Looker Studio PPC dashboard sablonok: Riportálási útmutató és kész minták magyar ügynökségeknek

SEO Cím: Looker Studio Dashboard Sablonok PPC Ügynökségeknek: Riportálás BigQuery Alapon

Meta leírás: Hogyan váltsuk ki a manuális Excel-riportálást BigQuery és Looker Studio segítségével? Konkrét magyar PPC-piaci adatok, SQL sémák és megtakarítási számítások hazai ügynökségeknek.

A magyar PPC ügynökségek többsége még mindig önbecsapásban él, amikor a havi riportálást „automatizáltnak” nevezi. Hiába csatolják be a közvetlen Google Analytics 4 és Google Ads natív összekötőket a Looker Studio dokumentumaikba, a hó végi zárásoknál a fiókkezelők továbbra is órákat töltenek a szétesett táblázatok javítgatásával, a GA4 API-kvótakorlátok miatti hibaüzenetek kerülgetésével és az adatok manuális másolásával. Ha egy hazai marketingügynökség 15-20 aktív ügyfelet kezel, a manuális riport-kozmetikázás és a széttöredezett adatforrások foltozása havonta akár 40-50 munkaórát is felemészthet, ami a jelenlegi bérszintek és működési költségek mellett súlyos százezres, sőt milliós veszteséget jelent a profitmarzsban.

A hazai e-commerce és szolgáltatási szektor szereplői a korábbi évekhez képest sokkal szigorúbban mérik a marketingkiadásaik megtérülését. Egy 250M HUF és 1,5B HUF közötti éves árbevételt realizáló magyar webáruház tulajdonosa már nem elégszik meg a Google Ads fiókból kimásolt, elszigetelt „ROAS” adatokkal, miközben a raktárkészlet finanszírozása és az OTP SimplePay tranzakciós költségek emelkedése miatt az üzemi eredménye csökken.

Az ügynökségi piacra nehezedő nyomást tovább fokozza a szakemberhiány és a bérnyomás. Egy tapasztalt senior PPC specialistát ma Magyarországon nettó 650 000 HUF – 900 000 HUF havi bér alatt szinte lehetetlen alkalmazni. Ha ez a magasan képzett kolléga az idejének 15-20%-át másolással, táblázatok formázásával és a Google Analytics API kvótáinak (a hírhedt Quota Error hibák) kerülgetésével tölti, az ügynökség vezetője közvetlen veszteséget könyvel el. 2026-ban a közvetlen api-kapcsolatos Looker Studio dashboardok ideje lejárt; az adatokat BigQuery-be kell terelni, és onnan strukturáltan, aggregálva kell a vizualizációs rétegbe tolni.

---

A közvetlen platform-összekötők (például a Looker Studio gyári GA4 konnektora) használata egyszerűbb projekteknél működőképesnek tűnik, de amint az adatlekérdezések száma átlép egy szintet, a dashboardok használhatatlanná válnak. A hibaüzenetek mögött a Google szándékos korlátozása áll, amely az egyidejűleg lekérdezhető tokenszámot maximalizálja.

```

+------------------+ +------------------+ +--------------------+

| Google Ads API | | Meta Ads API | | GA4 BigQuery Export|

+--------+---------+ +--------+---------+ +---------+----------+

| | |

| (Supermetrics/ | (Windsor.ai/ |

| Windsor.ai pipeline) | Fivetran pipeline) |

v v v

+--------+------------------------+-------------------------+----------+

| Google BigQuery (DWH) |

+---------------------------------+------------------------------------+

|

| (Aggregált SQL lekérdezések)

v

+---------------------------------+------------------------------------+

| Looker Studio Dashboard |

+----------------------------------------------------------------------+

```

Amikor egy magyar kkv-ügyfél marketingigazgatója megnyitja a havi riportot, és az „Adatforrás konfigurációs hiba” vagy a „Token limit túllépés” üzenettel találkozik, az ügynökség azonnal elveszíti a professzionalizmusába vetett bizalmat. A közvetlen Google Analytics 4 konnektor másodpercenként mindössze 10 token felhasználását engedélyezi projektenként. Egy összetettebb, szűrőkkel, dátumtartomány-választóval ellátott dashboard egyetlen frissítéssel akár 50-100 tokent is elhasználhat.

