Looker Studio sablonok magyar PPC ügynökségeknek: Riporting HUF/EUR káosz és felesleges adatzaj nélkül

SEO Cím: Looker Studio Dashboard Útmutató: Így riportál az élvonalbeli magyar PPC ügynökség

Meta leírás: Felejtsd el az értelmetlen GA4 PDF-eket. Mutatjuk, hogyan építs üzleti fókuszú Looker Studio dashboardot magyar webshopoknak. POAS, Unas/Shoprenter integráció és konkrét esettanulmány.

A legtöbb magyar PPC ügynökség még mindig havonta egyszer kiküldött, 15 oldalas, automatizált Looker Studio PDF-riportokkal próbálja igazolni a létjogosultságát, amelyeket az ügyfelek többsége meg sem nyit. Amikor mégis megnyitják, azonnal kibukik a klasszikus ellentmondás: a dashboard büszkén hirdeti a 600%-os Google Ads ROAS-t, miközben a megrendelő folyószámláján nincs pénz az alapanyagok kifizetésére és a beszállítók rendezésére. Ez a szakadék nem az ügyfél pénzügyi analfabétizmusából adódik, hanem abból, hogy a hazai ügynökségi riportok 95%-a teljesen elszakad a magyar piaci realitásoktól – az utánvétes fizetések (COD) magas arányától, a logisztikai és csomagolási költségektől, valamint a hazai webshop motorok (Unas, Shoprenter) sajátos adatszivárgásaitól.

A hazai e-commerce piacon a 2026-os évre az akvizíciós költségek drasztikus emelkedése vált meghatározóvá. A Temu és az Alza agresszív licitálása miatt a hazai kiskereskedelmi Google Ads CPC árak a korábbi 80-120 HUF közötti sávból mára sok kategóriában 180-260 HUF-ra ugrottak, míg a Meta hirdetések CPM értékei több mint 35%-kal növekedtek.

Ebben a környezetben egy 50-200 millió HUF éves árbevételű magyar webshop már nem engedheti meg magának azt a luxust, hogy "vakrepülésben" hirdessen. Az ügynökségek részéről a havi fix 150 000 - 350 000 HUF + sikerdíjas menedzsment díj csak akkor tartható fenn, ha a riportálás nem csupán a kattintásokat és a "beérkezett kosárértéket" mutatja, hanem közvetlenül összekapcsolódik a megrendelő ERP rendszerével, nettó árrés-szintű adatokat vizualizálva.

További kényszerítő erő a Google Analytics 4 API kvótakorlátozása (Google Analytics Data API quotas), amely a közvetlen GA4-Looker Studio összeköttetéseket rendszeresen hibaüzenettel ("Quota Error") blokkolja, ha a riportot egynél több felhasználó nézi egyszerre. Ennek áthidalása és a valós, kohorsz-alapú adatok kinyerése ma már az ügynökségi lét feltétele.

---

A hagyományos PPC dashboardok legnagyobb bűne, hogy olyan mérőszámokat helyeznek a fókuszba, amelyekből a cégvezető nem tud üzleti döntést hozni. Az imimpresszió, a CTR (Click-Through Rate) és az átlagos CPC fontosak a kampányt optimalizáló junior PPC specialistának, de a marketing döntéshozónak és a tulajdonosnak zajt jelentenek.

Egy magyar tulajdonú, bútorokat értékesítő webshop tulajdonosát nem teszi boldoggá a 4%-os CTR, ha a megrendelések 25%-át telefonon mondják le a szállítási idő (akár 4-6 hét) miatt. A riportnak tükröznie kell a helyi sajátosságokat:

• Az utánvét-faktor: Magyarországon a futárnál történő fizetés (készpénz vagy kártya) még mindig a tranzakciók 50-70%-át teszi ki iparágtól függően. Ennek kezelési költsége (utánvét díj, ami jellemzően 490 - 990 HUF közötti extra teher) és a 8-12%-os át nem vett csomagarány teljesen torzítja a GA4 által mért "Revenue" (bevétel) adatokat.
• A visszáru kezelése: A divat és cipő szegmensben a magyarországi visszaküldési arány elérheti a 25-35%-ot. Ha a Looker Studio dashboard nem vonja le a visszárukat a hirdetési megtérülésből, az ügynökség olyan termékcsoportokat fog skálázni, amelyek valójában veszteséget termelnek a logisztikai és csomagolási költségek miatt.

A Google Ads és a Meta Ads felületei áfa nélkül jelenítik meg a költéseket, míg a hazai webshop motorok (és sokszor a GA4 is, ha rosszul van konfigurálva) bruttó, azaz 27%-os áfával növelt árakon rögzítik a tranzakciókat.

