Ha valaki beírja a keresőbe, hogy „marketing attribúció”, jellemzően három dolog egyike érdekli: mit jelent a szó, miért nem egyeznek a hirdetési felületek számai, vagy hogyan lehet végre eldönteni, melyik csatornát érdemes tovább nyomni. Ez a cikk mind a háromra választ ad, ebben a sorrendben, és a végén kapsz egy ellenőrzőlistát is. Nem elméleti bevezető: olyan lépések vannak benne, amiket egy átlagos hazai kkv-fiókban is végig lehet csinálni, külön adatelemző csapat nélkül.
Mit jelent pontosan a marketing attribúció, és mit nem?
A marketing attribúció annak a szabályrendszere, hogy egy konverzió (vásárlás, ajánlatkérés, hívás) értékét hogyan osztod szét a hozzá vezető érintések között. Nem eszköz és nem riport, hanem döntés arról, mit tekintesz érdemnek.
Három fogalmat érdemes szétválasztani, mert a gyakorlatban folyton összecsúsznak:
- Mérés: egyáltalán látod-e, hogy történt valami (esemény, konverzió, forrás).
- Attribúció: a látott eseményt melyik érintéshez rendeled hozzá.
- Inkrementalitás: megtörtént volna-e az adott érintés nélkül is. Ez a legnehezebb kérdés, és az attribúció önmagában nem válaszolja meg.
Egy tipikus út így néz ki: valaki lát egy Facebook-videót, két hét múlva rákeres a cég nevére, elolvas egy cikket, majd három nappal később mobilon ajánlatot kér. Négy érintés, egy konverzió. Az attribúciós modell dönti el, hogy a videó, a keresés vagy a cikk kapja az érdemet. Ha nincs tudatos szabályod, akkor is van egy: az alapértelmezés, ami a legtöbb rendszerben az utolsó, nem közvetlen érintésnek adja a teljes értéket.
Nézzük ugyanezt a négy érintést számokkal, a konverzió értékének százalékában. Az érintések sorrendben: (1) fizetett közösségi videó, (2) márkanévre indított keresés, (3) organikus cikkolvasás, (4) újra keresés, majd ajánlatkérés.
- Utolsó kattintás: a negyedik érintés kap 100 százalékot, a videó nullát.
- Első kattintás: a videó kap 100 százalékot, a záró keresés nullát.
- Lineáris: mind a négy érintés 25-25 százalékot kap.
- Pozíció alapú: az első és az utolsó jellemzően 40-40 százalékot, a két közbenső együtt 20 százalékot.
Ugyanaz a valóság, négy különböző következtetés. Ezért nem az a jó kérdés, hogy melyik szám az igaz, hanem az, hogy melyik nézet segít abban a döntésben, ami előtted áll.
Hivatalosan igazolt: a Google dokumentációja szerint a GA4 szerzési riportjaiban az alapértelmezett csatorna-hozzárendelés az utolsó, nem közvetlen kattintás logikáján alapul, míg a konverziós riportokban adatvezérelt modell dolgozik. Ez a két szám ugyanabban a fiókban is eltérhet, és ez nem hiba.
Miért nem egyezik soha a Google Ads, a Meta és a GA4 száma?
Mert mindegyik rendszer a saját szemszögéből számol: más az attribúciós ablak, más a konverzió időbélyege, és mindegyik magának tulajdonítja azt, amit lát. Az eltérés a rendszer működésének következménye, nem feltétlenül mérési hiba.
A leggyakoribb okok:
- Időbélyeg: a Google Ads a konverziót ahhoz a naphoz könyveli, amikor a kattintás történt. A GA4 ahhoz a naphoz, amikor a konverzió történt. Ha valaki hétfőn kattint és csütörtökön vásárol, két különböző napon fog megjelenni ugyanaz az esemény.
- Ablak: a hirdetési rendszerek eltérő hosszú visszatekintési ablakkal dolgoznak, és külön kezelik a kattintás utáni, illetve a megjelenés utáni konverziót.
- Megjelenés alapú konverzió: ha egy platform a kattintás nélküli megtekintést is beszámítja, akkor olyan konverziókat is magának ír, amelyeket a GA4 sosem fog látni.
- Eszközváltás: a bejelentkezett felhasználó útját a platform össze tudja fűzni, a webanalitika sokszor nem.
