A legtöbb marketingriport azzal a hallgatólagos feltevéssel indul, hogy a benne lévő számok igazak. Ez a feltevés a legköltségesebb a teljes folyamatban, mert a mérési hibák többsége nem hibaüzenettel jelentkezik, hanem hihető, kerek, elemzésre alkalmasnak látszó számokkal. Egy leállt konverziómérés nem kiabál: csak annyi látszik, hogy a kampány „gyengébben teljesít”. Ha erre költségvetést csoportosítasz át, a hiba pénzbe kerül, és a következmény hónapokkal később derül ki.
Miért havi rutin az adatminőség, és miért nem egyszeri projekt?
Rövid válasz: mert a weboldal, a mérőkód és a jogi környezet folyamatosan változik, tehát az a beállítás, ami márciusban helyes volt, augusztusban már torzíthat. Egy bővítmény frissül, egy fejlesztő átír egy gombot, a sütibanner új verziót kap, a webshop új fizetési szolgáltatót kapcsol be. Ezek egyike sem „mérési projekt”, mégis mindegyik elmozdítja az adatot.
(Saját tapasztalat) A gyakorlatban az arány nagyjából az, hogy tíz hónapból hét teljesen tiszta, kettőben találsz apró, dokumentálandó eltérést, egyben pedig olyat, ami miatt a riport egy részét nem szabad közölni változtatás nélkül. Éppen ezért nem éri meg csak akkor ellenőrizni, amikor „gyanús” valami: addigra már a gyanú is az adatból jön, ami hibás.
A rutinra szánj fix idősávot, a havi zárás utáni első munkanapon, a riport megírása előtt. Gyakorlott kézzel a teljes kör negyven-hatvan perc, és nem kell hozzá fejlesztő. A lényeg nem az alaposság maximuma, hanem az, hogy mindig ugyanaz a lista fusson le, ugyanabban a sorrendben.
Hogyan ellenőrzöd, hogy a mérés egyáltalán működik?
Az első négy pont arra kérdez rá, hogy megérkezett-e egyáltalán az adat, és pontosan egyszer érkezett-e meg.
1. Tüzel-e minden kulcsesemény? Hol nézed: a GA4 Adminban a kulcsesemények listája, majd az Események jelentés az elmúlt teljes hónapra, végül egy élő próba a DebugView-ban vagy a Tag Assistant előnézeti módjában. Ne csak a listát nézd, hanem tényleg küldj el egy űrlapot és tegyél egy terméket a kosárba. Küszöb: bármelyik kulcsesemény havi darabszáma nulla, vagy az előző három hónap mediánjához képest 30 százaléknál nagyobb elmozdulás, aminek nincs ismert magyarázata (kampányindítás, szezon, oldalátalakítás).
2. Nincs-e duplázódás? A leggyakoribb eset, hogy a mérőkód a sablon fejlécében és a címkekezelőben is ott van. Hol nézed: a forráskódban keresd meg a mérőazonosítót, például view-source nézetben vagy parancssorból a grep -o "G-[A-Z0-9]\{6,\}" oldal.html | sort -u mintával, továbbá a Tag Assistant jelzi, ha két GA4 címke fut. Számszerű jelzés: az oldalmegtekintés és a munkamenet aránya. Küszöb: ha ez az arány 2,5 fölé megy egy tartalomoldalakból álló webhelyen, vagy a visszafordulási arány egyik hónapról a másikra tíz százalékpontnál többet esik szerkezeti változás nélkül, keresd a duplázódást.
3. Nem esett-e ki nap? Hol nézed: készíts napi bontású idősort hatvan napra a Felfedezések felületén, vagy ha van nyers adatexportod, nézd meg, minden naphoz tartozik-e tábla. Egy egyszerű lekérdezés elárulja: SELECT _TABLE_SUFFIX AS nap, COUNT(*) FROM `projekt.analytics_XXXX.events_*` GROUP BY nap ORDER BY nap. Küszöb: bármely nap a 28 napos medián felét sem éri el. Tipikus ok: tárhely-leállás, gyorsítótár-bővítmény frissítése, lejárt tanúsítvány.
