Looker Studio sablonok magyar PPC ügynökségeknek: Automatizált ügyfélriportok HUF-alapon, API-korlátok nélkül

SEO Cím: Looker Studio Sablonok PPC Ügynökségeknek: Riportálási Útmutató

Meta leírás: Hogyan építsünk olyan Looker Studio dashboardot, ami kezeli a GA4 API kvótalimiteket, az utánvétes visszautasításokat és a valós profitot mutatja? Gyakorlati útmutató magyar PPC ügynökségeknek.

A magyar PPC ügynökségek többsége ma is egy olyan strukturális hazugságspirálban él, ahol a havi riportálás abból áll, hogy egy túlterhelt PPC junior vagy account manager pánikszerűen másolgatja át az adatokat a Google Ads-ből és a GA4-ből egy sablonos, 15 oldalas Looker Studio riportba, amit az ügyfél soha nem nyit meg. Ez a folyamat nemcsak felesleges és drága — egy 25 000 Ft-os belső szakértői óradíjjal számolva ügyfelenként havi 50 000 - 100 000 Ft-nyi feleslegesen elégetett munkaórát jelent —, de teljesen elrejti a lényeget: a valódi üzleti hasznot. Miközben az ügynökség büszkén mutogatja a 800%-os Google Ads ROAS-t, a cégvezető a bankszámlát nézve értetlenül áll, mert az utánvétes visszautasítások, a visszaküldések és a piactéri jutalékok után a profit valahol elillant a rendszerben. Ideje ezt a paradigmát felszámolni, és olyan mérnöki pontosságú, automatizált dashboardokat építeni, amelyek nem az ügynökség egóját, hanem a megrendelő üzleti valóságát mutatják.

A hazai e-commerce piac elérte a konszolidációs fázisát. A Temu agresszív térnyerése, az Alza és az eMAG dominanciája, valamint a csökkenő lakossági reálbér-vásárlóerő miatt a magyar webshopok (különösen az 50 és 500 millió HUF közötti éves árbevételű sávban) profitmarzsa drasztikusan szűkült. Ebben a környezetben a vakon bízott, natív GA4 (Google Analytics 4) adatokra épülő döntéshozatal végzetes lehet.

A helyzetet tovább nehezíti a technológiai környezet változása:

• GA4 API kvóták szigorítása: A Google által bevezetett egyidejű lekérdezési limitek miatt a közvetlen GA4-Looker Studio összeköttetések "Quota Error" hibaüzenettel összeomlanak, ha a dashboardot egynél több ember nézi, vagy ha túl sok widgetet helyezünk el rajta.
• Consent Mode v2 hatásai: Az elutasított cookie-hozzájárulások miatt a mérési adatok 15-30%-a elveszik a hagyományos böngészőoldali méréseknél. Modellezett adatokra és szerveroldali (Server-Side GTM) mérésekre van szükség, amelyeket külön kell vizualizálni.
• A hirdetési költségek emelkedése: A magyarországi átlagos CPC-k a divat, a lakberendezés és a barkács kategóriákban 20-35%-kal emelkedtek az elmúlt 12 hónapban (elérve a 120 - 280 HUF közötti tartományt), ami megköveteli a költések azonnali, napi szintű hatékonyság-ellenőrzését.

Azok a magyar PPC ügynökségek, amelyek még mindig manuális táblázatokkal vagy összeomló, közvetlen GA4-es Looker Studio sablonokkal dolgoznak, elveszítik a prémium ügyfeleiket. A piac megköveteli az adatvezérelt, BigQuery-alapú és profit-fókuszú riportálást.

---

Egyetlen dashboard nem képes kiszolgálni a cégvezetőt, a marketingvezetőt és a PPC specialistát. Ha mindent egyetlen riportba zsúfolunk össze, az eredmény egy használhatatlan adat-szörnyeteg lesz. Helyette három, dedikált szintű nézetet kell felépíteni.

A tulajdonost nem érdekli a CTR, az impresszió, de még a sima, analitikai ROAS sem. Őt az érdekli, hogy a marketingre elköltött pénz hogyan konvertálódik nettó profittá.

• Fő KPI-ok: POAS (Profit on Ad Spend - a bruttó árrés osztva a hirdetési költséggel), MER (Marketing Efficiency Ratio - az összes hirdetési költés osztva a teljes nettó árbevétellel), CAC (Ügyfélszerzési költség), NC-CPA (Új vevő szerzési költség).
• Adatforrások: Shopify/WooCommerce/Shoprenter/Unas API + Google Ads + Meta Ads + Számlázó program (pl. Billingo/Számlázz.hu export az utánvétes státuszok tisztításához).
• Vizualizáció: Egyszerű, letisztult score cardok, amelyek a céges célszámokhoz (pl. elvárt 15%-os EBITDA) viszonyítva mutatják a teljesítményt piros/zöld színkódolással.

