Túl a Last Click-en: GA4 attribúciós modellek és adatvezérelt döntések a magyar e-kereskedelemben

Cím: GA4 Attribúciós Modellek: Így Védd Meg a Hirdetési Büdzsét a Google Fekete Dobozától

Meta leírás: GA4 data-driven attribúciós modellek mélyreható elemzése és gyakorlati konfigurációja magyar marketingeseknek. Esettanulmány, BigQuery integráció és a Consent Mode v2 hatásai.

A digitális analitika radikális átalakulása kényszerhelyzetbe hozta a hazai e-commerce döntéshozókat: a Google Analytics 4 (GA4) alapértelmezett Data-Driven (adatvezérelt) attribúciós modellje egy olyan átláthatatlan fekete doboz, amely szisztematikusan a Google saját hirdetési csatornáit részesíti előnyben a közösségi média és az organikus források kárára. A GA4 alapbeállításainak kritika nélküli elfogadása egy átlagos, évi 300-500 millió forintos forgalmú magyar webáruháznak havonta több százezer forint feleslegesen elégetett hirdetési büdzsét jelent, mivel a rendszer eltorzítja a konverziós útvonalak valós értékét. Azok a marketingvezetők és PPC specialisták, akik nem látják át a háttérben futó matematikai torzításokat, téves adatok alapján optimalizálnak, és olyan kampányokba csoportosítanak át forrásokat, amelyek csak papíron, a Google sajátos értelmezése szerint termelnek profitot.

A harmadik feles sütik (third-party cookies) kivezetésének végső fázisa és az Apple Safari ITP (Intelligent Tracking Prevention) algoritmusának szigorítása (amely a belső feles sütik élettartamát is gyakran 1-7 napra korlátozza) alapjaiban rombolta le a hagyományos mérési módszertanokat. Magyarországon a Consent Mode v2 kötelező bevezetése óta a webáruházak átlagosan 22-35% közötti adatvesztéssel szembesülnek a felhasználói hozzájárulások megtagadása miatt.

A Google erre a vakfoltra válaszul vezette be a modellezett konverziókat (behavioral modeling), amelyeket a GA4 gépi tanulással próbál pótolni. Ez a gyakorlatban azt jelenti, hogy a GA4 felületén látható adatok jelentős része már nem közvetlen mérésen, hanem valószínűségszámításon alapul.

Egy olyan piacon, mint a magyar, ahol a CPC árak a divat és lakberendezési szegmensekben 80-150 HUF, míg a pénzügyi vagy B2B szektorban a 450-950 HUF tartományba emelkedtek, a hibás attribúció közvetlen hatással van a nettó profitmarzsra. Ha egy senior marketing szabadúszó vagy ügynökség 25 000 - 45 000 HUF közötti óradíjért dolgozik azon, hogy optimalizálja a ROAS-t, de a GA4 torz képet mutat az egyes csatornák hozzájárulásáról, akkor a drága szakértői munka is félrecsúszik. Nem engedhetjük meg magunknak azt a luxust, hogy vakon bízzunk a Google "Data-Driven" algoritmusában, amikor az alternatív modellek (például az utolsó kattintásos modell vagy a saját BigQuery-alapú attribúció) teljesen más döntési irányokat mutatnak.

---

A Google 2023-ban végleg nyugdíjazta az első kattintásos (First Click), a lineáris (Linear), az időbeli lecsengésű (Time Decay) és a pozícióalapú (Position-Based) attribúciós modelleket. Jelenleg gyakorlatilag két választásunk maradt a GA4 adminisztrációs felületén: a Data-Driven (adatvezérelt) és a Last Click (utolsó kattintás) modell.

A Google hivatalos kommunikációja szerint a Data-Driven attribúció a kooperatív játékelméletből származó Shapley-érték (Shapley Value) formulát használja. Az algoritmus elemzi az összes olyan útvonalat, amely konverzióhoz vezetett, és azokat is, amelyek nem, majd összehasonlítja az egyes érintkezési pontok (touchpoints) jelenlétét és hiányát.