4. Stimmel-e a bevétel a számlázással? Hol nézed: a mért tranzakciós bevétel a webshop rendeléslistája és a számlázó adatai mellett, ugyanarra a naptári hónapra. Ügyelj arra, hogy mindhárom helyen ugyanaz legyen a szállítási díj és az adó kezelése. Küszöb: 2 százalék alatti eltérés természetes, 2 és 5 között naplózd, 5 százalék fölött állj meg és keresd az okot. Gyakori forrás a köszönőoldal újratöltése tranzakcióazonosító-szűrés nélkül, a lemondott rendelés, és a több pénznem.
Hogyan szűröd ki azt a forgalmat, ami torzítja a képet?
A következő négy pont nem hiányzó adatot keres, hanem olyat, ami ott van, de nem oda való.
5. Nem szivárog-e be a belső forgalom? Hol nézed: az adatfolyam címkebeállításaiban a belső forgalom meghatározása, majd az adatszűrők állapota. (Saját tapasztalat) A leggyakoribb néma hiba az, hogy a szűrő hónapok óta Tesztelés állapotban áll, tehát megjelöli, de nem zárja ki a belső látogatásokat. Küszöb: bármelyik szűrő egy hónapnál tovább teszt állapotban, vagy az iroda internetszolgáltatója dinamikus címet ad és a rögzített tartomány elavult. Irodai csapatnál egy hónap alatt akár több száz munkamenet is bekerülhet.
6. Működik-e a hozzájárulási jel? Hol nézed: a címkekezelő előnézetében a hozzájárulási állapot, a sütibanner verziószáma, és a hirdetési fiókban a hozzájárulási mód diagnosztikája. (Hivatalosan igazolt) A Google dokumentációja szerint a hozzájárulási mód megfelelő beállítása esetén a hiányzó adat egy része modellezéssel pótolható, ez azonban feltételekhez kötött és nem minden fiókban áll rendelkezésre. Küszöb: az elfogadási arány tíz százalékpontnál nagyobb havi elmozdulása, vagy a hozzájárulást frissítő esemény teljes hiánya. Bannerfrissítés után mindig nézd meg újra.
7. Nem hoztak-e új oldalak címkézetlen forgalmat? Hol nézed: hasonlítsd össze a hónap céloldal-listáját az előzővel, és nézd meg az új oldalakon a besorolatlan forgalom arányát. Ide tartozik a QR-kód, az e-mail aláírás, a partneroldalon lévő link és minden nyomkövető paraméter nélküli kampány. Küszöb: ha egy új céloldal forgalmának több mint fele közvetlenként érkezik, vagy a webhely egészén a közvetlen arány 40 százalék fölé megy, van címkézetlen forrás.
8. Helyes-e a csatornabesorolás? Hol nézed: a forgalomszerzési jelentés hivatkozó forrásai. Ha a saját aldomained vagy a fizetési szolgáltató szerepel a listán, akkor a munkamenet közepén új munkamenet indul, és az eredeti forrás elveszik. Küszöb: bármely saját aldomain megjelenése a hivatkozók között, vagy fizetési szolgáltató a legnagyobb tíz hivatkozó között. Megoldás a domainek közötti mérés beállítása és a nem kívánt hivatkozók listája.
Mit kezdesz a platformok közti eltéréssel és az adatszerkezeti korlátokkal?
Az utolsó négy pont arról szól, hogy amit látsz, azt jól is értelmezed-e.
9. Mennyi a gép által generált zaj? Hol nézed: a szerver naplófájljában vagy a tartalomkézbesítő felületén. (Hivatalosan igazolt) A GA4 kiszűri az ismert botokat és keresőrobotokat egy karbantartott lista alapján. (Szakmai feltételezés) Ez a lista nem fedi le teljesen az újabb, nyelvi modellekhez kötődő letöltőket, és mivel ezek jellemzően nem futtatnak kliensoldali kódot, a webanalitikában általában nem is jelennek meg, a szervernaplóban viszont igen. Küszöb: egyetlen forrásból érkező hirtelen csúcs, nulla másodperces átlagos időtartammal.