A BigQuery adattárház használata ezzel szemben szinte ingyenes ezen a szinten. A Google Cloud Platform (GCP) havi 10 GB tárhelyet és 1 TB-nyi SQL-lekérdezést ad teljesen ingyen az Always Free keretében. Egy havi 15-20 millió HUF forgalmú magyar webshop havi adatmennyisége a BigQueryben alig éri el a 150-200 MB-ot. Az adatokat közvetítőkön (pl. Windsor.ai, Porter Metrics, vagy saját fejlesztésű Python scriptek a Cloud Functions segítségével) keresztül töltjük a BigQuery-be. Ezek költsége havi 15 000 HUF és 45 000 HUF között mozog, ami töredéke annak az összegnek, amit a specialisták manuális munkájának kiváltásával megtakarítunk.

Az alábbi SQL kód bemutatja, hogyan vonhatók össze a Meta Ads és a Google Ads napi szintű költség- és kattintásadatai a BigQuery-ben, hogy a Looker Studio-nak már csak egyetlen, villámgyors táblát kelljen meghívnia:

```sql

SELECT

date,

'Google Ads' AS source,

campaign_name,

clicks,

impressions,

cost

FROM `my-agency-gcp-project.google_ads.campaign_performance_report`

WHERE date >= DATE_SUB(CURRENT_DATE(), INTERVAL 90 DAY)

UNION ALL

SELECT

reporting_start AS date,

'Meta Ads' AS source,

campaign_name,

clicks,

impressions,

spend AS cost

FROM `my-agency-gcp-project.meta_ads.campaign_performance_report`

WHERE reporting_start >= DATE_SUB(CURRENT_DATE(), INTERVAL 90 DAY)

```

Ezzel a módszerrel a Looker Studio nem a két különálló, lassú API-hoz fordul, hanem egyetlen optimalizált BigQuery nézetet (View) olvas be, így a riport betöltési ideje 18 másodpercről 1,2 másodpercre csökken.

---

Egyetlen, mindenes dashboard nem létezik. Ha ugyanazt a riportot küldjük el a webshopot tulajdonló cégvezetőnek, amit a PPC specialista használ a mindennapi optimalizálásra, az ügyfél elveszíti a fonalat, vagy ami rosszabb, mikromenedzselni kezdi a fiókokat olyan metrikák alapján, amelyeket nem ért jól.

Ez a dashboard kizárólag az üzleti szintű döntéshozóknak szól. Nem tartalmaz kampányneveket, kulcsszavakat, sem ad-group szintű metrikákat.

• A célközönség: Cégvezetők, ügyvezetők, pénzügyi igazgatók.
• Főbb fókuszpontok: POAS (Profit on Ad Spend), Blended ROAS, teljes marketingköltés aránya a teljes árbevételhez képest (MER - Marketing Efficiency Ratio).
• A megjelenítés módja: Nagyméretű, tiszta számkártyák (Scorecards) és egyértelmű trendvonalak, amelyek az elmúlt 12 hónap teljesítményét mutatják a szezonalitás kiszűrésére.

Ez az ügynökségi specialista és az ügyféloldali marketinges közös munkaeszköze. Itt történik a napi, heti szintű beavatkozások elemzése.

• Főbb fókuszpontok: Csatornák szerinti lebontás (Google Ads, Meta Ads, TikTok Ads, Árukereső), kampánytípusok teljesítménye (pl. Performance Max vs. Search), hirdetési kreatívok hatékonysága (CTR, Hook Rate, Hold Rate), és kulcsszó-szintű konverziós adatok.
• Interaktivitás: Kötelező elemek az eszköz-típusok (mobil vs. desktop), a földrajzi lokáció (budapesti vs. vidéki vásárlók eloszlása) és a demográfiai szűrők.