- Modellezett adat: ahol a hozzájárulás hiányzik, a rendszerek statisztikai becsléssel pótolják a hiányt.
Egy hétköznapi példa: a hirdetési felület 100 konverziót mutat egy hónapra, a webanalitika 78-at ugyanarra a kampányra. A különbségből néhány darab a hónapfordulón átlógó kattintás, néhány a megjelenés utáni konverzió, a többi pedig hozzájárulás nélküli látogatóból származó, modellezett esemény. Egyik rendszer sem hazudik, csak más kérdésre válaszol.
Saját tapasztalat: ügyfélfiókokban 10-30 százalék körüli eltérés a platform és a webanalitika között teljesen szokásos, és nem indokol beavatkozást. Ha viszont az egyik rendszer a másik többszörösét mutatja, ott jellemzően valódi technikai hiba van: duplán kilőtt esemény, hiányzó vagy rosszul bekötött konverziócímke, esetleg belső forgalom, amit senki nem szűrt ki.
A gyakorlati szabály: egy rendszert válassz döntési alapnak, és a többit csak kontrollként nézd. Ha minden héten azt vitatod meg, melyik felület mond igazat, elmegy az idő a tényleges optimalizálás elől.
Melyik attribúciós modellt válaszd, és mikor?
Nincs objektíven jó modell, csak a döntésedhez illeszkedő. Előbb fogalmazd meg a kérdést, utána válassz modellt hozzá.
- Utolsó kattintás: arra jó, hogy lásd, mi zárja le a folyamatot. Alulértékeli a felfedezést, túlértékeli a márkakeresést és a remarketinget.
- Első kattintás: akkor hasznos, ha az a kérdés, hol találnak meg először. Új piacra lépésnél, tartalommarketingnél ez a beszédesebb nézet.
- Lineáris: minden érintés egyenlő részt kap. Egyszerű, de valótlan: nem minden érintés ér ugyanannyit.
- Időbeli előnyben részesítés: a konverzióhoz közelebbi érintés többet kap. Rövid döntési ciklusnál életszerű.
- Pozíció alapú: az első és az utolsó érintés kap nagyobb súlyt. Hosszabb, több csatornás úton szokott jól működni.
- Adatvezérelt: a rendszer a saját konverziós adataidból tanulja meg a súlyokat.
Hivatalosan igazolt: a Google a szabályalapú modellek nagy részét kivezette a Google Adsből és a GA4-ből, és az adatvezérelt modellt tette alapértelmezetté.
Szakmai feltételezés: az adatvezérelt modell alacsony konverziószámnál nem tud érdemben tanulni, ilyenkor a kimenete közel kerül az utolsó kattintáshoz. Ezt a Google nem kommunikálja küszöbértékkel, tehát ez következtetés, nem hivatalos állítás. Ha havonta néhány tucat konverziód van, a modellváltás jó eséllyel kevesebbet ér, mint a mérés alapjainak rendbetétele.
Hogyan állítsd be az attribúciót lépésről lépésre?
A sorrend számít: konverziódefiníció, jelölés, hozzájárulás, jelminőség, offline visszacsatolás. Ha az elsőt kihagyod, a többi munka kárba vész.
1. Írd össze, mi számít nálad konverziónak
Válaszd szét az üzleti értéket hordozó eseményt (ajánlatkérés, vásárlás, hívás) a segédmutatóktól (görgetés, videómegtekintés). Egy fiókban két-három elsődleges konverzió legyen, nem tizenöt. Ha mindent konverzióként jelölsz, az algoritmusok a legolcsóbb, legértéktelenebb eseményre fognak optimalizálni. Írd le egy mondatban mindegyikről, mit jelent üzletileg: ha ezt nem tudod megfogalmazni, valószínűleg nem elsődleges konverzió.
2. Építs egységes UTM-rendszert
A legtöbb attribúciós káosz oka nem a modell, hanem a következetlen jelölés. Rögzíts egy sémát írásban, és mindenki azt használja:
?utm_source=facebook&utm_medium=paid_social&utm_campaign=2026_osz_ajanlatkero&utm_content=video_a
Három szabály elég: csupa kisbetű, ékezet nélkül, és a medium értékei zárt listából jöjjenek (cpc, paid_social, email, organic_social, referral). A hírlevélben és a QR-kódokban is legyen jelölés, különben közvetlen forgalomként landolnak. Gyakori csapda, hogy a Facebook és a facebook két külön sorként jelenik meg a riportban, és onnantól minden összeg téves.