10. Stabil-e az eltérés a hirdetési platformokhoz képest? A cél nem az egyezés, hanem az eltérés állandósága. A platformok saját attribúciós ablakot, megtekintés utáni konverziót és modellezett adatot használnak, továbbá a fiók időzónája is eltérhet. Küszöb: ha a szokásos, dokumentált eltérés (mondjuk 15-25 százalék) egyik hónapról a másikra 50 százalék fölé ugrik, az mérési hiba, nem attribúciós különbség. Írd le a szokásos eltérést, hogy legyen mihez mérni.
11. Rendben van-e a keresési adat lefedettsége? Hol nézed: a Search Console tulajdonok listája. Ha csak a www előtaggal ellátott előtag-tulajdont figyeled, elveszted a többi változat adatát. (Hivatalosan igazolt) A keresési teljesítményadat néhány napos késéssel áll össze, és a ritka lekérdezések anonimizálás miatt hiányoznak, tehát a lekérdezések összege nem adja ki a teljes kattintásszámot. Küszöb: a riport zárása előtti három nap adatát ne kezeld véglegesként.
12. Nem ütközöl-e az eszköz saját korlátaiba? Hol nézed: a jelentésekben az „(other)” sor megjelenése, a felfedezésekben a mintavételezés jelzése, és az adatmegőrzési beállítás. Küszöb: bármilyen „(other)” sor azon a dimenzión, amire a riport épül, bármilyen mintavételezési jelzés a kimutatásban, és az év/év összehasonlítás, ha az adatmegőrzés rövidebb, mint a vizsgált időtáv. Ilyenkor vagy szűkíted a dimenziót, vagy nyers adatexportból dolgozol.
Hogyan néz ki egy használható hibanapló?
A napló nélkül minden hónapban elölről kezded a gondolkodást, és nem látod a visszatérő mintákat. Egyetlen táblázat is elég, akár egy megosztott munkalapon, tíz oszloppal:
- Dátum és érintett időszak: mikor vetted észre, és melyik napokra hat ki (ez a kettő szinte sosem ugyanaz)
- Ellenőrzési pont: a 12-ből melyik fogta meg, számmal
- Mit láttál: a nyers megfigyelés, számmal, értelmezés nélkül
- Súlyosság: blokkoló (a riport nem adható ki így), jelölendő (kimegy, de lábjegyzettel), megfigyelés alatt
- Feltételezett ok és igazolt ok: külön oszlopban, mert a kettő gyakran nem egyezik
- Javítás, felelős, állapot, riportmegjegyzés: az utolsó az a mondat, ami ténylegesen bekerül az ügyfélnek szóló anyagba
Egy sor így néz ki gépi formában: 2026-09-02;7;uj landing 61% kozvetlen;2026-08-01..08-31;jelolendo;cimkezetlen QR;igazolt;UTM sablon;PS;kesz;"az augusztusi kozvetlen forgalom felfele torzit".
Vezess mellé egy változásnaplót is, amiben a webhelyen és a mérésben történt beavatkozások szerepelnek dátummal. A két napló együtt percek alatt megválaszolja azt a kérdést, ami külön-külön órákba kerül: mi változott akkor, amikor a szám elmozdult.
Milyen küszöbnél avatkozz be, és mikor hagyd békén?
A küszöböket előre rögzítsd, mert utólag mindig találsz érvet arra, hogy az eltérés még belefér. Három szintet érdemes használni. Az első a tűréshatár, ahol nem csinálsz semmit, csak tudsz róla. A második a jelölési szint: a szám kimegy a riportban, de mellette ott a mondat, hogy miért óvatos. A harmadik a blokkoló szint, ahol az adott mutató addig nem kerül döntés alá, amíg nincs javítva.
Az adatminőségi kör önmagában nem javít a teljesítményen, és nem hoz jobb helyezést sem. Annyit ad, hogy a döntéseid valós számokra épülnek, ez pedig hosszabb távon jó eséllyel többet ér, mint bármelyik egyedi optimalizálási ötlet. (Saját tapasztalat) Egy visszatérő havi rutin mellett a súlyos, visszamenőleg nem javítható adathiányok száma érezhetően csökken, mert a legtöbb hiba néhány héten belül kiderül, amíg a nyers adat még rendelkezésre áll.