Kritikus hiba: Ha a dashboardon a bruttó bevételt osztjuk el a nettó hirdetési költéssel, egy hamis, 27%-kal mesterségesen felduzzasztott ROAS-t kapunk.

A Looker Studióban ezt kötelező egy kalkulált mezővel (Calculated Field) korrigálni az alábbi képlet segítségével a GA4 adatforrásban:

`Nettó Bevétel = GA4 Purchase Revenue / 1.27`

Ha a webshop a környező országokba (Románia, Szlovákia) is értékesít, a RON-ban és EUR-ban beérkező megrendeléseket az adatok összesítése előtt egy közös, napi szinten frissülő MNB középárfolyam-táblával (Google Sheets-en keresztül behúzva) kell HUF-ra konvertálni, különben a Looker Studio egyszerűen összeadja a különböző devizanemek nominális értékeit.

---

Nem létezik egyetlen, mindenkinek megfelelő "all-in-one" riport sablon. Az ügynökségnek három különböző szintű dashboardot kell biztosítania ahhoz, hogy professzionális képet mutasson és valóban vezetni tudja az ügyfelet.

Ez a riport kizárólag a tulajdonosnak és a pénzügyi vezetőnek készül. Nem tartalmaz kampányneveket, sem kulcsszavakat. Egyetlen képernyőből áll, és a következő metrikákra épül:

```

[ Teljes Árbevétel (Nettó) ] ---> [ Összes Hirdetési Költés (Blended) ] ---> [ MER (Marketing Efficiency Ratio) ]

[ Tényleges Árrés (POAS) ] ---> [ Logisztika + COD Költség ] ---> [ Nettó Profit (Marketing után) ]

```

A dashboard legfontosabb eleme a MER (Marketing Efficiency Ratio), azaz a teljes nettó árbevétel osztva az összes marketing költéssel (Google Ads + Meta Ads + Árukereső + Tiktok), valamint a POAS (Profit on Ad Spend), amely a nettó árrést viszonyítja a hirdetési költéshez.

Ezt a verziót a PPC specialista használja a heti/kétheti optimalizációhoz, és az ügyfél marketinges kapcsolattartójával közösen nézik át. Itt már helyet kapnak:

• A kampány szintű megbontások, azonosítva a "költségtemető" hirdetéscsoportokat.
• Keresési kifejezések (Search Terms) riport a kizáró kulcsszavak gyors azonosítására.
• Kreatívok teljesítménye (Meta Ads esetén az első 3 másodperces megtekintési arány és az outbound CTR korrelációja).
• Ajánlattételi stratégiák és cél-ROAS szintek alakulása idősoros grafikonon.

A magyar piacon az első vásárlás megszerzése a magas CPC-k miatt sokszor veszteséges. A növekedést az ismételt vásárlások (retenció) biztosítják. Ez a dashboard megmutatja:

• A visszatérő vásárlók arányát (New vs. Returning Customer Revenue).
• A vásárlási gyakoriságot (Cohort Analysis).
• A hírlevél feliratkozások (pl. Klaviyo vagy Webshippy/Webshippy-szerű rendszerekből kinyert adatok) hatását a közvetett konverziókra.

---

A legnagyobb technikai kihívás a Looker Studio használata során a különböző adatforrások megbízható és pontos egyesítése (Data Blending).

| Adatforrás | Kulcsfontosságú dimenzió | Megoldás az API korlátokra |

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

| Google Ads | Dátum, Campaign ID | Native Google Ads Connector (Ingyenes) |

| Meta Ads | Dátum, Campaign Name (UTM) | Partner connector (Windsor.ai, Porter Metrics or Supermetrics) |

| GA4 (E-commerce) | Dátum, Transaction ID, Campaign | BigQuery export (ajánlott) vagy fizetős API connector |

| Shoprenter / Unas | Rendelés státusza, Valós árbevétel | Google Sheets középréteg (API-ból pusholva) |

Míg a Shopify rendelkezik kiváló, közvetlen Looker Studio csatlakozókkal és robusztus app-ökoszisztémával, addig a hazai piacvezető Shoprenter és Unas motorok esetében az adatok közvetlen áttöltése fejfájást okoz. A GA4 méréseik gyakran pontatlanok: a felhasználók egy része blokkolja a cookie-kat (különösen a Consent Mode v2 bevezetése óta), így a tranzakciók 15-25%-a egyszerűen nem látszódik a Google Analytics-ben.

A megoldás egy Google Sheets középréteg felépítése:

```

[ Shoprenter / Unas API ] --(Automated Cron Job / Make.com)--> [ Google Sheets ] --(Native Connector)--> [ Looker Studio ]

```

Egy Make.com (korábban Integromat) szcenárió segítségével naponta egyszer (például éjjel 2:00-kor) le kell kérni az előző napi, "teljesített" státuszú megrendelések listáját, azok nettó értékét, a felhasznált kuponkódokat és a fizetési módot a Shoprenter/Unas API-ból, majd ezt beírni egy Google Sheet táblázatba.

