Looker Studio sablonok magyar PPC ügynökségeknek: Riportálási blueprint, ami értéket mutat a hazai ügyfeleknek

A magyar PPC ügynökségek többsége havonta átlagosan 4-6 munkaórát pazarol el ügyfelenként arra, hogy a Google Analytics 4 API kvótahibáit kerülgesse, miközben a legyártott, 12 oldalas Looker Studio monstrumokat a megbízók 74%-a meg sem nyitja. Ez a feleslegesen elégetett munkaidő közvetlenül rontja a havi 150 000 - 300 000 Ft-os átalánydíjon (retainer) dolgozó ügynökségek profitabilitását, miközben az ügyféloldalon folyamatos elégedetlenséget szül, hogy a bonyolult PPC-s zsargon mögött nem látszik a valós üzleti eredmény. Az adatok túlburjánzása nem transzparenciát, hanem döntési paralízist okoz: a sikeres együttműködés záloga nem a még több diagram, hanem az üzleti fókuszú, szigorúan hierarchizált dashboard-struktúra.

A digitális marketing mérése gyökeres változásokon ment keresztül. A harmadik féltől származó cookie-k kivezetése, a Consent Mode v2 szigorú alkalmazása és a GA4 attribution modellek folyamatos változtatása miatt a platformok saját felületein látható adatok eltávolodtak a valóságtól. Nem ritka, hogy a Meta Ads Manager 8,5-ös ROAS-t mutat, míg a cég OTP-s bankszámláján lévő egyenleg szerint a vállalkozás veszteséges.

A magyar e-commerce piac konszolidációja miatt a 50M és 500M HUF közötti éves árbevételű webshopok – amelyek a hazai PPC ügynökségek legfőbb ügyfélbázisát adják – rendkívül érzékennyé váltak a hirdetési költségekre. A CPC árak emelkedése drasztikus:

• Divat és kiegészítők: 80 - 140 HUF átlagos CPC
• Otthon és kert: 110 - 190 HUF átlagos CPC
• B2B és Lead Generation: 450 - 950 HUF átlagos CPC

Ebben a környezetben egyetlen ügynökség sem engedheti meg magának azt a luxust, hogy olyan Looker Studio sablonokat használjon, amelyek csak a technikai mérőszámokat (CTR, CPC, Impression Share) listázzák. Az ügyfelek megtartásának egyetlen módja, ha a riportok közvetlenül az üzleti döntéshozó nyelvén beszélnek, miközben az ügynökség belső munkaidejét automatizációval a minimálisra csökkentik.

---

A legnagyobb hiba, amit egy PPC-s elkövethet, hogy ugyanazt a Looker Studio oldalt mutatja meg a cégvezetőnek, a marketing managernek és a saját junior kampánykezelőjének. Egy jól felépített sablonnak három különálló, világosan elkülöníthető szintből kell állnia.

Ez a szint kizárólag a legfelső vezetésnek szól. Nem tartalmazhat 8-nál több adatvizualizációs kártyát, és szigorúan egyetlen képernyőre kell beférnie (ajánlott felbontás: 1200x900px, görgetés nélkül).

Ezen a lapon a következő metrikáknak kell szerepelniük:

• Összesített hirdetési költés: Az összes csatorna (Meta, Google, TikTok, Árukereső) együttes költése forintban kifejezve.
• Blended ROAS (vagy MER - Marketing Efficiency Ratio): A teljes webshop árbevétel osztva a teljes hirdetési költéssel. Ez mutatja meg a marketing valós hatékonyságát.
• POAS (Profit on Ad Spend): A bruttó árrés és a hirdetési költés aránya (erről részletesen később).
• CAC (Customer Acquisition Cost): Új vásárlók megszerzésének átlagos költsége.

Vélemény: Ha ezen az oldalon megjelenik a "CTR" vagy az "Átlagos CPC", az ügynökség elbukott. A cégvezetőt nem érdekli, hogy hányan kattintottak, csak az, hogy a befizetett 1 000 000 HUF hirdetési díj hány forint tiszta hasznot termelt a bankszámlán.

