Looker Studio sablonok magyar PPC ügynökségeknek: Így automatizáld a riportolást felesleges API-költségek nélkül

A hazai PPC ügynökségek többsége egy súlyos, mégis alig kibeszélt hazugságban él: azt hitetik el magukkal és az ügyfeleikkel, hogy a havonta kiküldött, 12 oldalas, átláthatatlan Looker Studio riportok valódi értéket képviselnek. Valójában a magyar KKV-döntéshozók 84%-a megnyitás után maximum 15 másodpercet tölt ezekkel a dashboardokkal, mivel a jelentések tele vannak felesleges hiúsági mutatókkal (vanity metrics), miközben a lényegi üzleti kérdésekre – mint a tényleges profitabilitás vagy a csatornák közötti valós szinergia – nem adnak választ. Az ügynökségi oldalon eközben havonta tucatnyi munkaóra megy el a szétesett GA4 konnektorok foltozgatásával és a manuális adatbűvöléssel, ami közvetlen profitveszteség az account managerek 25 000 Ft feletti óradíja mellett.

A hazai e-commerce és lead generálási piacon a 2026-os évre az adatok feldolgozásának hatékonysága vált a túlélés zálogává. A magyar KKV-szektorban (jellemzően az 50 millió és 1,5 milliárd HUF közötti éves árbevételű cégeknél) a marketingbüdzsék hatékony elosztása nem bír el többé vakvágányokat. A Google Ads átlagos CPC árai a divat és lakberendezési szegmensben már régen átlépték a 70–120 HUF közötti sávot, míg a B2B lead generálásban vagy a pénzügyi szektorban a 450–950 HUF közötti kattintási költség sem ritka.

Ilyen költségszintek mellett a hagyományos, silószemléletű riportálás megbukott. Ráadásul a Google Analytics 4 API kvótakorlátozásai (API Quota Limits) teljesen ellehetetlenítették a közvetlen GA4-Looker Studio összeköttetést a nagyobb forgalmú fiókoknál. Azok az ügynökségek, amelyek nem állnak át a strukturált, többszintű dashboard-ökoszisztémára és a köztes adattárolók (például a BigQuery vagy a Google Sheets-alapú aggregáció) használatára, két tűz közé szorulnak: vagy elpazarolják az értékes specialisták munkaidejét a manuális Excel-táblák farigcsálására, vagy elveszítik az ügyfeleiket a transzparencia hiánya miatt.

A magyar piacon az ügynökségi havidíjak (retrainerek) átlagosan 150 000 Ft és 600 000 Ft között mozognak ebben a szegmensben. Ha egy PPC specialista havi 4-5 órát tölt ügyfelenként kizárólag a riportok manuális javítgatásával és magyarázásával, az ügynökség saját árrésének 15-20%-át égeti el feleslegesen.

---

A hazai PPC piacon elterjedt Looker Studio sablonok legnagyobb strukturális hibája, hogy nem tesznek különbséget a különböző szintű döntéshozók igényei között. Egy webáruház tulajdonosát nem érdekli a kulcsszavak egyéni CTR-je, ahogy a junior PPC specialista sem tud mit kezdeni az aggregált, adózás előtti árrés-mutatókkal a napi szintű bid-optimalizáció során.

Amikor egy ügynökség egyetlen, végtelen görgetésű dashboardra zsúfolja fel a Meta Ads kampányok frekvenciáját, a Google Ads Search impression share-t, a GA4 tranzakciós számait és az e-mail marketing megnyitási arányait, azzal nem transzparenciát, hanem döntési paralízist idéz elő. A magyar cégvezetők jelentős része nem marketinges háttérrel rendelkezik; ők a nap végén egyetlen kérdésre keresik a választ: "Ha beletettem 1 000 000 Ft-ot a marketinggépezetbe, mennyi tiszta profit jött ki a másik oldalon?" Ha ezt az adatot elrejti az ügynökség a mikroszintű kampányadatok sűrűjében, az ügyfél úgy fogja érezni, hogy szándékosan ködösítenek előtte.