A riport elejére tegyél egy rövid, három-négy soros adatminőségi blokkot: melyik pontokat ellenőrizted, mit találtál, és melyik szám mögött van fenntartás. Ez az apró szakasz teszi a riportot védhetővé akkor is, ha valaki később megkérdőjelezi a számokat. Aki pedig az AI-válaszmotorokban való megjelenést is méri, annak különösen fontos a tiszta alapadat: ott a hivatkozásból érkező forgalom eleve kicsi és szórt, tehát egy címkézetlen forrás vagy egy kiesett nap arányaiban sokkal nagyobbat torzít, mint a fő csatornákon.
Források és további olvasnivalók
- Google Analytics Súgó: adatszűrők, belső forgalom és fejlesztői forgalom kizárása
- Google Analytics Súgó: adatmegőrzés, kardinalitás és mintavételezés
- Google Tag Manager dokumentáció: előnézeti mód és hozzájárulási mód áttekintés
- Google Search Central: Search Console teljesítményjelentés, adatkésés és anonimizált lekérdezések
- Google Search Central: Google-robotok és felhasználó által kiváltott letöltők áttekintése
- Google Ads Súgó: konverziókövetés, attribúciós modellek és konverziós ablakok
- BigQuery dokumentáció: GA4 eseményexport táblaszerkezete
- Schema.org és W3C: strukturált adat és webes szabványok referenciái
- Egy elemzés pontosan annyit ér, amennyit a mögötte lévő adat: ha nem ellenőrzöd havonta, előbb-utóbb rossz számra építesz döntést.
- A 12 pont mindegyikéhez rögzíts előre egy küszöböt, különben minden hónapban újratárgyalod, hogy az eltérés még belefér-e.
- A legdrágább mérési hibák némák: nem hibaüzenetet adnak, hanem hihető, de téves számot.
- A hibanapló nélkül ugyanazt a hibát évente többször fedezed fel újra, és nem látod a visszatérő mintákat.
- A riportban jelöld külön, melyik szám mögött van fenntartás, és melyik időszak adata nem összehasonlítható.
Gyakori kérdések
Mennyi időt vesz igénybe egy havi adatminőségi kör?
Begyakorolva negyven-hatvan perc, ha van előre rögzített lista és hibanapló. Az első két-három alkalom hosszabb, mert akkor derülnek ki a régóta fennálló beállítási hibák, és akkor kell rögzíteni a saját küszöbértékeidet is.
Mi a különbség a mérési hiba és az attribúciós eltérés között?
Az attribúciós eltérés akkor keletkezik, ha két rendszer ugyanazt az eseményt eltérő szabály szerint tulajdonítja egy csatornának, ez állandó és magyarázható. A mérési hiba ezzel szemben hiányzó, duplázott vagy rossz helyre sorolt adat. Gyakorlati jel: az attribúciós eltérés nagysága hónapról hónapra stabil, a mérési hibáé hirtelen ugrik.
Visszamenőleg javíthatók az adatok, ha későn veszem észre a hibát?
A feldolgozott jelentésekben általában nem, mert a beérkezett adat nem írható át visszamenőleg. Ha van nyers eseményexport, abból bizonyos esetekben újraszámolható a helyes érték. Ezért fontos, hogy a kör havonta fusson: minél frissebb a hiba, annál nagyobb eséllyel áll még rendelkezésre a szükséges nyers adat.
Melyik pontot érdemes elsőként bevezetni, ha nincs kapacitás mind a tizenkettőre?
A kulcsesemények tüzelését, a kiesett napok keresését és a belső forgalom szűrését. Ez a három fogja meg a legtöbb olyan hibát, ami közvetlenül rossz döntéshez vezet, és együtt sem tart tíz percnél tovább.
Kell-e fejlesztő az ellenőrzéshez?
A tizenkét pont áttekintéséhez nem, mindegyik elvégezhető a szokásos analitikai és címkekezelő felületeken, plusz egy böngészőben. A javításhoz viszont gyakran igen, például domainek közötti mérésnél, a hozzájárulási jel bekötésénél vagy duplázott mérőkód eltávolításánál.
Hogyan kommunikáljam a riportban, ha hibát találtam?
Egy rövid, tényszerű mondattal, a számhoz kötve: melyik időszak érintett, milyen irányban torzít, és mikor lesz javítva. A hiba elhallgatása vagy a szám csendes átírása jóval nagyobb bizalmi kárt okoz, mint maga a hiba.
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.