A riportban szereplő számok nem egyforma származásúak. Egy részüket tényleg megmérte valami: elsült egy esemény a böngészőben, beérkezett egy szerveroldali hívás, lefutott egy tranzakció. Egy másik részüket viszont senki nem mérte meg, hanem egy statisztikai eljárás megbecsülte, mennyi lehetett. A kettő ugyanabban az oszlopban, ugyanazzal a betűtípussal jelenik meg. Ez a cikk arról szól, hogyan ismered fel, melyik melyik, és mit kezdj vele akkor, amikor egy ügyfélnek vagy egy vezetőnek kell elmagyaráznod a havi számokat.
Mit jelent az, hogy modellezett adat a riportban?
Rövid válasz: a modellezett adat becslés. A rendszer a ténylegesen megfigyelt viselkedésből tanult mintázatot vetíti rá azokra a látogatókra és konverziókra, amelyeket technikai vagy jogi okból nem tudott közvetlenül megmérni, majd az eredményt beleszámolja a riport összesített soraiba.
Két külön dologról van szó, amit érdemes szétválasztani. A viselkedésmodellezés azt becsüli meg, hogyan mozogtak az oldalon azok a felhasználók, akik nem adtak analitikai sütiengedélyt: hány új felhasználó volt köztük, hány munkamenetet indítottak, milyen aloldalakat néztek. A konverziómodellezés azt becsüli meg, hány olyan ajánlatkérés, vásárlás vagy hívás történt, amelyet a rendszer nem tudott visszavezetni egy konkrét kattintásra, mert a hivatkozási lánc megszakadt.
Hivatalosan igazolt: a Google dokumentációja mindkét mechanizmust leírja, és azt is kimondja, hogy a modellezett értékek csak a felületen megjelenő, összesített riportokban jelennek meg. A Google Analytics 4 BigQuery-exportja a ténylegesen beérkezett nyers eseményeket tartalmazza, modellezett kiegészítés nélkül. Ez a különbség a gyakorlatban rendkívül hasznos, mert ad egy második, tisztán megfigyelésen alapuló nézőpontot ugyanarra az időszakra.
Fontos, hogy a modellezés nem hibajavítás és nem is trükk. Egy tudatos válasz arra a helyzetre, hogy a mérés jogi és technikai okokból hiányos lett, és a hiányos adat önmagában félrevezetőbb lenne, mint a szakszerűen kiegészített. A baj nem a modellezéssel van, hanem azzal, ha valaki nem tudja, hogy modellezett számra épít döntést.
Mikor kapcsol be a modellezés, és mi indítja el?
Rövid válasz: akkor, ha van elég megfigyelt adat a tanuláshoz, és egyben van mit pótolni, vagyis a látogatók egy része sütiengedély nélkül érkezik, vagy a böngésző korlátozza az azonosítást.
A leggyakoribb kiváltó ok a hozzájárulási mód (consent mode) bevezetése egy sütibanner mögött. Amikor a látogató elutasítja az analitikai és hirdetési tárolást, a mérőkód nem áll le, hanem azonosító nélküli, összesített jelzést küld:
gtag('consent', 'default', { ad_storage: 'denied', ad_user_data: 'denied', ad_personalization: 'denied', analytics_storage: 'denied' });
Ezekből a jelzésekből épül a becslés. Hivatalosan igazolt: a viselkedésmodellezéshez a Google minimumfeltételeket ír elő, többek között azt, hogy a tulajdon több napon keresztül elérjen egy napi eseményszám-küszöböt engedély nélküli és engedéllyel rendelkező felhasználóktól is. Ha ezek a küszöbök nem teljesülnek, a modellezés egyszerűen nem kapcsol be, és a riport a megfigyelt, tehát alulmért adatot mutatja.
Ebből következik a leggyakrabban félreolvasott jelenség. Saját tapasztalat: kisebb forgalmú oldalaknál a modellezés hónapról hónapra ingadozhat, mert a forgalom hol átlépi a küszöböt, hol nem. Ilyenkor a riportban látszó ugrás nem az oldal teljesítményéről szól, hanem arról, hogy az egyik hónapban volt kiegészítés, a másikban nem. Ugyanez történik akkor is, amikor egy oldalon élesedik a sütibanner, vagy megváltozik a banner megfogalmazása és ezzel az elfogadási arány.