Ez a rész azoknak a marketingeseknek készül, akik napi szinten tartják a kapcsolatot az ügynökséggel. Itt már helye van a csatornánkénti bontásnak és az összehasonlító elemzéseknek.

A kötelezően megjelenítendő elemek:

• Csatornánkénti költés és teljesítmény: Egy egyszerű, átlátható táblázat, amely egymás mellé teszi a Google Ads, Meta Ads és egyéb források költését, konverzióit és egyedi ROAS mutatóit.
• Kosárérték (AOV) trendek: Hogyan változik a kosárérték a különböző kampánytípusok hatására (pl. PMax vs. Search).
• Új vs. Visszatérő vásárlók aránya: Különösen fontos a növekedési fázisban lévő magyar webshopoknál, ahol a lojalitás mérése kritikus.

Ez az oldal elsősorban belső használatra vagy nagyon technikai beállítottságú ügyfeleknek szól. Itt kapnak helyet a kampányszintű adatok.

• Kreatív tesztek eredményei: Meta hirdetések esetében a különböző vizuális assetek (videó vs. körhinta) hatékonysága CTR és Hook Rate (3 másodperces megtekintési arány) alapján.
• PMax vs. Standard Search arányok: Kimutatás arról, hogy a Google Ads költség mekkora része megy el a Performance Max kampányokra, és mennyi a hagyományos keresési hirdetésekre.
• Kulcsszó- és keresési kifejezés-elemzés: A legfontosabb konverziót hozó kifejezések listája.

---

Bár a Looker Studio egy rendkívül rugalmas eszköz, a magyar piacon dolgozó ügynökségek gyakran ütköznek olyan technikai korlátokba, amelyek teljesen használhatatlanná teszik a riportokat, ha azokat nem megfelelően konfigurálják.

A Google Ads natív konnektora stabil, azonban a GA4 közvetlen API összeköttetése egy időzített bomba. Amint egy ügyfél webshopja eléri a havi 50 000 feletti munkamenetet (session), a Looker Studio elkezd "Quota Exceeded" (kvótakorlát túllépve) hibaüzeneteket dobni. Ez azért történik, mert a Google korlátozza az ingyenes API-ból másodpercenként és óránként lekérhető tokenek számát.

A megoldás: Az ügynökségeknek be kell vezetniük a BigQuery használatát mint köztes adattároló réteget (data warehouse). A GA4-ből az adatok napi szinten ingyenesen exportálhatók a Google Cloud BigQuery-be. Ha a Looker Studiót nem közvetlenül a GA4-hez, hanem a BigQuery-hez kötjük, a kvótahibák 100%-ban megszűnnek, és a riportok betöltési ideje 15-20 másodpercről 2 másodperc alá csökken. Egy 200M HUF éves árbevételű webshop esetében a BigQuery tárolási és lekérdezési költsége nem éri el a havi 1,50 USD-t (kb. 550 HUF), ami elhanyagolható az elpazarolt munkaórákhoz képest.

Sok magyar webshop (főleg a határmenti piacokra, például Szlovákiába vagy Romániába is szállítók) több devizával dolgozik. Gyakori hiba, hogy a Google Ads euróban számláz (mivel az ügyfél történelmileg így állította be a fiókot), a Meta Ads cseh koronában vagy euróban vonja le a pénzt, miközben a GA4 forintban mér.

Ha a Looker Studióban ezeket az adatokat egyszerűen összeadjuk, teljesen hamis adatokat kapunk. A sablonban kötelező alkalmazni az egyedi számított mezőket (Calculated Fields) a devizák egységesítésére.

Példa egy számított mezőre a deviza egységesítéséhez Looker Studióban:

```sql

CASE

WHEN Currency Code = 'EUR' THEN Cost * 412

WHEN Currency Code = 'USD' THEN Cost * 385

ELSE Cost

END

```

Megjegyzés: Az árfolyamokat érdemes egy külön Google Sheets táblázatból dinamikusan beolvastatni és naponta frissíteni egy egyszerű Google Apps Script segítségével.

