A Google Analytics 4 (GA4) bevezetése óta a hazai e-commerce szektor folyamatos bizonytalanságban él a konverziók valódi forrását illetően. Miután a Google könyörtelenül kivezette a jól ismert szabályalapú attribúciós modelleket – mint az első kattintás (First Click), a lineáris (Linear), a csökkenő időértékű (Time Decay) és a pozícióalapú (Position-Based) modelleket –, a marketing döntéshozók választás nélkül maradtak. Jelenleg szinte minden magyar webáruház vakon hagyatkozik a Google hibrid fekete dobozára, az adatvezérelt attribúciós modellre (Data-Driven Attribution - DDA), vagy visszamenekül a jól megszokott, de végletesen leegyszerűsítő utolsó kattintásos (Last Click) logikához. Ez a kényszerpálya milliókba kerül a rosszul allokált hirdetési büdzsék és a torzított riportok miatt.
Miért fontos ez most
A magyar e-commerce piac 2026-ban példátlan nyomás alatt áll. A növekvő infláció és a csökkenő reálbérek miatti óvatosabb lakossági költések mellett a hazai webshopoknak olyan gigászokkal kell megküzdeniük, mint a Temu, az Alza vagy az eMAG. Ebben a feszített versenyben a hirdetési költségek optimalizálása nem kényelmi szempont, hanem a túlélés záloga.
A Meta CPC-k a hazai piacon divat, szépségápolás és lakberendezés kategóriákban ma már rutinszerűen elérik a 120–180 Ft-os sávot, míg a Google Ads Performance Max (PMax) kampányok átlagos kattintási költsége esetenként a 250 Ft-ot is meghaladja. Ha egy havi 2,5 millió HUF hirdetési büdzsével dolgozó középvállalkozás rossz attribúciós modell alapján hozza meg a negyedéves döntéseit, az könnyen 500 000 – 800 000 Ft-os tiszta veszteséget generálhat havonta.
Ehhez társul a GDPR és a Szigorított Felhasználói Hozzájárulás (Consent Mode v2) hazai elterjedése. A Nemzeti Adatvédelmi és Információszabadság Hatóság (NAIH) fokozott ellenőrzései miatt a magyar oldalak többsége már kötelezően alkalmazza az elutasítható cookie-bannereket. Ez a gyakorlatban a mérési adatok 25-40%-os kiesését jelenti. A GA4 ezt a hiányt prediktív modellezéssel próbálja foltozni, ami még átláthatatlanabbá teszi a DDA működését. A marketing vezetőknek meg kell érteniük a motorháztető alatti mechanizmusokat, mert a GA4 alapértelmezett beállításai szisztematikusan a Google saját hirdetési hálózatának kedveznek.
---
A DDA illúziója: Miért hazudik a Google adatvezérelt modellje?
Az adatvezérelt attribúciós modell (DDA) elméletben a legigazságosabb rendszer: gépi tanulási algoritmusok segítségével elemzi az egyes konverziós útvonalakat, és azon érintkezési pontoknak (touchpoints) ad nagyobb elismerést, amelyek statisztikailag a legnagyobb mértékben növelték a vásárlás valószínűségét. A valóságban azonban ez a modell egy "fekete doboz", amelynek működésébe semmilyen beleszólásunk nincs.
Fekete doboz és elfogultság a Google Ads javára
A Google DDA algoritmusa nem publikus. Nem tudjuk, milyen súlyozással veszi figyelembe az egyes interakciókat, és milyen mintavételezési torzításokkal dolgozik. Ami viszont szakmailag egyértelműen kimutatható: a modell hajlamos túlbecsülni a Google tulajdonában lévő csatornák (Google Search, Shopping, YouTube, Discover) hatékonyságát a külső platformokkal (Meta Ads, TikTok, hírlevelek) szemben.
Ennek oka az úgynevezett "időbeli közelség és láthatóság" torzítása. A Google Ads könnyebben ad át részletes adatokat a GA4-nek, mint a Meta Conversion API-ja. Az olyan formátumok, mint az átkattintás nélküli megtekintések (view-through konverziók), a Google saját ökoszisztémájában sokkal pontosabban követhetők, így a DDA előszeretettel sorolja a konverziós hozzájárulást a Google kampányokhoz, még akkor is, ha az elsődleges igényt (demand generation) egy Meta videós kampány vagy egy influencer együttműködés teremtette meg.
