Looker Studio Dashboard Sablonok PPC Ügynökségeknek: Riportálás 2026-ban
Hogyan építs olyan Looker Studio dashboardot, ami nem lassul be, kezeli a 27%-os magyar ÁFÁ-t és havi 140+ munkaórát spórol meg az ügynökségednek? Mutatjuk a BigQuery integrációt és az e-commerce riportálás buktatóit.
A legtöbb magyar PPC ügynökség havonta több tucat munkaórát éget el olyan Looker Studio (leánykori nevén Google Data Studio) dashboardok javítgatásával, amelyek vagy az API-konnektorok szakadozása miatt "System Error" üzenetet adnak, vagy olyan fals adatokat mutatnak, amelyek köszönőviszonyban sincsenek a valósággal. Az ügyfelek pontos, átlátható és üzleti döntésekre alkalmas riportokat várnak el, miközben az ügynökségi oldalon a PPC specialisták és account managerek a GA4 és a Google Ads közötti konverziós eltéréseket magyarázzák kétségbeesett e-mailekben. Ez a működési modell nemcsak hogy fenntarthatatlan, de közvetlenül rombolja az ügynökség profitabilitását és hitelességét. Itt az ideje túllépni az előregyártott, ingyenes külföldi sablonokon, amelyek képtelenek lekezelni a hazai piac sajátosságait, mint például a 27%-os ÁFÁ-t vagy a többcsatornás attribúció valóságát.
Miért fontos ez most
A hazai digitális marketing piac elért egy olyan érettségi fázist, ahol a puszta "átkattintási arány" és "CPC" mutatók már senkit sem érdekelnek a cégvezetői értekezleteken. Egy átlagos, havi 200 000 és 800 000 HUF közötti fix ügynökségi díjat (retainer) fizető magyar kkv elvárja, hogy a riportok közvetlen üzleti hatást – nettó profitot, kosárértéket és valós LTV-t – mutassanak. A harmadik felek sütijeinek (third-party cookies) kivezetése és a Consent Mode v2/v3 kötelező alkalmazása óta a mérési adatok hiányosak; az adatok modellezése és a szerveroldali (server-side GTM) követés már alapkövetelmény.
Ha egy ügynökség még mindig közvetlen API-kapcsolaton keresztül rángatja be az adatokat a Meta Ads-ből vagy a TikTok-ból a Looker Studio-ba, azzal két problémát generál: egyrészt a dashboardok használhatatlanul lassúvá válnak a Google API kvótakorlátozásai miatt (a "Quota Error" napi szintű vendéggé válik), másrészt az adatok frissülése esetleges lesz. A magyar piac sajátossága, hogy a webshopok jelentős része (becslések szerint mintegy 65%-a) valamilyen bérelt motoron (Shoprenter, Unas, Shoptet) fut, amelyek egyedi módon kezelik a tranzakciók exportját, sokszor bruttó értékeket küldve a GA4-nek, miközben az ERP rendszerben a nettó értékek szerepelnek. Egy rosszul strukturált Looker Studio dashboard így nem döntéstámogató eszköz, hanem egy félretájékoztató fegyver lesz az ügyfél kezében.
A robusztus adatarchitektúra alapjai: Miért buknak el az ingyenes sablonok?
A közvetlen konnektorok csapdája és a GA4 API kvóták limitációi
Sokan abban a hitben élnek, hogy egy havi 15 dolláros harmadik felek által biztosított konnektor (pl. Supermetrics, Porter Metrics, Windsor.ai) megoldja az összes problémájukat. Az igazság ezzel szemben az, hogy a közvetlen API-lekérdezések rendkívüli módon leterhelik a Looker Studio motorját. Miután a Google bevezette a GA4 API használatára vonatkozó szigorú kvótakorlátokat (Concurrent Requests Limit), a közvetlen csatlakozású dashboardok egyszerűen összeomlanak, ha egynél több felhasználó próbálja megnyitni őket egyszerre, vagy ha a dátumtartományt hosszabb időszakra állítják be.
Magyarországon az átlagos CPC árak a divat szektorban 40-120 HUF között mozognak, míg a B2B és pénzügyi szektorban a 400-1100 HUF-ot is elérik. Egy ilyen kompetitív környezetben nem engedhető meg, hogy az adatok késve vagy hibásan frissüljenek, mert az azonnali kampányoptimalizálási lehetőségeket veszítünk el. Ha a dashboard nem tölt be az ügyfél-prezentáció alatt, az ügynökség professzionalizmusa kérdőjeleződik meg.