Ez a riport a PPC specialista és a marketingvezető napi munkaeszköze. Itt a gyors anomália-detektálás és a csatornák közötti költségallokáció a cél.

• Fő KPI-ok: Napi költési görbék a tervezett büdzsé-lefutáshoz képest, kampányszintű ROAS, elveszett megjelenítési arány (Search Lost IS due to budget/rank), frekvencia (Meta), CTR és konverziós arány trendek.
• Adatforrások: Közvetlen Google Ads, Meta Ads, TikTok Ads, és GA4 adatforrások (de szigorúan szegmentálva, hogy elkerüljük az API limiteket).
• Kulcsfontosságú funkció: Olyan vizualizáció, amely összeveti a Meta és a Google Ads által jelentett konverziókat a GA4 forrás/médium adatokkal, rávilágítva az átfedésekre (overlapping conversions).

A magyar e-commerce-ben ma már szinte lehetetlen nyereségesnek lenni az első vásárláson, ha a CAC meghaladja a kosárérték árréstartalmát. Ez a dashboard megmutatja, hogy a hirdetésekből szerzett vásárlók mikor és milyen értékben vásárolnak újra.

• Fő KPI-ok: LTV (Élettartam érték) 30-60-90-180 napos kohorszokban, visszatérési arány (Retention Rate), AOV (Átlagos kosárérték) különbsége az első és a visszatérő vásárlásnál.
• Megvalósítás: Mivel a GA4 alapból gyengén kezeli a kohorszokat Looker Studio-ban, ezt a dashboardot egy megtisztított, CRM-ből vagy webshop motorból kinyert vevőadatbázisból (pl. BigQuery-be csatornázott adatokból) kell táplálni.

---

A külföldről letöltött vagy megvásárolt Looker Studio sablonok legnagyobb hibája, hogy nem ismerik a magyar piac sajátosságait. Ha ezeket változtatás nélkül használjuk, hamis képet kapunk a kampányok teljesítményéről.

Magyarországon az e-commerce tranzakciók 55-75%-a még mindig utánvéttel (COD - Cash on Delivery) történik. Ebből a csomagátvételi hiba és a visszautasítás aránya átlagosan 5-12% között mozog. A GA4 azonban abban a pillanatban rögzíti a konverziót, amikor a vásárló a "Köszönjük a vásárlást" oldalra ér, függetlenül attól, hogy a futárnak kifizeti-e a csomagot a kapuban.

Megoldás Looker Studio-ban:

Létre kell hozni egy kalkulált mezőt (Calculated Field), vagy blended data forrást, ami a webshop adminból (pl. Shoprenter vagy Unas export) kinyert valós, teljesített megrendelések arányával súlyozza a GA4 bevételt.

Példa egy egyszerűsített kalkulált mező képletre Looker Studio-ban az adminból ismert 8%-os meghiúsulási arány esetén:

```sql

-- Valós, tisztított bevétel kalkulációja utánvétes korrekcióval

GA4 Purchase Revenue * 0.92

```

Ennél professzionálisabb megoldás, ha a tranzakció ID-k alapján kapcsoljuk össze a GA4 adatokat a számlázó/ERP adatokkal BigQuery-ben, és a Looker Studio már csak a valóban lezárt, fizetett tranzakciókat jeleníti meg.

Sok magyar webshop értékesít saját oldala mellett az eMAG Marketplace vagy Alza partnerségen keresztül is. Ha a PPC kampányaink a saját márkanevünkre futnak (Brand Search), miközben a marketplace partnerek is hirdetik a termékeinket, óriási lehet az átfedés és a profit-kannibalizáció.

A dashboardon külön szegmensként kell ábrázolni:

• A saját webshop közvetlen (D2C) bevételeit és PPC költségeit.
• A Marketplace értékesítésekből származó bevételeket (a jutalékokkal, pl. 15-20%-os eMAG jutalékkal csökkentve).
• Ezek arányát a teljes vállalati bevételen belül, hogy látható legyen, ha a PPC kampányok valójában a drága marketplace felé terelik a vásárlókat a saját, magasabb árrésű webshopunk helyett.

| Értékesítési Csatorna | Átlagos Kosárérték (AOV) | Járulékos Költség (Jutalék/PPC) | Valós Nettó Árrés % |

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

| Saját Webshop (PPC) | 18 500 HUF | 18% (PPC CPA) | 42% |

| eMAG Marketplace | 16 200 HUF | 18% jutalék + 5% logisztika | 27% |

| Alza Partner | 17 100 HUF | 20% fix jutalék | 25% |

---

Ha egy ügynökség közvetlenül kapcsolja össze a GA4-et a Looker Studio-val, a dashboard rendszeresen összeomlik a Google 2022 végén bevezetett API kvótakorlátozásai miatt. Egy 10 widgetből álló, szűrésekkel ellátott riport akár 3-4 kattintás után eléri a napi/órás limitet.