A Google által bevezetett GA4 API kvóták óta a közvetlen konnektorok rendszeresen "Error 1003: Quota Error" üzenettel elszállnak, amint a dashboardot egyidejűleg kettőnél többen nyitják meg, vagy ha a vizsgált időszak meghaladja a 30 napot egy nagyobb forgalmú (havi 100 000+ munkamenetű) webshopnál.

• A naiv megoldás: Folyamatos frissítgetés, az ügyfélnek való magyarázkodás, hogy "ez a Google hibája". Ez professzionális szinten elfogadhatatlan.
• A profi megoldás: Egy köztes adatréteg (Data Layer) beiktatása. Közép- és nagyvállalati szinten a GA4-BigQuery export használata kötelező. Kisebb, havi 2-5 millió HUF árbevételű mikrovállalkozásoknál pedig az adatok napi szintű, ütemezett kinyerése Google Sheets-be (például a kiterjesztett GA4 API addonokkal), majd a Looker Studio összekötése ezzel a táblázattal.

---

A CTR.hu szerkesztősége szerint a fenntartható és skálázható ügynökségi működés kulcsa a háromszintű (3-Tier) Looker Studio architektúra bevezetése. Ez azt jelenti, hogy nem egyetlen sablont használunk mindenkinek, hanem három, egymásra épülő, de szigorúan elválasztott nézetet alakítunk ki.

```

┌────────────────────────────────────────────────────────┐

│ 1. TIER: C-LEVEL / TULAJDONOS │

│ (POAS, Blended ROAS, Total Spend, Profit) │

└───────────────────────────┬────────────────────────────┘

│

┌───────────────────────────▼────────────────────────────┐

│ 2. TIER: MARKETING VEZETŐ / CMOM │

│ (Csatornaszintű CPA, Budget Pacing, LTV/CAC) │

└───────────────────────────┬────────────────────────────┘

│

┌───────────────────────────▼────────────────────────────┐

│ 3. TIER: PPC SPECIALISTA │

│ (CTR, CPC, Ad Quality, Keyword Match Type, etc.) │

└────────────────────────────────────────────────────────┘

```

Ez a dashboard kizárólag egyetlen oldalból állhat. Semmilyen technikai zsargon (mint a CPM, QS, vagy az elköteleződési arány) nem szerepelhet rajta.

• Fókuszmutatók: Összesített marketingköltés (Google + Meta + Tik-Tok + egyéb), teljes realizált árbevétel (ERP vagy számlázórendszer alapján, nem GA4 becslés!), Blended ROAS (teljes árbevétel / teljes költés), valamint a POAS (Profit on Ad Spend), amely a termékek önköltségét is figyelembe veszi.
• Dizájn: Nagyméretű KPI kártyák, minimális grafikon, egyértelmű trendvonalak az előző év azonos időszakához képest.

Ez a szint a marketingcsatornák közötti költségvetés-allokációért felel. Segít eldönteni, hogy az eMAG-on futó hirdetések vagy a Meta retargeting kampányok hozzák-e a stabilabb növekedést.

• Fókuszmutatók: Csatornaszintű CPA (Cost Per Acquisition), MER (Marketing Efficiency Ratio), Budget Pacing (hol tart a költés az időarányos havi kerethez képest), valamint a kohorsz-alapú LTV (élettartam-érték) és CAC (ügyfélszerzési költség) aránya.
• Dizájn: Halmozott területdiagramok a csatornák részesedésének ábrázolására, valamint teljesítmény-táblázatok feltételes formázással (hőtérkép szerűen), amelyek azonnal megmutatják, melyik csatorna teljesít az elvárt KPI-ok alatt.

Ez a dashboard nem az ügyfélnek készül, hanem belső használatra. Az ügyfélnek csak akkor mutatjuk meg, ha mélyebb szakmai kérdései vannak.

