Van egy visszatérő jelenet a kkv-marketingben: megnyílik a hirdetési fiók, valaki ránéz a konverziós oszlopra, és kimondja az ítéletet. Ez a kampány hozott hármat, az a másik nullát, tehát a másodikat le kell állítani. A döntés logikusnak tűnik, csak éppen olyan adaton alapul, ami szerkezetileg nem képes megválaszolni azt a kérdést, amit felteszel neki. Nem azt mutatja meg, mi hozta a vevőt, hanem azt, hol lépett be az ajtón.
Miért félrevezető az utolsó kattintás?
Az utolsó kattintás azért félrevezető, mert egyetlen érintéshez rendeli a teljes érdemet, méghozzá ahhoz, amelyik időben a legközelebb volt a vásárláshoz. Ez rendszerszinten torzít: a felfedezést segítő csatornák (közösségi média, blogcikk, videó, AI-válasz, ajánlás) mindig alulértékeltek lesznek, a lezáró csatornák (márkakeresés, közvetlen behívás, remarketing) pedig mindig felülértékeltek.
Gondolj végig egy tipikus utat egy székesfehérvári könyvelőirodánál. Valaki februárban lát egy posztot arról, hogy mit érdemes kérdezni könyvelőváltás előtt. Elolvassa, továbbmegy. Márciusban egy ismerőse megemlíti ugyanezt az irodát. Áprilisban, amikor tényleg baj van a régi könyvelővel, beírja a Google-be az iroda nevét, rákattint az első találatra, és kitölti az űrlapot. Az utolsó kattintás szerint ezt a lead-et a márkakeresés hozta. Valójában a februári poszt és a márciusi beszélgetés hozta, a keresés csak a cím volt, ahová a döntés megérkezett.
Hivatalosan igazolt: a Google saját dokumentációja évek óta jelzi, hogy az utolsó kattintás modellt nem tekinti alapértelmezett választásnak. A Google Ads és a GA4 is adatvezérelt attribúcióra (data-driven attribution) állt át alapértelmezésben, és a Search Central, illetve az Analytics súgó kifejezetten leírja, hogy a modellváltás után ugyanaz a konverzió több csatorna között töredékesen oszlik meg. Ez nem vélemény, hanem a mérőrendszer dokumentált viselkedése.
Mit jelent az asszisztált konverzió, és hogyan olvasd?
Az asszisztált konverzió az, amikor egy csatorna szerepelt a vásárló útján, de nem az volt az utolsó érintés. A GA4-ben ez a konverziós útvonalak riportban látszik, ahol a rendszer megmutatja, hány érintés előzte meg a konverziót és milyen sorrendben.
A gyakorlati olvasat egyszerűbb, mint amilyennek hangzik. Nézd meg csatornánként két számot egymás mellett: hány konverziót kapna utolsó kattintással, és hány útvonalban szerepel egyáltalán. Ha egy csatorna utolsó kattintással szinte nullás, de az útvonalak jelentős részében ott van, akkor az a csatorna belépőkapu, nem pedig haszontalan.
- Belépő szerep: sok útvonal első érintése, kevés utolsó kattintás (jellemzően organikus tartalom, közösségi média, videó).
- Közép szerep: gyakran szerepel középen, ritkán a végén (összehasonlító cikkek, e-mail, referencia oldalak).
- Lezáró szerep: sok utolsó kattintás, kevés első érintés (márkakeresés, közvetlen, remarketing).
Saját tapasztalat: magyar kkv-ügyfeleknél a leggyakoribb hiba az, hogy a belépő szerepű csatornát állítják le, mert nulla a konverziója, aztán 6-10 héttel később elkezd fogyni a lezáró csatorna is. A lezáró csatorna ugyanis nem termel keresletet, csak begyűjti. Ha elzárod a csapot, a medence nem azonnal ürül ki, hanem késleltetve, és akkor már nehéz összekötni a két eseményt.
Miért gyanús a közvetlen forgalom és a márkakeresés?
Rövid válasz: mert mindkettő majdnem mindig egy korábbi, meg nem mért érintés utóhatása. Senki nem születik úgy, hogy fejből tudja a te domained. Ha valaki beírja a böngészőbe a cégneved vagy rákeres a Google-ben, azt valahonnan megtanulta.
A közvetlen (direct) forgalom ráadásul gyűjtőkosár is. Ide kerül minden, aminél a mérőrendszer nem tudja megállapítani a forrást: mobilalkalmazásból megnyitott link, üzenetküldőből érkező kattintás, QR-kód, e-mail kliens, PDF, néhány AI-asszisztens hivatkozása, sőt a rosszul felcímkézett saját kampány is. Egy kkv-nál a direct forgalom nem az imázs mérőszáma, hanem a mérési vakfolt mérőszáma.
