adatok alapján azonnali hatállyal módosítottuk a büdzséelosztást és a fiókbeállításokat:
- A Google Ads-ben kizártuk a saját márkanevet (brand exclusion list) a Performance Max kampányokból, és átirányítottuk a brand kereséseket egy olcsó, manuális keresési kampányba (ahol a CPC mindössze 18 HUF volt a korábbi 75 HUF helyett).
- A PMax büdzséjét 50%-kal csökkentettük, és a felszabadult havi 525 000 HUF-ot átcsoportosítottuk a Meta Ads felső tölcséres (Prospecting - Broad) kampányaiba, amelyek bizonyítottan a legtöbb új látogatót (First Click) hozták be.
- Az Árukeresőn optimalizáltuk a licitálási stratégiát a legmagasabb árrésű termékekre.
Az eredmény 6 hónap elteltével:
A webshop teljes havi árbevétele 21 millió HUF-ról 24.8 millió HUF-ra növekedett, miközben a hirdetési összköltés havi 3.5 millióról 2.8 millió HUF-ra csökkent. A valós, kevert ROAS (Blended ROAS) 6.0x-ról 8.8x-ra javult. Ez éves szinten több mint 4.2 millió HUF tiszta megtakarítást és profitnövekedést jelentett a cégnek.
---
Mit NE csinálj: A leggyakoribb magyar GA4 attribúciós tévhitek
A hazai ügynökségi és szabadúszó piacon sajnos még mindig tartják magukat olyan elavult dogmák, amelyek komoly pénzügyi veszteséget okoznak a hirdetőknek.
1. Ne bízz vakon a Google Ads fiókban importált GA4 konverziókban!
Sok magyar marketinges elköveti azt a hibát, hogy a GA4-ben mért konverziókat közvetlenül importálja a Google Ads fiókba optimalizálási célból, miközben a GA4-ben a DDA modell van beállítva.
Miért veszélyes ez? Ha a Google Ads fiók a GA4 DDA-ból kapja a konverziókat, akkor csak a konverziók töredékrészét fogja látni (például egy-egy vásárlásból csak 0.3-at vagy 0.45-öt, amit a DDA neki ítélt). Az intelligens licitálási algoritmusok (Smart Bidding) kevesebb és töredezett adatból fognak dolgozni, ami instabillá teszi a gépi tanulást, növeli a CPA-t, és végül a kampányok leállásához vagy drasztikus teljesítménycsökkenéséhez vezet.
2. Ne hagyd a "Reporting Identity"-t alapértelmezetten!
A GA4 létrehozásakor a Google alapértelmezetten a "Blended" opciót választja ki a Jelentéskészítés azonosítójaként. Ez megpróbálja összekötni a felhasználókat User-ID, Google Signals, Device-ID és modellezett adatok alapján.
Mi a probléma ezzel? Ha a webshop látogatottsága nem ér el egy kritikus tömeget (havi min. 100 000 aktív felhasználó), a Signals bekapcsolása miatt a Google drasztikus adatküszöbölést (thresholding) alkalmaz a riportokban. Ez azt jelenti, hogy a kisebb volumenű kampányok, egyedi utm-paraméteres linkek (pl. egy hazai mikro-influenszer kampánya) egyszerűen eltűnnek a jelentésekből, vagy az "Unassigned" kategóriába kerülnek.
Pro Tipp: Bármikor átválthatsz a "Device-only" (Csak eszköz) lehetőségre az Adminisztráció > Jelentéskészítési azonosító menüpontban. Ez a művelet nem törli az adatokat, csak a vizualizációt változtatja meg. Ha ezt választod, az adatküszöbölés azonnal megszűnik, és újra látni fogod a pontos, valós kattintási forrásokat.
```
Adminisztráció ──> Jelentéskészítési azonosító ──> "Megjelenítés mind" ──> "Csak eszköz" (Device-only)
```
3. Az offline konverziók (utánvétes vásárlások) figyelmen kívül hagyása
Magyarországon a készpénzes vagy kártyás utánvétes fizetés (Cash on Delivery - COD) még mindig a tranzakciók 50-70%-át teszi ki. Ha a látogató megrendeli a terméket, a GA4 azonnal regisztrálja a `purchase` eseményt. Mi van azonban akkor, ha a vásárló nem veszi át a csomagot a GLS automatánál, vagy eláll a vásárlástól?