A modern magyar vásárlási útvonal nem lineáris. Egy vásárló gyakran találkozik a termékkel egy Meta videós hirdetésben, másnap rákeres Google-ön, végül az Árukeresőn vagy az emag Marketplace-en keresztül fejezi be a vásárlást.

• A kihívás: Ha a Meta Ads és a Google Ads is saját konverziós pixelje alapján riportál, a két csatorna által mutatott konverziók összege gyakran 30-40%-kal meghaladja a valóságban, az OTP SimplePay vagy a Billingo rendszerében megvalósult tranzakciók számát.
• A megoldás: Egy olyan dashboard, amely a GA4 First User és Last Non-Direct Click attribúciós modelljeit veti össze, valamint követi a támogatott konverziókat (Assisted Conversions). Ez tisztán megmutatja, melyik csatorna működik elsődleges "kapunyitóként" (awareness), és melyik a közvetlen értékesítő (conversion pull).

| Dashboard Típus | Frissítési Gyakoriság | Elsődleges Adatforrás | Ajánlott Oldalszám |

| :--- | :--- | :--- | :--- |

| Executive | Havi egyszer | BigQuery (Blended CRM + Ad Platforms) | 1 oldal |

| PPC Operatív | Naponta / Heti kétszer | Közvetlen BigQuery tükrözött adatok | 3-4 oldal |

| Omnichannel | Heti egyszer | GA4 BigQuery Export + CRM adatok | 2 oldal |

---

Az alábbiakban egy valós, anonymizált magyar piaci esetet mutatunk be. Az érintett vállalkozás egy prémium cipőket és kiegészítőket értékesítő hazai webáruház, amelynek éves online árbevétele 350 millió HUF. Az ügynökség korábban havi 350 000 HUF + áfa fix díjért, valamint a költés 10%-áért (átlagosan havi 450 000 HUF jutalék) kezelte a Google Ads és Meta kampányokat.

A kiinduló állapot

A havi zárásoknál az ügynökség junior fiókkezelője minden hónap elsején és másodikán manuálisan gyűjtötte össze a következő adatokat:

• Google Ads költségek, konverziók, ROAS.
• Meta Ads (Facebook) költések, kattintások, vásárlási konverziós értékek.
• Árukereső kattintások és a partnerprogramból származó bevételek.
• GA4 e-commerce adatok az eltérések ellenőrzéséhez.

Ez a folyamat minden hónapban átlagosan 4 munkaórát vett igénybe ennél az egyetlen ügyfélnél. Az adatok összesítése során rendszeresek voltak a másolási hibák (rossz cellatípusok az Excelben, elcsúszott dátumok a hétvégi napok miatt), ami miatt az ügyfél többször kérdőjelezte meg az adatok hitelességét. Az ügynökség vezetése rájött, hogy a 10 ügyfelükre vetítve ez havi 40 óra kieső és feleslegesen kifizetett munkaerőt jelent.

Az ügynökség elhatározta, hogy teljesen átállítja a divat-webshopot egy BigQuery-alapú Looker Studio architektúrára.

Az adatokat a következőképpen rendezték össze egy automatizált csővezetékben:

• Google Ads & Meta Ads: Windsor.ai segítségével naponta egyszer ütemezve fut le az import a BigQuery-be.
• Webshop motor adatai (Unas): Egy egyedi fejlesztésű PHP script segítségével a megrendelések állapota (teljesített, törölt, meghiúsult) naponta szinkronizálódik a BigQuery-be egy biztonságos API-n keresztül. Ez kritikus lépés volt, mivel a divatiparban a visszaküldési arány elérheti a 15-20%-ot. A hirdetési rendszerek által mutatott ROAS nem vette figyelembe a visszahozott, ki nem fizetett termékeket.
• Looker Studio: A dashboard kizárólag a BigQuery-ből olvassa az adatokat, ahol előre lefutottak az aggregációk és a visszaküldések levonása utáni tiszta adatok.

