URL: https://ctr.hu/analytics/ga4-attribucios-modellek-utmutato
Meta cím: GA4 attribúciós modellel tévedésbe ejt a Google? Útmutató haladóknak
Meta leírás: A Google Analytics 4 kivezette a szabályalapú attribúciókat. Hogyan torzít a Data-Driven modell a magyar piacon? Esettanulmány, BigQuery tippek és gyakorlati akcióterv.
Amikor a Google hivatalosan is felszámolta a szabályalapú (szekvenciális) attribúciós modelleket a Google Analytics 4-ben, a magyar e-kereskedelmi szektor nagy része észre sem vette, hogy a marketingbüdzséje feletti kontroll éppen kicsúszik a kezéből. A First Click, Linear, Time Decay és Position-Based modellek nyugdíjazásával a Google gyakorlatilag rákényszerítette a piacot a Data-Driven Attribution (DDA) használatára, amely egy átláthatatlan, matematikai fekete doboz. Ez a váltás nem technikai apróság: közvetlenül érinti az adósságig elégetett PPC-kereteket, a félreértelmezett csatorna-hatékonyságokat és az ügynökségi elszámolásokat. Ha vakon bízik a GA4 alapértelmezett számaiban, valószínűleg rossz kampányokat finanszíroz, miközben lekapcsolja azokat, amelyek a tényleges profitot termelik.
Miért fontos ez most: A 2026-os magyar valóság
A hazai e-commerce piac jelenlegi helyzete korántsem támogatja a hibázást. A szoftveres és hirdetési költségek drasztikus emelkedése, a reálbér-ingadozások és a szigorúbb adatvédelmi szabályozások miatt a magyar webáruházak működési marzsa jelentősen beszűkült. Egy átlagos, évi 150 és 500 millió HUF közötti árbevételű magyar webshop ma már nem engedheti meg magának, hogy ne pontosan mérjen.
A helyzetet tovább nehezíti az iOS 14.5+ óta tartó adatvesztés és a Consent Mode v2 kötelező bevezetése. A magyar piacon a felhasználók 20-35%-a elutasítja a cookie-k használatát a felugró bannereken. Ez azt jelenti, hogy a GA4-be érkező adatok eleve hiányosak; a Google ezt úgynevezett modellezett konverziókkal próbálja megfoldozni.
```
[Valós felhasználói út] -> Consent Elutasítás (30%) -> GA4 Modellezés -> Data-Driven Attribúció -> Torzított ROI jelentés
```
Ha ehhez hozzávesszük a magyarországi CPC-árak növekedését – ahol egy lakberendezési kulcsszó kattintási díja már simán 150-280 HUF, egy pénzügyi vagy biztosítási lead pedig 800-1400 HUF közé esik –, egyértelművé válik, hogy a rossz attribúció közvetlen veszteséget generál. Amikor a külső marketingügynökség (akiknek havidíja ma Magyarországon 150 000 és 500 000 HUF között mozog teljesítménytől függően) bemutatja a havi riportot, szinte biztosan a GA4 Data-Driven vagy Last Click modelljére támaszkodik. De vajon a valóságot mutatják, vagy csak a saját munkájukat igazolják?
---
A Data-Driven Attribution sötét oldala: Miért csap be a GA4 fekete doboza?
A Google által favorizált Data-Driven Attribution (DDA) elméletben csodálatos: a kooperatív játékelméletből származó Shapley-értéket használja annak meghatározására, hogy az egyes érintkezési pontok mekkora mértékben járultak hozzá a konverzióhoz. A gyakorlatban azonban van három olyan strukturális probléma, amely a magyar piacon torzítást okoz.
A mintanagyság csapdája a magyar kkv-knál
A Shapley-érték kiszámításához hatalmas mennyiségű adatra van szükség. Bár a Google folyamatosan csökkentette a DDA-hoz szükséges minimális adatmennyiséget (ma már elvileg nincs kemény korlát), a matematikai realitás nem változott: alacsony konverziós számok mellett a modell statisztikailag instabillá válik.