A probléma ott kezdődik, hogy ez a matematikai modell csak akkor működik megbízhatóan, ha hatalmas mennyiségű adat áll rendelkezésre. Ha egy magyar webshop nem ér el havi több ezer konverziót egy-egy specifikus útvonalon, a GA4 algoritmusa kénytelen általánosított, aggregált mintákra támaszkodni. Ez a gyakorlatban a következő torzításokat eredményezi:

• A Google-csatornák felülértékelése: Mivel a Google rendelkezik a legmélyebb adatintegrációval a saját rendszerében (Google Ads, Performance Max, YouTube), a saját csatornáiról érkező interakciókat pontosabban és részletesebben tudja követni, mint a Meta (Facebook/Instagram), TikTok vagy Árukereső forrásokat. A Shapley-érték kalkulációja során ez az információs aszimmetria automatikusan a Google-csatornák felé dönti el a mérleget.
• A direkt forgalom gyűjtőkosár-effektusa: Ha a Safari ITP törli a látogató sütijét 24 óra után, és a felhasználó 3 nap múlva visszatér vásárolni, a GA4 ezt "Direct" látogatásnak fogja tekinteni. A Data-Driven modell ezt a direkt látogatást gyakran leértékeli, és a korábbi (még látható) Google Search kattintásnak tulajdonítja a konverzió 100%-át, miközben a valóságban a felhasználó egy hírlevél vagy egy Meta retargeting hirdetés hatására tért vissza.

Sok magyar marketinges elköveti azt a hibát, hogy összekeveri a GA4 tulajdonság szintű attribúciós beállításait a Google Ads-be importált konverziók attribúciójával.

Fontos szabály: Ha a GA4-ben a csatornák közötti (Cross-channel) adatvezérelt modellt használjuk, de a Google Ads-be importált konverziós műveletnél a Google Ads-preferált (Google Ads-preferred) beállítás van érvényben, akkor a két rendszer teljesen eltérő konverziós számokat fog mutatni ugyanarra a kampányra vonatkozóan.

| Attribúciós Típus | Hogyan kezeli a Meta / Árukereső látogatást? | Mikor érdemes használni? |

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

| Cross-channel Data-Driven | Egyenrangú partnerként kezeli a konverziós útvonalon, megosztja a konverziós értéket. | Globális marketing döntésekhez, csatornák közötti költségvetés-tervezéshez. |

| Google Ads-preferred | Figyelmen kívül hagyja a nem Google érintkezési pontokat, ha volt Google Ads kattintás az úton. | Kizárólag a Google Ads licitálási algoritmusainak (Smart Bidding) etetésére. |

| Cross-channel Last Click | A konverzió 100%-át az utolsó, nem közvetlen (Non-Direct) csatornának adja. | Gyors, taktikai kampányellenőrzésre, napi szintű riportoláshoz. |

---

Az Európai Gazdasági Térségben (EGT) kötelező Consent Mode v2 közvetlen hatással van arra, hogyan osztja el a GA4 a konverziós érdemeket. Ha a látogató elutasítja a cookie-k használatát, a GA4 nem helyez el azonosítókat, de úgynevezett "cookie-mentes pingeket" (cookieless pings) küld a szervernek.

Ha a webáruház eléri a napi 100-200 konverziót és a heti 1000 aktív felhasználót, a GA4 bekapcsolja a viselkedési modellezést (Behavioral Modeling). Ekkor a hozzájárulást megtagadó felhasználók adatait a hozzájárulást megadó felhasználók viselkedése alapján becsli meg a rendszer.

Ez a módszertan veszélyes csapdákat rejt magában a magyar piacon:

• Eltérő vásárlói profilok: Azok a tudatos felhasználók, akik aktívan elutasítják a követést (gyakran tech-savvy, magasabb jövedelmű, asztali gépet használó réteg), teljesen más vásárlói útvonallal rendelkeznek, mint azok, akik reflexszerűen az "Összes elfogadása" gombra kattintanak (gyakran mobilról böngésző, impulzusvásárlók). A GA4 az utóbbiak viselkedését vetíti ki az előbbiekre, ami súlyos torzítást okoz a konverziós utak hosszában és az eszközök közötti (cross-device) elemzésekben.
• A "Modellezett konverziók" láthatatlansága a nyers adatokban: Ha exportáljuk a GA4 adatokat BigQuery-be, a modellezett konverziók nem szerepelnek a nyers táblákban. Ez azt jelenti, hogy az egyedi SQL lekérdezéseinkkel számolt konverziók száma akár 20-30%-kal is alacsonyabb lehet, mint amit a GA4 felületén látunk.

---

Hogy megértsük a torzítás gyakorlati és pénzügyi hatásait, nézzünk meg egy valós adatokon alapuló esetet. A vizsgált hazai divatwebshop éves árbevétele 450 millió HUF, az átlagos kosárérték (AOV) 18 500 HUF. A webáruház havonta átlagosan 3 500 000 HUF-ot költ Google Ads hirdetésekre (ennek 70%-a Performance Max kampány) és 2 500 000 HUF-ot Meta Ads hirdetésekre.