A dashboardon létrehoztak egy egyedi kalkulált mezőt, amely a tisztított, realizált bevételt viszonyítja a teljes hirdetési kiadáshoz:

```

Formula: SUM(Real_Revenue_Minus_Returns) / (SUM(Google_Ads_Cost) + SUM(Meta_Cost) + SUM(Arukereso_Cost))

```

A CTR.hu szakmai észrevétele: Sokan elkövetik azt a hibát, hogy a Looker Studio felületén végeznek el bonyolult matematikai műveleteket (blended ROAS képletek, string tisztítások reguláris kifejezésekkel). Ez drasztikusan lelassítja a dashboard betöltési idejét. Minden transzformációt, adat-összefésülést és logikai feltételt a BigQuery-ben, a transzformációs rétegben kell elvégezni, hogy a Looker Studio már csak a tiszta, kész számokat kapja meg.

| Metrika | Bevezetés Előtt | Bevezetés Után | Változás |

| :--- | :--- | :--- | :--- |

| Riport összeállítási ideje (személy/óra/hó) | 4,0 óra | 0,15 óra (9 perc) | -96,2% |

| Adathibák száma / hó | Átlagosan 2-3 db | 0 db | 100% hibamentesség |

| Megtakarított összeg (ügynökségi szinten, 10 kliensre vetítve, 20 000 HUF óradíjjal) | - | 800 000 HUF / hó | Évi 9,6M HUF megtakarítás |

| Ügyfél elégedettség (NPS) | 7 / 10 | 9,5 / 10 | +2,5 pont |

A cipő-webáruház tulajdonosa végre valós időben látta a tényleges profitot, nem pedig a hirdetési rendszerek által generált optimista becsléseket. Az ügynökség a felszabadult havi 4 munkaórát kreatív-tesztelésre és kampányoptimalizálásra tudta fordítani, amelynek köszönhetően a webshop blended ROAS mutatója 4,2-ről 5,1-re emelkedett 3 hónap leforgása alatt.

---

Bár a Looker Studio egy rendkívül rugalmas eszköz, a rossz tervezési szokások használhatatlanná tehetik vagy tévútra terelhetik a marketingstratégiát. Az alábbi hibákkal rendszeresen találkozunk a hazai ügynökségi gyakorlatban.

Sok marketinges megpróbálja az összes elérhető metrikát egyetlen oldalon ábrázolni. Ebből születnek az olyan dashboardok, ahol egymás mellett látható a CPC, a CPM, az Impression Share, a tranzakciók száma, a Bounce Rate és a Facebook oldalkövetések növekedése.

• A következmény: Az ügyfél kognitív túlterhelést kap. Nem fogja látni a fák elől az erdőt, és minden olyan apró ingadozásra rá fog kérdezni, aminek nincs érdemi hatása az üzleti eredményre. (Például: "Miért nőtt meg a CPM-ünk kedden 12%-kal?" megkeresések, miközben az adott héten a konverziós érték rekordot döntött).
• Hogyan kerüld el: Alkalmazd a piramis-elvet. A dashboard első oldala legyen a döntéshozói összefoglaló maximum 5 fő mutatóval. A részletes kampánydiagnosztika kerüljön a 2. és 3. lapra, amit az ügyfél csak akkor néz meg, ha mélyebben érdekli egy adott részlet.

Magyarországon gyakori, hogy egy webshop forintban (HUF) értékesít, de a Meta Ads euróban (EUR), a Google Ads pedig esetenként szintén más devizában számláz.

• A hiba: Ha a Looker Studioban egyszerűen összeadjuk az eurós Meta költéseket a forintos Google Ads költésekkel, anélkül, hogy elvégeznénk a pontos, napi árfolyamon alapuló átváltást.
• A veszély: Egy havi 5000 eurós Meta költésnél az MNB árfolyam ingadozása (pl. 390 vs 410 HUF/EUR) akár több százezer forintos eltérést is eredményezhet a riportált költésekben, ami teljesen eltorzítja a megtérülési mutatókat.
• Megoldás: A BigQuery-ben futtatott SQL lekérdezésbe be kell építeni egy API-alapú MNB árfolyam-szinkront, amely a tranzakció napjára érvényes hivatalos középárfolyamon váltja át a hirdetési költségeket egy egységes devizára (általában HUF-ra).