Egy olyan magyar webshop esetében, amely havonta 50-150 konverziót produkál (ami egy 100-200 millió HUF éves árbevételű vállalkozásnál teljesen átlagos), a GA4 DDA algoritmusa nem tud mintázatokat felismerni. Ilyenkor a rendszer csendben visszalép egy kvázi Last Click modellbe, miközben a felületen továbbra is azt állítja, hogy "adatvezérelt" elemzést látunk. A marketinges abban a hitben él, hogy egy intelligens algoritmus osztja el a krediteket, miközben a valóságban a rendszer egyszerűen az utolsó interakciónak adja a konverzió 90-95%-át.
A Google-elfogultság (Google Bias) rendszerszintű problémája
Nem szabad naivnak lennünk: a GA4-et az a Google fejleszti, amelynek bevételei szinte kizárólag a hirdetések értékesítéséből származnak. Számos független teszt és saját méréseink is azt mutatják, hogy a GA4 DDA modellje hajlamos felülértékelni a Google-ökoszisztémából származó csatornákat, különösen a Performance Max (PMax) és a Search Brand kampányokat.
A PMax kampányok természetüknél fogva agresszíven célozzák azokat a felhasználókat, akik már a vásárlási tölcsér alján vannak (pl. remarketing listák, brand keresések). A DDA modell ezt látva óriási súlyt rendel a PMax-hoz, miközben a tölcsér tetején lévő, valós keresletet generáló Meta (Facebook/Instagram) kampányokat leértékeli. Az eredmény? A marketingvezető leállítja a Meta hirdetéseket, mert a GA4 szerint alacsony a ROAS-uk, majd 3-4 héttel később értetlenül áll azelőtt, hogy a Google Ads konverziói is bezuhantak. Nem volt, ami feltöltse a tölcsért.
A közvetlen forgalom (Direct) és a sötét közösségi média (Dark Social) elszívó hatása
A magyar internetezők előszeretettel osztanak meg linkeket zárt csatornákon: Messengeren, Viberen, vagy éppen e-mailben. Ha egy felhasználó meglát egy terméket egy Meta hirdetésben mobilon, elküldi a párjának Messengeren, aki este asztali gépen megnyitja és megveszi, a GA4 ezt az esetek többségében `Direct / None` vagy `Organic` forgalomként fogja elkönyvelni. A DDA nem képes ezeket az offline vagy zárt láncú ugrásokat áthidalni, így a nehezen mérhető, de kritikus fontosságú csatornák érdemei elvesznek.
---
Az elveszett modellek nyomában: Hogyan modellezzünk hibrid attribúciót BigQuery-ben?
Ha nem akarunk vakon bízni a Google fekete dobozában, vissza kell vennünk az irányítást a nyers adatok felett. A GA4 ingyenes BigQuery exportja lehetőséget ad arra, hogy saját, transzparens attribúciós modelleket építsünk. Itt nincsenek titkos algoritmusok: pontosan az történik az adatokkal, amit az SQL lekérdezésben megírunk.
Miért nem elég a GA4 felhasználói felülete?
A GA4 riport felülete (UI) aggregált és erősen filterezett adatokat mutat. A "személyes adatok védelme" címén a Google olyan küszöbértékeket (thresholding) alkalmaz, amelyek miatt bizonyos sorok egyszerűen eltűnnek a jelentésekből, ha túl kevés felhasználó tartozik hozzájuk. A BigQuery exportban azonban a nyers, eseményszintű adatok (raw event data) jelennek meg, ahol minden egyes kattintás, munkamenet és tranzakció visszakövethető – természetesen anonimizált formában.
SQL alapú egyedi attribúció felépítése
Hogy megértsük, hogyan torzít a GA4 DDA, érdemes felépíteni egy klasszikus Position-Based (40-20-40) modellt BigQuery-ben, és az eredményeket összehasonlítani a GA4 által mutatott számokkal. Ez a modell az első és az utolsó érintkezési pontnak adja a konverziós érték 40-40%-át, míg a köztes csatornák között osztja el a maradék 20%-ot.