A márkakeresés ennél sokkal használhatóbb jel, mert időben követhető. Ha a Google Search Console-ban külön nézed a márkanevet tartalmazó lekérdezéseket, és a görbe emelkedik, miközben nem költöttél többet lezáró kampányra, akkor valami a felső szakaszon dolgozik. Ez az egyik legolcsóbb, mégis legkomolyabb visszajelzés, amit kkv-ként megkaphatsz.
Gyakorlati lépéssor a márkakeresés kiszűrésére:
- Search Console, Teljesítmény riport, Lekérdezések fül.
- Szűrő: a lekérdezés tartalmazza a cégneved (és külön a leggyakoribb elgépelt változatát).
- Mentsd le havonta a megjelenés és kattintás értéket egy egyszerű táblázatba.
- Csinálj egy második szűrőt fordítva (nem tartalmazza a cégnevet), így megkapod a nem márkás keresést.
- A kettő arányát nézd, ne az abszolút számot: ha a márkás rész aránya nő, épül a név.
Szakmai feltételezés: a márkakeresés és a valódi kereslet közötti késleltetés kkv-méretben jellemzően hetekben mérhető, nem napokban. Ezt fiókról fiókra látom, de nem tudok rá nyilvános, magyar piacra validált kutatást mutatni, ezért kezeld munkahipotézisként, ne törvényként.
Mit tudsz reálisan kimutatni kkv-méretben?
A kellemetlen igazság: ha havi 10-30 konverziód van, akkor semmilyen attribúciós modell nem fog neked megbízható tizedesjegyet adni. A statisztikai zaj nagyobb, mint a különbség, amit mérni akarsz. Ez nem a te hibád és nem is szoftverhiba, egyszerűen kevés az adat.
Amit viszont reálisan ki tudsz mutatni:
- Irány: nő vagy csökken a márkakeresés, az érdeklődések száma, a minőségi megkeresések aránya.
- Sorrend: milyen csatornák szerepelnek jellemzően az útvonalak elején.
- Önbevallás: mit mond a vevő arról, honnan hallott rólad.
- Kapcsolt hatás: ki- vagy bekapcsolt tevékenység után mi történt 4-8 héttel később.
Ami nem fog menni: pontosan megmondani, hogy egy adott blogcikk hány forintot hozott, vagy hogy egy csatorna részesedése 18 vagy 24 százalék. Aki ezt ígéri kkv-adatmennyiségen, az vagy nem nézte meg a konfidencia-intervallumot, vagy nem akarja, hogy te megnézd.
A legerősebb kkv-eszköz: a kérdés
A leghasznosabb attribúciós adat általában nem a rendszerből jön, hanem a vevőtől. Tegyél az ajánlatkérő űrlapra egy kötelező, szabad szöveges mezőt: "Honnan hallott rólunk?" Ne legördülőt tegyél, mert azzal te sugallod a válaszokat, és a legérdekesebb dolgok kimaradnak.
Egy egyszerű mező, ami már küldéskor összekapcsolható a mérési adattal:
<label for="honnan">Honnan hallott rólunk?</label>
<input type="text" id="honnan" name="honnan" required>
<input type="hidden" name="elso_forras" value="">
Az elso_forras rejtett mezőbe érdemes az első látogatáskor eltárolt forrást beleírni (sütiből vagy localStorage-ból), így a lead mellett ott lesz az önbevallás és a mért első érintés is. Ha a kettő rendszeresen eltér, az önmagában értékes információ arról, hol vakok a mérőrendszereid.
Saját tapasztalat: a szabad szöveges válaszokban rendszeresen felbukkannak olyan források, amelyek egyetlen analitikai riportban sem látszanak: ismerős ajánlása, szakmai csoportban látott hozzászólás, régi találkozás egy rendezvényen, illetve egyre gyakrabban az, hogy "az AI-tól kérdeztem meg". Ezek nélkül a képed strukturálisan hiányos marad.
Hogyan illeszkedik ebbe az AI-válaszmotorok hatása?
Az AI-asszisztensek (ChatGPT, Gemini, Perplexity, Copilot) új réteget tettek a problémára: itt gyakran nincs is kattintás. A felhasználó megkérdezi, hogy kit ajánlanál egy adott feladatra egy adott városban, kap három nevet, és utána közvetlenül rákeres az egyikre. Attribúciós szempontból ez tökéletesen láthatatlan érintés, ami direct vagy márkakeresés forgalomként csapódik le.
Hivatalosan igazolt: a nagy szolgáltatók dokumentálják a crawlereiket és a hivatkozási viselkedésüket (például az OpenAI publikálja a GPTBot és az OAI-SearchBot azonosítóit, az Anthropic a ClaudeBot-ot, a Google a Google-Extended vezérlőt). Azt is leírják, hogy a válaszokban megjelenő forrásmegjelölés nem minden felületen és nem minden esetben eredményez átkattintást.