3. Kezeld helyesen a hozzájárulást
Az EU-ban a sütikezelés nem opcionális kérdés. A hozzájárulási állapotot a mérőkódnak ismernie kell, alapértelmezetten elutasított állapotból indulva:
gtag('consent', 'default', { 'ad_storage': 'denied', 'ad_user_data': 'denied', 'ad_personalization': 'denied', 'analytics_storage': 'denied' });
Hivatalosan igazolt: a Google 2024 óta a Consent Mode kiterjesztett jelzéseit (ad_user_data, ad_personalization) elvárja az EGT-s hirdetési adatfeldolgozáshoz. Ezek nélkül a remarketing és a modellezett konverziók korlátozottan működnek.
4. Javítsd a jelminőséget
A böngészők sütikorlátozásai miatt a kliensoldali mérés egyre kevesebbet lát. Szerveroldali eseményküldés, a hirdetési rendszerek kiterjesztett konverziós megoldásai és a stabil azonosítók (hashelt e-mail, rendelésazonosító) sokat javítanak a képen. Ez technikai munka, de itt a legnagyobb a megtérülés.
5. Töltsd vissza az offline eredményt
Ha telefonon vagy személyesen zárul az üzlet, a rendszer csak akkor tanul, ha visszaküldöd neki, mi lett a leadből. A CRM-státusz visszatöltése jellemzően többet változtat a kampányok teljesítményén, mint bármilyen modellcsere.
Hogyan lesz az attribúciós riportból tényleges döntés?
Úgy, hogy előre leírod, milyen szám mellett mit lépsz, és utána nézed meg az adatot. Ha a szabályt utólag találod ki, mindig arra a következtetésre jutsz, amit már eleve gondoltál.
- Írd fel a kérdést egy mondatban. Például: „Növeljük-e a felső tölcsér költését a következő hónapban?” A kérdés dönti el, melyik nézetet nyitod meg, nem fordítva.
- Válaszd ki a nézetet a kérdéshez. Felső tölcsérnél az első érintés vagy a több érintéses útvonal-riport beszédes, zárási hatékonyságnál az utolsó kattintás.
- Rögzítsd a küszöböt előre. Például: ha a csatorna a konverziós utak legalább egyharmadában megjelenik első érintésként, marad a költés.
- Nézz rá a mintanagyságra. Néhány konverzióból számolt arány gyakorlatilag zaj. Ha a döntés két-három eseményen múlik, halaszd el, és gyűjts tovább.
- Írd le a döntést és a dátumot. Egy hónap múlva ez az egyetlen dolog, amiből visszakövethető, mi miért változott.
Saját tapasztalat: a legtöbb fiókban nem az adat hiányzik, hanem ez az öt sor. Ugyanazt a riportot nézik hónapról hónapra, döntés nélkül.
Mekkora visszatekintési ablakot állíts be, és mit kezdj a hosszú döntési ciklussal?
Akkorát, amekkora a tényleges döntési ciklusod, egy kis ráhagyással. Az alapértelmezés nem a te üzletedre van szabva.
Nézd meg a CRM-edben vagy a webshop adataiban, hány nap telik el az első érdeklődés és a lezárás között. Ha ez az érték jellemzően három nap, felesleges hosszú ablakot használni: csak régi, gyenge kapcsolatú érintéseket húz be. Ha viszont több hét vagy hónap, a rövid ablak egyszerűen levágja a felső tölcsért, és a riport azt fogja mutatni, hogy csak a márkakeresés működik.
Hosszú ciklusnál három dolog segít:
- Mérj közbenső lépéseket is (letöltés, konzultációs időpont, árajánlat elfogadása), hogy ne kelljen hónapokat várni bármilyen visszajelzésre.
- Töltsd vissza a lezárt üzletet a hirdetési rendszerbe, ne csak a leadet, különben a rendszer a rossz minőségű érdeklődőre optimalizál.
- Az összehasonlításnál mindig azonos hosszú időszakokat vess össze, és hagyj időt az ablaknyi utóhatásra, mielőtt értékelsz.