A BigQuery mint a modern PPC riportálás alapköve
A fenntartható megoldás az adatok köztes tárolása. Az ügynökségeknek át kell térniük a BigQuery-alapú adatstruktúrára. A folyamat egyszerű, mégis kevesen alkalmazzák: az adatok a forrásokból (Google Ads, Meta Ads, GA4, CRM) először egy felhőalapú adatbázisba (BigQuery) áramlanak be napi szintű ütemezéssel, és a Looker Studio már csak ebből a villámgyors, előre aggregált adatbázisból olvassa ki az információkat.
```sql
-- Példa: Egyszerűsített SQL lekérdezés BigQuery-ben a napi Google Ads költések és konverziók összesítésére
SELECT
segments.date AS datum,
campaign.name AS kampany_nev,
metrics.clicks AS kattintasok,
(metrics.cost_micros / 1000000) AS koltes_huf,
metrics.conversions AS konverziok
FROM
`your-project-id.google_ads.ads_CampaignBasicStats_*`
WHERE
_TABLE_SUFFIX = FORMAT_DATE('%Y%m%d', DATE_SUB(CURRENT_DATE(), INTERVAL 1 DAY))
```
Ezzel kiküszöbölhető a "Quota Error", a dashboard betöltési ideje 15 másodpercről 1,5 másodpercre csökken, és lehetőség nyílik egyedi SQL lekérdezések futtatására is, amelyekkel például kiszűrhetők a hibás vagy teszt tranzakciók.
A magyar e-commerce és lead-gen specifikumok integrálása
A 27%-os ÁFA és a logisztikai költségek lekezelése
Saját szakmai tapasztalatom és a hazai piacon látott dashboardok 90%-a elköveti azt a kapitális hibát, hogy a Google Analytics 4 által mért "Purchase Revenue" mutatót tekinti a marketing sikerének alapjául. Csakhogy a GA4-be a legtöbb hazai webshop esetében a bruttó (27%-os áfával növelt) érték kerül be, ráadásul sokszor a szállítási díjjal (amely jellemzően 1500 - 2900 HUF közötti összeg a GLS vagy Foxpost esetében) együtt.
Ha egy kampány generál 10 000 000 HUF árbevételt a GA4 szerint, de ebből 2 125 984 HUF az ÁFA, és további 450 000 HUF a szállítási díj (amit az ügynökség nem tud profitra váltani, hiszen az a futárszolgálaté), akkor a valós, termékalapú nettó árbevétel mindössze 7 424 016 HUF. Ha a költés 2 000 000 HUF volt, a látszólagos ROAS 5,0-ös, míg a valós, nettó marketing ROAS csupán 3,71.
Egy profi Looker Studio sablonnak tartalmaznia kell egy kalkulált mezőt (Calculated Field), amely automatikusan elvégzi ezt a korrekciót:
$$\text{Net Revenue} = \frac{\text{GA4 Revenue} - \text{Shipping Cost}}{1.27}$$
A Looker Studio képlet szintaxisával ez így néz ki:
`SUM(Revenue - Shipping) / 1.27`
Ez az egyetlen képlet megóvhatja az ügynökséget attól, hogy olyan kampányokat skálázzon túl, amelyek valójában veszteségesek.
Multi-channel attribúció és a csatornák közötti harc
A magyar kkv-ok döntő többsége egyszerre hirdet a Meta és a Google rendszereiben. Ha megnézzük a Meta Ads Manager jelentését és a Google Ads felületét, a két rendszer által jelentett konverziók összege gyakran 30-40%-kal meghaladja a webshop motor által ténylegesen kiszámlázott rendelések számát. Ennek oka a "self-attribution" (önattribúció) jelensége: mindkét platform magának akarja tulajdonítani a sikert.
Egy modern ügynökségi dashboard nem mutathatja egymás mellett kritikátlanul a Meta és a Google saját számait anélkül, hogy ne szerepeltetne egy harmadik, "tisztított" oszlopot. Ez a tisztított nézet a GA4 session-alapú vagy data-driven attribúcióján kell, hogy alapuljon.
