Ügynökségi Looker Studio dashboardok: Így spórolj havi 40 munkaórát felesleges riportálással

A legtöbb magyar PPC ügynökség elköveti azt a hibát, hogy a Looker Studio dashboardot az ügyfélnek szánt vizuális fétisként kezeli, nem pedig a kampányoptimalizálás és az ügynökségi profitabilitás zálogaként. miközben az account managerek havonta 10-15 órát töltenek feleslegesen azzal, hogy manuálisan foltozzák be a szétesett Google Ads, Meta Ads és GA4 csatlakozásokat, az ügyfél oldalon a marketing vezetők 82%-a meg sem nyitja a megosztott riportokat, mert azok nem a business-critical KPI-kat mutatják. A riportálás ma Magyarországon nem értékteremtés, hanem egy rejtett ügynökségi költséghely, amelyet az optimalizált, natív és harmadik féltől származó konnektorokra épülő Looker Studio sablonokkal lehetne profitábilis folyamattá alakítani. Ebben a mélyreható elemzésben bemutatjuk, hogyan építhető fel egy olyan riportálási struktúra, amely nemcsak az ügyfélmegtartást javítja, de drasztikusan csökkenti az ügynökségi munkaerőköltségeket is.

A magyar PPC piacon 2026-ra a konszolidáció és a marzsok drasztikus szűkülése jellemző. Egy átlagos, 50 és 500 millió HUF közötti éves árbevételű magyar webshop (legyen az egy feltörekvő e-commerce szereplő az eMag marketplace-en vagy egy önálló Shopify-t használó brand) ma már nem elégszik meg a felszínes „kattintás és CTR” alapú magyarázatokkal. A hazai ügynökségi piacon az óradíjak 18 000 HUF és 35 000 HUF között mozognak, miközben a senior PPC specialisták bére eléri a bruttó 900 000 - 1 300 000 HUF-ot.

Ha egy specialistának havonta 5 ügyfele van, és mindegyikre elpazarol havi 4 órát a riportok manuális frissítésére, formázására és a hibás adatok javítására, az ügynökség havonta minimum 360 000 HUF értékű munkaidőt éget el közvetlenül a semmire. Ezzel párhuzamosan a hazai CPC árak a divat, lakberendezés és B2B szektorokban 15-35%-kal növekedtek az elmúlt 12 hónapban (például a bútor szektorban a Google Search CPC-k nem ritkán átlépik a 280-420 HUF-os sávot). Az emelkedő médiaárak miatt az ügyfelek azonnali, valós idejű és érthető adatokat követelnek. Aki 2026-ban még mindig statikus PDF-eket küldözget a tárgyhót követő 10. napon, az az ügyfél elvesztését kockáztatja.

A fenntartható és skálázható ügynökségi működés alapja, hogy elfelejtjük az „egy dashboard mindenkinek” elvet. Egy professzionális magyar PPC ügynökségnek három különböző szintű nézetet kell biztosítania ugyanabból az adatforrásból, hogy kiszolgálja az eltérő stakeholdereket.

A cégvezetőknek, mint amilyen egy közepes hazai webáruház tulajdonosa, nincs szükségük kampányszintű adatokra, sem kulcsszavas bontásokra. Nekik egy egyoldalas, letisztult felület kell, amely az összesített üzleti metrikat mutatja.

• Összesített Marketing Költség (Blended Ad Spend): Az összes csatorna (Meta, Google, TikTok, Árukereső) együttes költése forintban kifejezve.
• Blended ROAS és POAS (Profit on Ad Spend): A nettó árréssel korrigált megtérülés.
• Összesített bevétel és tranzakciószám: GA4 purchase adatok és a CRM/webshop backend (pl. Shoprenter vagy UNAS) közötti egyeztetéssel.
• MER (Marketing Efficiency Ratio): Összes marketing költés osztva az összes bevétellel.

Ez a szint a belső marketingesnek vagy az ügynökségi kapcsolattartónak szól. Itt már csatornaszintű bontásra, kampánytípusokra (pl. Google Performance Max vs. Search vs. Meta Advantage+ Shopping Campaigns) van szükség.

