A Google azzal a határozott mozdulattal, amellyel kivezette a GA4-ből a korábban megszokott szabályalapú attribúciós modelleket (például a Lineáris, az Időbeli lecsengés és a Pozícióalapú modelleket), kész tények elé állította a magyar e-commerce és PPC piacot. Maradt a Last Click (utolsó kattintás) és a Google által erőteljesen propagált Data-Driven Attribution (DDA – adatvezérelt attribúciós modell). Ez a változás nem egy technológiai fejlődés organikus lépése, sokkal inkább egy zárt fekete doboz (black box) ráerőltetése a hirdetőkre, amely rendszerszinten hajlamos felülértékelni a Google saját hirdetési csatornáit a Meta Ads, az organikus keresés vagy éppen az e-mail marketing rovására. A marketingvezetők és PPC specialisták jelentős része továbbra is vakon bízik a GA4 alapértelmezett számaiban, ami közvetlenül hibás büdzséallokációhoz és feleslegesen elégetett milliókhoz vezet.
Miért fontos ez most
A hazai e-commerce szektorban a recessziós gazdasági környezet, a csökkenő reálbérek és az intenzív árverseny miatt az átlagos kiskereskedelmi árrés a korábbi 18-22%-ról sok iparágban 10-12%-ra szűkült. Ebben a környezetben egy 150M és 500M HUF közötti éves árbevételű magyar webshop nem engedheti meg magának azt a luxust, hogy mérési pontatlanságok miatt rossz helyre allokálja a marketingköltését.
A helyzetet tovább nehezíti a Consent Mode v2 kötelező alkalmazása, amely a hazai piacon az Opt-In arányok romlását eredményezte: a magyar felhasználók átlagosan 25-35%-a nem járul hozzá a marketing célú követéshez a cookie banneren. A GA4 erre válaszul bevezette a modellezett konverziókat (behavioral modeling), ami viszont még tovább mélyíti a DDA láthatatlan fekete dobozát. Ha egy közepes méretű magyar ügynökség havi 300 000 HUF és 600 000 HUF közötti menedzsment díjért optimalizál Google Ads és Meta kampányokat, a döntéseit olyan adatokra alapozza, amelyek harmada matematikai becslésen alapul, és amelyek attribúciós logikája felett semmilyen kontrollja nincs.
Az alábbi táblázat jól szemlélteti, hogyan változtak meg a tipikus magyar CPC (kattintásonkénti költség) és akvizíciós költségek a legutóbbi időszakban, ami még inkább rákényszeríti a szakmát a precíz mérésre:
| Vertikum (Magyar Piac) | Google Search CPC (HUF) | Meta Ads CPC (HUF) | Elvárt PMax ROAS (%) | Átlagos Konverziós Ráta (%) |
| :--- | :--- | :--- | :--- | :--- |
| Otthon és Kert / Bútor | 180 - 320 HUF | 90 - 160 HUF | 450% - 600% | 0.8% - 1.2% |
| Divat és Ruházat | 60 - 130 HUF | 40 - 85 HUF | 350% - 500% | 1.5% - 2.5% |
| Pénzügy és Biztosítás | 450 - 1200 HUF | 250 - 550 HUF | N/A (CPA fókusz) | 2.0% - 4.5% |
| B2B Szolgáltatások | 350 - 750 HUF | 200 - 400 HUF | N/A (CPA fókusz) | 1.0% - 3.0% |
---
A GA4 attribúció sötét oldala: Miért torzít a Data-Driven modell?
A Google Data-Driven attribúciója elméletben a kooperatív játékelméletből ismert Shapley-értéken alapul. A modell azt vizsgálja, hogyan változik a konverzió valószínűsége, ha egy adott csatorna (touchpoint) szerepel az ügyfélútban, vagy ha kimarad onnan. A gyakorlatban azonban ez a matematikai tisztaság komoly rendszerszintű torzításokkal terhelt.
A Google saját csatornáinak strukturális előnye
A GA4 nem egy független, harmadik fél által fejlesztett elemzőeszköz, hanem az Alphabet ökoszisztéma része. Ennek megfelelően a Google Ads integráció mélysége nagyságrendekkel nagyobb, mint bármely külső hirdetési platformé (Meta Ads, TikTok Ads, Árukereső, RTB House).