A mikro-konverziók csapdája és a zajos adathalmazok
A DDA működéséhez jelentős mennyiségű adatra van szükség. Bár a Google hivatalosan eltörölte a korábbi darabszámos korlátozásokat (korábban 30 napon belül legalább 3000 konverziós esemény kellett a modell aktiválásához), az alacsonyabb konverziós számmal dolgozó magyar webáruházaknál (havi 50-200 tranzakció) az algoritmus kénytelen általánosított, globális statisztikai modellekre támaszkodni.
Ha a GA4 fiókunkban a vásárlás (purchase) mellett mérünk olyan mikro-konverziókat is, mint az "add_to_cart" (kosárba helyezés) vagy a "view_item" (termékmegtekintés), és ezeket bejelöljük konverzióként az adminisztrációs felületen, a DDA elkezdi ezek alapján optimalizálni az attribúciót. Ez súlyos hiba.
Ha egy látogató 15 terméket tesz kosárba, majd három nap múlva vásárol egy hírlevélre kattintva, a DDA a kosárba helyezést generáló Google Search kampányt fogja piedesztálra emelni, miközben a tényleges bevételt realizáló email csatorna csak morzsákat kap.
Miért nyeli el a PMax a Meta és a hírlevél érdemeit?
A Performance Max kampányok lényege az omnicsatornás jelenlét: egyszerre céloznak keresési, shopping, display és YouTube felületeken, sőt, a brand kifejezésekre is licitálnak. Amikor a GA4 adatvezérelt modellje elemzi az utat, a PMax szinte biztosan jelen lesz az utolsó fázisban (például egy dinamikus remarketing bannerrel vagy egy brand keresési hirdetéssel).
Mivel a PMax agresszíven célozza azokat a felhasználókat, akik már a vásárlási tölcsér alján vannak, a DDA torzítása miatt elszívja a levegőt a felső tölcséres (Top of Funnel - ToF) kampányok elől. Ha csak a DDA riportokra hagyatkozunk, le fogjuk állítani a Meta prospektáló (interest/broad alapú) kampányainkat, mert "nem hoznak konverziót". Amint ezt megesszük, a PMax teljesítménye is össze fog omlani 3–6 héten belül, mivel elfogy a tölcsérből a friss, hideg közönség.
---
Az új GA4 attribúciós térkép: Csatornaszintű vs. Eseményszintű modellezés
A GA4-ben való eligazodáshoz kulcsfontosságú megérteni, hogy az attribúció nem egy globális kapcsoló, hanem három különböző szinten jelenik meg a rendszerben. Ha ezt a három szintet összemossuk, teljesen félreértelmezzük a kapott adatokat.
| Attribúciós szint | Hatókör (Scope) | Tipikus dimenziók a riportokban | Mire használható? |
| :--- | :--- | :--- | :--- |
| Felhasználó-alapú | Első érintkezés (First Touch) | Első felhasználó forrása / médiuma | Új ügyfelek akvizíciójának elemzése (ToF sikeresség). |
| Munkamenet-alapú | Munkamenet indítása (Session Touch) | Munkamenet forrása / médiuma | Weboldal forgalomterelésének és a látogatások minőségének elemzése. |
| Esemény-alapú | Konverziós érintkezés (Conversion-level) | Forrás / médium (előtag nélkül) | A tényleges konverziók felosztása az attribúciós beállítás alapján. |
Reporting attribution vs. User acquisition attribution (a leggyakoribb fogalmi tévedés)
A legnagyobb hiba, amit magyar marketingeseknél látni, a jelentési felületek keverése. Az acquisition (ügyfélszerzés) menüpont alatt két fül található: User acquisition és Traffic acquisition.
- User acquisition riportok: Ezek kizárólag az első érintkezési pontot mutatják (First User Source / Medium). Ha egy felhasználó 2025 novemberében egy organikus Google keresésből jött az oldalra először, majd 2026 februárjában egy 80 000 Ft értékű kosarat vásárolt meg egy Meta hirdetésre kattintva, a User acquisition riport ezt a 80 000 Ft-ot az `organic` csatornához fogja írni. Ha ezt nézzük a kampányok ROAS számításánál, teljesen tévúton járunk.
- Traffic acquisition riportok: Ezek a munkamenet-alapú teljesítményt mérik (Session Source / Medium). Az előző példánál maradva, ez a riport a Meta hirdetésnek fogja adni a konverziót, mert az adott munkamenetet a Meta indította el.
- Konverziós riportok (Advertising szakasz): Ez az egyetlen hely a GA4-ben, ahol a globálisan beállított attribúciós modell (DDA vagy Last Click) ténylegesen érvényesül. Itt láthatjuk a tört konverziós értékeket is (például egy konverzió 0.4 része a Google Ads-é, 0.6 része a Facebooké).