• Fókuszmutatók: Search Impression Share veszteség (költségkeret vs. rangsor miatt), hirdetésrelevancia pontszámok, Meta hirdetés-gyakoriság (Frequency cap figyelmeztetések), kulcsszó szintű asszisztált konverziók, és a landoló oldalak betöltési sebessége.
• Dizájn: Részletes, szűrhető táblázatok, search kifejezések listája, megnövekedett CPC-vel rendelkező kampányok automatikus kiemelése.

---

Vizsgáljunk meg egy valós, anonimizált esetet a hazai piacról. A webshop női divatcikkeket értékesít, az éves árbevétele 350 millió HUF (havi ~29 millió HUF). A marketinget egy közepes méretű budapesti ügynökség kezeli.

A kiinduló állapot

Az ügynökség havonta egyszer küldött egy 15 oldalas, manuálisan összeállított PDF riportot. A specialista minden hónap elején az alábbi folyamatot végezte el:

• Google Ads adatok exportálása CSV-be.
• Meta Ads adatok exportálása (mivel a deviza EUR-ban volt, így kézzel kellett átszámolni az MNB napi középárfolyamán HUF-ra).
• GA4 tranzakciós adatok manuális összevetése az UNAS webshop adminisztrációs felületével (átlagosan 12%-os eltérést találtak a meghiúsult vagy elállt rendelések miatt).
• Az adatok bemásolása egy Excel sablonba, grafikonok generálása, majd ezek bemásolása egy Google Slides prezentációba.

Időigény: Ügyfelenként havi 6,5 óra tiszta munkaidő.

Probléma: Az ügyfél a prezentációk felét meg sem nyitotta, de havonta kétszer telefonált, hogy "nem látja a valós profitot", mert a Meta Ads 3,5-es ROAS-t mutatott, a GA4 szerint viszont csak 1,2 volt a konverziós érték.

Az ügynökség elhatározta, hogy felszámolja ezt a pazarlást. Az alábbi struktúrát építették ki:

• Adatgyűjtés automatizálása: Bevezettek egy harmadik féltől származó adatgyűjtőt (például Supermetrics vagy egy egyedi Make.com forgatókönyv), ami naponta egyszer behúzza a Meta Ads és Google Ads adatokat egy Google Sheets táblázatba.
• Devizaváltás megoldása: A Make.com forgatókönyvbe beépítettek egy API hívást az MNB felé, így az EUR alapú Meta költéseket a Looker Studio már a napi valós HUF árfolyamon számolva kapta meg.
• ERP integráció (Unas -> Google Sheets): Egy egyszerű webhook segítségével a sikeres és lezárt rendelések adatai (szállítási és visszáru költségekkel tisztítva) bekerültek egy külön fülre.
• A 3-szintes dashboard felépítése: Megalkottak egy 3 oldalas Looker Studio dashboardot a fent bemutatott elvek alapján.

A Looker Studio-ban az alábbi számított mezőt (Calculated Field) használták a POAS (Profit on Ad Spend) kiszámítására:

```sql

/ POAS kalkuláció Looker Studio számított mezőben /

SUM(Realized_Net_Revenue - Product_Cost) / SUM(Google_Ads_Spend + Meta_Ads_Spend)

```

Nézzük meg a pénzügyi hatásokat az alábbi összehasonlító táblázatban:

| Mutató | Régi rendszer (Manuális PDF) | Új rendszer (Automata Looker Studio) | Változás (%) / Megtakarítás |

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

| Specialista havi munkaideje | 6,5 óra | 0,5 óra (csak ellenőrzés) | -92,3% |

| Költség ügynökségi óradíjjal (25 000 Ft/óra) | 162 500 Ft | 12 500 Ft | +150 000 Ft profit/hó |

| Riport frissítési gyakorisága | Havonta egyszer (hóközi vakrepülés) | Naponta frissülő (valós idejű) | Azonnali beavatkozási lehetőség |

| Eltérés az ERP és a Riport adatai között | ~12% (manuális hiba és elállások) | <1,5% (automatizált szűrés) | Megbízható üzleti döntések |