Szakmai feltételezés: az ablak megváltoztatása után a riportok több hétig átmeneti képet mutatnak, ezért ilyenkor nem érdemes párhuzamosan más beállítást is módosítani, mert a két hatás szétválaszthatatlanná válik.
Hogyan méred azt a forgalmat, ami AI-keresőkből érkezik?
Részben hivatkozóként, részben sehogy: az AI-asszisztensek egy része átadja a hivatkozó domaint, más része nem, ezért ez a forgalom jórészt közvetlenként jelenik meg.
Amit ma meg tudsz csinálni:
- Hozz létre egy külön csatornacsoportot a webanalitikában a hivatkozó alapján:
chatgpt\.com|openai\.com|perplexity\.ai|copilot\.microsoft\.com|gemini\.google\.com - Figyeld a közvetlen forgalom szerkezetét: ha mély, belső aloldalakra érkezik közvetlen forgalom, az jó eséllyel nem beírt cím, hanem jelöletlen hivatkozás.
- Nézd a szerver-naplókat: a botforgalom és az emberi látogatás elkülönítése naplószinten pontosabb, mint a mérőkódból.
- Tedd fel az űrlapon a kérdést: „Honnan hallott rólunk?” Szabad szöveges mezővel, nem legördülővel.
Saját tapasztalat: a Search Console-ban látott téma-szintű megjelenés gyakran előbb mozdul, mint a látogatószám. Ha egy kifejezésre már van megjelenésed, de rossz az átlagpozíció, az általában nem témaváltást, hanem célzottabb oldalt kíván. Ez a cikk maga is ilyen döntésből született.
Szakmai feltételezés: a hivatkozó nélküli AI-forgalom aránya a következő időszakban inkább nőni fog, ezért érdemes már most egy olyan mutatóra állni, ami nem kattintásfüggő: említés, márkakeresés-mennyiség, közvetlen megkeresés.
Mit kezdj azzal, amit egyáltalán nem tudsz mérni?
Fogadd el, hogy a hatás egy része láthatatlan marad, és mérés helyett kísérletezz. Három módszer viszonylag olcsón használható:
- Kikapcsolás-teszt: állíts le egy csatornát két-három hétre, és nézd a teljes bejövő megkeresés-számot, nem a csatorna saját riportját. Ha semmi nem változik, a csatorna valószínűleg olyan konverziókat írt magának, amelyek amúgy is megtörténtek volna.
- Földrajzi összehasonlítás: ha több városban vagy jelen, futtasd a kampányt eltérő intenzitással, és hasonlítsd össze a területeket. Székesfehérváron és Budapesten eltérő a verseny, ezt a mérésnél is figyelembe kell venni.
- Márkakeresés figyelése: ha a felső tölcsér működik, a cégnévre irányuló keresés mennyisége emelkedik, még akkor is, ha a hirdetés nem kap kattintás alapú érdemet.
Ezek nem adnak pontos számot, de a fontos kérdésre (érdemes-e ezt folytatni) sokszor jobb választ adnak, mint bármelyik modell. Garantált eredményt egyik módszer sem ad, és rövid mérési időszakon a szezonalitás könnyen félrevisz.
Milyen ellenőrzőlistával nézd át a saját attribúciódat?
Fussátok végig negyedévente ezt a listát, és ami nem pipálható, azt írjátok fel feladatnak.
- Van írásban rögzített UTM-séma, és mindenki ismeri?
- Két-három elsődleges konverzió van beállítva, nem tizenöt?
- A hozzájárulás-kezelés alapból elutasított állapotból indul, és a kiterjesztett jelzéseket is küldi?
- A visszatekintési ablak a valós döntési ciklushoz igazodik?
- A belső és fejlesztői forgalom ki van szűrve?
- A saját aldomainek és a fizetési kapu ki vannak zárva a hivatkozók közül?
- A telefonhívás és az offline zárás vissza van vezetve a rendszerbe?
- Ki van jelölve egy vezető adatforrás a döntéshez?
- Van külön csatornabontás az AI-asszisztensekből érkező forgalomra?
- Volt az elmúlt fél évben legalább egy kikapcsolás- vagy összehasonlító teszt?
Ha a tízből nyolc pipa, jó helyen vagy. A maradék kettő javítása jellemzően többet hoz, mint egy újabb modellváltás.