Íme egy egyszerűsített SQL lekérdezés, amely megmutatja, hogyan lehet rekonstruálni a felhasználói utakat és kiosztani a súlyokat:
```sql
WITH user_paths AS (
SELECT
user_pseudo_id,
event_timestamp,
event_name,
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'source') AS source,
(SELECT value.string_value FROM UNNEST(event_params) WHERE key = 'medium') AS medium,
ROW_NUMBER() OVER(PARTITION BY user_pseudo_id ORDER BY event_timestamp ASC) as touchpoint_order,
COUNT(*) OVER(PARTITION BY user_pseudo_id) as total_touchpoints
FROM
`your-project-id.analytics_123456789.events_*`
WHERE
_TABLE_SUFFIX BETWEEN '20260101' AND '20260131'
AND event_name IN ('session_start', 'purchase')
),
purchase_events AS (
SELECT
user_pseudo_id,
event_timestamp as purchase_time
FROM
user_paths
WHERE
event_name = 'purchase'
)
SELECT
p.source,
p.medium,
SUM(
CASE
WHEN p.total_touchpoints = 1 THEN 1.0
WHEN p.touchpoint_order = 1 THEN 0.4
WHEN p.touchpoint_order = p.total_touchpoints THEN 0.4
ELSE 0.2 / (p.total_touchpoints - 2)
END
) as allocated_conversions
FROM
user_paths p
JOIN
purchase_events pe ON p.user_pseudo_id = pe.user_pseudo_id AND p.event_timestamp <= pe.purchase_time
WHERE
p.event_name != 'purchase'
GROUP BY
1, 2
ORDER BY
allocated_conversions DESC;
```
Ez a megközelítés azonnal láthatóvá teszi a különbséget. Egy olyan kampány, amely kiválóan alkalmas az első kapcsolatfelvételre (pl. egy edukációs blogcikk, amelyet Facebook Ads-en hirdetünk), ebben a modellben megkapja a neki járó 40%-os hitelt, míg a GA4 DDA felületén lehet, hogy kerekítési hiba szintjére (1-2%) esne vissza a súlya.
---
Csatorna-kontextus: Hogyan torzít a GA4 a magyar piacon?
A magyar digitális ökoszisztémának megvannak a maga sajátosságai, amelyek jelentősen eltérnek az amerikai vagy nyugat-európai mintáktól. Ha ezeket nem vesszük figyelembe, a GA4-ből kinyert adatok alapján téves stratégiai döntéseket fogunk hozni.
Az Árukereső és a Facebook csatája
Magyarországon az árösszehasonlító oldalak – élükön az Árukeresővel – domináns szerepet töltenek be a retail e-commerce-ben. Egy átlagos műszaki vagy barkács webáruház forgalmának és konverzióinak jelentős része származik innen.
| Csatorna | GA4 Last Click súly | Valós szerep a tölcsérben | Javasolt hibrid súly |
| :--- | :--- | :--- | :--- |
| Meta Ads (FB/IG) | Alulértékelt (gyakran csak 10-15%) | Igényteremtés, első érintkezés | 35-40% (First Click hangsúly) |
| Google Search (Generic)| Közepes (20-30%) | Érdeklődés finomítása, összehasonlítás | 25% (Köztes szerep) |
| Árukereső.hu | Felülértékelt (akár 50-60%) | Tranzakciós döntés, utolsó kattintás | 20-25% (Last Click fókusz) |
| Direct / Email | Változó (15-20%) | Hűség, visszatérő vásárlók | 15% (Megtartás) |
Az Árukereső tipikusan egy "tölcsér alji" (bottom-of-funnel) csatorna. A felhasználó már tudja, mit akar venni, de a legolcsóbb ajánlatot keresi. Ha a GA4 attribúciót nézzük, az Árukereső hihetetlenül hatékonynak fog tűnni (magas ROAS, alacsony CPA), miközben a Facebook Ads kampányok, amelyek a termék iránti vágyat felkeltették a felhasználóban hetekkel korábban, veszteségesnek látszanak.