Az ügynökség az így felszabadult havi 6 órát nem létszámleépítésre használta, hanem proaktív kampányoptimalizációra és konkurenciaelemzésre. Ennek eredményeként a webshop blended ROAS mutatója 3 hónap alatt 4,2-ről 5,1-re növekedett, miközben az ügyfél elégedettségi indexe (NPS) a maximumra ugrott.

---

Az elmúlt években több tucat magyar ügynökségi dashboard auditálása során kirajzolódott néhány olyan kritikus hiba, amelyek szinte mindenhol előfordulnak, és amelyek aktívan rombolják az ügynökség hitelességét az ügyfelek szemében.

Sokan még mindig közvetlenül kötik össze a GA4-et a Looker Studióval. Ennek eredménye a folyamatosan összeomló diagramok, a lassú betöltési idő, és a dühös ügyfelek.

• Helyette: Használj kinyert adatforrásokat (Extract Data), vagy vezesd át az adatokat egy köztes adatbázison. Ha a BigQuery túl bonyolultnak tűnik a csapatnak, használjatok olyan eszközöket, mint a Windsor.ai vagy a Supermetrics, amelyek előre aggregálják az adatokat.

Rendkívül gyakori hiba, hogy a Meta hirdetési fiók EUR-ban vagy USD-ben költ, miközben a Google Ads HUF-ban fut, és a webshop bevételei is HUF-ban keletkeznek. Ha ezt a Looker Studio-ban egyszerűen összeadjuk (anélkül, hogy az EUR értéket megszoroznánk az aktuális árfolyammal), a dashboard teljesen hamis képet fog mutatni a teljes költésről.

• Helyette: Mindig hozz létre egy számított mezőt, amely a devizás költést dinamikusan átváltja a céldevizára. Például: `Meta_Spend * 410` (vagy dinamikus MNB/Google Finance árfolyam integrációval).

Amikor a Google Ads és a Meta Ads adatokat próbálják meg összevonni a Looker Studio beépített "Blend" funkciójával, gyakran elkövetik azt a hibát, hogy a `Date` (Dátum) dimenziót nem megfelelően kapcsolják össze (Left Outer Join helyett Full Outer Joint kellene használni, vagy fordítva, a konkrét struktúrától függően). Ez ahhoz vezet, hogy azokon a napokon, amikor az egyik csatornán nem volt költés vagy konverzió, a rendszer a másik csatorna adatait is lenullázza az adott sorban.

Szakmai tipp: Ha két különböző hirdetési rendszert vonsz össze Looker Studio-ban, a kulcs mező (Join Key) mindig a formázott dátum (`YYYYMMDD`) legyen, és győződj meg róla, hogy mindkét adatforrás ugyanazt az időzónát használja. Ellenkező esetben a csúsztatott konverziók miatt akár 15-20%-os eltérést is tapasztalhatsz a napi szintű riportokban.

---

Ahhoz, hogy a dashboardod ne csak egy sablon legyen a sok közül, hanem valódi döntéstámogató eszköz, érdemes bevetni néhány haladó technikát.

Az ügyfelek többsége szereti látni, hogy az időarányos költésük hogyan viszonyul a tervezett havi kerethez. Ha túl gyorsan költ az ügynökség, a hónap végére elfogy a keret; ha túl lassan, akkor elmaradnak a konverziók.

Íme egy formula, amivel kiszámolhatod az időarányos elvárt költést egy számított mezőben:

```sql

/ Időarányos elvárt költés kiszámítása a hónap napjai alapján /

(Planned_Monthly_Budget / DAY(LAST_DAY(TODAY()))) * DAY(TODAY())

```

Ezt egy kombinált vonal- és oszlopdiagramon ábrázolva az oszlopok mutathatják a tényleges kumulált költést, míg a vonal az időarányos elvárt költést. Így a marketing vezető egyetlen pillantással látja, ha be kell avatkozni.