• Csatornánkénti CPA és Conversion Rate: Összehasonlítható módon, azonos attribúciós ablakok figyelembevételével.
• Gyakoriság (Frequency) és CPM alakulása: Különösen fontos a Meta Ads esetében a hazai, szűkös célközönségek (pl. 200 000 - 500 000 fős B2B listák) fáradásának követésére.
• Kreatív szintű teljesítmény: Külön táblázat a legjobb és legrosszabbul teljesítő hirdetési kreatívoknak (képek, videók), CTR és Hook Rate (3-second video view / Impression) alapján.

Ez az a belső használatra szánt dashboard, amit az ügyfél soha nem lát, de a specialista ebből dolgozik nap mint nap. Ez a nézet az anomáliák kiszűrésére szolgál.

• Költségkeret-kihasználtság figyelő (Budget Pacing): Megmutatja, hogy a tervezett havi büdzsé (pl. nettó 1 500 000 HUF) időarányos részénél tart-e a költés, vagy alul-/túlköltekezés várható.
• Konverziós lemaradás (Conversion Lag) kalkulátor: Különösen a hosszabb döntési ciklusú termékeknél (pl. prémium matracok vagy napelemes rendszerek esetében, ahol a döntési idő 14-30 nap).
• 404-es hibák és elutasított hirdetések követése: Külső URL-ellenőrző scriptek adatait Looker Studio-ba átemelve.

---

| Csatorna | Átlagos Magyar CPC (HUF) | Javasolt Dashboard Frissítési Gyakoriság | Kulcs Metrika a Dashboardon |

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

| Google Ads (Search - B2B)| 350 - 650 HUF | Naponta | Impression Share loss (Budget/Rank) |

| Google Ads (PMax - Retail)| 80 - 180 HUF | Naponta | New vs. Returning Customer Ratio |

| Meta Ads (E-commerce) | 120 - 240 HUF | Naponta | Outbound CTR vs. Hook Rate |

| Árukereső (Shopping) | 40 - 90 HUF | Hetente | COS% (Cost of Sale) / ROAS |

---

A magyar marketingesek egyik legnagyobb fájdalompontja, hogy a natív Google konnektorokon túl minden egyéb adatforrásért fizetni kell. A két legnépszerűbb út a szuper-konnektorok használata (Supermetrics, Windsor.ai, Porter Metrics) vagy a saját tulajdonú adattárház (BigQuery) felépítése.

Sokan azt hiszik, hogy a BigQuery csak a milliárdos árbevételű cégek játékszere. Ez tévedés. Egy havi 1 és 5 millió HUF közötti hirdetési büdzsével dolgozó hazai webáruház adatai elenyésző tárhelyet foglalnak el. A BigQuery ingyenes sandbox limitje (10 GB tárhely és havi 1 TB lekérdezés) bőségesen elegendő egy ilyen méretű vállalkozásnak.

A külső konnektorok (pl. Supermetrics) licencdíjai havonta 100 és 500 USD között mozognak felhasználónként vagy adatforrásonként. Ez egy kisebb magyar ügynökségnek, amely 10-15 ügyfelet szolgál ki, havi 150 000 - 300 000 HUF fix költséget jelent. Ezzel szemben, ha az adatokat egy ingyenes vagy filléres BigQuery projektbe csatornázzuk be (például ingyenes GA4 exporttal és olcsóbb, egyszeri fizetős pipeline-okkal, mint a Keboola vagy az Fivetran), a havi költség alig éri el a 10-20 USD-t, miközben az adatok feletti kontroll 100%-ban az ügynökségnél vagy az ügyfélnél marad.

„A legtöbb Looker Studio dashboard nem más, mint egy vizuális temető, ahová az adatokat meghalni küldik.”