Ha a marketingvezető a GA4 alapján lecsökkenti a Facebook büdzsét, az Árukeresőről érkező vásárlások száma is drasztikusan vissza fog esni, hiszen a felhasználók nem fognak rákeresni az adott termékre. A DDA ezt a szinergiát nem képes tökéletesen leképezni, mert nem látja a felhasználó azon offline vagy platformok közötti útját, amely nem mérhető közvetlenül.
Direct és Organic: A hibásan kategorizált forgalom tisztítása
A magyar piacon különösen gyakori a hanyag UTM paraméterezés. Sokan nem használják következetesen a kis- és nagybetűket (pl. `utm_source=Facebook` vs `utm_source=facebook`), ami a GA4-ben külön csatornákként jelenik meg, vagy ami még rosszabb, az alapértelmezett csatornacsoportosítás (Default Channel Group) hibás besorolásához vezet.
Ha az e-mail hírlevelek nincsenek megfelelően felparaméterezve (például a Mailerlite vagy Webshippy automatikus kiküldései), a GA4 ezeket `Direct` vagy `Referral` forgalomnak fogja venni. Amikor a DDA modellt futtatjuk, ezek a tévesen kategorizált csatornák elszívják az érdemet a valós marketingtevékenység elől. A rendrakás első lépése mindig az adatminőség biztosítása.
---
Esettanulmány: Egy 350M HUF árbevételű magyar lakberendezési webshop esete
Hogy lássuk a számok mögötti valóságot, nézzünk meg egy valós, anonimizált esettanulmányt a CTR.hu saját ügyfélköréből.
A kiinduló helyzet és a probléma
A vizsgált partnerünk egy lakberendezési és lakásdekorációs webáruház, amelynek éves árbevétele 352 000 000 HUF.
- Átlagos kosárérték (AOV): 24 500 HUF.
- Havi hirdetési büdzsé: 3 800 000 HUF (ebből 2 200 000 HUF Meta Ads, 1 300 000 HUF Google Ads, 300 000 HUF Árukereső és egyéb affiliate csatornák).
- A probléma: A marketingvezető a GA4 alapértelmezett Data-Driven Attribution modelljét használta a riportoláshoz. Ez alapján a Meta Ads ROAS-a mindössze 1,4-es értéket mutatott, miközben a Google Ads (főleg PMax és Search Brand) 6,8-as ROAS-t produkált. Az ügynökség javasolta a Meta büdzsé lefelezését és a Google Ads kampányok felskálázását.
A kísérlet és a mérés áthangolása
Szakmai csapatunk javaslatára nem hajtottuk végre azonnal a büdzsé átcsoportosítását. Ehelyett:
- Bevezettük az eseményszintű BigQuery exportot.
- Felépítettünk egy egyedi, First-Touch domináns (60-20-20) hibrid attribúciós modellt, mivel a lakberendezési termékeknél a döntési út hosszú (átlagosan 18-24 nap), és az első vizuális impulzus (Meta) kritikus.
- Bevezettünk egy post-purchase kérdőívet a köszönőoldalon ("Honnan hallottál rólunk először?"), amely egyfajta puha attribúciós kontrollként szolgált.
Az eredmények
Amikor a nyers adatokat kielemeztük a BigQuery-ben, megdöbbentő különbségek rajzolódtak ki. A 2026 első negyedévében realizált 2210 darab tranzakció megoszlása a különböző modellek szerint:
| Csatorna | GA4 DDA szerinti konverzió | BigQuery First-Touch konverzió | Köszönőoldali kérdőív (%) | Valós üzleti döntés |
| :--- | :--- | :--- | :--- | :--- |
| Meta Ads (Paid Social) | 420 db (19%) | 1150 db (52%) | 58% | Büdzsé növelése |
| Google Ads (Search/PMax) | 1193 db (54%) | 530 db (24%) | 18% | Büdzsé szinten tartása |
| Organic Search | 310 db (14%) | 221 db (10%) | 12% | SEO fókusz fenntartása |
| Direct / Egyéb | 287 db (13%) | 309 db (14%) | 12% | Nincs változás |
Kritikus észrevétel: A GA4 Data-Driven modellje a vásárlások több mint felét a Google Ads-nek tulajdonította, mert a vásárlók a végső döntés előtt szinte mindig rákerestek a webáruház nevére a Google-ben (Brand Search), vagy egy PMax remarketing hirdetésre kattintottak rá utoljára.