Vélemény: Az az ügynökség, amelyik még mindig a Meta saját "7-day click / 1-day view" attribúciós számait prezentálja az ügyfélnek fő sikermutatóként anélkül, hogy mellé tenné a GA4 last-click vagy data-driven számait, szakmai mulasztást követ el. Ez a fajta torzítás hosszú távon aláássa a marketinges szakma hitelességét a cégvezetők szemében.
Esettanulmány: Hogyan spórolt meg havi 126 munkaórát egy 350M HUF éves árbevételű webshopot kezelő ügynökség?
Vizsgáljuk meg egy közepes méretű hazai digitális marketing ügynökség példáját. Az ügynökség 12 aktív e-commerce ügyfelet szolgál ki, az ügyfelek átlagos éves árbevétele 200M és 500M HUF között mozog (összesített portfólióérték: kb. 3,8 milliárd HUF).
Az ügynökség korábban klasszikus módon, manuálisan és egyedi PDF exportokkal, valamint közvetlen API-alapú Looker Studio riportokkal dolgozott.
A kiinduló állapot kihívásai
- Minden hónap elseje és ötödike között 4 PPC specialistának és 1 account managernek a munkaideje 60%-ban a riportok másolásával, a manuális Excel táblák töltögetésével (Google Ads adatok manuális beírása, Meta költések átváltása EUR-ból HUF-ra az aktuális MNB középárfolyamon) telt el.
- Az ügyfelek átlagosan havonta 3 alkalommal jelezték, hogy a dashboardok "lassúak" vagy "nem töltenek be" (a közvetlen API-konnektorok túlterheltsége miatt).
- Egy-egy riport elkészítése és ellenőrzése ügyfelenként havi 12 órát vett igénybe. Összesen: 144 óra/hónap.
A megvalósított megoldás
Az ügynökség bevezetett egy egységesített, BigQuery-alapú Looker Studio sablonrendszert. Az adatok integrálását a következőképpen strukturálták:
- Minden ügyfél Google Ads és GA4 adatait ingyenesen összekötötték a Google Cloud platformon futó BigQuery-vel.
- A Meta Ads és egyéb nem-Google csatornák (pl. Árukereső, RTB House) adatait egy kedvező árfekvésű köztes integrátor segítségével naponta egyszer behúzták ugyanabba a BigQuery adattárházba.
- Létrehoztak egy egyedi SQL nézetet (View), amely az MNB API-ján keresztül automatikusan lekérte a napi devizaárfolyamokat, így az EUR alapú Meta hirdetési fiókok költéseit automatikusan és pontosan konvertálta HUF-ra a napi teljesítési értéknek megfelelően.
- A Looker Studio-ban egyetlen, 4 oldalas master sablont hoztak létre, amely dinamikusan, az ügyfél azonosítója (Client ID) alapján szűrte az adatokat.
A számszerűsíthető eredmények
| Mutató | Bevezetés előtt | Bevezetés után | Változás (%) |
| :--- | :--- | :--- | :--- |
| Riportálásra fordított idő / hó / ügyfél | 12 óra | 1,5 óra | -87,5% |
| Összesített havi munkaóra (12 ügyfél) | 144 óra | 18 óra | -126 óra megtakarítás |
| Dashboard betöltési idő (átlag) | 18,4 másodperc | 1,9 másodperc | -89,6% |
| Ügyfél-elégedettségi mutató (NPS) | 7.2 / 10 | 9.4 / 10 | +30,5% |
| Megtakarított bérköltség (25 000 HUF/óra belső költséggel számolva) | - | 3 150 000 HUF / hó | - |
Az ügynökség a felszabadult havi 126 órát nem létszámleépítésre használta, hanem proaktív kampányoptimalizálásra, kreatív tesztelésre és új ügyfelek akvizíciójára. Ennek köszönhetően a meglévő ügyfélportfólió átlagos ROAS-a 14%-kal növekedett a bevezetést követő negyedévben.
Mit NE csinálj: A 4 leggyakoribb Looker Studio hiba, ami ügyfélvesztéshez vezet
1. A "minden adatot megmutatok" vizualizációs káosz
Sok PPC specialista büszke a technikai tudására, és ezt úgy próbálja bizonyítani, hogy 150 különböző diagramot, táblázatot és scorekártyát zsúfol be egyetlen oldalra. Az ügyfél (aki gyakran nem marketinges, hanem egy kereskedelmi szemléletű cégvezető vagy pénzügyi igazgató) ettől nem elképed, hanem leblokkol.