A megoldás: BigQuery mint köztes adatréteg

Nem szabad közvetlenül a GA4 csatlakozót használni. A helyes út a GA4 ingyenes BigQuery exportjának aktiválása.

```

[GA4 Event Data] ──(Ingyenes napi export)──> [Google BigQuery] ──(Optimalizált SQL lekérdezés)──> [Looker Studio]

```

Miért ez a legjobb megoldás?

• Nincs kvótalimit: A BigQuery-ből történő adatlekérés nem esik a GA4 API kvótalimitek alá. A dashboard villámgyors lesz, és soha nem fog "Quota Error" hibaüzenetet adni.
• Adatmegőrzés: A GA4 ingyenes verziója alapértelmezetten maximum 14 hónapig őrzi meg az eseményszintű adatokat. A BigQuery-ben az adatok korlátlan ideig, biztonságosan megmaradnak, így lehetővé válik a többéves (YoY) összehasonlítás.
• Olcsóság: Egy átlagos magyar, havi 200 millió HUF árbevételű webshop (~150 000 havi látogató) BigQuery tárolási és lekérdezési költsége nem haladja meg a havi 1 500 - 3 000 Ft-ot. Ez elhanyagolható összeg az ügynökségi munkaórák megmentéséhez képest.

---

Az ügyfél profilja: Hazai tulajdonú, lakberendezési kiegészítőket forgalmazó webshop. Éves árbevétel: 250 000 000 HUF. Havi marketingköltés: 2 500 000 HUF (Google Ads, Meta Ads és hírlevél).

A probléma: Az ügynökség havonta 3 alkalommal (két részidős és egy záró riport formájában) készített kézi prezentációkat és frissítette a Looker Studio-t. Az account manager havonta átlagosan 8 órát töltött csak az adatok összeollózásával, tisztításával (az utánvétes visszautasítások kézi levonásával) és az ügyfél kérdéseinek megválaszolásával. Ez havi 24 munkaórát jelentett az ügynökségnél, amit nem stratégiai tervezésre, hanem adminisztrációra fordítottak.

• Adatintegráció BigQuery-be: Bekötöttük a GA4 raw exportot a Google Cloud Platformba.
• Költségadatok csatornázása: A Meta Ads és a Google Ads napi szintű költségeit, impresszióit és kattintásait egy automatizált csatlakozón keresztül (melynek ára havi 12 000 HUF) behúztuk ugyanabba a BigQuery adattárházba.
• ERP szinkron: Az UNAS webshopból naponta egyszer egy automatizált CSV exporton keresztül betöltöttük a lezárt, törölt és visszaküldött rendelések listáját tranzakció ID alapján.
• Adat-összevonás (Data Blending) SQL-ben: Összekötöttük a hirdetési költségeket a valós, kiszállított és kifizetett megrendelések értékével.

Letisztított képlet a valós ROAS kiszámítására a dashboardon:

$$\text{Valós ROAS (POAS)} = \frac{\text{Ténylegesen Kifizetett Nettó Árrés (ERP)}}{\text{Összes Hirdetési Költés (Google + Meta)}}$$

A riport elkészítésének ideje a korábbi havi 24 óráról havi 0,5 órára csökkent (csak az automatizált e-mail küldés ellenőrzése maradt meg).

Az ügynökség belső óradíjával (25 000 HUF/óra) számolva:

• Korábbi havi riportálási költség: $24 \text{ óra} \times 25\,000 \text{ HUF} = 600\,000 \text{ HUF}$ belső erőforrás-költség.
• Új rendszer fenntartási költsége: $12\,000 \text{ HUF} \text{ (konnektor)} + 2\,500 \text{ HUF} \text{ (BigQuery)} + 0.5 \text{ óra munka} = 27\,000 \text{ HUF}$.
• Havi tiszta megtakarítás az ügynökségnek: 573 000 HUF felszabadult kapacitás, amit az ügyfél kampányainak valós optimalizálására (A/B tesztelés, kreatív gyártás) tudtak fordítani.