Hogyan olvassuk a "Conversion paths" és "Model comparison" riportokat?
Az `Advertising > Attribution > Model comparison` menüpont az egyik legértékesebb felület, amelyet a hazai PPC specialistáknak naponta kellene használniuk. Itt közvetlenül összehasonlítható, hogy az adatvezérelt modell (DDA) hogyan alakítja át a számokat az utolsó kattintáshoz képest.
```
Példa összehasonlítás a GA4 felületén:
Csatorna: Paid Social
- Last Click modell konverzió érték: 1 200 000 Ft
- Data-Driven modell konverzió érték: 1 650 000 Ft
Változás: +37.5%
```
Ha azt látjuk, hogy a Paid Social (Meta hirdetések) konverziós értéke a DDA modellben 30-40%-kal magasabb, mint Last Click esetén, az egyértelmű bizonyíték arra, hogy a Meta kampányaink kiváló asszisztáló szerepet töltenek be az út elején. Ezt a csatornát elhamarkodott döntés lenne leállítani alacsony közvetlen ROAS miatt.
---
Esettanulmány: Egy 350M HUF éves árbevételű magyar divatwebshop esete
Vizsgáljuk meg egy valós, anonimizált magyar divatwebáruház adatait. A webáruház Shopify motort használ, éves szinten 350 millió Ft árbevételt realizál, az átlagos kosárérték (AOV) 18 500 Ft.
A webáruház havonta átlagosan 3 000 000 Ft-ot költ hirdetésekre az alábbi eloszlásban:
- Meta Ads (Facebook & Instagram): 1 400 000 Ft
- Google Ads (PMax + Search + Brand): 1 300 000 Ft
- Hírlevél (Klaviyo): 300 000 Ft (szoftverdíj + tartalomgyártás)
A marketingvezető az első negyedév végén az alábbi számokat látta a GA4 alapértelmezett, Last Click-re hajazó Traffic Acquisition jelentésében és a Meta Ads Managerben:
A kiinduló állapot számai (Három különböző adatforrás)
| Csatorna | Hirdetési költség | Meta Ads Manager / Klaviyo riport | GA4 Last Non-Direct Attribution | Becsült ROAS (GA4 alapján) |
| :--- | :--- | :--- | :--- | :--- |
| Meta Ads | 1 400 000 Ft | 4 200 000 Ft (ROAS: 3.0) | 2 100 000 Ft | 1.5 |
| Google Ads | 1 300 000 Ft | 5 850 000 Ft (ROAS: 4.5) | 6 100 000 Ft | 4.69 |
| Hírlevél | 300 000 Ft | 3 100 000 Ft (ROAS: 10.3) | 1 900 000 Ft | 6.33 |
A marketingvezető dilemmája:
A Meta Ads Manager szerint a Facebook hirdetések kiválóan teljesítenek (3-as ROAS), de a GA4 szerint a Meta alig termeli vissza a költést (1.5-ös ROAS). Ezzel szemben a Google Ads szárnyal. A marketingvezető - hallgatva a sztereotípiákra - úgy döntött, hogy átcsoportosít 600 000 Ft-ot a Meta büdzséjéből a Google PMax kampányokba.
Az átcsoportosítás katasztrofális eredménye
Négy héttel az átcsoportosítás után a webáruház teljes bevétele nemhogy nőtt volna, de 18%-kal visszaesett. A Google Ads ROAS-a 4.69-ről lecsökkent 3.1-re, miközben a Meta hirdetések leállítása miatt az új látogatók száma (First User) 35%-kal zuhant be.
A GA4 "Model Comparison" és "Conversion Paths" mélyelemzése
Ekkor végeztük el a GA4 részletes attribúciós elemzését. Lekértük a modellek közötti különbségeket, kifejezetten a konverziós útvonalak mélységére koncentrálva.
A GA4 `Conversion Paths` riportjából kiderült, hogy a vásárlások 62%-ánál az alábbi minta volt megfigyelhető:
- Lépés (ToF): Meta Ads Prospecting (Átkattintás a feedből)
- Lépés (MoF): Google Search (Ekkor már konkrét márkára vagy terméktípusra keresett rá a magyar vásárló)
- Lépés (BoF): PMax Dynamic Retargeting vagy Direct beütés hírlevélből kuponkóddal.
Amikor ezt a mintát számszerűsítettük a GA4 Data-Driven modelljében, az alábbi valós hozzájárulásokat kaptuk:
```
Tényleges konverziós hozzájárulások a DDA elemzés alapján:
- Meta Ads valós hozzájárulása: 3 850 000 Ft (DDA szerint) - Szemben az 2 100 000 Ft-os Last Click adattal!