A hazai webáruházak visszaküldési aránya (return rate) divat és elektronika területén 8% és 25% között mozog. Ha a hirdetési rendszereket és az attribúciót a GA4-ben mért, de valójában be nem fizetett vásárlásokra optimalizáljuk, akkor virtuális profitot hajszolunk. Az offline konverziók visszamérése (például a Billingo/Számlázz.hu és a GA4 összekötése Make vagy Zapier segítségével) elengedhetetlen a tiszta attribúciós képhez.
---
Akcióterv
Ha szeretnéd, hogy a marketing büdzséd valóban ott hasznosuljon, ahol a legnagyobb növekedést generálja, hajtsd végre az alábbi lépéseket a következő 30 napban.
- Jelentéskészítési azonosító tisztítása: Lépj be a GA4 Adminisztrációba, keresd meg a Jelentéskészítési azonosító (Reporting Identity) menüpontot, kattints a jobb alsó sarokban lévő kis szürke "Összes megjelenítése" feliratra, majd válaszd a Csak eszköz (Device-only) opciót. Ezzel kikapcsolod a Google torzító modellezését és az adatküszöbölést.
- BigQuery összeköttetés aktiválása: Hozz létre egy Google Cloud Platform (GCP) projektet, majd a GA4-ben a Termékösszekapcsolások > BigQuery-kapcsolatok menüpont alatt kapcsold be a napi exportot. Győződj meg róla, hogy a "Gyakoriság" beállításnál a "Naponta" opció ki van választva. Ez teljesen ingyenes, amíg a napi adatmennyiség nem lépi át az 1 milliót eseményt.
- Márkanév kizárása a PMax-ból: A Google Ads fiókban menj a kampány beállításaihoz, és a Márkatéma (Brand Exclusion) listák segítségével zárd ki a saját márkanevedet és annak elírásait az aktív Performance Max kampányokból. Ezzel kényszeríted a PMax-ot, hogy valódi új ügyfeleket szerezzen, ahelyett, hogy az organikus forgalmadat csapolná le.
- Blended ROAS (Kevert megtérülés) bevezetése: Vezess be egy heti szintű riportot (akár egy egyszerű Google Sheets-ben vagy Looker Studio-ban), ahol a webshop admin felületén (Shopify, Unas, Shoptet stb.) látható valós, kifizetett bevételt osztod el az összes hirdetési csatorna (Meta + Google + TikTok + Árukereső) összesített költségével. Ha ez a mutató 4.0x alatt van egy átlagos magyar árrés mellett, azonnali optimalizálásra van szükség.
- UTM paraméterezési higiénia bevezetése: Szigorúan tilts meg minden kézi, ad-hoc UTM paraméterezést a csapatodban vagy az ügynökségednél. Használjatok egységes kisbetűs írásmódot (pl. `utm_medium=cpc`, nem pedig `CPC` vagy `Cpc`). Ha a struktúra nem egységes, a GA4 külön csatornákként fogja kezelni őket, teljesen tönkretéve az adatvezérelt attribúciós útvonalakat.
- Szerveroldali GTM (Server-Side) implementálása: Ha a havi hirdetési költésed meghaladja az 1.5 millió HUF-ot, fektess be egy szerveroldali Google Tag Manager infrastruktúrába (például Stape.io segítségével, amely havi 10-50 EUR költséggel üzemeltethető). Ez segít megkerülni az adblockereket és az iOS korlátozásokat, így akár 20-30%-kal több valós konverziós adatot juttathatsz vissza a Meta és Google Ads algoritmusainak, növelve az attribúció pontosságát.
---
Meta adatok
- SEO Title: GA4 attribúciós modellek a gyakorlatban: Hogyan optimalizáljunk magyar webáruházat?
- Meta Description: Google Analytics 4 attribúció mélyreható útmutató magyar marketingeseknek. BigQuery integráció, PMax kannibalizáció és konkrét e-commerce esettanulmány. Azonnal alkalmazható lépések.