Az ügyfél elégedettsége drasztikusan nőtt, mivel naprakészen látta, hogy a marketingtevékenység pontosan mennyi nettó profitot termelt a bankszámlájára az utánvétes és visszaküldési adatok levonása után.

---

Az elmúlt években több tucat magyar PPC audit során láttuk, hogyan válnak a dashboardok a marketingesek és ügyfelek rémálmává. Íme a legfőbb hibák, amiket azonnal el kell kerülni:

A leggyakoribb hiba, amikor az ügynökség 40-50 különböző grafikont és táblázatot helyez el egyetlen oldalon, mert "így professzionálisnak tűnik". Az ügyfél ettől kognitív túlterhelést kap, nem látja meg a lényeget, és végül teljesen figyelmen kívül hagyja a riportot. Ha egy KPI nem igényel azonnali döntést vagy cselekvést, annak nincs helye a főoldalon.

Gyakori hiba, hogy a Meta Ads fiók euróban (€) hirdet, a Google Ads forintban (HUF), a GA4 pedig dollárban ($) rögzíti az adatokat, mert a fejlesztő rosszul állította be az e-commerce követést. Ha ezeket a Looker Studio-ban egyszerűen összeadjuk anélkül, hogy egy egységes valutaárfolyam-szorzót alkalmaznánk, az adatok teljesen használhatatlanok lesznek. Minden adatforrást a dashboard szintjén vagy már az adattárházban azonos devizára és azonos (magyarországi, UTC+1) időzónára kell hozni.

Ha a dashboardon közvetlenül egymás mellé tesszük a Meta Ads Manager által jelentett konverziós értéket (ami gyakran 7-napos kattintás és 1-napos megtekintés alapú attribúciót használ) és a Google Ads Last Click adatait, az összegzésnél azt fogjuk látni, hogy több konverziónk van, mint amennyi csomagot a futárszolgálat egyáltalán kiszállított.

Szakmai tanács: Mindig jelöljük meg egyértelműen a dashboardon, hogy az adott widget milyen attribúciós modellt használ. A csatorna-összehasonlításokhoz kizárólag a GA4 adatvezérelt (Data-Driven) vagy az első/utolsó kattintásos modelljét használjuk közös nevezőként.

---

Ha szeretnéd az ügynökségedet a modern, BigQuery-alapú és profit-fókuszú riportálási szintre emelni, kövesd ezt a lépésről lépésre követhető megvalósítási tervet:

• Auditáld a jelenlegi riportálási időt: Mérd le pontosan a Toggl vagy más időmérő segítségével, hogy az ügynökség havonta hány órát tölt manuális riport-összeállítással. Szorozd meg ezt a belső óradíjaddal, hogy megkapd a veszteség valós mértékét.
• Kapcsold be a GA4 BigQuery exportot: Minden ügyfélnél azonnal aktiváld a Google Cloud Platformon belül a GA4 BigQuery exportot. Ez ingyenes, és az adatok gyűjtése azonnal megkezdődik.
• Válassz ki egy megbízható middleware-t: Ha nem akarsz egyedi API-kat fejleszteni, fizess elő egy olyan eszközre (pl. Supermetrics, Funnel.io vagy a költséghatékonyabb magyar alternatívák), amely automatikusan behúzza a Meta Ads és egyéb csatornák napi költségadatait a BigQuery-be.
• Tervezd meg a 3-szintű sablont: Készíts el 3 különálló Looker Studio sablont (C-Level, PPC Operatív, Kohorsz). Használj egységes, ügynökségi arculati színeket (színkódok, logók), de ügyelj a minimalista dizájnra.
• Építsd be a magyar korrekciós faktorokat: Adj hozzá a dashboardhoz egy manuális vagy félautomata bemeneti mezőt (például egy Google Sheets-en keresztül frissített táblázatot), amely tartalmazza az adott havi utánvétes visszautasítási arányokat és a piactéri jutalékok mértékét, majd ezekkel automatikusan korrigáld a bevételeket.
• Automatizáld az anomália-értesítéseket: Állíts be a Looker Studio-ban vagy közvetlenül a Google Analytics-ben automatikus e-mail riasztásokat, ha a napi konverziós arány 30%-nál nagyobbat esik az előző heti átlaghoz képest. Így nem a havi riportból derül ki, ha elromlott a kosár oldal.
• Tanítsd be az account managereket: Az AM-eknek meg kell érteniük a dashboard működését, hogy ne csak "átküldjék a linket", hanem képesek legyenek a heti/havi státusz hívások során a tulajdonosi dashboardról leolvasott POAS és MER trendek alapján üzleti döntési javaslatokat tenni az ügyfélnek.