A GA4 alapértelmezett csatorna-csoportosítása gyakran tévesen sorolja be a magyar piacon fontos forgalmi forrásokat (például a `Hírlevél` kampányokat az `Organic Search`-be, vagy az Árukereső forgalmát az `Unassigned` kategóriába).

A Looker Studio-ban ezt könnyen javíthatjuk egy egyedi `CASE WHEN` formulával az adatforrás szintjén:

```sql

CASE

WHEN REGEXP_MATCH(Source , ".arukereso.") THEN "Árukereső"

WHEN Source = "facebook" AND Medium = "cpc" THEN "Meta Paid"

WHEN Source = "instagram" AND Medium = "cpc" THEN "Meta Paid"

WHEN Medium = "newsletter" THEN "Email Marketing"

WHEN Source = "google" AND Medium = "cpc" THEN "Google Paid"

ELSE "Egyéb / Nem besorolt"

END

```

Ez a megoldás függetleníti az ügynökséget a GA4 admin felületének esetleges hiányosságaitól, és tiszta, a magyar piac sajátosságaira szabott riportálást tesz lehetővé.

---

Ha szeretnéd radikálisan csökkenteni a riportálásra fordított időt, miközben növeled az ügyfeleid elégedettségét, kövesd ezt a lépésről-lépésre útmutatót.

• Auditáld a jelenlegi riportokat (1-5. nap):

Nézd meg az összes aktív Looker Studio dashboardodat. Kérdezd meg az ügyfeleket, hogy melyik oldalt hányszor nyitották meg az elmúlt 3 hónapban. Ami felesleges, azt kíméletlenül töröld le.

• Válassz le egy köztes adatréteget (6-12. nap):

Szakíts a közvetlen GA4 konnektorral. Építs ki egy Google Sheets vagy BigQuery alapú köztes adatbázist. Állíts be napi automatikus exportokat (például reggel 5 órára ütemezve), hogy az adatok mindig frissek legyenek, mire az ügyfél megissza az első kávéját.

• Tervezd meg a 3-szintes sablont (13-18. nap):

Készíts el három különálló Looker Studio sablont (C-Level, CMO, Specialista) a fenti fejezetben leírt mutatókkal. Ügyelj a letisztult, sötét vagy világos témájú dizájnra, és a céges arculati színek (színkódok) használatára.

• Teszteld a devizaváltást és a számított mezőket (19-22. nap):

Győződj meg róla, hogy a Meta Ads EUR/USD költései fillérre pontosan, a valós napi árfolyamon konvertálódnak HUF-ra. Ellenőrizd a POAS és Blended ROAS képletek működését tesztadatokkal.

• Pilóta projekt indítása (23-27. nap):

Válassz ki 3 olyan ügyfelet, akikkel kiemelten jó a kapcsolatod, és vezesd be náluk az új dashboardokat. Kérj tőlük őszinte visszajelzést: értik-e az adatokat, jobb-e az elrendezés, mint a korábbi PDF-eknél?

• Teljes körű rollout és oktatás (28-30. nap):

Ha a pilóta sikeres volt, vezesd be az új rendszert az összes ügyfélnél. Tarts egy rövid, 15 perces videós bemutatót (például egy Loom videó formájában) minden ügyfélnek, ahol elmagyarázod, hogyan kell olvasni az új, 3-szintes felületet.

A mérhető eredmény: A bevezetést követő második hónaptól az ügynökséged riportálásra fordított ideje ügyfelenként havi 1 óra alá fog csökkenni, miközben az ügyfélmegtartási arányod (Retention Rate) és a PPC kampányok hatékonysága is javulni fog a gyorsabb, adatvezérelt döntéseknek köszönhetően.