- Azonosítási előny: A Google a saját bejelentkezett felhasználói bázisán keresztül (Chrome böngésző, Android, YouTube, Gmail) pontosabban tudja összekötni a cross-device (eszközök közötti) interakciókat, mint a Meta pixel vagy API adatai alapján.
- PMax (Performance Max) hatás: A PMax kampányok agresszíven célozzák az úgynevezett "alsó tölcséres" (bottom-of-funnel) kifejezéseket, beleértve a saját márkanevet (brand search) is, és gyakran jelenítenek meg kiszolgáló, remarketing jellegű hirdetéseket a Display hálózaton és a YouTube-on. A DDA hajlamos arra, hogy a konverzió értékének nagy részét ennek a végső Google touchpointnak ítélje meg, elértéktelenítve a Meta Ads felső tölcséres, igényteremtő szerepét.
A "last non-direct click" öröksége a standard riportokban
Gyakori tévedés a hazai specialisták körében, hogy a GA4 minden riportja az adminisztrációs felületen beállított attribúciós modellt alkalmazza. Ez nem igaz.
- Az Ügyfélszerzés (Traffic Acquisition) riportok továbbra is a klasszikus Cross-channel last click (utolsó nem közvetlen kattintás) modellt használják.
- Csak a Hirdetések (Advertising) menüpont alatti Attribúció (Attribution) és Útvonal-feltárás (Path exploration) riportok, illetve a fő konverziós riportok alkalmazzák a DDA modellt, ha az van beállítva tulajdonságszinten.
Ez a kettősség napi szinten vezet vitákhoz a magyar ügynökségek és a megrendelő oldali marketingesek között: míg a PPC-s a Google Ads fiókban (ami szintén a DDA-t használja) látja a konverziókat, addig a cégvezető a GA4 Traffic Acquisition riportjában lévő alacsonyabb számokat kéri számon rajta.
---
Esettanulmány: Hogyan torzít a DDA egy 350M HUF árbevételű magyar lakberendezési webshopnál?
A vizsgálat tárgya egy prémium egyedi bútorokat és lakásdekorációt értékesítő magyar e-commerce vállalkozás. Az átlagos kosárérték (AOV) magas, 45 000 HUF, a vásárlási döntési ciklus pedig hosszú: az első érintkezéstől a tranzakcióig átlagosan 18 nap telik el, és átlagosan 4.2 touchpoint (interakció) történik.
A kiinduló állapot és a hirdetési büdzsé eloszlása
A havi hirdetési keret 3 000 000 HUF, az alábbi megoszlásban:
- Meta Ads (Prospecting + Remarketing): 1 400 000 HUF (Átlagos CPC: 110 HUF)
- Google Ads (Search + Shopping / PMax): 1 300 000 HUF (Átlagos CPC: 190 HUF)
- Árukereső.hu: 300 000 HUF (Átlagos CPC: 75 HUF)
Az ügynökség korábban kizárólag a GA4 felületén elérhető Data-Driven modellt használta a teljesítmény értékelésére és a büdzsé optimalizálására. A DDA riportok alapján a Meta Ads ROAS mutatója folyamatosan a nyereségességi küszöb (BEP ROAS = 320%) alatt, 210%-on mozgott, míg a Google Ads PMax kampányok látszólag szárnyaltak 580%-os ROAS-sal. Az ügynökség javaslatára a Meta költést havi 600 000 HUF-ra csökkentették, a felszabaduló összeget pedig átcsoportosították Google Ads-re.
Az eredmény katasztrofális volt: az átcsoportosítást követő második hónap végére a webshop teljes árbevétele 28%-kal esett vissza, Miközben a Google Ads látszólagos hatékonysága továbbra is magas maradt.
A mélyreható adatelemzés (Raw Data Analysis)
A hiba feltárásához exportáltuk a GA4 nyers adatait a Google BigQuery-be, és újraalkottuk az egyedi felhasználói utakat. Az alábbi táblázat bemutatja, hogyan értékelte ugyanazokat a konverziós útvonalakat a GA4 alapértelmezett DDA modellje, és hogyan a valós érintkezési láncot mutató Első Kattintás (First Click) és az egyedi, egyenlő eloszlású (Linear) modell.