Források és további olvasnivalók
- Google Analytics Help: Attribution and attribution modeling
- Google Ads Help: About attribution models, Conversion windows
- Google Search Central: Search Console dokumentáció, Search Console Insights
- Google Developers: Consent Mode, Google Tag (gtag.js) dokumentáció
- Meta Business Help Center: Attribution settings, Conversions API
- Európai Adatvédelmi Testület (EDPB) iránymutatásai a hozzájárulásról
- Schema.org szótár (strukturált adat, Organization és Article típusok)
- W3C: Web Analytics és Privacy vonatkozású munkacsoport-anyagok
- Az attribúció nem riport, hanem döntési szabály: előre kell kiválasztani, mit akarsz vele eldönteni.
- A Google Ads, a Meta és a GA4 számai szinte soha nem egyeznek, mert eltérő az ablakuk, az időbélyegük és az érintés-definíciójuk.
- Rossz UTM-rendszer és hiányzó hozzájárulás-kezelés mellett a legfejlettebb modell sem ad használható képet.
- A visszatekintési ablakot a tényleges döntési ciklusodhoz kell igazítani, nem az alapértelmezéshez.
- Az AI-keresőkből érkező forgalom nagy része hivatkozó nélkül, közvetlen forgalomként jelenik meg, ezért külön mérési logikát kíván.
- Amit nem tudsz mérni, azt közelítheted: űrlapon feltett kérdés, kikapcsolás-teszt, márkakeresés-figyelés.
Gyakori kérdések
Mi a különbség az attribúció és az inkrementalitás között?
Az attribúció azt osztja szét, ami megtörtént: melyik érintés kapja a konverzió érdemét. Az inkrementalitás azt kérdezi, megtörtént volna-e az adott csatorna nélkül is. Az attribúció riportból jön, az inkrementalitás kísérletből (például kikapcsolás-tesztből).
Miért mutat a Google Ads több konverziót, mint a GA4?
Több okból egyszerre: a Google Ads a kattintás napjára könyveli a konverziót, a GA4 a konverzió napjára, más a visszatekintési ablak, és a Google Ads a megjelenés utáni, illetve az eszközök közötti konverziókat is beszámíthatja. A 10-30 százalék körüli eltérés szokásos, a többszörös eltérés viszont technikai hibára utal.
Melyik attribúciós modell a legjobb kis vállalkozásnak?
Alacsony konverziószámnál a modell választása kevésbé számít, mint a mérés alapjai. Kezdd az utolsó kattintással mint döntési alappal, mellette nézd meg időnként az első kattintás nézetet is, hogy lásd, mi hozza be az embereket. Az adatvezérelt modell kevés adatból nem tud érdemben tanulni.
Mekkora visszatekintési ablakot érdemes beállítani?
Nézd meg, ténylegesen hány nap telik el nálad az első érdeklődés és a lezárás között, és ehhez igazítsd az ablakot egy kis ráhagyással. A túl rövid ablak levágja a felső tölcsért, a túl hosszú pedig gyenge kapcsolatú, régi érintéseket húz be. Ablakváltás után hagyj néhány hetet, mielőtt értékelsz.
Hogyan látom, hogy ChatGPT-ből vagy más AI-asszisztensből érkezik forgalom?
Hozz létre egy egyedi csatornacsoportot a hivatkozó domain alapján (chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com), és figyeld a közvetlen forgalom szerkezetét is: a mély aloldalakra érkező közvetlen látogatás gyakran jelöletlen hivatkozás. Teljes képet ez sem ad, mert az asszisztensek egy része nem küld hivatkozót.
Kell szerveroldali mérés az attribúcióhoz?
Nem kötelező, de a böngészők sütikorlátozásai miatt a kliensoldali mérés egyre kevesebb eseményt lát. A szerveroldali eseményküldés és a kiterjesztett konverziós megoldások javítják a jelminőséget, ami jó eséllyel pontosabb hozzárendelést eredményez. Eredményt ez sem garantál, de a hiányzó adat arányát csökkenti.
Mennyi idő, amíg egy attribúciós rendszer használható adatot ad?
Az adatgyűjtés napokon belül indul, de értelmezhető döntéshez legalább egy teljes értékesítési ciklusnyi adat kell. Rövidebb döntési ciklusnál ez néhány hét, hosszabb B2B folyamatnál több hónap. Ennél korábban levont következtetés könnyen a szezonalitást méri.
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.