A hirdetési oldalon külön eset a hosszabb döntési idő. Ha valaki ma kattint és három hét múlva vásárol, a konverzió visszavezetése a kattintásra sokszor csak részben sikerül, és a hiányzó részt a rendszer becsüli meg. Emiatt a friss, néhány napos adat szinte mindig változik még utólag.
Hol látszik a riportban, hogy modellezett értéket nézel?
Rövid válasz: a felület jelöli, de diszkréten, ezért tudatosan kell keresned a jelzéseket, nem fognak eléd ugrani.
- A GA4 riportok tetején megjelenő ikon vagy kis jelzés, amely arra figyelmeztet, hogy az adatokra küszöb vagy modellezés vonatkozik. Vidd rá az egeret, a magyarázó szöveg kiírja, mi történt.
- Az adatküszöb (thresholding) jelzés: ha be van kapcsolva a demográfiai jelentés, kis elemszámnál a rendszer elrejt sorokat, hogy ne lehessen egyedi felhasználót beazonosítani. Ez nem modellezés, de ugyanúgy torzítja az összegzést, ezért egy helyen kezelendő.
- A hirdetési felületen a konverzió-oszlop leírása, amely jelzi, hogy tartalmaz becsült értéket is. A régebbi, nyers számot általában külön oszlopban lehet előhozni.
- A dátumtartomány vége. Az utolsó néhány nap adata még nem állandósult, és jellemzően felfelé módosul.
- A GA4 felületi szám és a BigQuery-export eltérése. Ha a felület magasabb értéket ír, mint a nyers export, a különbség jó eséllyel a modellezett rész.
Szakmai feltételezés: a felületi jelzések elhelyezése és szövege időről időre változik, ezért nem érdemes egy konkrét ikonra vagy oszlopnévre építeni a folyamatodat. Az összehasonlítás két független forrás között (felület és nyers export, illetve mérőrendszer és CRM) tartósabb módszer, mert nem függ attól, hogy éppen hogyan néz ki a felület.
Miben tér el a modellezett adat a ténylegesen mérttől?
Rövid válasz: a mért adat egy megtörtént esemény lenyomata, a modellezett adat egy csoportra vonatkozó becslés, amelyet nem lehet visszabontani konkrét emberre.
- Visszakereshetőség: a mért konverzióhoz tartozik esemény, időbélyeg, gyakran tranzakciós azonosító. A modellezett részhez nem tartozik senki, akit fel tudnál hívni.
- Bontás: a mért adat tetszőlegesen szeletelhető. A becslés csak addig a szintig értelmes, ameddig a modell tanult, mélyebb bontásban a hibahatár gyorsan nő.
- Stabilitás: a mért szám a lezárt időszakra jellemzően nem változik. A modellezett szám napokig, néha hetekig finomodik.
- Hordozhatóság: a mért adat átvihető CRM-be, számlázási egyeztetésbe. A becslés csak riportban él meg.
- Hibaszerkezet: a mérés hibája jellemzően hiány, tehát alulmér. A modellezés hibája kétirányú lehet, alul is és felül is becsülhet.
Hogyan hasonlítasz össze modellezett és mért időszakot hamis növekedés nélkül?
Rövid válasz: előbb tisztázd, hogy mindkét időszakban ugyanaz volt-e a mérési rendszer, és csak utána nézd a különbséget.
- Írd fel a mérési változások idővonalát. Sütibanner élesítése, banner-szöveg módosítása, mérőkód csere, szerveroldali mérés bekapcsolása, kulcsesemény újradefiniálása, domain- vagy útvonalváltás. Ez a lista a riport alapja, nem melléklete.
- Nézd meg, mindkét időszakban bekapcsolt-e a modellezés. Ha az egyikben igen, a másikban nem, akkor a különbség egy része biztosan módszertani, nem teljesítménybeli.
- Vegyél elő egy modellezéstől független kontrollmutatót. Ilyen a nyers export eseményszáma, a beérkezett ajánlatkérő e-mailek száma, a CRM-be került érdeklődők száma, a webshop rendelésszáma a saját adatbázisból.
- Hasonlíts arányt, ne abszolút számot. Ha a konverziós arány, a csatornák egymáshoz mért részesedése és az átlagos kosárérték együtt mozdul a kontrollmutatóval, a növekedés jó eséllyel valós.
- Vágd le az időszak utolsó néhány napját, vagy mindkét oldalon ugyanannyit hagyj belőle, hogy azonos érettségű adatot hasonlíts össze.