Ugyanilyen kritikus a 27%-os magyar áfa kezelése. A webshopok admin felülete (pl. Shoprenter, UNAS, Shoptet) gyakran bruttó árakat küld át a GA4-nek, miközben a marketing költés nettó alapon jelenik meg. Ha nem korrigáljuk ezt a különbséget, a riportált ROAS 27%-kal magasabbnak fog tűnni a valóságosnál, ami téves üzleti döntésekhez vezet.

---

A platform-specifikus ROAS ideje lejárt. A Performance Max és a Meta Advantage+ kampányok térnyerésével a rendszerek egymástól rabolnak konverziós érdemeket (attribution overlap). Ha összeadjuk a Meta Ads és a Google Ads által jelentett konverziós értékeket, sokszor magasabb számot kapunk, mint a webshop tényleges havi nettó árbevétele.

A Google Performance Max kampányai előszeretettel "kannibalizálják" a saját márkás (brand) kereséseket, mert ezek hozzák a legolcsóbb konverziókat, amivel a rendszer mesterségesen kozmetikázza a PMax ROAS-t.

Hogy ezt tisztán lássuk, a sablonban létre kell hoznunk egy olyan szűrőt vagy számított mezőt, amely különválasztja a tiszta márkaépítő kereséseket a generikus (non-brand) kampányoktól.

Számított mező a kampányok kategorizálására:

```sql

CASE

WHEN REGEXP_CONTAINS(Lower(Campaign), 'brand|marka|márka|cegnev') THEN 'Brand Ads'

ELSE 'Non-Brand Ads'

END

```

Ezzel a kategorizálással azonnal megmutatható az ügyfélnek, hogy a Google Ads valójában mennyi új vásárlót hoz, és mennyi olyan vásárlót terel be, aki egyébként is rákeresett volna a cég nevére.

A ROAS legnagyobb hibája, hogy feltételezi: minden termék értékesítése azonos profitmarzzsal történik. Egy 15%-os árréssel dolgozó műszaki cikk esetében a 400%-os ROAS veszteséges, míg egy 70%-os árrésű saját márkás étrend-kiegészítőnél a 150%-os ROAS is rendkívül nyereséges lehet.

A POAS kiszámításához a következő adatforrásokat kell összekötnünk Looker Studióban:

• Hirdetési költések (Google Ads, Meta Ads API-ból vagy middleware-ből)
• Nettó árbevétel (GA4-ből származó adat, áfával korrigálva)
• Átlagos árrés (Margin %) (Google Sheets-ből beolvasva, akár termékkategóriánként)

A POAS kiszámításának képlete a Looker Studióban:

$$\text{POAS} = \frac{\text{Nettó Árbevétel} \times \text{Árrés \%}}{\text{Összes Hirdetési Költés}}$$

Ha ez az érték 1,0 felett van, a hirdetések közvetlenül profitot termelnek (fedezi a hirdetési költséget a megtermelt árrés). Ha 1,0 alatt van, akkor a kampányok égetik a tőkét, hiába mutat a Meta Ads meggyőző ROAS számokat.

---

A "Gombostű & Divat Kft." egyedi tervezésű női ruhákat értékesít a magyar piacon. Éves árbevételük 350 millió HUF. Az ügynökségük havonta 250 000 HUF fix díjért kezelte a Google és Meta hirdetéseiket.

A havi riportálás egy 15 oldalas Looker Studio dashboardon keresztül történt, amit közvetlenül a GA4-re és a Meta Ads Managerre kötöttek rá. Az adatok folyamatosan szétcsúsztak:

• A Meta Ads Manager havi szinten 12,4 millió HUF konverziós értéket jelentett (8,2-es ROAS).
• A GA4 szerint a Metáról érkező bevétel csak 5,1 millió HUF volt.
• Az ügyvezető dühös volt, mert a bankszámla egyenlege folyamatosan csökkent, pedig az ügynökség "zseniális eredményeket" mutatott be a prezentációkon.
• Az ügynökségi account manager havi 8 órát töltött azzal, hogy manuálisan magyarázza a különbségeket Excel táblázatokban.