Ha a dashboardon egymás mellett van a Search Impression Share, a Lost IS (budget), az Average Session Duration és a Net Profit, az fókuszvesztéshez vezet. A döntéshozóknak csak a fő KPI-ok kellenek: Költés, Konverzió, CPA, ROAS, Bevétel. Minden egyéb részlet (kulcsszavak szintje, eszközök szerinti megoszlás) külön, opcionálisan lenyitható lapra tartozik.
2. A devizák keverése konverzió nélkül
Magyarországon teljesen megszokott, hogy a Google Ads forintban (HUF) költ, miközben a Meta Ads számlázása euróban (EUR) történik, mert a kártyás fizetésnél ez az optimálisabb vagy az anyacég ezt írta elő. Óriási hiba a Looker Studio-ban egyszerűen összeadni a két költési oszlopot anélkül, hogy egy dinamikus átváltási rátát alkalmaznánk.
Ha a dashboard fix 400 HUF/EUR árfolyammal számol, miközben a piac éppen ingadozik, a riportált CPA és ROAS mutatók torzulni fognak. Ez az apró hanyagság komoly bizalmi válságot okozhat, amikor az ügyfél pénzügyi osztálya összeveti a banki bizonylatokat a marketing riporttal.
3. A mintavételezett (sampled) GA4 adatok figyelmen kívül hagyása
A GA4 hajlamos a mintavételezésre (sampling) és a küszöbértékek (thresholding) alkalmazására, ha a Looker Studio közvetlen konnektorán keresztül kérjük le a standard dimenziókat és mutatókat (különösen, ha a Google Signals be van kapcsolva). Ez azt jelenti, hogy a dashboardon látható felhasználószámok és konverziós adatok akár 20-30%-kal is eltérhetnek a valóságtól. Ezt csak úgy lehet elkerülni, ha a nyers GA4 BigQuery exportot használjuk adatforrásként, ahol nincs mintavételezés és nincs küszöbölés.
4. Statikus célszámok használata a dinamikus piacokon
Hiba egy dashboardon merev, egész évre vonatkozó célokat (pl. "Elvárt ROAS: 4.5") beégetni szöveges mezőként. A magyar e-commerce piac szezonalitása rendkívül erős: a Black Friday időszakában (november) a CPC árak drasztikusan megemelkednek (akár 150%-kal is), míg a konverziós arány is csúcsot dönt. Januárban viszont a kereslet visszaesik.
A dashboardnak dinamikus, havi szinten frissülő célvonalakat (Target Lines) kell tartalmaznia, amelyeket egy egyszerű Google Sheet-ből olvas be a rendszer, így az ügyfél nem fog pánikba esni egy szezonálisan gyengébb hónapban, mert látja a teljesítményt az előre meghatározott, havi bontású tervhez képest.
---
A tökéletes ügynökségi master sablon struktúrája
Egy professzionális, skálázható Looker Studio dashboardnak négy jól elkülöníthető szintből kell állnia, hogy kiszolgálja mind a cégvezetőket, mind a technikai szakembereket.
```
+------------------------------------------------------------+
| 1. VEZETŐI ÖSSZEFOGLALÓ |
| (Blended ROAS, Összes Költés, Nettó Bevétel, MER, Profit) |
+------------------------------------------------------------+
|
v
+------------------------------------------------------------+
| 2. CSATORNASZINTŰ MEGJELENÉS |
| (Google Ads vs. Meta vs. Árukereső összevetés) |
+------------------------------------------------------------+
|
v
+------------------------------------------------------------+
| 3. KAMPÁNYSZINTŰ MÉLYFÚRÁS |
| (PMax, Search, Meta Advantage+ hirdetések adatai) |
+------------------------------------------------------------+
|
v
+------------------------------------------------------------+
| 4. KOHORSZ ÉS LTV ELEMZÉS |
| (Visszatérő vásárlók aránya, ügyfélérték) |
+------------------------------------------------------------+
```
1. Oldal: Vezetői összefoglaló (Executive Dashboard)
Ez az oldal kizárólag a döntéshozóknak szól. Tartalmaznia kell a legfőbb üzleti mutatókat (Blended ROAS, Összes Költés, Összes Nettó Bevétel, Átlagos Kosárérték - AOV, és a Marketing Hatékonysági Ráta - MER). Semmi technikai zsargon, csak tisztán az üzlet.