Soha ne kössük össze közvetlenül a GA4-et a Looker Studio-val, ha a havi munkamenetek száma (sessions) meghaladja a 100 000-et. A Google kíméletlenül le fogja korlátozni a lekérdezéseket.

• Mi történik: A dashboard közepette feltűnnek a "Looker Studio cannot connect to your dataset" hibaüzenetek. Az ügyfél azt fogja hinni, hogy a mérések rosszak vagy az ügynökség nem végezte el a munkáját.
• A helyes út: Kapcsoljuk be az ingyenes GA4 BigQuery exportot. Ez naponta egyszer átküldi a nyers eseményadatokat a GCP adattárházba. A Looker Studio-t kizárólag ezekből a BigQuery táblákból tápláljuk.

---

Ha szeretnéd a saját ügynökségedet vagy belső marketingcsapatodat átállítani a manuális Excel-riportokról egy skálázható, BigQuery-alapú Looker Studio rendszerre, kövesd az alábbi lépéseket.

• Regisztrálj és konfigurálj egy központi Google Cloud Platform (GCP) projektet:

* Hozz létre egy dedikált GCP fiókot az ügynökséged számára.

* Hozd létre az egyes ügyfelekhez tartozó adatkészleteket (Datasets) külön-külön, így az adatok biztonságosan el lesznek különítve egymástól.

• Kapcsold be az ingyenes GA4 -> BigQuery Exportot:

* A Google Analytics 4 admin felületén az Adminisztrálás > Termékösszekapcsolások > BigQuery-összekapcsolás menüpont alatt kapcsold be a napi adatátvitelt.

* Válaszd a „Daily” és ha szükséges, a „Streaming” (valós idejű) opciót.

• Válassz ki egy megbízható Middleware csatlakozót:

* A Meta Ads, Árukereső, TikTok Ads adatok BigQuery-be juttatásához fizess elő egy csatlakozóra (pl. Windsor.ai vagy Supermetrics).

* Ütemezd be, hogy a csatlakozó minden éjjel hajnali 3:00 órakor futtassa le az adatszinkront az előző nap teljesítményéről.

• Hozd létre a transzformációs SQL nézeteket (Views):

* A BigQuery felületén írd meg a kampányokat, kattintásokat és költségeket aggregáló SQL kódokat.

* Ügyelj rá, hogy a forrásneveket (Source/Medium) hozd közös nevezőre (pl. `source = 'facebook'` -> `'Meta'`).

• Tervezd meg a Looker Studio Sablont:

* Hozz létre egy mestersablont az ügynökség arculati színeivel (színkódok, logók, betűtípusok).

* A sablon felépítése kövesse a következő struktúrát:

1. oldal:* Üzleti összefoglaló (C-Level scorecardok, blended ROAS).

2. oldal:* Google Ads és Search hirdetések mélyfúrása.

3. oldal:* Social Media (Meta + TikTok) kreatívok és kampányok teljesítménye.

4. oldal:* Egyéb csatornák (Árukereső, direkt marketing, hírlevél).

• Teszteld és kalibráld az adatokat:

* Vesd össze a dashboard által mutatott számokat a hirdetési fiókok eredeti adataival legalább egy 30 napos időszakra vetítve.

* Az eltérés ne haladja meg az 1-2%-ot (ami a különböző attribúciós ablakok és az időzóna-eltérések miatti természetes fluktuáció).

• Automatizáld az ügyfél-kommunikációt:

* Állítsd be a Looker Studio beépített ütemezőjét, hogy minden hónap 5. napján reggel 9:00 órakor küldje el automatikusan a dashboard PDF változatát az ügyfélnek e-mailben, a közvetlen interaktív linkkel együtt.

* Ezzel a lépéssel a hó végi riportáló megbeszélések fókusza átkerül a múltbeli adatok unalmas felolvasásáról a jövőbeli növekedési lehetőségek és a kreatív stratégia megvitatására.