- Írd a riportba a különbség okát, ha nem tudod eldönteni. A bizonytalanság őszinte jelzése szakmai érv, nem gyengeség.
Saját tapasztalat: a legtöbb vitát nem a rossz szám okozza, hanem az, hogy a két összehasonlított hónapban más volt a mérés, és ezt senki nem írta le. Amint a mérési idővonal bekerül a riportba, a beszélgetés a kampányokról szól és nem arról, hogy melyik rendszernek van igaza.
Mely kérdésekre elég a modellezett adat, és melyekhez kell mért?
Rövid válasz: irányhoz és arányhoz elég a becslés, pénzhez és névhez mért adat kell.
A gyakorlati döntési szabály egyszerű. Ha a válaszod egy irányra vagy egy arányra vonatkozik, a modellezett adat használható, feltéve, hogy a nagyságrend stabil. Ide tartozik: nő vagy csökken az organikus forgalom, melyik csatorna hozza a több érdeklődőt, melyik landing oldal teljesít jobban a másiknál, érdemes-e egy kampányt tovább futtatni. Ezek relatív kérdések, a becslés torzítása pedig nagyjából egyformán érinti az összehasonlított oldalakat.
Mért adatra van szükséged, ha a válasz egy konkrét emberhez vagy egy konkrét összeghez vezet. Ide tartozik: ki volt az az érdeklődő, honnan jött és mit nézett, hány tényleges rendelés lett a hónapban, mennyi jutalék vagy díj számolható el, ki kapja a következő utánkövető hívást, mi került be a könyvelésbe. Számlázási alapnak becslés nem használható, és egyetlen ügyfél sem fogja elfogadni, hogy egy statisztikai kiegészítés után fizet.
Szakmai feltételezés: a modellezett és a saját rendszerből mért konverziószám közti eltérés tartósan figyelve önmagában is hasznos jelzés. Ha az eltérés hónapokig hasonló sávban marad, a mérés valószínűleg rendben van. Ha hirtelen szétnyílik, az gyakrabban jelent elromlott mérőkódot vagy megváltozott sütibannert, mint valós piaci mozgást.
Mit tegyél az ügyfélnek küldött riport lábjegyzetébe?
Rövid válasz: egy rövid, érthető blokkot arról, mely szám honnan jön, mi változott a mérésben, és mire nem használható a riport.
- Melyik szám származik közvetlen mérésből, és melyik tartalmaz becsült részt. Elég egy csillag a számok mellé és egy soros magyarázat.
- Mikor kapcsolt be a modellezés ezen az oldalon, illetve az adott időszakban aktív volt-e.
- Milyen mérési változás történt az időszakban, és melyik napon.
- A dátumtartomány zárása, és hogy az utolsó napok adata még változhat.
- A kontrollforrás megnevezése, amihez hasonlítottál, például saját rendelésadat vagy beérkezett ajánlatkérések száma.
- Egy mondat arról, hogy a riport tervezésre és arányok értékelésére készült, nem számlázási alapnak.
- Kihez fordulhat az ügyfél, ha egy konkrét érdeklődőt szeretne visszakeresni.
Ez a hét pont pár sor, mégis az utólagos magyarázkodás nagy részét megelőzi. Saját tapasztalat: ha a lábjegyzet állandó helyen és állandó szerkezetben szerepel, az ügyfél két hónap után már magától odanéz, és a kérdései is pontosabbak lesznek.
Miért nem szabad becslést tizedesjegyre hivatkozva megvédeni?
Rövid válasz: mert a tizedesjegy pontosságot sugall, a modellezett szám mögött viszont egy sáv van, nem egy pont.
Ez a cikk saját szakmai álláspontja. Amikor egy becsült konverziószámot valaki két tizedesjegyig védeni kezd, nem az adatot védi, hanem a saját korábbi mondatát. A modellezett érték természeténél fogva bizonytalan, és ez nem hiba, hanem tulajdonság. A szakszerű megfogalmazás ilyenkor az, hogy a nagyságrend ennyi, az irány ez, a bizonytalanság pedig ekkora, és ezért hozzuk ezt a döntést.
Gyakorlati fordítás: kerekíts. Ha a szám becsült, ne írj tizedest, és ne hasonlíts össze két becslést néhány százalékos különbség alapján. Ha a döntés múlik a különbségen, szerezz mért adatot, akár úgy, hogy a kampányhoz külön telefonszámot, külön űrlapot vagy külön leszállóoldalt rendelsz. Egy tiszta, kis mintás mérés gyakran többet ér, mint egy nagy, de becsült szám, amelyről nem tudod, hol keletkezett.