2. Oldal: Csatornaszintű teljesítmény (Google Ads vs. Meta vs. Egyéb)
Itt egymás mellett, de azonos logikával összehasonlítva láthatók a csatornák. Fontos, hogy itt ne a csatornák saját attribúciós adatait mutassuk, hanem a GA4-ből származó, azonos attribúciós modellel (pl. utolsó nem közvetlen kattintás vagy data-driven) számolt konverziókat és bevételeket.
3. Oldal: Kampányszintű mélyfúrás (Drill-down)
Ez a PPC specialisták hús-vér munkaeszköze. Interaktív táblázatok, amelyekben szűrni lehet kampánytípus szerint (PMax, Search, Shopping, Meta Advantage+ Catalog Ads). Itt már helyet kaphatnak a technikai mutatók is, mint a CTR, a minőségi mutató (Quality Score), vagy a kosárba helyezési arány.
4. Oldal: Kohorsz és LTV elemzés
Az új vevők megszerzésének költsége (CAC) olyan magas, hogy sok kereskedő az első vásárláson egyáltalán nem realizál profitot. Ezért létfontosságú egy olyan fül, amely megmutatja az ügyfelek visszatérési arányát és az LTV (Lifetime Value) alakulását a megszerzési hónap szerint csoportosítva (Cohort Analysis). Ha az ügynökség képes megmutatni, hogy a Google Ads-ből hozott vásárlók LTV-je 45%-kal magasabb, mint a Meta-ból érkezőké, akkor a büdzsé átcsoportosítását nem a megérzések, hanem kőkemény adatok fogják támogatni.
---
Akcióterv: Hogyan állítsd át az ügynökségedet a következő 30 napban?
Kövesd az alábbi lépéseket, hogy minimálisra csökkentsd a riportálási időt és maximalizáld az ügyfélmegtartást:
- Auditáld a jelenlegi riportálási időt: Mérd le pontosan (pl. Toggl vagy Clockify segítségével), hogy az elmúlt hónapban az ügynökség hány órát töltött manuális adatgyűjtéssel és dashboard-kozmetikázással. Határozd meg a jelenlegi belső költséget!
- Aktiváld a BigQuery exportot: Minden egyes GA4 tulajdonosnál kapcsold be az ingyenes BigQuery exportot. Még ha most nem is használod aktívan, az adatok gyűjtése azonnal megkezdődik, és később aranyat fog érni.
- Szüntesd meg a közvetlen API kapcsolatokat a fő riportokban: Vásárolj egy megbízható köztes adattárház-integrátort, és vezesd át a Meta Ads, Árukereső és egyéb adatsorokat a BigQuery-be.
- Építsd be a 27%-os ÁFA és szállítási díj korrekciót: Módosítsd a Looker Studio képleteidet úgy, hogy az ügyfeleknek a valós, nettó marketing ROAS-t mutasd meg a bruttó GA4 bevételek helyett.
- Készíts egységes Master Sablont: Tervezz meg egy 4 oldalas, letisztult, sötét vagy világos témájú master dashboardot, amely az ügynökséged arculatát tükrözi. Használj dinamikus adatforrás-választót (Data Source Parameter), hogy egyetlen sablonnal kiszolgálhasd az összes ügyfeledet.
- Automatizáld az MNB árfolyam-konverziót: Ha devizás hirdetési fiókjaid is vannak, hozz létre egy automatizált Google Sheets vagy SQL alapú napi árfolyam-frissítőt, és ezzel szorozd fel a költéseket a dashboardon.
- Tesztelj és validálj: Hasonlítsd össze a régi és az új dashboard adatait 3 különböző ügyfélnél az elmúlt 3 hónapra vonatkozóan. Ha az eltérés kisebb, mint 2%, a rendszer élesíthető.
- Tréningeld az account csapatot: Tanítsd meg az account managereket arra, hogyan kell "olvasni" az új, üzlet-fókuszú dashboardokat, és hogyan tudják prezentálni a nettó profit alapú növekedést az ügyfelek felé, megalapozva ezzel a retainer díjak megemelését vagy a sikerdíjas (success fee) konstrukciók bevezetését.
