Attribution: teljes útmutató

Az attribution (konverziós hozzárendelés) azt határozza meg, hogy egy vásárlás vagy lead értékéből mennyit kap az egyes marketingcsatorna, így az organikus keresés is. A választott modell, például az utolsó kattintás vagy az adatvezérelt modell, eldönti, mennyire látszik értékesnek a SEO. Jó attribution nélkül a SEO hatását rendszeresen alul- vagy túlbecsülöd, és rossz költségvetési döntéseket hozol.

Alapfogalmak

Az attribution a SEO analitika egyik legtöbbet félreértett területe. Nem mérési eszköz és nem riport, hanem egy szabályrendszer: megmondja, hogyan osszuk szét egy konverzió érdemét azok között az érintkezési pontok között, amelyeken a felhasználó a konverzió előtt átment. Ugyanabból a nyers adatból teljesen eltérő következtetést kapsz attól függően, milyen szabályt alkalmazol.

A SEO szempontjából ez azért kritikus, mert az organikus keresés gyakran a vásárlási út elején jelenik meg. Valaki rákeres egy információs kérdésre, elolvas egy útmutatót, majd napokkal később egy hirdetésre kattintva vásárol. Ha csak az utolsó lépést nézed, a SEO munkája láthatatlan marad.

Érintkezési pont (touchpoint)

Minden olyan interakció, amikor a felhasználó kapcsolatba kerül a márkáddal: organikus kattintás, fizetett hirdetés, hírlevél, közösségi poszt, közvetlen látogatás. Az analitikai eszközök jellemzően a munkamenetek forrását rögzítik, így a gyakorlatban egy érintkezési pont többnyire egy munkamenet forrás/médium párosát jelenti.

Konverziós út

Az érintkezési pontok időrendi sorozata egy felhasználónál a konverzióig. Például: organikus keresés, majd közvetlen látogatás, majd e-mail, végül vásárlás. A konverziós út hossza és összetétele iparágtól függően nagyon eltérő lehet, egy drága B2B szolgáltatásnál hetekig vagy hónapokig is tarthat.

Konverzió és kulcsesemény

Az a művelet, amelyet értékesnek tartasz: vásárlás, ajánlatkérés, regisztráció, letöltés. A Google Analytics 4 ezt kulcseseménynek hívja. Az attribution csak akkor értelmes, ha a konverziót pontosan definiáltad, és tudod, mennyit ér. Ha a SEO KPI rendszeredben nincs rögzítve, mi számít eredménynek, a hozzárendelési modell sem fog segíteni.

Visszatekintési ablak (lookback window)

Az az időtartam, amelyen belül egy korábbi érintkezési pont még kaphat érdemet. Ha az ablak rövid, a hosszú döntési folyamatú termékeknél a korai organikus látogatások egyszerűen kiesnek a számításból. Ez az egyik leggyakoribb oka annak, hogy a SEO alulértékelt.

Az alapfogalmak egy táblázatban

Fogalom	Mit jelent	Miért fontos SEO-nál
Érintkezési pont	Egy interakció a márkával	Az organikus kattintás is ilyen
Konverziós út	Az interakciók sorrendje	A SEO gyakran az út elején áll
Hozzárendelési modell	Az érdem elosztásának szabálya	Eldönti, mennyit „ér” a SEO
Visszatekintési ablak	Meddig számít egy korábbi pont	Rövid ablak kiírja a korai keresést
Asszisztált konverzió	Részvétel a konverzióban, nem utolsóként	Láthatóvá teszi a támogató szerepet

Gyakori tévhit, hogy az attribution „megmondja az igazat”. Valójában minden modell egy feltételezés arról, hogyan hatnak a csatornák. Az a cél, hogy tudatosan válassz, és értsd a választásod torzításait.

Hogyan működik?

Az attribution folyamata három rétegből áll: adatgyűjtés, az utak összerakása és az érdem szétosztása. Bármelyik rétegben keletkező hiba végiggyűrűzik a riportokon, ezért érdemes mindhármat külön ellenőrizni.

1. Adatgyűjtés

Az analitikai eszköz minden munkamenetnél rögzíti a forrást. Organikus keresésnél ez a hivatkozó keresőből, fizetett csatornáknál jellemzően UTM-paraméterekből vagy automatikus címkézésből jön. Ha egy kampánylinkből hiányzik a címkézés, a látogatás közvetlen vagy hivatkozó forgalomként jelenhet meg, és máris rossz csatorna kapja az érdemet.