Amit kkv-ként tehetsz, hogy legalább részlegesen láthatóvá tedd:
- Nézd meg a szervernaplóban vagy az analitikában a referral forgalmat az ismert AI-domainekről (chatgpt.com, perplexity.ai, és társaik). Kevés lesz, de a trendje beszédes.
- Havonta futtasd le kézzel ugyanazt a 8-12 kérdést a főbb asszisztenseken, és jegyezd fel, szerepelsz-e a válaszban. Ez nem tudományos mérés, de a változást megmutatja.
- Kösd össze a fenti "honnan hallott rólunk" mezővel: ha ott elkezd megjelenni az AI, az erősebb bizonyíték, mint bármilyen becslés.
Szakmai feltételezés: valószínűsíthető, hogy az AI-eredetű hatás nagyobb része a márkakeresés és a direct forgalom növekedésében jelenik meg, nem pedig referral kattintásban. Ez logikus következtetés a felület működéséből, de nem hivatalos adat, és a szolgáltatók viselkedése gyorsan változik.
Milyen mérési rendszert érdemes felállítani gyakorlatban?
Rövid válasz: olyat, amit fenn is tudsz tartani. A kkv-nál nem a kifinomultság a szűk keresztmetszet, hanem az, hogy három hónap múlva is kitöltik-e.
Egy működőképes minimum, amit egy asztalos vállalkozás vagy egy állatorvosi rendelő is bír:
- Egységes UTM-fegyelem. Minden fizetett és minden saját kihelyezett link címkézve, kisbetűvel, azonos szótárral. A rendetlen címkézés több adatot ront el, mint bármely modellválasztás.
- Egy konverziós definíció. Döntsd el, mi számít eredménynek (ajánlatkérés, hívás, foglalás), és ne változtasd negyedévente, mert akkor az idősorod használhatatlan lesz.
- Havi három szám. Márkás keresés, nem márkás keresés, érdeklődések száma. Egy táblázatba, egy sorba havonta.
- Önbevallás gyűjtése. A "honnan hallott rólunk" válaszokat havonta kategorizáld, és tedd a három szám mellé.
- Változásnapló. Külön sorban jegyezd fel, mit kapcsoltál be vagy ki, és mikor. E nélkül később nem lesz mihez kötni a görbe elmozdulását.
Ellenőrzőlista döntés előtt
- Megnéztem a csatornát nemcsak utolsó kattintással, hanem az útvonalakban betöltött szerepe szerint is?
- Elég hosszú a visszatekintési ablak ahhoz, hogy a tényleges döntési ciklust lefedje?
- Tudom, mennyi a jellemző idő az első érintéstől a megkeresésig?
- Van legalább 8-12 hét adat, vagy két hét alapján akarok leállítani valamit?
- Mit mondanak az önbevallásos válaszok ugyanerről a csatornáról?
- Ha kikapcsolom, meg tudom majd különböztetni a hatását a szezonalitástól?
Ha valamit tényleg tesztelni akarsz, a legtisztább kkv-módszer nem a modellváltogatás, hanem a kikapcsolás. Állítsd le a vizsgált tevékenységet egy elkülöníthető időszakra (lehetőleg nem szezoncsúcsban), és nézd, mi történik 4-8 héttel később a márkakereséssel és az érdeklődések számával. Ez sem tökéletes, mert a piac közben változik, de közelebb visz az ok-okozathoz, mint bármelyik riportfül. Fontos: ez nem garantál egyértelmű választ, és egyetlen ilyen teszt önmagában nem bizonyíték, csak jelzés.
Mikor éri meg egyáltalán foglalkozni az attribúcióval?
Akkor, ha a döntésed múlik rajta. Ha egyetlen csatornád van és az működik, az attribúciós finomhangolás elméleti kérdés. Ha viszont három-négy helyen jelen vagy, és el kell döntened, hol tegyél hozzá vagy vegyél el, akkor a rossz modell valós pénzbe kerül, mert éppen azt vágod ki, ami a keresletet gyártja.
Egy nagykanizsai szolgáltatónál például jellemzően az a helyzet áll elő, hogy a helyi ismertség és az ajánlás viszi a döntések nagy részét, az online mérés pedig ebből csak az utolsó lépést látja. Ilyenkor az attribúciós vita helyett érdemesebb energiát tenni abba, hogy az önbevallásos adat rendszeresen gyűljön, mert az mutatja meg, mi történik a mérésen kívül.
A józan összegzés: az attribúció nem arról szól, hogy megtaláld az igazságot, hanem arról, hogy kevesebb rossz döntést hozz. Egy hibás modell magabiztos számokat ad, egy jól használt, szerényebb rendszer pedig bizonytalanabb, de helyesebb irányt. Kkv-méretben a második a nyerő.