• Adatforrások konszolidációja: Megszüntettük a közvetlen GA4 kapcsolatot. Az adatokat egy Google Sheets alapú köztes rétegbe (és részben BigQuery-be) rendeztük.
• A 27%-os áfa-korrekció bevezetése: Kiderült, hogy a GA4-be bruttó árak futottak be, míg a Meta Ads nettó árakkal számolt. Minden bevételi adatot nettósítottunk a riportban.
• Visszaküldési arány (Return Rate) beépítése: A divat szektorban a magyar átlagos visszaküldési arány 22-30% között mozog. A Gombostű Kft.-nél ez pontosan 26% volt. Beolvastuk ezt a statikus értéket egy Google Sheets táblázatból, és létrehoztunk egy "Valós Nettó Bevétel" számított mezőt:

$$\text{Valós Nettó Bevétel} = \text{GA4 Nettó Bevétel} \times 0.74$$

• Sablon egyszerűsítése: A 15 oldalas riportot lecsupaszítottuk egy 3 oldalas, de mélyreható sablonra (C-level, Csatorna-szint, Kreatív Hub).

| Metrika | Eredeti (kozmetikázott) érték | Reform utáni (valós) érték |

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

| Meta Jelentett ROAS | 8.2x | - |

| GA4 Attribuált ROAS | 3.3x | - |

| Blended ROAS (MER) | - | 2.9x |

| Valós Blended POAS (árréssel korrigálva) | - | 0.91x (Veszteséges!) |

Az eredmények és a tanulságok

A valós adatok láttán kiderült, hogy a vállalkozás minden hirdetésre elköltött forint után valójában 9 fillér veszteséget termelt, mert a magas visszaküldési arány és az áfa teljesen elvitte a hasznot.

Az ügynökség azonnali lépései:

• Leállították a PMax kampányokat, amelyek a meglévő, visszatérő vásárlóknak hirdették a legkisebb árrésű akciós termékeket.
• Elindítottak egy szigorú árrés-alapú kampánystruktúrát: csak a 60% feletti árréssel rendelkező, alacsony visszaküldési arányú termékcsoportokat hirdették.
• Az account manager havi riportálási ideje 8 óráról 30 percre csökkent (csak a prezentáció diákjait kellett átnéznie, az adatok automatikusan frissültek).
• Az ügyfél elégedettsége nőtt, mert végre értette a számokat. Az együttműködés megmaradt, sőt az ügynökség díját havi 350 000 HUF-ra emelték a sikeres stratégiai átállás után.

---

Annak érdekében, hogy a Looker Studio sablon valóban értéket teremtsen, el kell kerülni azokat a klasszikus csapdákat, amelyekbe a hazai ügynökségek 90%-a rendszeresen besétál.

Az ügyfelek nem adat-elemzők. Ha a dashboard első oldalán 40 különböző KPI szerepel (mint a munkamenetek hossza, visszafordulási arány, eszközök szerinti bontás), az ügyfél be fogja zárni a linket, és soha többet nem néz rá. A felesleges adatok elrejtése a profizmus jele.

Soha ne próbáld meg elmagyarázni egy táblázatban, hogy miért tér el a két rendszer adata fillérre pontosan. Nem fognak egyezni az eltérő attribúciós modellek (Meta: 7-day click / 1-day view vs. GA4: Data-driven) miatt. Ehelyett mutasd meg mindkettőt egymás mellett, de határozd meg, hogy a döntéshozatal során melyik az elsődleges igazságforrás (ajánlott: a GA4 vagy a belső CRM rendszer).

Aki 2026-ban még manuálisan exportált PDF riportokat küldözget havonta egyszer az ügyfeleknek, az értékes ügynökségi órákat éget el teljesen feleslegesen. A Looker Studio linkje legyen állandó, dinamikusan szűrhető dátum szerint, és az ügyfél kapjon hozzáférést a hét bármely napján.