2. Az utak összerakása

Az eszköz megpróbálja azonosítani, hogy több munkamenet ugyanahhoz a felhasználóhoz tartozik. Ehhez sütiket, bejelentkezési azonosítót vagy egyéb jeleket használhat. Ha a felhasználó eszközt vált (mobilon keres, asztali gépen vásárol), vagy nem fogadja el a sütiket, az út megszakad. Ilyenkor a konverzió úgy tűnik, mintha egyetlen érintésből jött volna, és a korábbi organikus keresés eltűnik.

3. Az érdem szétosztása

Végül a modell eldönti, ki mennyit kap. Utolsó kattintásos modellnél a teljes érdem az utolsó nem közvetlen érintésé. Adatvezérelt modellnél egy algoritmus a konvertáló és nem konvertáló utak összevetéséből becsüli meg az egyes pontok hozzájárulását.

Kidolgozott példa: egy vásárlás három modellben

Vegyünk egy szemléltető esetet, kitalált számokkal. Egy webáruház 60 000 forintos kávéfőzőt ad el. A vásárló útja:

Organikus keresés: „melyik kávéfőzőt vegyem” típusú cikk elolvasása.
Fizetett közösségi hirdetés: termékoldal megtekintése.
Organikus keresés márkanévre: összehasonlító oldal.
E-mail kupon: vásárlás.

Érintés	Utolsó kattintás	Lineáris	Pozícióalapú (40/20/40)
Organikus (1.)	0 Ft	15 000 Ft	24 000 Ft
Közösségi hirdetés	0 Ft	15 000 Ft	6 000 Ft
Organikus (3.)	0 Ft	15 000 Ft	6 000 Ft
E-mail	60 000 Ft	15 000 Ft	24 000 Ft

Ugyanaz az eladás: utolsó kattintásnál a SEO 0 forintot kap, lineárisnál 30 000-et, pozícióalapúnál szintén 30 000-et, de más okból. Ha a SEO-büdzsédet az első oszlop alapján védenéd meg, vesztes pozícióból indulnál, holott a vásárló két ponton is a keresőn keresztül érkezett.

Mi befolyásolja még a működést?

A sütielfogadási arány: minél kevesebben fogadják el, annál több út szakad meg.
A csatornacsoportosítás szabályai: ha egy forrás rossz csoportba kerül, a riport is téves.
A konverziók késleltetett feldolgozása: egyes eszközökben a hozzárendelt adatok néhány nap alatt véglegesednek, ezért a friss napok számai még változhatnak.

Fő módszerek

A hozzárendelési módszereket két nagy csoportra lehet bontani: szabályalapú modellekre és adatvezérelt vagy statisztikai megközelítésekre. Mellettük léteznek olyan módszerek is, amelyek nem egyes utakat, hanem összesített hatást vizsgálnak. Egy érett SEO-mérés általában többet használ párhuzamosan.

Utolsó kattintás

A teljes érdem az utolsó (jellemzően nem közvetlen) érintésé. Egyszerű, könnyen érthető, és jól mutatja, mi zárja a vásárlást. A SEO-t viszont szisztematikusan alulértékeli, ha a tartalmaid főleg információs keresésekre rangsorolnak. Márkás keresésnél fordított a helyzet: ott az organikus csatorna sokszor olyan érdemet kap, amelyet valójában egy korábbi hirdetés vagy ajánlás készített elő.

Első kattintás

Minden érdem az első érintésé. Jól mutatja, mely csatornák hoznak új érdeklődőket, de semmit nem mond arról, mi győzte meg a vásárlót. SEO-nál hasznos lehet arra, hogy a tájékoztató tartalmak szerepét megvédd, de önmagában épp olyan egyoldalú, mint az utolsó kattintás.

Lineáris, időcsökkenéses és pozícióalapú modellek

A lineáris modell egyenlően oszt. Az időcsökkenéses a konverzióhoz közelebbi érintéseknek ad többet. A pozícióalapú az első és utolsó érintést emeli ki, a középsőket kisebb részesedéssel. A Google Analytics 4 ezek közül több szabályalapú modellt kivezetett, így ott jellemzően az adatvezérelt és az utolsó kattintásos modell közül választhatsz. A szabályalapú logikát ettől még alkalmazhatod saját táblázatban vagy más eszközben, ha exportálod az út-adatokat.