A marketingvezető a GA4 alapértelmezett Cross-channel Data-Driven jelentéseit használta a havi riportok elkészítéséhez. A GA4 adatai alapján a PMax kampányok kiemelkedő, 4,5-ös ROAS-t produkáltak, míg a Meta kampányok mindössze 1,8-as ROAS-t mutattak. Ezen adatok alapján az ügynökség javaslatára havi 1 200 000 HUF-ot csoportosítottak át a Meta büdzséjéből a Google Ads PMax kampányaiba.

Az átcsoportosítást követő második hónapban a webshop teljes havi árbevétele 37,5 millió HUF-ról lecsökkent 29,2 millió HUF-ra, miközben a teljes marketingköltés változatlan maradt. A Google Ads felületén a konverziók száma stabil maradt, de a valós, OTP SimplePay és utánvétes tranzakciókból származó bankszámla-bevételek drasztikusan visszaestek.

A hiba feltárásához a CTR.hu módszertana alapján összekötöttük a GA4 nyers adatait BigQuery-vel, és lefuttattunk egy egyedi, az utolsó nem-közvetlen kattintáson (Last Non-Direct Click) alapuló attribúciós modellt, valamint elemeztük a konverziós útvonalakat (User Journeys).

A vizsgálat során kiderült, hogy a vásárlók 64%-a egy Meta (Instagram vagy Facebook) prospektáló videós hirdetésen keresztül találkozott először a márkával, ahol rákattintott a hirdetésre, böngészett a termékek között, de nem vásárolt azonnal. Mivel a divatcikkeknél a döntési ciklus átlagosan 9 nap volt ebben a webshopban, a felhasználók a következő napokban újra és újra találkoztak a márka nevével.

Amikor végül meghozták a vásárlási döntést, beírták a márka nevét a Google keresőbe. A Google Performance Max kampánya (amely magában foglalta a brand kifejezéseket is, mivel nem volt beállítva negatív kulcsszóként a márkanév) azonnal lecsapott a felhasználóra egy keresési vagy shopping hirdetéssel.

A GA4 Data-Driven modellje a következőképpen osztotta el a konverziót:

• PMax (Google Ads): 85% konverziós érték
• Meta Ads (Prospecting): 15% konverziós érték

A valóságban azonban a Meta hirdetés nélkül a vásárló soha nem ismerte volna meg a webshopot. A PMax kampány csupán "lehalászta" a már meglévő, a Meta által felépített vásárlási szándékot. Amikor a Meta költségvetését megvágták, a tölcsér teteje (Top of Funnel) kiürült. Nem volt kit lehalásznia a Google PMax kampánynak, így a teljes bevétel összeomlott.

Az alábbi táblázat mutatja be, hogy mekkora különbség volt a GA4 Data-Driven modell által mutatott értékek és a valós, inkrementális (növekményi) értékek között egy havi időszakban (3000 konverzió mellett):

| Csatorna | GA4 Data-Driven Bevétel (HUF) | BigQuery Custom Last-Click (HUF) | Inkrementális Tesztelt Érték (HUF)* |

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

| Google Ads PMax | 22 400 000 | 12 100 000 | 7 800 000 |

| Meta Ads (Paid) | 6 200 000 | 14 500 000 | 18 900 000 |

| Organic Search | 4 100 000 | 5 800 000 | 5 200 000 |

| Direct / Egyéb | 4 800 000 | 5 100 000 | 5 600 000 |

| Összesen | 37 500 000 | 37 500 000 | 37 500 000 |

\Megjegyzés: Az inkrementális érték azt mutatja meg, hogy az adott csatorna teljes leállítása esetén mekkora árbevételtől esett volna el ténylegesen a webshop (geográfiai tesztek alapján mérve).*

A táblázatból egyértelműen látszik, hogy a GA4 Data-Driven modellje közel másfélszeresére fújta fel a Google Ads teljesítményét, miközben a Meta Ads valós hozzájárulását a harmadára értékelte le.

---

A magyar ügynökségi és ügyféloldali gyakorlatban három olyan kritikus hiba fordul elő rendszeresen, amelyek teljesen használhatatlanná teszik a GA4 attribúciós adatait.

1. hiba: Az alapértelmezett 30 napos konverziós ablak kritika nélküli használata hosszú döntési ciklusú termékeknél

A GA4 adminisztrációs felületén a `Tulajdonos beállításai -> Adatgyűjtés és -kezelés -> Attribúciós beállítások` menüpont alatt adható meg a konverziós ablak (Conversion window). Az alapértelmezett beállítás az egyéb konverziós eseményekre 30 nap.