Egy magyar webshop esetében a fekete péntek (Black Friday) és a karácsonyi szezon (november-december) teljesen torzítja a havi összehasonlításokat. Ha a novemberi adatokat csak az októberiekkel hasonlítjuk össze (MoM), minden zöldnek és sikeresnek tűnik. A sablonban kötelezően alkalmazni kell a bázisidőszaki (YoY - előző év azonos időszaka) összehasonlító kártyákat.

Sok ügynökség spórolni akar az olyan professzionális összekötőkön, mint a Supermetrics, a Windsor.ai vagy a Porter Metrics, és helyettük kétes hátterű, ingyenes konnektorokat használ a Meta Ads vagy a TikTok Ads adatok behúzására. Ezek a konnektorok gyakran szivárogtatják az ügyféladatokat, instabilak, és a kampányok futása közben (például a kiemelt karácsonyi időszakban) rendszeresen leállnak, vakvágányra téve a döntéshozatalt.

---

Ha szeretnéd radikálisan növelni az ügynökséged hatékonyságát és javítani az ügyfélmegtartási (retenciós) mutatóidat, hajtsd végre a következő lépéseket a Looker Studio sablonod fejlesztése során:

• Határozd meg az ügyféllel közösen a 3 legfontosabb üzleti KPI-t (ajánlott: Költés, Blended ROAS, POAS).
• Távolíts el minden olyan metrikát az első oldalról, ami nem igényel közvetlen vezetői döntést.

• Regisztráld be az ügyfél GA4 fiókját a Google Cloud BigQuery alá.
• Állítsd be a napi automatikus exportot (ez teljesen ingyenes).
• Kapcsold össze a Looker Studiót a BigQuery adathalmazzal a közvetlen GA4 konnektor helyett a kvótahibák kiküszöbölésére.

• Tervezz egy 3 oldalas alapsablont az ügynökségi arculatod színeivel (használj legfeljebb 3 domináns színt, kerüld a túlságosan színes "szivárvány" grafikonokat).
• 1. oldal: C-level Dashboard (Szigorúan hajtás feletti nézet, no-scroll).
• 2. oldal: Csatornaszintű operatív nézet (Google, Meta, TikTok összehasonlító táblázatok).
• 3. oldal: Kreatív Hub és diagnosztika (PPC specialistáknak).

• Építsd be a 27%-os áfa-korrekciós képletet minden olyan webshopnál, ahol a GA4 bruttó adatokat kap.
• Állítsd be a deviza-normalizáló képleteket, ha a hirdetési fiókok és a webshop pénzneme eltér.
• Implementáld a POAS képletet az ügyféltől kapott átlagos árrés (Margin %) alapján.

• Hozz létre egy egyszerű Google Sheets táblázatot az év eleji vagy negyedéves büdzsé- és bevételi tervekkel.
• Kösd össze ezt a táblázatot a Looker Studióval, és jeleníts meg egy előrehaladási sávot (bullet chart vagy gauge chart), ami mutatja az időarányos teljesítést (pl. "A havi tervezett 2 000 000 HUF költés 64%-ánál tartunk, a tervezett bevétel 71%-a teljesült").

• Miután elkészült a dashboard, ne csak egy linket küldj át e-mailben.
• Készíts egy maximum 5-8 perces Loom (vagy Vidyard) videót, amelyben végigvezeted az ügyfelet a dashboard használatán, elmagyarázva, hogy melyik számot hol találja, és azok milyen döntéseket támogatnak.
• Ezzel a lépéssel nemcsak professzionális képet mutatsz az ügynökségről, de drasztikusan csökkented a riportálással kapcsolatos felesleges kérdések és ad-hoc hívások számát is.

---

SEO Cím: Looker Studio Dashboard Sablonok PPC Ügynökségeknek 2026

Meta Leírás: Hogyan építs olyan Looker Studio riportot, ami véget vet az ügyfelek értetlenkedésének? Konkrét magyar példák, HUF adatok, BigQuery-integráció és POAS számítás a hazai PPC ügynökségeknek.