Adatvezérelt modell

Algoritmus becsüli meg, hogy egy adott érintés jelenléte mennyivel növeli a konverzió esélyét. Előnye, hogy a saját adataidból tanul. Hátránya, hogy fekete doboz: nem látod pontosan, miért kap egy csatorna annyit, amennyit, és kis forgalmú oldalakon a becslés bizonytalan lehet.

Inkrementalitás-tesztek és marketingmix-modellezés

Ezek nem utakat elemeznek, hanem azt kérdezik: mi történne a csatorna nélkül? Inkrementalitás-tesztnél például egy régióban vagy oldalcsoporton változtatsz, és összeveted egy kontrollcsoporttal. A marketingmix-modellezés hosszabb idősoros, összesített adatból becsüli a csatornák hatását. Mindkettő erőforrásigényes, de SEO-nál különösen értékes, mert nem függ a sütiktől.

Döntési szabály: melyik módszert mikor

Helyzet	Javasolt elsődleges nézet	Kiegészítő nézet
Rövid döntési út, impulzusvásárlás	Utolsó kattintás	Adatvezérelt
Hosszú döntési út, sok tájékoztató tartalom	Adatvezérelt	Első kattintás és asszisztált konverziók
Kevés konverzió (havonta néhány tucat)	Utolsó kattintás, óvatos értelmezéssel	Kvalitatív visszajelzés („honnan hallott rólunk?”)
Nagy büdzsé, csatornák közti átcsoportosítás	Inkrementalitás-teszt	Marketingmix-modell

A szabály egyszerű: egy modellből soha ne hozz büdzsédöntést. Legalább két nézetet vess össze, és ha nagyon eltérnek, az eltérés oka érdekesebb, mint bármelyik szám önmagában.

Gyakori hibák

Az attribution hibái ritkán látványosak. A riport hibátlanul fut, a számok szépek, csak éppen rossz következtetéshez vezetnek. Az alábbi hibák a SEO-értékelésben különösen gyakoriak.

Egyetlen modell abszolút igazságként kezelése

Ha a vezetőség csak az utolsó kattintásos riportot látja, a SEO-ra fordított pénz könnyen „veszteségesnek” tűnik. A megoldás nem az, hogy átváltasz egy SEO-nak kedvezőbb modellre, hanem hogy mindig bemutatod, hogyan változik a kép modellenként.

A márkás és nem márkás keresés összemosása

A márkanévre érkező organikus forgalom sokszor nem a SEO érdeme, hanem a márkaismertségé. Ha ezt összevonod a nem márkás kereséssel, a SEO teljesítményét felfújod. Bontsd szét a két csoportot, amikor az organikus forgalmat és annak konverziós értékét elemzed.

Rossz vagy hiányos kampánycímkézés

Egy címkézetlen hírlevél-link közvetlen forgalomként landolhat, egy rosszul írt UTM-forrás külön csatornát hozhat létre. Ez közvetve a SEO-t is érinti, mert a csatornák közötti arányok torzulnak.

Túl rövid visszatekintési ablak

Ha a termékednél a döntés átlagosan hetekig tart, de az ablak ennél rövidebb, az első organikus látogatások kiesnek. Nézd meg a konverzióig eltelt idő eloszlását, és ehhez igazítsd a beállítást, amennyiben az eszközöd ezt engedi.

A nem követhető hatás figyelmen kívül hagyása

Sokan elolvasnak egy cikket, majd később beírják a domaint, vagy telefonon rendelnek. Ezt semmilyen kattintásalapú modell nem rendeli a SEO-hoz. Ilyenkor kvalitatív forrás segít: rövid kérdés az űrlapon vagy a telefonos értékesítők jegyzetei.

Ellenpélda: amikor a SEO túl sok érdemet kap

Nem csak alulértékelés létezik. Egy erős televíziós vagy közösségi kampány után megugrik a márkás keresés, és utolsó kattintásnál az organikus csatorna „nyeri” a konverziókat. Ha ezt SEO-sikerként mutatod be, a következő negyedévben, amikor a kampány leáll, megmagyarázhatatlan visszaesés jön.

Gyors hibakereső lista

Van-e olyan csatorna, amelynek aránya hirtelen ugrott vagy esett, miközben a forgalom nem változott?
Nőtt-e a közvetlen forgalom aránya egy kampány indulásakor? Ez címkézési hibára utalhat.
Szét van-e választva a márkás és nem márkás organikus konverzió?
Ugyanazt a konverziódefiníciót használja-e minden riport?
Friss napokat hasonlítasz-e véglegesített adatokhoz?