```
Konverziós Útvonal Példa:
Meta Ads (Prospecting) -> Organikus Keresés -> Google Shopping (PMax) -> Direkt látogatás (Vásárlás: 100 000 HUF)
```
| Attribúciós Modell | Meta Ads Részesedés (HUF) | Organikus Keresés (HUF) | Google Shopping (HUF) | Direkt Látogatás (HUF) |
| :--- | :--- | :--- | :--- | :--- |
| GA4 Data-Driven (DDA) | 12 000 HUF (12%) | 8 000 HUF (8%) | 80 000 HUF (80%) | 0 HUF (0%) |
| Utolsó Kattintás (Last Click) | 0 HUF (0%) | 0 HUF (0%) | 100 000 HUF (100%) | 0 HUF (0%) |
| Első Kattintás (First Click) | 100 000 HUF (100%) | 0 HUF (0%) | 0 HUF (0%) | 0 HUF (0%) |
| Lineáris (Linear Model) | 33 333 HUF (33.3%) | 33 333 HUF (33.3%) | 33 333 HUF (33.3%) | 0 HUF (0%) |
Mi történt a valóságban?
A Meta Ads generálta a látogatókban az igényt (First Click / Demand Generation). A felhasználó meglátta a prémium bútor kreatívját Instagramon, rákattintott, eltöltött 3 percet az oldalon, de nem vásárolt azonnal. Napokkal később rákeresett a terméktípusra Google-ben (Organikus), majd amikor már megszületett a vásárlási döntés, a Google Shopping elé tette a terméket, és ott kattintva végrehajtotta a tranzakciót.
A GA4 DDA modellje a konverziós érték 80%-át a Google Shopping-nak adta, mert a Google algoritmusa "úgy értékelte", hogy a Shopping kattintás nélkül nem jött volna létre a vásárlás. Amikor a Meta büdzsét drasztikusan megvágták, elapadt a tölcsér teteje: nem keletkezett új keresési igény, így a Google Shopping kampányoknak sem maradt kire rácélozniuk a remarketing vagy a brand fázisban.
---
Hogyan lépjünk túl a GA4 felületén? Az alternatív elemzési utak
A haladó magyar marketingeseknek el kell fogadniuk a tényt: a GA4 beépített felülete önmagában nem alkalmas arra, hogy stratégiai szintű marketing-döntések alapjául szolgáljon összetett, többcsatornás kampányok esetén. Az alábbiakban bemutatom a két legfontosabb alternatívát.
1. Google BigQuery export és saját SQL attribúciós modellezés
A GA4 ingyenes BigQuery integrációja lehetővé teszi a nyers, eseményszintű adatok elérését. Ez az egyetlen módja annak, hogy teljes mértékben átlássuk az ügyfélutakat (customer journeys), és saját, üzleti logikánknak megfelelő attribúciós algoritmusokat futtassunk.
Az alábbi SQL lekérdezés egy egyszerűsített példát mutat be arra, hogyan határozhatjuk meg az első és utolsó érintkezési pontokat a BigQuery-ben tárolt GA4 adatokból, kikerülve a Google beépített torzításait:
```sql
WITH user_session_paths AS (
SELECT
user_pseudo_id,
event_timestamp,
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'page_referrer') AS referrer,
coalesce(
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'source'),
REGEXP_EXTRACT((SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'page_location'), r'utm_source=([^&]+)')
) AS source,
coalesce(
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'medium'),
REGEXP_EXTRACT((SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'page_location'), r'utm_medium=([^&]+)')
) AS medium,
event_name,
ROW_NUMBER() OVER(PARTITION BY user_pseudo_id ORDER BY event_timestamp ASC) as asc_row,
ROW_NUMBER() OVER(PARTITION BY user_pseudo_id ORDER BY event_timestamp DESC) as desc_row
FROM
`your-project-id.analytics_123456789.events_*`
WHERE
_TABLE_SUFFIX BETWEEN '20260101' AND '20260131'
),
first_touch AS (
SELECT
user_pseudo_id,
source AS first_source,
medium AS first_medium
FROM user_session_paths
WHERE asc_row = 1
),
last_touch AS (
SELECT
user_pseudo_id,
source AS last_source,
medium AS last_medium
FROM user_session_paths
WHERE desc_row = 1
)
SELECT
f.first_source,
f.first_medium,
l.last_source,
l.last_medium,
COUNT(DISTINCT f.user_pseudo_id) as total_users
FROM first_touch f
JOIN last_touch l ON f.user_pseudo_id = l.user_pseudo_id
GROUP BY 1, 2, 3, 4
ORDER BY total_users DESC;
```
Ez a nyers adatsor pontosan megmutatja, hány olyan felhasználó van, aki Meta Ads-szel indított (first_source = 'facebook'), de végül Google Google Ads-en (last_source = 'google') keresztül konvertált. Ebből már manuálisan is kalkulálható egy sokkal igazságosabb, egyedi súlyozású attribúció.