Ha egyedi gyártású bútorokat, prémium kategóriás háztartási gépeket (pl. 250 000 HUF feletti kávégépek) vagy B2B szolgáltatásokat értékesítünk, a vásárlói döntési folyamat gyakran 45-75 napig is eltarthat.

Ha a konverziós ablakot 30 napon hagyjuk, a GA4 egyszerűen levágja a 30 napnál régebbi interakciókat. Így az első érintkezési pontok (amelyek bemutatták a márkát a felhasználónak) teljesen láthatatlanná válnak, és a konverzió 100%-ban a döntési ciklus végén lévő remarketing vagy direkt csatornákhoz fog kerülni.

Ez a klasszikus konfliktusforrás a magyar marketing egyeztetéseken. Az ügynökség a Google Ads felületéről mutat egy riportot, miszerint hétfőn történt 15 konverzió. A GA4-ben a marketingvezető viszont csak 8 konverziót lát ugyanarra a hétfői napra a Google Ads forrásból.

Miért történik ez?

• Google Ads: A konverziót ahhoz a naphoz és időponthoz rögzíti, amikor a kattintás történt. Ha a látogató hétfőn rákattintott a hirdetésre, de csak csütörtökön vásárolt, a Google Ads a hétfői naphoz fogja írni a konversiót.
• GA4: A konverziót a vásárlás tényleges időpontjához rögzíti. Azaz a fenti példában a csütörtöki naphoz.

Ha a két rendszert közvetlenül hasonlítjuk össze napi vagy heti bontásban, teljesen fals következtetéseket vonunk le a kampányok hatékonyságáról.

Magyarországon az Árukereső, az Olcsóbbat és a Árgép a webáruházak forgalmának gyakran 15-30%-át adják. Ha nem használunk konzisztens, egyedi UTM paraméterezést, a GA4 ezeket a látogatókat automatikusan a `Referral` (hivatkozás) kategóriába sorolja be, vagy rosszabb esetben (ha a böngésző eldobja a referrert) a `Direct` csatornába ömleszti.

Ezzel teljesen elhomályosítjuk az ár-összehasonlító oldalak szerepét a konverziós úton. Az Árukereső szinte mindig az út végén helyezkedik el (Last-Touch csatorna). Ha nincs megfelelően paraméterezve, a GA4 nem tudja kiszámolni a valós értékét, és tévesen azt fogjuk hinni, hogy az organikus forgalmunk vagy a direkt látogatásaink száma növekszik.

---

Kövesd ezt a gyakorlati útmutatót, hogy megtisztítsd a GA4 adataidat a torzításoktól, és olyan döntési rendszert építs ki, amely valóban a céged profitját szolgálja.

Lépj be a GA4 felületére: `Adminisztráció -> Adatgyűjtés és -kezelés -> Attribúciós beállítások`.

• Jelentéskészítési attribúciós modell: Állítsd be a Csatornák közötti adatvezérelt (Cross-channel Data-driven) modellt, de készíts egy mentett egyedi jelentést, ahol a Csatornák közötti utolsó kattintás (Cross-channel Last Click) modellt használod kontrollként.
• Konverziós ablakok:

Az akvizíciós konverziós eseményeknél (pl. `first_open`, `first_visit`): állítsd be a maximális 30 napot*.

Az egyéb konverziós eseményeknél (különösen a `purchase` eseménynél): ha az AOV meghaladja a 30 000 HUF-ot, állítsd át az alapértelmezett 30 napról a maximális 90 napra*.

```

GA4 Admin -> Attribution Settings -> Key Event Attribution Windows -> Set 'All other key events' to 90 Days

```

Ne hagyatkozz a Google által előre definiált csoportokra. Hozz létre saját csatornacsoportot, amely külön kezeli a magyar piaci sajátosságokat:

• Menj a `Tulajdonos beállításai -> Adatmegjelenítés -> Csatornacsoportok` menüpontba.
• Hozz létre egy új csoportot a meglévő másolásával.
• Definiáld az alábbi egyedi szabályokat:

Ár-összehasonlítók (Price Comparison):* `Forrás` tartalmazza: `arukereso`, `olcsóbbat`, `argep`.

Paid Social Retargeting:* `Kampány` tartalmazza: `rtg`, `retargeting`, `warm` ÉS `Médium` tartalmazza: `cpc`, `cpm` (ehhez szigorú UTM konvenció szükséges a Meta hirdetésekben!).