Mérés

Az attribution akkor ér valamit, ha beépül a rendszeres mérésbe. A cél nem egy tökéletes szám, hanem egy következetes, megismételhető eljárás, amelyből látszik a SEO trendje és a többi csatornához viszonyított szerepe.

Mérési workflow lépésről lépésre

Konverziók rögzítése. Írd le, mely események számítanak, és mennyi az értékük. Lead esetén becsülhetsz átlagos értéket a zárási arányból.
Címkézés auditja. Ellenőrizd, hogy minden fizetett és e-mailes link egységes UTM-szabályt követ.
Csatornacsoportok ellenőrzése. Győződj meg róla, hogy az organikus keresés valóban oda kerül, ahová kell.
Márkás bontás. Hozd létre a márkás és nem márkás keresési csoportot a keresési adataid alapján.
Párhuzamos nézetek. Havonta exportáld a konverziókat legalább két modell szerint.
Felfelé vezető mutatók összekötése. Kapcsold össze a konverziós adatot a láthatósággal és a kattintásokkal.
Negyedéves felülvizsgálat. Nézd át, változott-e a konverzióig tartó idő vagy az utak hossza.

A konverzió előtti szakasz mérése

Az attribution csak a kattintás utáni világot látja. Hogy a SEO miért hoz több vagy kevesebb konverziót, azt gyakran a keresési láthatóság magyarázza. Az impressions mutatja, hányszor jelentél meg a találatok között, a clicks pedig azt, hányan kattintottak. Ha az organikus konverzió esik, de a megjelenések és kattintások stabilak, valószínűleg az oldalon vagy a mérésben van a gond, nem a rangsorolásban.

Ajánlott riportstruktúra

Mutató	Forrás	Gyakoriság
Organikus konverzió, utolsó kattintás	Analitika	Havi
Organikus konverzió, adatvezérelt	Analitika	Havi
Organikus részvétel a konverziós utakban	Analitika, út-riportok	Havi
Márkás és nem márkás arány	Keresési konzol adatai	Havi
Megjelenés és kattintás trend	Keresési konzol adatai	Heti
Önbevallott forrás	Űrlap, értékesítés	Negyedéves

Hogyan értelmezd az eltéréseket

Ha az adatvezérelt modell jóval többet ad a SEO-nak, mint az utolsó kattintás, az organikus csatorna valószínűleg az út elején vagy közepén dolgozik. Ez érv a tájékoztató tartalmak mellett. Ha a két modell közel azonos, a SEO főleg záró csatorna, ilyenkor a termék- és kategóriaoldalak optimalizálása hozhatja a legtöbbet. Ha az önbevallott forrásban gyakran szerepel a „Google” vagy „cikket olvastam”, miközben a kattintásalapú riport alig mutat organikus hatást, a nem követhető út jelentős.

Ellenőrzőlista havi riport előtt

Véglegesedtek-e a vizsgált időszak adatai?
Ugyanazt a konverziódefiníciót használod, mint előző hónapban?
Jelölted-e a riportban a nagyobb kampányokat, amelyek a márkás keresést befolyásolhatták?
Legalább két modell szerint szerepel-e a SEO eredménye?
Leírtad-e egy mondatban, mi a következtetés és milyen döntést támogat?

Kapcsolódó részletes útmutatók

Az attribution akkor ad megbízható képet, ha a mögötte álló mutatókat is érted. Az alábbi útmutatók a hozzárendelés bemeneti adatait és a SEO teljesítményének mérését bontják ki részletesen, így segítenek abban, hogy a modellek eredményét helyesen értelmezd és összekösd a keresési láthatósággal.

Érdemes a KPI-rendszerrel kezdeni, mert az határozza meg, mit tekintesz konverziónak. Utána az organikus forgalom, majd a megjelenések és kattintások jönnek, mert ezek mutatják meg, honnan ered a konverziós utak organikus része.

Ajánlott olvasási sorrend

SEO analitika: a teljes terület áttekintése.
SEO KPI: teljes útmutató: milyen célmutatókhoz kösd a hozzárendelést.
Organikus forgalom: teljes útmutató: a márkás és nem márkás bontás alapjai.
Impressions: teljes útmutató: a láthatóság mérése a kattintás előtt.
Clicks: teljes útmutató: a keresőből érkező kattintások elemzése.

Ha ezeket a mutatókat egységes definíciókkal követed, az attribution-riportjaid nem elszigetelt számok lesznek, hanem egy összefüggő történet részei: hány ember látott, hányan kattintottak, és ebből mennyi érték lett a különböző modellek szerint.