Források és további olvasnivalók
- Google Search Central dokumentáció (keresés működése, crawler-vezérlés)
- Google Analytics 4 súgó: attribúciós modellek és konverziós útvonalak
- Google Ads súgó: adatvezérelt attribúció és konverziós ablakok
- Google Search Console súgó: Teljesítmény riport és lekérdezés-szűrők
- OpenAI dokumentáció: GPTBot és OAI-SearchBot crawler-információk
- Anthropic dokumentáció: ClaudeBot crawler-információk
- Schema.org: Organization és LocalBusiness típusdefiníciók
- W3C: Web Content Accessibility Guidelines (WCAG) és űrlap-akadálymentességi ajánlások
- Az utolsó kattintás rendszerszinten alulértékeli a felfedezést segítő csatornákat és túlértékeli a lezáró csatornákat.
- A közvetlen és a márkakeresés forgalom nagy része valójában egy korábbi, mérhetetlen érintés utóhatása.
- Kkv-méretben ritkán van elég konverzió statisztikailag erős modellhez, ezért az irányt kell mérni, nem a tizedesjegyet.
- Egy egyszerű, kötelező 'honnan hallott rólunk' mező gyakran többet mond, mint bármelyik attribúciós beállítás.
- Az AI-válaszmotorokból érkező hatás nagy része ma nem kattintásban jelenik meg, ezért külön jelekkel érdemes követni.
Gyakori kérdések
Miért nem elég az utolsó kattintás szerinti attribúció?
Mert egyetlen érintéshez rendeli a teljes érdemet, ráadásul ahhoz, amelyik a vásárláshoz legközelebb esett. Ezzel rendszerszinten alulértékeli azokat a csatornákat, amelyek a keresletet gyártják (tartalom, közösségi média, ajánlás), és felülértékeli azokat, amelyek csak begyűjtik a már kész döntést (márkakeresés, közvetlen behívás, remarketing).
Mit jelent az asszisztált konverzió a gyakorlatban?
Azt, hogy egy csatorna szerepelt a vásárló útján, de nem az volt az utolsó érintés. A GA4 konverziós útvonalak riportjában látod. Praktikus olvasat: ha egy csatornának alig van utolsó kattintásos konverziója, de az útvonalak jelentős részében ott van az elején, akkor belépőkapuként működik, nem pedig eredménytelenül.
Miért nő a közvetlen (direct) forgalmam, és jó jel ez?
A direct nagyrészt gyűjtőkosár: ide kerül minden, aminek a rendszer nem tudja megállapítani a forrását (üzenetküldőből érkező link, QR-kód, e-mail kliens, alkalmazásból nyitott oldal, egyes AI-hivatkozások, rosszul címkézett saját kampány). Kkv-nál a direct növekedése inkább a mérési vakfolt méretét mutatja, mint a márkaerőt, ezért érdemes a márkakeresés trendjével együtt nézni.
Hány konverzió kell ahhoz, hogy egy attribúciós modell megbízható legyen?
Nincs egyetlen pontos küszöb, de havi néhány tucat konverzió alatt a statisztikai zaj általában nagyobb, mint a modellek közti különbség. Ilyenkor nem a modell finomhangolása visz előre, hanem az irányok követése: márkás és nem márkás keresés aránya, érdeklődések száma, önbevallásos válaszok, valamint ki- és bekapcsolási tesztek 4-8 hetes utóhatással.
Hogyan mérhető, ha AI-asszisztensből érkeznek hozzám az érdeklődők?
Részlegesen. Nézheted az ismert AI-domainekről érkező referral forgalmat, havonta lefuttathatod kézzel ugyanazt a kérdéskészletet a nagy asszisztenseken, és figyelheted, szerepelsz-e a válaszokban. A legerősebb jel viszont az önbevallás: ha az ajánlatkérő űrlap szabad szöveges mezőjében elkezd megjelenni, hogy az AI-tól kapták az ajánlást, az konkrétabb bizonyíték, mint bármilyen becslés.
Mi az egyetlen dolog, amit érdemes azonnal bevezetni?
Egy kötelező, szabad szöveges 'Honnan hallott rólunk?' mező az ajánlatkérő űrlapon, legördülő helyett. Mellé érdemes rejtett mezőben eltárolni az első látogatáskor mért forrást, így összevethető az önbevallás és a mérési adat. Ez a két érték együtt gyakran többet mond, mint bármelyik attribúciós beállítás.
Források és további olvasnivalók
Ezen az oldalon a hivatalosan igazolt információt elsődleges forrásokból építjük fel; a saját tapasztalatot és a szakmai becslést mindig külön jelöljük a szövegben.