Végül egy megnyugtató mondat, amit érdemes az ügyfélnek is elmondani: a modellezés megléte nem azt jelenti, hogy az adat használhatatlan lett. Azt jelenti, hogy másképp kell olvasni. A jó riport nem az, amelyik a legnagyobb számot mutatja, hanem az, amelyikről tudod, mit állít és mit nem. Ez a különbségtétel segítheti a jobb döntéseket, de önmagában nem pótolja a rendszeres, tisztán tartott mérést.
Források és további olvasnivalók
- Google Analytics Help: Behavioral modeling for consent mode
- Google Analytics Help: Data thresholds
- Google Analytics Help: BigQuery Export schema
- Google Ads Help: About conversion modeling
- Google Tag Platform dokumentáció: Consent mode
- Google Search Central: Search Console adatanomáliák és adatkezelés
- Európai Adatvédelmi Testület iránymutatásai a hozzájárulásról
- W3C: Privacy Principles
- A modellezett szám becslés, nem megfigyelés: a bizonytalansága nagyobb, mint amit a tizedesjegyek sugallnak.
- A modellezés nem folyamatos: bekapcsol és kikapcsol, ezért két időszak összehasonlítása önmagában hamis növekedést mutathat.
- Trendhez, arányhoz, csatorna-sorrendhez általában elég a modellezett adat, egyedi ügyfél visszakereséséhez és számlázáshoz nem.
- A BigQuery-export és a CRM csak a ténylegesen megfigyelt eseményeket tartalmazza, ezért hasznos kontrollforrás.
- Minden ügyfélnek küldött riport aljára kerüljön egy rövid lábjegyzet arról, mely szám mért és melyik becsült.
Gyakori kérdések
Honnan tudom biztosan, hogy a riportom modellezett adatot tartalmaz?
Nézd meg a riport fejlécében megjelenő jelzést és annak magyarázó szövegét, majd hasonlítsd össze a felületi számot a nyers adatexporttal. Ha a felület magasabb értéket mutat, mint az export, a különbség jellemzően a modellezett rész. A hirdetési felületen az oszlopleírás jelzi, ha a konverzió-oszlop becsült értéket is tartalmaz.
Kikapcsolható a modellezés, ha csak mért adatot szeretnék látni?
A felületi riportokban általában nem kapcsolható ki, viszont dolgozhatsz a nyers eseményexporttal, amely csak a ténylegesen beérkezett eseményeket tartalmazza. A hirdetési oldalon sok esetben előhívható egy olyan oszlop, amely a közvetlenül visszavezetett konverziókat mutatja.
Miért nőtt meg hirtelen a forgalmam anélkül, hogy bármit változtattam volna?
Az egyik gyakori ok, hogy az oldal átlépte a modellezéshez szükséges küszöböt, és a rendszer elkezdte kiegészíteni a hiányzó, engedély nélküli látogatókat. Nézd meg, mikor kapcsolt be a modellezés, és vesd össze az adatot egy modellezéstől független forrással, például a beérkezett ajánlatkérések számával.
Használhatom a modellezett konverziószámot számlázási alapnak?
Nem javasolt. A becsült érték mögött nincs visszakereshető esemény, ezért nem egyeztethető tételesen. Számlázáshoz és jutalékszámításhoz a saját rendszerből, webshopból vagy CRM-ből származó mért adatot érdemes használni.
Mennyire pontos a modellezett adat?
Nincs egyetlen szám, amivel ezt le lehetne írni: a pontosság függ a forgalom nagyságától, a sütiengedély arányától és attól, mennyire egységes a látogatók viselkedése. Ezért érdemes sávban és nagyságrendben gondolkodni, kerekített számokat közölni, és fontos döntés előtt mért kontrollforrást bevonni.
Mit írjak az ügyfélnek, ha rákérdez, miért tér el két rendszer adata?
Mondd el, hogy a két rendszer mást mér: az egyik becsléssel egészíti ki a hiányzó megfigyeléseket, a másik csak a ténylegesen rögzített eseményeket számolja. Add meg mindkét számot, jelöld melyik mért és melyik becsült, és javasold, hogy a döntéshez az arányokat és a trendet nézzétek, a tételes egyeztetéshez pedig a mért forrást.
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.