A Looker Studióban ezután ezt a Google Sheet-et kötjük össze a Google Ads és Meta Ads költségadatokkal a Dátum (Date) dimenzió mentén. Ezzel kiküszöböljük a GA4 adatszivárgást, és a tényleges, könyvelés-közeli adatokat fogjuk látni a dashboardon.

A haladó adategyesítés alapja, hogy a kampányneveink szabványosított UTM paraméterezéssel fussanak. Ha például az ügynökség következetesen jelöli a kampányok célját és lokációját, a Looker Studióban egyéni kalkulált mezőkkel (Custom Dimensions) dinamikusan szegmentálhatjuk a költéseket.

Példa RegEx képlet a kampánytípusok automatikus kategorizálására a Google és Meta kampánynevekből:

```sql

CASE

WHEN REGEXP_CONTAINS(Campaign, '(?i)pmax|performance max') THEN 'Google PMax'

WHEN REGEXP_CONTAINS(Campaign, '(?i)brand|search_brand') THEN 'Google Brand Search'

WHEN REGEXP_CONTAINS(Campaign, '(?i)generic|search_nonbrand') THEN 'Google Non-Brand Search'

WHEN REGEXP_CONTAINS(Campaign, '(?i)meta_prospecting|meta_cold') THEN 'Meta Prospecting'

WHEN REGEXP_CONTAINS(Campaign, '(?i)meta_retargeting|meta_warm') THEN 'Meta Retargeting'

ELSE 'Egyéb / Ismeretlen'

END

```

Ennek a mezőnek a segítségével egyetlen kördiagramon vagy táblázatban ábrázolható, hogy a teljes hirdetési büdzsé mekkora része megy márkaépítésre (Brand Search), új vásárlók bevonzására (Meta Cold, Google Non-Brand) vagy éppen remarketingre, függetlenül attól, hogy hány tucat aktív kampány fut a fiókokban.

---

A partnerünk egy hazai gyártású, prémium női ruházattal foglalkozó webáruház, amely 2025-ben 350 millió HUF éves nettó árbevételt realizált.

A kiinduló állapot és a probléma

Az ügynökség korábban klasszikus, közvetlen GA4 csatlakozású Looker Studio riportot használt. A riport havi 4.8-as átlagos Google Ads ROAS-t mutatott, a cégvezető mégis likviditási problémákkal küzdött a főszezon közepén. Az okok feltárása során kiderült:

• A GA4 nem mérte a 28%-os visszaküldési arányt (a ruházati szegmensben ez megszokott).
• A GA4-be bruttó árak csorogtak be, míg a költések nettó módon szerepeltek.
• A hirdetési költésekbe nem kalkulálták bele a Meta hirdetésekre rakódó 2%-os DST (Digital Services Tax) adót, sem az ügynökségi díjat.

Létrehoztunk egy egyedi, BigQuery-alapú Looker Studio dashboardot, ahová beintegráltuk a Webshippy ( fulfillment partner) logisztikai adatait és a Shoprenterből kinyert, utólagosan módosított (törölt, visszavont) rendelési státuszokat.

Bevezettük a Tényleges POAS (Profit on Ad Spend) vizualizációt az alábbi kalkulált mezővel:

$$\text{Tényleges POAS} = \frac{(\text{Valós Nettó Árbevétel} - \text{COGS} - \text{Logisztikai Költség})}{\text{Összes és Korrigált Marketing Költés}}$$

Ahol:

• COGS (Cost of Goods Sold): Az eladott áruk beszerzési értéke (a Shoprenter termékfeltöltési adatbázisából exportálva).
• Logisztikai Költség: Csomagolás + szállítás + COD kezelési díj (szállítási módonként súlyozva: MPL, Foxpost, GLS).

Az új dashboard élesítése után a következő változásokat értük el 3 hónap alatt:

| Mutató | Korábbi riport szerint | Új, tisztított riport szerint | Változás / Üzleti döntés |

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

| Google Ads ROAS | 480% | 310% (Nettó árakkal) | Csökkentettük a PMax agresszivitását |

| Meta Ads ROAS | 390% | 220% (Visszaru és COD után) | Leállítottuk a gyenge kosárértékű termékeket |

| Meddő költés aránya | Nem volt látható | 18% (4.2 millió HUF/év)| Átirányítottuk a büdzsét a magasabb marzsú termékekre |

| Riportálási idő | 12 óra / hó / account | 1.5 óra / hó (automatizált) | 300 000 HUF megtakarítás ügynökségi munkaidőben |

```

Standard GA4 ROAS (Torzított): [████████████████████] 480%

Valós, Tisztított ROAS: [████████████] 310%

Nettó POAS (Valós profitág): [████████] 165%

```

Az ügynökségnek nem kellett többé magyarázkodnia a hó végén: az adatok megegyeztek a cégvezető bankszámla-egyenlegével, ami növelte a bizalmat és stabilizálta az ügynökségi együttműködést (churn rate csökkenés).