Szakmai tapasztalatom alapján a magyar PPC-sek hajlamosak túlkomplikálni a riportokat. Az ügyfélnek bemutatott 15 oldalas, 80 grafikont tartalmazó dashboard nem a profizmust, hanem a fókuszálatlanságot bizonyítja. Ha egy riportban egyszerre szerepel a „Hirdetésmegjelenítések száma” és a „Kosárelhagyási arány”, az ügyfél összezavarodik. A jó dashboard nem mutat meg mindent; csak azt mutatja meg, ami alapján döntést lehet hozni. Ha egy grafikon láttán az ügyfél nem tudja feltenni a kérdést: „Akkor most emeljük a büdzsét, vagy állítsuk le a kreatívot?”, akkor az a grafikon felesleges zaj.

```

[Adatforrások: GA4, Meta API, Google Ads API] ──> [Adattranszformáció: BigQuery / SQL] ──> [Vizualizáció: Looker Studio (3 különálló szint)] ──> [Üzleti Döntéshozatal]

```

Esettanulmány: Egy 250M HUF árbevételű magyar divat webáruház dashboard transzformációja

Nézzük meg egy valós, anonimizált magyar esetet. Az ügyfél egy női táskákat és kiegészítőket értékesítő, évi nettó 250 millió HUF árbevételű webáruház (Shoprenter motoron fut, erős Meta Ads fókusszal és kiegészítő Google Performance Max kampányokkal).

Az ügynökség havonta egyszer küldött egy manuálisan összeállított PowerPoint prezentációt, amit a specialista minden hónap 8. napjáig készített el.

• Időigény: Havi 6 munkaóra/hónap a PPC specialista részéről.
• Probléma: Az ügyfél nem hitte el a Meta Ads által jelentett 6,5-ös ROAS-t, mert a bankszámláján nem látta a pénzt. A webshop adminisztrációja szerint a teljes havi bevétel 20,8 millió HUF volt, miközben a Meta Ads 18 milliót, a Google Ads pedig további 8 milliót vallott be magáénak (attribúciós átfedések és duplikációk).

Az ügynökség áttervezte a riportálást. Létrehoztunk egy valós idejű Looker Studio dashboardot, amely az alábbi módon épült fel:

• A blended adatok tisztítása: Bevezettünk egy egyedi kalkulált mezőt, amely a valós, Shopify-ból/számlázóból (Billingo API-n keresztül Google Sheets-be húzott) nettó realizált bevételt vetette össze a teljes marketing költéssel.
• POAS (Profit on Ad Spend) bevezetése: Mivel a termékek árrése fixen 55% volt, a dashboard kiszámolta a valós marketinges profitot az alábbi képlettel:

$$\text{POAS} = \frac{(\text{Nettó Bevétel} \times 0.55) - \text{Összes Reklámköltés}}{\text{Összes Reklámköltés}}$$

• Kreatív-fáradás indikátor: Egy olyan egyedi görbét illesztettünk be, amely a Meta hirdetési fiókban a hirdetésmegjelenítések számát (Impressions) vetette össze az egyedi eléréssel (Reach). Ha ez a mutató (Frequency) 7 napos nézetben átlépte a 3,5-öt, a rendszer piros riasztással jelezte a specialistának, hogy azonnali kreatívcsere szükséges.

Az új dashboard bevezetése után az eredmények drámaiak voltak:

• Időmegtakarítás: Az ügynökségi riportálásra fordított idő havi 6 óráról havi 20 percre csökkent (ennyi időbe telt a specialista személyes elemzésének és a javaslatoknak a beírása a dashboard szöveges mezőjébe).
• Bizalom növekedése: Az ügyfél végre látta a valós, duplikációtól mentes MER és POAS mutatókat. Nem vitatkozott többé az attribúción, mert látta, hogy ha a blended költést napi 150 000 HUF-ról felemeljük 220 000 HUF-ra, a blended MER hogyan változik valós időben.
• Üzleti növekedés: Az elpazarolt időből felszabadult specialista kapacitást Meta hirdetési A/B tesztelésre fordították. Ennek köszönhetően a webáruház éves bevétele 250 millió HUF-ról 320 millió HUF-ra nőtt egy év alatt, a blended ROAS pedig 3,2-ről 4,1-re javult.

A hazai ügynökségi gyakorlatban nap mint nap látni olyan ordító hibákat, amelyek nemcsak szakmailag hibásak, de az ügyfélkapcsolatot is rombolják.