- Google Ads valós hozzájárulása: 4 350 000 Ft (DDA szerint) - Szemben a 6 100 000 Ft-os Last Click adattal!
```
Kontextus és következtetés:
A Google Ads Last Click modellje igazságtalanul tulajdonított el havi 1 750 000 Ft bevételt a Meta Ads elől. A Meta kampányok értékes hideg forgalmat hoztak be a tölcsér tetején, amit a Google PMax a tölcsér alján egyszerűen "learatott".
Miután visszaállítottuk a Meta büdzséjét, és a kampányok értékelését nem a Traffic Acquisition Last Click hanem a DDA alapú Conversion Paths adatai alapján határoztuk meg, a teljes webshop hatékonysága helyreállt. A Meta kampányok célzását átalakítottuk: elkülönítettük a prospektáló (ToF) kampányokat, amelyeknél kizárólag az Első felhasználó forrása dimenziót figyeltük, és a retargeting kampányokat, ahol az eladások realizálását vizsgáltuk.
---
Amit NE csinálj: A legveszélyesebb attribúciós hibák a magyar piacon
A hazai ügynökségi és ügyféloldali gyakorlatban naponta találkozunk olyan berögzült hibákkal, amelyek alapjaiban torzítják el a mérési adatokat.
1. Consent Mode v2 "Advanced" vakrepülés
Sok hazai fejlesztő és ügynökség úgy implemented-te a Google Consent Mode v2-t, hogy nem ellenőrizték annak hatását a GA4 modellezésére. Ha a felhasználó elutasítja a cookie-k használatát, az "Advanced" mód cookieless pingeket küld a Google szervereinek. A GA4 ezekből a pingekből gépi tanulással próbálja megSACCOLNI a konverziókat.
A hiba ott kezdődik, hogy ezt a becsült adatot a marketingesek készpénznek veszik. Ha a webáruháznak nincs meg a napi minimum 100-150 tranzakciója, a Google becslési algoritmusa rendkívül pontatlan, és vad kilengéseket produkálhat.
Mit tegyél helyette? Mindig ellenőrizd a modellezetlen adatok arányát. Ha alacsony a tranzakciós számod, alkalmazz hibrid mérést (például saját SQL adatbázis és GA4 adatok összevetése), vagy használj "Basic" Consent Mode-ot, ahol nincs prediktív adatgyártás, így legalább a tiszta valóságot látod, még ha kevesebb is az adat.
2. A fizetési átjárók (Barion, OTP SimplePay, Borgun, PayU) kizárásának elmaradása
Ez a leggyakoribb technikai baki a magyar webáruházak felénél. Ha a vásárló a fizetési folyamat során átirányításra kerül a `simplepay.hu`, `secure.barion.com` vagy `sandbox.simplepay.hu` oldalakra, majd a sikeres fizetés után visszatér a webshoppon lévő "köszönöm" oldalra, a GA4 ezt új munkamenetként értelmezi.
Eredmény: a konverzió forrása a `simplepay.hu / referral` vagy a `barion.com / referral` lesz. A Google Ads és a Meta Ads kampányok pedig látszólag nulla konverziót hoznak.
```
Hogyan javítsd azonnal?
- Menj a GA4: Adminisztráció > Adatfolyamok (Data streams) > Válaszd ki a weboldalad.
- Kattints a "Címkebeállítások konfigurálása" (Configure tag settings) opcióra.
- Kattints a "Továbbiak megjelenítése" (Show all) gombra, majd válaszd a "Nemkívánatos hivatkozások listázása" (List unwanted referrals) menüpontot.
- Add hozzá az alábbi domaineket (gyufaillesztés típus: tartalmazza):
- simplepay.hu
- barion.com
- otpbank.hu
- payu.hu
- borgun.is
- paypal.com
```
3. Az UTM paraméterezés hanyag, kaotikus használata
A GA4 rendkívül érzékeny a kis- és nagybetűk közötti különbségekre (case-sensitive). Ha az egyik hirdetésben `utm_source=Facebook` szerepel, a másikban pedig `utm_source=facebook`, a GA4 ezt két teljesen külön forrásként fogja kezelni, sőt, a nagybetűs változatot hajlamos kilökni az alapértelmezetten definiált csatornák közül az `Unassigned` (besorolatlan) kategóriába.
Ugyanez igaz a hírlevelekre: a `newsletter`, `Email`, `e-mail`, `hirlevel` kavalkádot meg kell szüntetni. Ha a GA4 nem ismeri fel a forrást, nem tudja alkalmazni rá a DDA modellt sem megfelelően.