---

Az elmúlt években több tucat magyar és nemzetközi ügynökségi dashboard auditálása során összegyűjtöttük azokat a kritikus hibákat, amelyeket a leggyakrabban követnek el a PPC specialisták.

Ha az ügyfeled havi látogatószáma meghaladja az 50 000 munkamenetet, a közvetlen Looker Studio - GA4 összekötő (Connector) a hónap közepén meg fogja bénítani a riportot a Google API kvótakorlátai miatt. A grafikonok helyén ijesztő hibaüzenetek fognak világítani ("Error: Google Analytics has exhausted its token quota").

Szakmai javaslat: Használd a GA4 ingyenes BigQuery exportját. Az adatok BigQuery-be való átáramlása ingyenes egy bizonyos limitig (ami egy 500M HUF alatti webshopnál gyakorlatilag sosem telik be), és a Looker Studio BigQuery csatlakozója villámgyors, kvótakorlát-mentes adatmegjelenítést biztosít.

Sokan elkövetik azt a hibát, hogy a Google Ads és Meta Ads adatokat `Full Outer Join` vagy `Inner Join` kapcsolattal kötik össze a dátum szintjén.

• Ha `Inner Join`-t használsz, és egy adott napon nem volt Meta költés (mert pl. lemerült az ügyfél kártyája), a Looker Studio arra a napra a Google Ads adatokat sem fogja megjeleníteni, mert a közös kulcs nem létezett mindkét oldalon.
• A helyes módszer: Használj `Left Outer Join` kapcsolatot, ahol a bal oldali (elsődleges) táblázat egy generált naptár-táblázat (Date Table), vagy pedig a GA4 adatsor, és ehhez kapcsolódnak a hirdetési platformok költései.

A 47 különböző kördiagram, vonaldiagram és score card egy oldalon nem professzionalizmust sugároz, hanem a fókusz hiányát. A megbízó másodpercek alatt elveszíti az érdeklődését, ha a dashboard betöltése 45 másodpercet vesz igénybe a túl sok párhuzamos lekérdezés miatt. Tartsuk be az aranyszabályt: maximum 6-8 vizuális elem oldalanként.

---

Kövesd ezt a lépésről-lépésre útmutatót egy stabil, professzionális és automatizált Looker Studio ökoszisztéma kiépítéséhez.

Soha ne indíts el kampányt konzisztens elnevezési konvenció nélkül. Alkalmazz struktúrát a kampányneveknél, például:

`Platform_Objective_Targeting_ProductCategory_Lang` (pl. `FB_Prospecting_LAL3_Cipok_HU`). Ez az alapja minden későbbi RegEx alapú szűrésnek a Looker Studióban.

Hozz létre egy központi Google Sheet-et az ügyfélnek, ahol manuálisan vagy Make.com/Zapier segítségével naponta rögzíted a marketingen kívüli fix költségeket (ügynökségi díj, raktárbérlet, ügyfélszolgálati szoftverek díja). Ezt az adatforrást is kapcsold be a Looker Studióba.

Minden új ügyfél on-boarding során az első dolgod legyen a GA4 tulajdon beállításaiban aktiválni az ingyenes BigQuery exportot. Még ha kezdetben nem is használod, az adatok gyűlnek SQL formátumban, így ha 6 hónap múlva szükséged lesz rá, nem a nulláról kell kezdened a múltbeli adatok elemzését.

Építs egy összevont adatforrást (Data Blend), ahol a naptári dátum alapján összekötöd a Google Ads nettó költést, a Meta Ads nettó költést (DST adóval korrigálva: `Költés * 1.02`), és a GA4/Shoprenter nettó bevételt. Hozz létre egy kalkulált mezőt a Blended ROAS megjelenítésére:

`Blended ROAS = Nettó Bevétel / (Google Ads Cost + Meta Ads Cost)`

A Looker Studio nem alkalmas valós idejű riasztásra, de a mögötte lévő Google Sheets táblázat igen. Állíts be egy egyszerű Google Apps Scriptet vagy Zapier szabályt: ha a napi hirdetési költés eléri a tervezett napi keret 150%-át, vagy a konverziós ráta 0.1% alá esik egy aktív napon, az ügynökségi Slack csatornára küldjön azonnali értesítést a rendszer. Így megelőzhetők azok a milliós veszteségek, amelyeket egy rosszul beállított PMax kampány vagy egy elrontott bankkártyás fizetési átjáró okozhat.