Sok magyar webshop külföldi beszállítókkal dolgozik, a hirdetési fiókjaik egy része pedig EUR vagy USD alapú (főleg a régebbi Meta fiókok), miközben a számlázás és a bevétel HUF-ban keletkezik.

• A hiba: Egyszerűen összeadni a Google Ads (HUF) és a Meta Ads (EUR) költéseket egyetlen táblázatban anélkül, hogy dinamikus árfolyam-konverziót alkalmaznánk.
• A megoldás: Looker Studio-ban egy egyedi `CASE WHEN` képlettel vagy a BigQuery-ben futtatott napi MNB középárfolyam-lekérdezéssel kell közös nevezőre (HUF) hozni az adatokat. Ugyanez igaz az ÁFA-ra is: a hirdetési költések nettó összegek, a webáruház bevételei viszont sokszor bruttóként futnak be a GA4-be. Mindig nettósítani kell a bevételeket a pontos összehasonlíthatósághoz!

A magyar kkv-k GA4 fiókjainak jelentős része hibásan van beállítva. A hiányzó UTM paraméterezés vagy az elrontott cookie consent banner integráció miatt a konverziók akár 30-40%-a is az „Unassigned” vagy „Direct” kategóriába sorolódik.

• A hiba: Az ügynökség megmutatja ezt a riportot az ügyfélnek, azt állítva, hogy „mi sem tudjuk, honnan jön a vásárlók harmada”.
• A megoldás: A dashboardon el kell helyezni egy hitelesítési és adatminőségi pontszámot (Data Quality Score), amely jelzi, ha a méretlen vagy nem azonosított források aránya meghaladja a 15%-ot, figyelmeztetve a technikai csapatot a javításra.

Ha szeretnéd az ügynökségedet kiszabadítani a manuális riportálás mókuskerekéből, hajtsd végre az alábbi lépéseket az elkövetkező 15 napban:

• Auditáld a meglévő riportjaidat: Listázd ki az összes ügyfeledet, és mérd le, hány órát töltenek a specialisták havonta a riportok kézi frissítésével. Ha ez átlagosan meghaladja a havi 2 órát ügyfélenként, akkor baj van.
• Válassz egy stabil adat-pipeline-t: Szakíts a közvetlen GA4-Looker Studio élő kapcsolattal, mert a GA4 API kvótakorlátok (API Quota Limits) miatt a riportjaid állandóan össze fognak omlani (Error code: exhaust quota). Küldd az adatokat BigQuery-be, vagy használj megbízható köztes adattároló megoldást.
• Készítsd el a Master Sablont: Hozz létre egy darab, rendkívül letisztult, 3 oldalas mestersablont (Executive, Operational, Technical nézetekkel).
• Szabványosítsd az elnevezéseket (Naming Conventions): A sablon csak akkor fog működni minden ügyfélnél automatikusan, ha a kampányaitok elnevezése egységes. Használjátok a `[Csatorna]_[Kampánytípus]_[Célközönség]_[Geográfia]` formátumot (pl. `FB_A+S_Purchase_HUN` vagy `GG_PMax_AllProducts_HUN`).
• Vezesd be a dinamikus magyarázó mezőket: Helyezz el egy szöveges dobozt a dashboard jobb felső sarkában, ahová a specialista minden hónapban leírja a 3 legfontosabb tanulságot és a következő hónap akciótervét. Ezzel a riport nemcsak száraz adathalmaz, hanem stratégiai dokumentum lesz.
• Mérd az ügyfelek elköteleződését: Használj Looker Studio beépített Google Analytics követést a dashboardjaidon. Ha látod, hogy egy ügyfél 30 napja meg sem nyitotta a riportot, hívd fel, és magyarázd el neki újra az adatok jelentőségét – ezzel megelőzheted az ügyfélelvesztést (churn).
• Automatizáld az értesítéseket: Állíts be heti automatikus PDF-küldést a Looker Studio-ból az ügyfél email címére, de a levél törzsébe mindig írd bele: „Ez a riport valós időben bármikor elérhető az alábbi linken, interaktív szűrőkkel.”