---
Akcióterv: 7 lépéses útmutató a tiszta adatokért és a pontos attribúcióért
Hajtsd végre az alábbi lépéseket a következő 14 napban, hogy tisztán lásd a marketingcsatornáid valós profitabilitását.
1. Lépés: UTM higiénia és szabványosítás
Vezess be egy kötelezően használandó, belső UTM paraméterezési sablont (pl. Google Sheets formájában) az összes marketinges és külsős ügynökség számára. Csak kisbetűket használhatsz!
- Meta hirdetésekhez kötelezően: `utm_source=facebook&utm_medium=cpc&utm_campaign={{campaign.name}}`
- Hírlevelekhez (Klaviyo/Mailchimp): `utm_source=klaviyo&utm_medium=email&utm_campaign=campaign_neve_datum`
2. Lépés: Nemkívánatos hivatkozások kizárása
Végezd el a fizetési átjárók (OTP, Barion,stb.) kizárását a fent leírt technikai útmutató alapján. Ellenőrizd a sikeres beállítást a GA4 Real-time jelentésében egy tesztvásárlás végrehajtásával.
3. Lépés: custom_channel_grouping beállítása a magyar sajátosságokra
Az alapértelmezett Google csatorna-csoportosítás gyakran az `Organic Social` vagy `Unassigned` kategóriába dobja a hazai sajátosságokat (pl. Árukereső, Olcsóbbat, offline hírlevél QR kódok).
- Hozz létre egy egyéni csatornacsoportot (Admin > Adatok megjelenítése > Csatornacsoportok).
- Definiáld az "Árukereső" csoportot: Ha a `source` tartalmazza az `arukereso` vagy `olcsóbbat` szavakat, akkor a csatorna legyen: `Comparison Shopping (Árukereső)`. Ezzel leválasztod az értékes konverziókat az általános Referral forgalomról.
4. Lépés: Konverzió-optimalizálás letisztázása
Tekintsd át a GA4 konverziós eseményeit (Admin > Kulcsfontosságú események). Győződj meg róla, hogy kizárólag a valódi üzleti értéket képviselő események (pl. `purchase` webshopoknál, `generate_lead` szolgáltatóknál) vannak megjelölve kulcsfontosságú eseményként. A kosárba helyezést, hírlevél feliratkozást vedd ki a fő konverziók közül, hogy ne torzítsák el a DDA algoritmust.
5. Lépés: Az attribúciós beállítások ellenőrzése
Menj az `Adminisztráció > Adatok megjelenítése > Attribúciós beállítások` menüpontba.
- Reporting attribution model: Állítsd be a `Data-driven` modellt, de tartsd észben a korlátait.
- Channels that can receive credit: Ha aktívan hirdetsz nem-Google platformokon (Meta, TikTok), válaszd a Google-hirdetések és fizetett csatornák (Google Ads and paid channels) opciót a Csak Google-hirdetések (Only Google Ads) helyett. Ha ezt elmulasztod, a GA4 a konverziós utak tisztításakor figyelmen kívül fogja hagyni a Meta kattintásokat a Google Ads javára.
```
Helyes beállítás a GA4 adminisztrációs felületén:
[ x ] Google-hirdetések és fizetett csatornák (Legtöbb e-commerce vállalkozás számára ajánlott)
[ ] Csak Google-hirdetések (Kizárólag akkor válaszd, ha semmilyen más felületen nem hirdetsz)
```
6. Lépés: Heti szintű Model Comparison audit
Vezesd be a heti marketing riportálásba a `Model comparison` elemzést. Nézd meg, hogy a DDA és az utolsó kattintásos modell között hol van a legnagyobb eltérés a Meta Ads és a Google Ads javára/rovására. Ha a Meta Ads DDA értéke szisztematikusan 30%-kal magasabb, emeld a Meta prospektáló kampányainak költségvetését 15%-kal, és figyeld a webshop teljes (blended) ROAS alakulását 14 napos ciklusban.
7. Lépés: BigQuery export beállítása a jövőálló mérésért
A GA4 fapados felülete nem enged egyedi, időalapú súlyozású vagy egyedi szabályrendszeren alapuló attribúciós modellezést.
- Kapcsold össze a GA4-et az ingyenesen használható Google BigQuery-vel.
- Gyűjtsd össze a nyers, eseményszintű adatokat.
- Ezzel a lépéssel függetleníted magad a Google felületétől, és a jövőben saját SQL lekérdezésekkel olyan hibrid attribúciós modellt építhetsz, amely tökéletesen illeszkedik a te egyedi magyar vásárlói döntési ciklusodhoz.