2. Szerveroldali mérés (GTM Server-Side) és First-Party Cookie-k meghosszabbítása
Az Apple ITP (Intelligent Tracking Prevention) és a Safari böngésző korlátozásai miatt a kliensoldali (böngészőben futó) JS kódok által elhelyezett cookie-k élettartama gyakran mindössze 1-7 napra korlátozódik. Ha a vásárlási döntési ciklus ennél hosszabb (mint a fenti bútor webshop esetében a 18 nap), a GA4 egyszerűen elfelejti az első érintkezést, és amikor a felhasználó visszatér megvenni a terméket, új felhasználónak (New User) fogja érzékelni.
A megoldás a szoftveres infrastruktúra átalakítása GTM Server-Side alapokra (például egy magyar szolgáltatónál vagy Google Cloud Platformon futó szerver konténer segítségével, saját domain alá helyezve, pl. `metrics.webshopom.hu`). Ezáltal a cookie-k valódi first-party státuszt kapnak, és az élettartamuk visszaállítható a mérés szempontjából biztonságos 30-90 napos ciklusra.
---
Mit NE csinálj: A leggyakoribb integrációs és elemzési katasztrófák
A magyar ügynökségi gyakorlatban naponta találkozunk olyan súlyos beállítási hibákkal, amelyek teljesen hiteltelenné teszik a GA4 attribúciós adatait.
1. A Payment Gateway tranzakciók kizárásának elmulasztása (a klasszikus OTP SimplePay hiba)
Ha a GA4 tulajdon beállításaiban nincs konfigurálva a Nem kívánt hivatkozások listája (Unwanted Referrals), akkor a fizetési folyamatok során külső oldalra (pl. `simplepay.hu`, `barion.com`, `paypal.com`, `payu.hu`) átirányított felhasználó visszatérésekor a rendszer új munkamenetet indít.
Eredmény: A GA4 a konverzió teljes értékét az OTP SimplePay-nek vagy a Barionnak tulajdonítja (Last Click alapon), miközben a valódi forrást (legyen az SEO, Meta vagy Google Ads) teljesen törli a konverziós láncból.
Hogyan javítsd: Az Adminisztráció -> Adatgyűjtés és -kezelés -> Adatfolyamok -> Webes adatfolyam kiválasztása -> Címkézési beállítások megadása -> Nem kívánt hivatkozások listázása menüpontban kötelezően add hozzá az összes használt fizetési átjáró domainjét.
```
Példa kizárandó domainekre:
*.simplepay.hu
*.barion.com
*.payu.hu
*.paypal.com
*.otpbank.hu
```
2. GTM Consent Mode v2 hibás implementáció és a 30%-os "fantom adatvesztés"
A Consent Mode v2 bevezetése után sok fejlesztő úgy oldotta meg a jogi megfelelést, hogy ha a felhasználó nem kattint a cookie elfogadásra, vagy elutasítja azt, egyszerűen leblokkolják a Google Tag Manager betöltődését. Ez alapvető hiba.
A Consent Mode lényege éppen az lenne, hogy a GTM és a GA4 kódok betöltődnek, de "advanced" módban nem helyeznek el cookie-kat, hanem úgynevezett cookieless pingeget küldenek a Google szervereinek. Ebből a GA4 gépi tanulása képes modellezni a konverziókat. Ha teljesen blokkoljuk a betöltést, a modellezéshez szükséges alapadatok sem jutnak el a rendszerbe, így a GA4 DDA modellje vakon fog tippelni, drasztikusan lefelé torzítva az analytics-ben látható ROAS-t.
3. Az UTM paraméterezés teljes elhanyagolása vagy túlkomplikálása
"A Facebook automatikusan mér, nem kell UTM." – Ez a legveszélyesebb tévhit. UTM paraméterezés nélkül a Meta Ads forgalmának jelentős része (különösen a mobilalkalmazásokból – Messenger, Instagram app nyitásakor – történő átkattintások) a GA4-ben a `Direct / None` vagy a `l.facebook.com / referral` kategóriába esik be. Ezzel a DDA modell számára láthatatlanná válik a hirdetési költés hatása.