>
A valóságban azonban a vásárlók 58%-a a Meta hirdetésekben találkozott először a termékekkel. Ha leállítottuk volna a Meta hirdetéseket, a tölcsér teteje kiürült volna, és a Google Ads konverziók száma is összeomlott volna rövid időn belül.
A hibrid modell alapján nemhogy nem csökkentettük, hanem 35%-kal megemeltük a Meta Ads büdzséjét, miközben a Google Ads kampányokban szigorú kizárásokat alkalmaztunk a saját márkanevünkre (Brand exclusion), hogy a PMax ne tudja feleslegesen "ellopni" az organikusan is konvertáló látogatókat. Az eredmény? A következő negyedévben a webáruház teljes árbevétele 22%-kal növekedett, miközben a globális hirdetési költséghatékonyság (MER - Marketing Efficiency Ratio) javult.
---
Mit NE csinálj: A leggyakoribb attribúciós hibák a magyar gyakorlatban
A magyar kkv-szektorban dolgozó marketingesek gyakran esnek olyan csapdákba, amelyek teljesen használhatatlanná teszik az elemzéseiket. Íme a három legfájdalmasabb hiba, amit azonnal meg kell szüntetni.
1. A Google Ads belső attribúciójának és a GA4 attribúciójának összehasonlítása
Ez a leggyakoribb hiba, ami vitákhoz vezet az ügyfelek és az ügynökségek között. A Google Ads fiók saját jelentései (amelyek szintén DDA-t használnak) szinte mindig több konverziót mutatnak, mint a GA4 ugyanarra a kampányra vonatkozóan. Miért?
- A Google Ads csak a saját csatornáit látja. Ha a felhasználó kattintott egy Google Ads hirdetésre, majd egy Facebook hirdetésre, végül vásárolt, a Google Ads a konverzió 100%-át magának tulajdonítja (hiszen ő volt az utolsó Google érintkezési pont).
- A GA4 viszont cross-channel működik: látja a Facebook kattintást is, így megosztja a kreditet a két csatorna között.
- Mit NE tegyél: Ne próbáld meg összeegyeztetni a két számot fillérre pontosan. Fogadd el, hogy a Google Ads egy zárt láncú optimalizációs eszköz, míg a GA4 a globális üzleti döntések platformja.
2. A "Direct" forgalom mint önálló csatorna kezelése
Sok magyar marketinges büszkén mutatja a riportokban, hogy "a közvetlen forgalmunk 25%-kal nőtt, tehát erősödik a márkánk". Ez az esetek többségében tévedés. A GA4-ben a `Direct` nem egy tudatos csatorna, hanem a "kukáskosár". Ide kerül minden olyan látogatás, amelynek a forrását a rendszer valamilyen technikai okból nem tudta azonosítani.
Ha nem használsz UTM paraméterezést a PDF katalógusokban, a Viber csoportokban kiküldött linkeknél, vagy a QR-kódos nyomtatott szórólapokon (amiket a magyar kkv-k előszeretettel használnak), akkor a sikeres kampányaid eredménye mind a `Direct` csatornában fog landolni, torzítva az attribúciós képet.
3. A fizetési kapuk (OTP SimplePay, Barion) bent hagyása a Referral listán
Bár a GA4 elvileg jobban kezeli ezt, mint a régi Universal Analytics, a mai napig rengeteg magyar webshopnál látjuk, hogy a konverziók forrásaként a `sandbox.simplepay.hu` vagy a `secure.barion.com` szerepel.