Paid Social Prospecting:* `Kampány` tartalmazza: `prospecting`, `cold`, `lookalike` ÉS `Médium` tartalmazza: `cpc`, `cpm`.

Az Apple ITP és a reklámblokkolók okozta adatvesztés minimalizálása érdekében helyezd át a mérési pontokat kliensoldalról szerveroldalra.

• Bérelj egy felhő alapú szervert (Stape.io vagy Google Cloud Platform — egy átlagos magyar webshopnak ez havi 10 000 - 35 000 HUF közötti költség).
• Állíts be egy egyedi aldomaint a saját domained alatt a szerveroldali GTM számára (pl. `metrics.webshopod.hu`).
• Ezzel a sütik élettartama az ITP ellenére is megmarad az első feles (first-party) környezetben, így a GA4 képes lesz összekötni a 7 napnál régebbi látogatásokat is ugyanazzal a felhasználóval.

A GA4 ingyenesen biztosítja a nyers adatok exportját a Google BigQuery-be (csak a felhő tárhelyért kell fizetni, ami havi szinten általában párszáz forint egy 500M HUF alatti webshopnál).

• Hozz létre egy projektet a Google Cloud Console-ban.
• A GA4 felületén menj a `Termékösszekapcsolások -> BigQuery-kapcsolatok` menüpontba.
• Kapcsold össze a tulajdont a GCP projekttel, és engedélyezd a napi (Daily) és a folyamatos (Streaming) exportot is.
• Ezzel az adatok biztonságban lesznek, és bármikor lefuttathatsz egyedi SQL-alapú Markov-lánc vagy Shapley-érték attribúciós modelleket, amelyek mentesek a GA4 felületének mintavételezésétől és a modellezett adatok torzításaitól.

Minden külső linket, amely a weboldalra mutat, kötelezően és konzisztensen kell paraméterezni. Használj kisbetűket mindenhol (a GA4 kis- és nagybetű-érzékeny!).

Példa sablon a Meta Ads kampányokhoz:

```text

utm_source=facebook&utm_medium=cpc&utm_campaign={{campaign.name}}&utm_content={{adset.name}}&utm_term={{ad.name}}

```

Az e-mail kampányoknál (pl. Klaviyo, Webshippy vagy MailerLite használatakor) győződj meg róla, hogy az automatikus UTM-generátor a következő struktúrát követi:

```text

utm_source=newsletter&utm_medium=email&utm_campaign=huszszazalekos_kupon_20260312

```

Mivel egyetlen szoftveres attribúciós modell sem képes 100%-os pontossággal megmutatni a valóságot, a kapott adatokat rendszeresen validálni kell valós üzleti kísérletekkel.

• Brand Search kikapcsolási teszt: Kapcsold ki a Google Ads-ben a saját márkanevedre futó keresési hirdetéseket 14 napra (kivéve, ha erős versenytársi támadás alatt állsz, ahol a versenytársak a te nevedre licitálnak). Elemzed, hogy az organikus forgalom átveszi-e a kieső konverziók 90+%-át. Ha igen, akkor a Brand Search kampányod nem termelt új (inkrementális) vásárlókat, csak elszívta a kattintásokat az ingyenes organikus találatok elől, miközben a GA4 attribúció ezt értékes fizetett konverziónak mutatta.
• Földrajzi alapú teszt (Geo-testing): Válassz ki két hasonló vásárlóerővel bíró magyarországi régiót (pl. Győr-Moson-Sopron megye vs. Vas megye). Az egyik régióban állítsd le a Meta Ads hirdetéseket 30 napra, míg a másikban hagyd változatlanul. Mérd meg a két régió közötti teljes árbevétel-eltérést a tesztidőszak végén. Ezzel pontos képet kapsz a Meta hirdetéseid valós, inkrementális hatásáról.

Ne engedd, hogy a csapatod kizárólag a GA4 standard felületét nézze. Építs egy Looker Studio jelentést, amely egymás mellett mutatja be a különböző modelleket.

• Helyezz el egy táblázatot, amely összehasonlítja a Google Ads által jelentett konverziós értéket, a GA4 Cross-channel Data-Driven értéket és a GA4 Last-Click értéket kampány szinten.
• Ha a három érték közötti eltérés egy kampánynál meghaladja a 35%-ot, az egyértelmű jelzés arra, hogy a kampány szerepe a tölcsérben nem lineáris (vagy nagyon az út elején, vagy nagyon az út végén helyezkedik el). Ezt a kampányt külön szabályok szerint kell értékelni, nem pedig egy kalap alá venni a közvetlen konverziót hozó (pl. sima Google Search) kampányokkal.