Használj konzisztens, kisbetűs UTM rendszert minden Meta kampányban:
```
utm_source=facebook&utm_medium=cpc&utm_campaign={{campaign.name}}&utm_content={{ad.name}}
```
---
Akcióterv: 7 lépéses útmutató a mérés megtisztításához és az attribúció optimalizálásához
A következő lépések végrehajtásával egy magyar e-commerce és PPC csapat képes minimalizálni a GA4 beépített torzításait, és valós képet kaphat a kampányok teljesítményéről.
1. Lépés: Tisztítsd meg a hivatkozási forrásokat
Azonnal vizsgáld felül az Adminisztráció -> Nem kívánt hivatkozások listáját. Győződj meg róla, hogy az összes hazai banki fizetőoldal, a Foxpost, a GLS, a Packeta nyomkövető aldomainjei és a saját belső aldomainjeid is fel vannak sorolva.
2. Lépés: Hasonlítsd össze a modelleket az Attribúciós Riportban
Ne hozz büdzsé-döntéseket kizárólag a Traffic Acquisition riport alapján. Havonta legalább egyszer navigálj a Hirdetések (Advertising) -> Modell-összehasonlítás (Model comparison) menüpontba. Hasonlítsd össze a Cross-channel data-driven és a Cross-channel last click modelleket a konverziók száma és a bevétel szempontjából, különös tekintettel a Meta Ads és az organikus keresési csatornákra.
3. Lépés: Implementáld a GTM Server-Side mérést
Állíts be egy szerveroldali GTM konténert. Ehhez használhatsz GCP-t (Google Cloud Platform) vagy olcsóbb, dedikált európai szerver-hosting szolgáltatókat (pl. Stape.io, ami havi 10-100 dollár közötti költségből lefedi egy 500M HUF-os shop forgalmát). Irányítsd oda a követéseket a saját `metrics.yourdomain.hu` aldomaineteken keresztül, biztosítva a 1st party cookie-k hosszabb élettartamát.
4. Lépés: Állítsd be a BigQuery exportot
Ne halaszd tovább a GA4-BigQuery összeköttetést. Az integráció ingyenes, a napi adattárolási költségek egy közepes méretű magyar webshop esetén nem haladják meg a havi 1500 - 3000 HUF összeget. Ha az adatok már ott vannak a felhőben, bármikor visszamenőleg is futtathatsz rájuk egyedi attribúciós lekérdezéseket.
5. Lépés: Alkalmazz inkrementalitási teszteket (Geo-testing vagy Holdout)
Mivel az online mérések soha nem lesznek 100%-osak az adatvédelmi korlátozások miatt, ellenőrizd a mérést inkrementalitási tesztekkel.
- Példa: Kapcsold le a Meta remarketing kampányokat 2 hétre egy adott régióban (pl. Kelet-Magyarország megyéiben), miközben Nyugat-Magyarországon változatlanul futtatod őket.
- Mérd meg a teljes (GA4-től független, belső ERP-ben látható) árbevétel változását a két régió között. Ez a teszt könyörtelenül megmutatja a Meta hirdetések valódi hozzáadott értékét a GA4 által jelentett attribution credithez képest.
6. Lépés: Hangold össze a Meta Conversion API-t (CAPI) a GA4-gyel
Győződj meg arról, hogy a Meta Conversion API direct (szerver-szerver) integrációja és a böngésző oldali pixel mérése azonos eseményazonosítókat (Event ID) küld be. Ha az Event Match Quality (esemény-egyezőségi mutató) a Meta Event Managerben 6.5/10 pont felett van, a Meta sokkal hatékonyabban tudja saját felületén azonosítani a konverziókat, így az ügynökségnek jobb alapja lesz összevetni a Meta belső mérését a GA4 DDA adataival.
7. Lépés: Mérd fel a döntési ciklus hosszát
A GA4 Konverziós útvonalak (Conversion paths) riportjában nézd meg a "Days to convert" (konverzióig eltelt napok száma) értéket. Ha ez a szám 7 nap feletti, határozottan utasítsd el az ügynökség azon javaslatait, amelyek kizárólag a Last click vagy a korlátozott ablakú DDA alapján állítanák le a felső tölcséres videós vagy reach kampányokat.