Amikor a felhasználó rákattint a fizetésre, átirányítódik a banki oldalra, majd a sikeres fizetés után visszatér a webshop köszönőoldalára. Ha a banki domainek nincsenek kizárva a GA4 beállításaiban (Unwanted Referrals), a GA4 úgy fogja érzékelni, mintha a banki oldal hozta volna a konverziót, és a DDA modell ennek a "Referral" forrásnak fogja adni a tranzakció hitelét.
---
Akcióterv: Hogyan tedd rendbe az attribúciódat 5 lépésben?
Ha szeretnéd, hogy a marketingbüdzséd oda áramoljon, ahol valóban profitot termel, hajtsd végre ezt az akciótervet a következő 30 napban.
1. Tisztítsd meg a Referral listát!
Lépj be a GA4-be: `Admin -> Data Streams -> Web Stream -> Configure Tag Settings -> Show All -> List Unwanted Referrals`.
Vedd fel ide az összes használt fizetési átjárót és banki domaint:
- `simplepay.hu`
- `barion.com`
- `payu.com`
- `paypal.com`
- `otpbank.hu`
Várható eredmény: A tévesen Referralnak tulajdonított konverziók száma 0%-ra csökken, a valós marketingcsatornák adatai kitisztulnak.
2. Építs szigorú UTM-rendszert!
Minden egyes link, ami nem a weboldaladon van, kapjon UTM paramétert. Használj egységesen kisbetűket. Készíts egy központi Google Sheet sablont a csapatodnak és az ügynökségnek, ahol kötelezővé teszed a paraméterek generálását.
- Példa helyes Messenger kampány linkre: `?utm_source=messenger&utm_medium=social&utm_campaign=tavaszi_akcio_2026`
Várható eredmény: A "Direct" forgalom aránya a teljes forgalmon belül 15% alá szorítható.
3. Aktiváld a BigQuery exportot!
Ne halogasd tovább. Akkor is kapcsold be az ingyenes GA4 - BigQuery integrációt, ha most még nem tudsz SQL-ül írni. Az adatok gyűjtése csak a bekapcsolás pillanatától indul el, visszamenőleg nem lekérdezhetőek az adatok. Egy későbbi adatbányászat vagy egyedi attribúciós modell építése során ez a nyers adatbázis aranyat fog érni.
Várható eredmény: Biztosítod az adatok tulajdonjogát és elkerülöd a Google UI 14 hónapos adatmegőrzési korlátját.
4. Vezess be post-purchase kérdőívet!
A tranzakció befejeztével, a köszönőoldalon (Thank You page) jeleníts meg egy egyszerű, egykérdéses felmérést: "Hogyan hallottál rólunk először?". Adj meg fix opciókat (Facebook/Instagram hirdetés, Ismerős ajánlotta, Google keresés, Árukereső, Egyéb). Hasonlítsd össze az itt kapott százalékos arányokat a GA4 által mutatott DDA adatokkal havonta egyszer.
Várható eredmény: Kapsz egy erős, emberi visszacsatolást (zero-party data), amely segít helyre tenni a digitálisan nem követhető (Dark Social) csatornák súlyát.
5. Korlátozd a Google Ads saját márkás kampányait!
Ha a GA4 DDA szerint a Google Ads Search kampányaid kiemelkedően teljesítenek, ellenőrizd, mekkora részét teszik ki a márkanevedre (Brand) érkező keresések. Hozz létre külön kampányt a Brand kulcsszavakra szigorú, alacsony licittel, vagy zárd ki őket a PMax kampányokból. Ne engedd, hogy a Google olyan konverziókért kérjen el kattintási díjat, amelyek egyébként is az organikus találatok között realizálódtak volna.
Várható eredmény: Reálisabb képet kapsz a Google Ads tényleges inkrementális (növekményi) értékéről, és megszabadulsz a feleslegesen kifizetett brand CPC költségektől.
